KR102883473B1 - 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템 - Google Patents

딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템

Info

Publication number
KR102883473B1
KR102883473B1 KR1020240000471A KR20240000471A KR102883473B1 KR 102883473 B1 KR102883473 B1 KR 102883473B1 KR 1020240000471 A KR1020240000471 A KR 1020240000471A KR 20240000471 A KR20240000471 A KR 20240000471A KR 102883473 B1 KR102883473 B1 KR 102883473B1
Authority
KR
South Korea
Prior art keywords
wafer
image sensor
deep learning
wafer test
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020240000471A
Other languages
English (en)
Other versions
KR20240108319A (ko
Inventor
이상지
천병태
양은택
Original Assignee
주식회사 에이엘티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이엘티 filed Critical 주식회사 에이엘티
Publication of KR20240108319A publication Critical patent/KR20240108319A/ko
Application granted granted Critical
Publication of KR102883473B1 publication Critical patent/KR102883473B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G01R31/2855—Environmental, reliability or burn-in testing
    • G01R31/286—External aspects, e.g. related to chambers, contacting devices or handlers
    • G01R31/2868—Complete testing stations; systems; procedures; software aspects
    • G01R31/287—Procedures; Software aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J1/00—Photometry, e.g. photographic exposure meter
    • G01J1/02—Details
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/01—Subjecting similar articles in turn to test, e.g. "go/no-go" tests in mass production; Testing objects at points as they pass through a testing station
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2825—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere in household appliances or professional audio/video equipment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G01R31/2855—Environmental, reliability or burn-in testing
    • G01R31/286—External aspects, e.g. related to chambers, contacting devices or handlers
    • G01R31/2863—Contacting devices, e.g. sockets, burn-in boards or mounting fixtures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G01R31/2894—Aspects of quality control [QC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/316—Testing of analog circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명은 딥러닝을 이용한 이미지 센서 웨이퍼 테스트 장비의 사용 간에 테스트 결과 데이터가 딥러닝 기반의 판별기로 제공되어 자동 업데이트 되면서 딥러닝을 활용한 학습을 통해 불량 여부 판별의 정확성이 지속적으로 상승되고, 이를 통해 웨이퍼 검사장비의 신뢰성이 담보되는 장점이 있다.
또한 불량으로 판정된 데이터 클래스에 대해 딥러닝을 이용하여 분석함으로써 웨이퍼 테스트 장비, 조명기, 조도 측정기, 교정기 등의 미세한 변화를 사전에 미리 찾아내는 경우 큰 고장을 미연에 방지하는 효과를 얻을 수 있는 딥러닝을 이용한 이미지 센서 웨이퍼 테스터 시스템에 관한 것이다.
상기의 과제를 해결하기 위한 본 발명에 따른 딥러닝을 이용한 이미지 센서 웨이퍼 검사 시스템은, 이미지 센서 웨이퍼를 장착하는 프로버, 이미지 센서 칩과 전기적으로 연결하기 위한 프로브 카드, Pogo Tower, 프로브 인터페이스 보드, 웨이퍼 테스트를 수행하고 테스트 결과에 따라 양호 또는 불량 여부를 판단하는 웨이퍼 테스트 장비; 상기 웨이퍼 테스트를 위해 광을 투사하는 조명기; 조도 측정기; 조명기의 투사 광도를 조절하도록 제어하는 역할을 담당하는 교정기; 및 상기 웨이퍼 테스트 장비로부터 웨이퍼 테스트 결과 데이터를 제공 받고 딥러닝 기법으로 제공 받은 데이터를 분석하여 해당 웨이퍼를 구성하는 이미지 센서 칩 별로 양호 또는 불량 여부를 판별하는 딥러닝 기반의 판별기:를 포함하는 것을 특징으로 한다.

