변분 오토인코더와 가우시안 프로세스의 계층적 모델을 활용한 반도체 글라스의 임계 치수의 예측

Abstract

반도체 글라스(Glass)의 임계 치수(Critical Dimension)는 반도체의 성능에 직접적인 영향을 미친다. 임계 치수가 작고 균일할수록 반도체의 성능이 좋다고 할 수 있는데, 이 임계 치수를 직접 측정하는 데에는 많은 비용이 소요되어 반도체 글라스의 모든 셀(Cell)에 대해 임계 치수를 측정할 수 없다. 본 연구에서는 쉽게 얻을 수 있는 반도체의 공정정보(Process Data)와 셀의 위치정보와 글라스의 시간정보로부터 임계 치수를 회귀(Regression)하였다. 본 논문에서는 공정정보와 임계 치수 사이의 비선형적인(Non-linear)한 관계를 보기 위하여 가우시안 프로세스(Gaussian Process)의 여러 계층(Multi-layer) 버전인 심층 가우시안 프로세스(Deep Gaussian Process)를 이용한 회귀인 심층 가우시안 프로세스 회귀(Deep Gaussian Process Regression)를 사용한다. 공정정보 중에서 임계 치수에 영향을 더 크게 주는 요인을 찾기 위해서 변분 오토인코더(Variational Auto-Encoder)를 도입했다. 본 논문에서는 변분 오토인코더를 통해 구한 잠재 표현(Latent Representation)을 심층 가우시안 프로세스 회귀의 입력으로 사용하는 계층적 모델(Hierarchical Model)을 제시한다. 계층적 모델을 통해 공정정보로부터 임계 치수를 예측하는데 성공했다.