http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Uncertainty 기반 반도체 Wafer Map 라벨링 방법론 제시
홍용민,손준영,권구민,전서현,백소은,신승희 한국품질경영학회 2023 한국품질경영학회 학술대회 Vol.2023 No.0
4차 산업 혁명 이후, 여러 산업 분야에서 AI를 활용한 품질 개선 방안에 대한 연구가 지속되고 있다. 기계학습의 한 분야인 지도학습은, 데이터를 학습하고, 타겟 값을 예측 하는 방법을 말한다. 이러한 지도학습을 수행하기 위해서는 라벨링 된 데이터의 확보가 필수적이다. 이에 본 연구는 반도체 Wafer Map 이미지 데이터를 대상으로 Uncertainty 기반 라벨링 방법론을 제시하고자 한다. 본 연구에 사용한 데이터 셋은 WM-811K라는 오픈 데이터 셋으로 반도체 웨이퍼 이미지 약 81만 장을 포함하고 있다. 이 중 라벨링 된 데이터 172,950장을 사용하였으며, 8가지 불량 패턴과 정상 데이터로 라벨링 되어져 있다. 이 데이터 중 10%에 해당하는 17,295장의 데이터를 Train Data로 가정하고, 나머지 90%에 해당하는 데이터는 라벨을 삭제하여, Test Data로 가정한다. 구체적인 연구 과정은 다음과 같다. 먼저, Train Data를 통해 ResNet 모델을 학습한다. 이후 Test Data 17,295장의 라벨을 예측하고, 3가지 방법(최소 신뢰, 최대 오차, 엔트로피)을 통해 각 Test Data의 Uncertainty를 계산한다. Uncertainty가 낮은 데이터는 모델의 예측 결과를 바탕으로 라벨링을 수행하고, 높은 데이터는 엔지니어가 직접 라벨링을 수행한다. 라벨링이 완료된 Test Data는 Train Data에 추가된다. 이 과정을 1개의 Phase로 정의하고, 모든 Test Data의 라벨링이 완료될 때 까지 반복하여, 총 9 Phase까지의 실험을 진행한다. 3가지 방법을 각각 실험한 결과 라벨링의 평균 정확도는 약 99.39%, 엔지니어 직접 라벨링 평균 비율은 12.22%가 산출되었다. ※ 이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (No. 2022H1D8A3037396).
XAI(eXplainable Artificial Intelligence) 알고리즘 기반 사출 공정 수율 개선 방법론
홍지수,홍용민,오승용,강태호,이현정,강성우 한국품질경영학회 2023 품질경영학회지 Vol.51 No.1
Purpose: The purpose of this study is to propose an optimization process to improve product yield in the process using process data. Recently, research for low-cost and high-efficiency production in the manufacturing process using machine learning or deep learning has continued. Therefore, this study derives major variables that affect product defects in the manufacturing process using eXplainable Artificial Intelligence(XAI) method. After that, the optimal range of the variables is presented to propose a methodology for improving product yield. Methods: This study is conducted using the injection molding machine AI dataset released on the Korea AI Manufacturing Platform(KAMP) organized by KAIST. Using the XAI-based SHAP method, major variables affecting product defects are extracted from each process data. XGBoost and LightGBM were used as learning algorithms, 5-6 variables are extracted as the main process variables for the injection process. Subsequently, the optimal control range of each process variable is presented using the ICE method. Finally, the product yield improvement methodology of this study is proposed through a validation process using Test Data. Results: The results of this study are as follows. In the injection process data, it was confirmed that XGBoost had an improvement defect rate of 0.21% and LightGBM had an improvement defect rate of 0.29%, which were improved by 0.79%p and 0.71%p, respectively, compared to the existing defect rate of 1.00%. Conclusion: This study is a case study. A research methodology was proposed in the injection process, and it was confirmed that the product yield was improved through verification.