Description

딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템{Deep Learning Based Image Sensor Wafer Test System}
본 발명은 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템에 관한 것으로, 더욱 상세하게는 반도체 제조공정에서 실리콘 웨이퍼(Wafer)에 제조된 다수의 이미지 센서 칩에 대하여 다양한 전기적 특성을 측정하는 EDS(Electrical Die Sorting) 테스트 결과 데이터를 인공지능(AI) 딥러닝(Deep Learning) 기법을 통해 효율적으로 분석하고 불량 또는 양호 상태를 판별하는 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템에 관한 것이다.
일반적으로 반도체 제조공정에서는 다수의 반도체 다이(die) 또는 칩(chip)이 하나의 웨이퍼에 제조된 상태에서 웨이퍼 테스트 장비를 이용하여 특정 웨이퍼에 제조된 각각의 반도체 칩을 대상으로 다양한 전기적 특성을 측정하는 EDS(Electrical Die Sorting) 테스트 결과 데이터를 분석하여 사전에 정해진 기준에 따라 양호(pass)/불량(fail) 여부를 판별하는 공정을 수행하게 된다.
이 과정에서 불량으로 판별된 반도체 칩은 별도로 관리하기 위해 웨이퍼 표면의 해당 반도체 칩 위치에 시각적으로 식별이 가능하도록 표시하거나 또는 측정 데이터에 포함하여 식별을 위한 정보를 기록하게 된다.
또한, EDS 테스트를 위해서는 웨이퍼 테스트 장비와 웨이퍼를 구성하는 반도체 칩 사이에 전기적인 연결이 이루어져야 하고, 웨이퍼 테스트 장비는 프로브 인터페이스 보드 PIB(Probe Interface Board) 및 Pogo Tower를 통해 프로브 카드(Probe Card)와 연결되며, 프로브 카드에 구비된 다수의 니들(Niddle)을 통해 반도체 칩과 연결된다.
이때 이미지 센서 칩의 연결 핀(pin)과 동일한 수의 니들(Niddle)이 구비되어야 하고, 동시에 다수의 이미지 센서 칩을 연결하는 경우 전체 니들(Niddle)의 수는 연결하는 이미지 센서 칩의 수에 비례하므로, 프로브 카드는 이미지 센서 칩에 따라 맞춤형으로 제작되게 된다.
한편, 웨이퍼를 구성하는 이미지 센서 칩을 테스트하기 위해서는 빛을 주사하는 조명기(Illuminator)와 정기적 검교정 대상 장비인 조도 측정기(Lux Meter) 및 원하는 조도에 맞게 조정하는 교정기(Calibrator) 또는 교정 기능을 담당하는 소프트웨어가 설치된 컴퓨터가 추가로 구비된다.
또한, 이미지 센서용 웨이퍼 테스트를 위한 준비 단계로, 계획된 절차에 따라, 웨이퍼 테스트 시스템에서 프로버(Prober), 프로브 카드, Pogo Tower를 제거한 후에 요구되는 세기의 광을 조명기로 투사하고 조도 측정기로 측정한 조도가 설정한 기준 조도와 다른 경우 교정기를 작동하여 조명기의 광의 세기를 교정하는 과정을 거치며, 이러한 준비 작업은 통상적으로 정해진 기간 주기로 1회씩 이루어진다.
한편, 조명기 내부에 설치된 별도의 조도측정기를 이용하여 매일 1회씩 조명기 투사광의 밝기가 허용 범위를 벗어나는 경우 조정하는 교정 단계를 거친다.
이후 웨이퍼 테스트 시스템에서 프로버(Prober), Pogo Tower 및 프로브 카드를 설치한 후 이미지 센서용 웨이퍼를 삽입하여 니들(Niddle)를 연결하고 계획에 따라 EDS 테스트를 실시한다.
상기와 같은 반도체 웨이퍼 테스트 시스템의 종래 기술로는 공개특허공보 제2022-0111061호의 웨이퍼 비전검사 장치 및 방법(이하 ‘특허문헌’이라 한다)이 개시되어 있다.
상기 특허문헌은 디스플레이부; 상기 슬롯에 각각 수용된 웨이퍼의 웨이퍼 이미지를 획득하는 카메라; 상기 웨이퍼 이미지를 이용하여 상기 슬롯 각각에 안착된 웨이퍼의 특정 영역 이미지를 추출하고, 상기 특정 영역 이미지와 외부 환경 요인에 대응하는 학습용 특정 영역 이미지와의 상관관계에 기초하여 웨이퍼 결함을 검출하고, 상기 검출 결과를 상기 디스플레이부를 통해 출력하는 프로세서로 구성된다.
그러나 상기 특허문헌은 카메라를 통해 웨이퍼의 이미지를 획득하여 웨이퍼 결함을 검출하는 것으로, 불규칙적으로 다양하게 발생하는 미세 결함을 정확하게 검출해내는 데에는 한계가 있다.
또한, 반도체 웨이퍼 결함을 적절히 모니터링하는 것은 결함 분석과 제조공정에서 전반적인 수율에 큰 영향을 미치는데, 기존의 웨이퍼 결함을 모니터링하는 방식은 일부 수동적인 검사 분야에서 전문가들에 의존하고 있어 정확성 및 효율성 측면에서 적합하지 않고, 이에 더해 반도체 칩들의 크기가 점차 작아짐에 따라 사람이 개입하여 수작업으로 웨이퍼 결함을 모니터링하는 것은 더욱 어려워지고 있는 문제가 있다.
따라서 반도체 웨이퍼 검사장비에 있어서, 불규칙적으로 발생하는 다양한 형태의 미세결함 데이터 및 양호한 데이터 기반의 학습과 분석을 인공지능 기법으로 자동화함으로써 웨이퍼 불량 검출의 효율성과 신뢰성을 높일 수 있는 혁신적인 딥러닝을 활용한 이미지 센서용 웨이퍼 테스트 시스템의 개발이 요구된다.
KR 10-2022-0111061 A (2022. 08. 09.) KR 10-2372147 B1 (2022. 03. 03.) KR 10-2021-0108597 A (2021. 09. 03.) KR 10-2239051 B1 (2021. 04. 06.)
본 발명은 상기와 같은 종래의 이미지 센서용 웨이퍼 테스트 시스템이 가진 문제점을 해결하기 위해 안출된 것으로, 본 발명이 해결하고자 하는 과제는 오토인코드(Autoencoder)을 포함하여 딥러닝 기법을 이용하여 웨이퍼을 구성하는 각각의 이미지 센서 칩을 대상으로 EDS 테스트 결과 데이터를 이용하여 학습을 하고, 발생할 수 있는 다양한 종류의 결함을 포함한 데이터인 경우 자동으로 불량 여부를 판별하고 해당 데이터를 분석하여 이미지 센서 칩의 결함인지, 조명기의 결함인지, 웨이퍼 테스트 장비의 결함인지 등의 결함 원인을 제시함으로써 이미지 센서 웨이퍼 테스트의 효율성과 정확성을 제고할 수 있는 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템을 제공하는 것이다.
상기의 과제를 해결하기 위한 본 발명에 따른 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템은, 테스트를 하고자 하는 이미지 센서 웨이퍼를 장착하는 프로버, 상기 웨이퍼를 구성하는 한 개 이상의 이미지 센서 칩과 전기적으로 연결하기 위해 다수의 니들(Niddle)이 구비된 프로브 카드, 상기 프로브 카드와 전기적으로 연결하기 위한 Pogo Tower, 상기 Pogo Tower와 전기적으로 연결하고 웨이퍼 테스트 장비와 상기 웨이퍼 간에 양방향으로 디지털 데이터와 아날로그 신호를 송수신 하기 위한 프로브 인터페이스 보드, 상기 웨이퍼 테스트를 위한 프로그램을 통헤 웨이퍼 테스트를 수행하고 테스트 결과 데이터를 수신하여 저장하고 분석하며 해당 이미지 센서 테스트 결과에 따라 양호 또는 불량 여부를 판단하는 컴퓨터 시스템을 포함하는 이미지 센서 웨이퍼 테스트 장비; 상기 웨이퍼 테스트를 위해 광을 투사하는 조명기; 상기 조명기에서 투사되는 광의 밝기를 계획된 위치에서 측정하는 조도 측정기; 상기 조도 측정기로 측정된 조도가 계획된 조도와 허용 오차 범위를 벗어나는 경우 조명기의 투사 광도를 조절하도록 제어하는 역할을 담당하는 교정기; 및 상기 웨이퍼 테스트 장비로부터 웨이퍼 테스트 결과 데이터를 제공받고 딥러닝 기법으로 제공받은 데이터를 분석하여 해당 웨이퍼를 구성하는 이미지 센서 칩 별로 양호 또는 불량 여부를 판별하는 딥러닝 기반의 판별기를 포함하는 것을 특징으로 한다.
그리고 본 발명은 상기 딥러닝 기법으로 오토인코더(Autoencoder) 기법을 포함하고, 상기 오토인코더 기법은 웨이퍼를 구성하는 각각의 이미지 센서 칩의 테스트 항목별로 별도의 계층으로 구분하여 다중 계층(Multi-layer) 데이터로 구성하여 입력하고, 이미지 센서 웨이퍼 테스트 결과 데이터가 양호한 클래스의 데이터 셋이 많은데 반해 불량 클래스의 데이터 셋은 상대적으로 적은 비대칭 데이터(Imbalanced data) 문제를 감안하여, 상기 이미지 센서 웨이퍼 테스트 장비로부터 웨이퍼 테스트 결과 데이터를 제공 받아서 양호한 클래스로 판별된 데이터만 가능한 많이 선별하여 학습하고 불량으로 판별된 클래스는 학습 대상에서 제외하는 것을 특징으로 한다.
또한, 본 발명에서 딥러닝 기반 판별기는 상기 이미지 센서 웨이퍼 테스트 장비로부터 제공받은 테스트 결과 데이터 중 불량으로 판별된 이미지 센서 칩별로 영상에서 불량 화소(pixel)의 패턴을 Random failure, Systematic failure, Hybrid failure 세 가지로 구분하고, 우선 Random failure인 경우는 이미지 센서 칩의 내부 회로 고장으로 인한 문제인지 또는 테스트 과정에서 이미지 센서 칩의 해당 화소의 마이크로 렌즈에 먼지가 묻거나 긁히는 등의 환경 또는 부주의로 인한 문제인지 유사한 불량 데이터 셋을 모아 비교하면서 살펴보고, 이어서 Systematic failure인 경우 불량 화소의 패턴에 따라 조명기, 조도 측정기 또는 교정기의 성능이 정밀한 교정 이후 시간이 경과하면서 미세하게 변해서 발생한 문제인지 아니면 웨이퍼 테스트 장비의 문제로 인한 것인지 테스트 결과 불량으로 판정된 웨이퍼를 대상으로 웨이퍼 테스트 장비, 조명기, 조도 측정기, 교정기 등의 고장 또는 성능 저하 등 검사 환경의 변화로 인해 양호한 칩이 불량으로 판정받은 오류가 후공정 과정에서 자동으로 미리 밝혀지는 경우, 재검사를 통해 양호 판정의 수율(yield)을 높힐 수 있고 시간을 절약할 수 있는 딥러닝 기법을 활용하여 미약한 변화까지 조기에 발견할 수 있는 기능을 갖는 것을 특징으로 한다.
이에 더해 양호로 판정된 데이터 클래스 중 양호 판정 기준은 만족하지만 검사 결과 데이터가 비정상 상태의 칩이 존재할 수 있는데, 이 경우 기존에는 후공정 웨이퍼 검사를 거친 후에 양호 판정을 받은 웨이퍼에 포함된 모든 칩들을 대상으로 일괄 재검사를 실시하여 이러한 비정상 상태의 원인이 밝혀야 했으나, 딥러닝 기법을 후공정 검사와 병행하여 적용하는 본 발명을 통해 웨이퍼 테스트 장비, 조명기, 조도 측정기, 교정기 등의 미세한 변화로 인한 비정상 상태를 사전에 미리 자동으로 탐지할 수 있고, 큰 고장을 미리 예방할 수 있으므로 후공정 기업의 경쟁력을 높힐 수 있음을 특징으로 한다.
본 발명에 따르면, 딥러닝을 이용한 이미지 센서 웨이퍼 테스트 장비의 사용 간에 테스트 결과 데이터가 준 실시간으로 딥러닝 기반의 판별기로 제공되어 자동 업데이트 되면서 딥러닝을 활용한 학습을 통해 불량 여부 판별의 정확성이 지속적으로 상승되고, 이를 통해 웨이퍼 검사장비의 신뢰성이 담보되는 장점이 있다.
또한, 불량으로 판정된 데이터 클래스에 대해 딥러닝을 이용한 분석을 통해 웨이퍼 테스트 장비, 조명기, 조도 측정기, 교정기 등의 고장 또는 성능 저하 등 검사 환경의 변화로 인해 양호한 칩이 불량으로 판정 받은 오류가 자동으로 미리 밝혀지는 경우, 재검사를 통해 양호 판정의 수율(yield)을 높일 수 있고, 또한 시간이 절약되는 효과가 있다.
이에 더해 양호로 판정된 데이터 클래스 중 양호 판정 기준은 만족하지만 비정상 상태의 칩이 존재할 수 있는데, 이 경우 종래에는 후공정 웨이퍼 검사를 거친 후에 양호 판정을 받은 모든 웨이퍼를 대상으로 일괄 재검사를 실시하여 비정상 상태의 원인을 밝혀야 했으나, 본 발명은 딥러닝 기법을 후공정 검사와 병행하여 웨이퍼 테스트 장비, 조명기, 조도측정기 및 교정기 등의 미세한 변화로 인한 비정상 상태를 사전에 미리 자동으로 탐지할 수 있고, 이를 통해 큰 고장을 미리 예방할 수 있게 된다.
도 1은 본 발명에 따른 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템의 예를 보인 구성도.
도 2는 본 발명에 따른 오토인코더 알고리즘의 예를 보인 구성도.
이하에서는 본 발명의 바람직한 실시예를 도시한 첨부도면에 따라 상세하게 설명한다.
본 명세서에서 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시 예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
또한, 본 명세서에서 사용되는 용어 “파트“, ”기법”, “알고리즘”, "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다.
예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독 가능한 매체로부터 실행될 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도되고, 따라서 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다.
또한, X가 A를 이용하거나, X가 B를 이용하거나, 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다.
또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/ 또는 구성요소가 존재함을 의미하는 것으로 이해되어야 하고, 다만, "포함한다" 및 /또는 "포함하는"이라는 용어는 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고 "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
또한, 당업자들은 추가적으로 여기서 개시된 실시 예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다.
그리고 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었으며, 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있고, 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으며, 다만, 그러한 구현의 결정들이 본 개시 내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.
이에 더해 제시된 실시 예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공되고, 이러한 실시 예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다.
여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시 예들에 적용될 수 있고, 따라서 본 발명은 여기에 제시된 실시 예들로 한정되는 것이 아니므로 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 가장 넓은 범위에서 해석되어야 할 것이다.
본 개시 내용에서의 제1, 제2, 또는 제3과 같이 제 N으로 표현되는 용어들은 적어도 하나의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제1과 제2로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다.
도 1은 테스트를 하고자 하는 이미지 센서 웨이퍼(160)를 장착하는 프로버(150), 장착된 웨이퍼(160)를 구성하는 한 개 이상의 이미지 센서 칩과 전기적으로 연결하기 위해 다수의 니들(Niddle)이 구비된 프로브 카드(140), 상기 프로브 카드(140)와 전기적으로 연결하기 위한 Pogo Tower(170), 상기 Pogo Tower(170)와 전기적으로 연결하고 웨이퍼 테스트 장비(110)와 상기 웨이퍼(160) 간에 양방향으로 디지털 데이터와 아날로그 신호를 송수신하기 위한 프로브 인터페이스 보드(180), 상기 웨이퍼 테스트를 위한 프로그램을 통해 웨이퍼 테스트를 수행하고 테스트 결과 데이터를 수신하여 저장하고 분석하며 해당 이미지 센서 테스트 결과에 따라 양호 또는 불량 여부를 판단하는 컴퓨터 시스템을 포함하는 이미지 센서 웨이퍼 테스트 장비(110); 상기 웨이퍼 테스트를 위해 광을 투사하는 조명기(120); 상기 조명기에서 투사되는 광의 밝기를 계획된 위치에서 측정하는 조도 측정기(132); 상기 조도 측정기로 측정된 조도가 계획된 조도와 허용 오차 범위를 벗어나는 경우 조명기의 투사 광도를 조절하도록 제어하는 역할을 담당하는 교정기(131); 및 상기 웨이퍼 테스트 장비(110)로부터 웨이퍼 테스트 결과 데이터를 제공 받고 딥러닝 기법으로 제공 받은 데이터를 분석하여 해당 웨이퍼를 구성하는 이미지 센서 칩 별로 양호 또는 불량 여부를 판별하는 딥러닝 기반의 판별기(150):를 포함한다.
한편, 상기 이미지 센서 웨이퍼 테스트 장비로부터 제공받은 테스트 결과 데이터 중 불량으로 판별된 이미지 센서 칩별로 영상에서 불량 화소(pixel)의 패턴을 무작위 결함(Random failure), 체계적인 결함(Systematic failure), 복합적인 결함(Hybrid failure) 세 가지로 구분하고, 우선 무작위 결함(Random failure)인 경우는 이미지 센서 칩의 내부 회로 고장으로 인한 문제인지 또는 테스트 과정에서 이미지 센서 칩의 해당 화소의 마이크로 렌즈에 먼지가 묻거나 긁히는 등의 환경 또는 부주의로 인한 문제인지 유사한 불량 데이터 셋을 모아 비교하면서 살펴보고, 이어서 체계적인 결함(Systematic failure)인 경우 불량 화소의 패턴에 따라 조명기, 조도 측정기 또는 교정기의 성능이 정밀한 교정 이후 시간이 경과하면서 미세하게 변해서 발생한 문제인지 아니면 웨이퍼 테스트 장비의 문제로 인한 것이지 테스트 결과 불량으로 판별된 영상을 딥러닝 기법을 활용하여 미약한 변화까지 조기에 발견할 수 있는 기능을 갖는다.
도 2는 딥러닝 기법으로 포함되는 오토인코더가 인코더와 디코더를 포함하는 구성을 나타낸다. 웨이퍼를 구성하는 각각의 이미지 센서 칩의 테스트 항목별로 별도의 계층으로 구분하여 다중 계층(Multi-layer) 이미지(210)로 구성하여 입력하고, 인코더는 입력 이미지 데이터를 압축하여 차원이 입력 데이터보다 낮은 출력 이미지 데이터(220, 230)로 변환하고, 디코드는 인코드의 출력(230)을 입력으로 하여 역으로 차원이 높은 이미지 데이터(240, 250)로 변환한다.
한편, 본 발명에서 딥러닝 기반 판별기는 상기 이미지 센서 웨이퍼 테스트 장비로부터 제공 받은 테스트 결과 데이터 중 불량으로 판별된 이미지 센서 칩별로 영상에서 불량 화소(pixel)의 패턴을 무작위 결함(Random failure), 체계적인 결함(Systematic failure), 복합적인 결함(Hybrid failure) 세가지로 구분하고, 우선 무작위 결함(Random failure)인 경우는 이미지 센서 칩의 내부 회로 고장으로 인한 문제인지 또는 테스트 과정에서 이미지 센서 칩의 해당 화소의 마이크로 렌즈에 먼지가 묻거나 긁히는 등의 환경 또는 부주의로 인한 문제인지 유사한 불량 데이터 셋을 모아 비교하면서 살펴보고, 이어서 체계적인 결함(Systematic failure)인 경우 불량 화소의 패턴에 따라 조명기, 조도 측정기 또는 교정기의 성능이 정밀한 교정 이후 시간이 경과하면서 미세하게 변해서 발생한 문제인지 아니면 웨이퍼 테스트 장비의 문제로 인한 것이지 테스트 결과 불량으로 판별된 영상을 딥러닝 기법을 활용하여 미약한 변화까지 조기에 발견할 수 있는 기능을 갖는다.
이상 설명한 바와 같이 본 발명은 이미지 센서용 웨이퍼 테스트 장비의 불량한 클래스로 판별된 데이터가 웨이퍼 검사장비의 사용간에 자동 업데이트되면서 불량 테스트의 정확성이 지속적으로 상승되고, 이를 통해 웨이퍼 테스트 장비의 신뢰성이 담보되게 된다.
위에서는 설명의 편의를 위해 바람직한 실시예를 도시한 도면과 도면에 나타난 구성에 도면부호와 명칭을 부여하여 설명하였으나, 이는 본 발명에 따른 하나의 실시예로서 도면상에 나타난 형상과 부여된 명칭에 국한되어 그 권리범위가 해석되어서는 안 될 것이며, 발명의 설명으로부터 예측 가능한 다양한 형상으로의 변경과 동일한 작용을 하는 구성으로의 단순 치환은 통상의 기술자가 용이하게 실시하기 위해 변경 가능한 범위 내에 있음은 지극히 자명하다고 볼 것이다.
110: 웨이퍼 검사장비 120: 조명기
130: 교정기 131: 조명기 제어기
132: 조도 측정기 140: 프로브 카드
150: 프로버 160: 웨이퍼
170: Pogo Tower 180: 프로브 인터페이스 보드
190: 딥러닝 판별기 210: 입력 영상
220: 1차 인코딩 영상 230: 잠재공간
240: 1차 디코딩 영상 250: 재생 영상

Claims (4)

  1. 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템은,
    이미지 센서 웨이퍼를 장착하는 프로버, 상기 웨이퍼를 구성하는 한 개 이상의 이미지 센서 칩과 전기적으로 연결하기 위한 프로브 카드, 상기 프로브 카드와 전기적으로 연결하기 위한 Pogo Tower, 상기 Pogo Tower와 전기적으로 연결하고 웨이퍼 테스트 장비와 상기 웨이퍼 간에 양방향으로 디지털 데이터와 아날로그 신호를 송수신 하기 위한 프로브 인터페이스 보드, 상기 웨이퍼 테스트를 위한 프로그램을 통해 웨이퍼 테스트를 수행하고 테스트 결과 데이터를 수신하여 저장하고 분석하며 해당 이미지 센서 테스트 결과에 따라 양호 또는 불량 여부를 판단하는 컴퓨터 시스템을 포함하는 이미지 센서 웨이퍼 테스트 장비;
    상기 웨이퍼 테스트를 위해 광을 투사하는 조명기;
    상기 조명기에서 투사되는 광의 밝기를 계획된 위치에서 측정하는 조도 측정기; 상기 조도 측정기로 측정된 조도가 계획된 조도와 허용 오차 범위를 벗어나는 경우 조명기의 투사 광도를 조절하도록 제어하는 역할을 담당하는 교정기; 및
    상기 웨이퍼 테스트 장비로부터 웨이퍼 테스트 결과 데이터를 제공받고 딥러닝 기법으로 제공받은 데이터를 활용하여 학습하며, 학습된 딥러닝 기법으로 제공받은 데이터를 분석하여 해당 웨이퍼를 구성하는 이미지 센서 칩 별로 양호, 불량 또는 재검사 여부를 판별하는 딥러닝 기반의 판별기;
    를 포함하고,
    상기 딥러닝은,
    오토인코더를 포함하며,
    상기 오토인코더는,
    상기 웨이퍼를 구성하는 각각의 이미지 센서 칩의 테스트 항목별로 별도의 계층으로 구분하여 웨이퍼 테스트 결과 데이터를 다중 계층(Multi-layer) 데이터로 구성하여 입력하고 웨이퍼 테스트 결과 데이터 중 양호한 클래스로 판별된 데이터만 선별하여 학습하고, 불량으로 판별된 클래스는 학습 대상에서 제외하는 것을 특징으로 하는 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 딥러닝 기반 판별기는,
    상기 이미지 센서 웨이퍼 테스트 장비로부터 제공 받은 테스트 결과 데이터 중 불량으로 판별된 이미지 센서 칩별로 영상에서 불량 화소(pixel)의 패턴을 Random failure, Systematic failure, Hybrid failure 세가지로 구분하고, 이미지 센서 칩의 내부 회로 고장으로 인한 문제인지 또는 테스트 과정에서 이미지 센서 칩에 먼지가 묻거나 긁히는 등의 환경 또는 부주의로 인한 문제인지 분석하고, Systematic failure인 경우 불량 화소의 패턴에 따라 조명기, 조도 측정기 또는 교정기의 성능이 시간이 변해서 발생한 문제인지 웨이퍼 테스트 장비의 문제로 인한 것인지 분석하는 기능을 갖는 것을 특징으로 하는 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템.
  4. 청구항 1 또는 청구항 3에 있어서,
    상기 딥러닝 기반 판별기는,
    상기 이미지 센서 웨이퍼 테스트 장비로부터 제공 받은 테스트 결과 데이터 양호로 판별된 이미지 센서 칩별로 양호 판정 기준은 만족하지만 비정상 상태의 데이터가 존재하는지 여부를 분석하는 기능을 갖는 것을 특징으로 하는 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템.
KR1020240000471A 2022-12-31 2024-01-02 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템 Active KR102883473B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220191398 2022-12-31
KR1020220191398 2022-12-31

Publications (2)

Publication Number Publication Date
KR20240108319A KR20240108319A (ko) 2024-07-09
KR102883473B1 true KR102883473B1 (ko) 2025-11-11

Family

ID=91947882

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020240000471A Active KR102883473B1 (ko) 2022-12-31 2024-01-02 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템

Country Status (1)

Country Link
KR (1) KR102883473B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121482030B (zh) * 2026-01-06 2026-03-31 浙江大学 基于数据增强的晶圆多Bin图合成与轮廓图回归分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070159190A1 (en) 2006-01-09 2007-07-12 Lee Jongmoon Image sensor testing method and apparatus
JP2016100545A (ja) * 2014-11-26 2016-05-30 セイコーエプソン株式会社 半導体イメージセンサーの検査装置及び検査方法
KR102651974B1 (ko) * 2021-02-01 2024-03-27 에스케이실트론 주식회사 웨이퍼 비전검사 장치 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080041792A (ko) * 2006-11-08 2008-05-14 삼성전자주식회사 이미지 센서 테스트 장치
KR20140067437A (ko) * 2012-11-26 2014-06-05 삼성전자주식회사 Ｃｍｏｓ 이미지 센서를 테스트하는 테스트 시스템 및 이의 구동 방법
JP2018147959A (ja) 2017-03-02 2018-09-20 東京エレクトロン株式会社 検査システム、ならびに検査システムの故障解析・予知方法
US10713534B2 (en) 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
KR20210108597A (ko) 2020-02-26 2021-09-03 주식회사 밀리언웨어 Defect 시각화를 이용한 불량 웨이퍼 관리 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070159190A1 (en) 2006-01-09 2007-07-12 Lee Jongmoon Image sensor testing method and apparatus
JP2007208253A (ja) 2006-01-09 2007-08-16 Samsung Electronics Co Ltd イメージセンサテスト方法及びその装置
JP2016100545A (ja) * 2014-11-26 2016-05-30 セイコーエプソン株式会社 半導体イメージセンサーの検査装置及び検査方法
KR102651974B1 (ko) * 2021-02-01 2024-03-27 에스케이실트론 주식회사 웨이퍼 비전검사 장치 및 방법

Also Published As

Publication number Publication date
KR20240108319A (ko) 2024-07-09

Similar Documents

Publication Publication Date Title
KR100598381B1 (ko) 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
US8040512B2 (en) Inspection device, inspection method, and program
US8537349B2 (en) Monitoring of time-varying defect classification performance
US6556291B2 (en) Defect inspection method and defect inspection apparatus
US20070013772A1 (en) In-circuit test fixture with integral vision inspection system
US20070164763A1 (en) Method for detecting abnormality of probe card
US20250225639A1 (en) Inspection of printed circuit board assemblies
KR102883473B1 (ko) 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 시스템
KR20040084710A (ko) 기판검사 시스템, 기판검사방법 및 기판검사장치
KR102895510B1 (ko) 딥러닝을 이용한 이미지 센서용 웨이퍼 테스트 방법
TWI695969B (zh) 發光源檢測系統及其檢測方法
US7023541B2 (en) Device inspecting for defect on semiconductor wafer surface
CN120594532A (zh) 一种基于视觉检测的线路板缺陷分析方法
JPH09129692A (ja) ウェハの検査方法
US8055056B2 (en) Method of detecting defects of patterns on a semiconductor substrate and apparatus for performing the same
KR100591853B1 (ko) Ｌｃｄ 모듈 검사 방법 및 장치
RU2811335C1 (ru) Способ и устройство для контроля контактов розеток соединителей, установленных на печатной плате
JPH0483107A (ja) 配線パターン検査装置
KR100675890B1 (ko) 반도체 소자의 불량 검출 방법
US20070217675A1 (en) Z-axis optical detection of mechanical feature height
TW202331556A (zh) 用於經由缺陷及電性測試資料之相關性自動診斷及監測半導體缺陷晶片篩選性能之系統
CN119574447A (zh) 一种显示设备的组装合格检测方法及系统
KR100268779B1 (ko) 반도체소자의 패턴 결함 검사방법
CN118837372A (zh) 缺陷检测系统
Bose et al. Chip-Bond Process Control with Computer Vision

Legal Events

Date Code Title Description
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

D22 Grant of ip right intended

Free format text: ST27 STATUS EVENT CODE: A-1-2-D10-D22-EXM-PE0701 (AS PROVIDED BY THE NATIONAL OFFICE)

PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

F11 Ip right granted following substantive examination

Free format text: ST27 STATUS EVENT CODE: A-2-4-F10-F11-EXM-PR0701 (AS PROVIDED BY THE NATIONAL OFFICE)

PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

U11 Full renewal or maintenance fee paid

Free format text: ST27 STATUS EVENT CODE: A-2-2-U10-U11-OTH-PR1002 (AS PROVIDED BY THE NATIONAL OFFICE)

Year of fee payment: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

Q13 Ip right document published

Free format text: ST27 STATUS EVENT CODE: A-4-4-Q10-Q13-NAP-PG1601 (AS PROVIDED BY THE NATIONAL OFFICE)