EPE Budget
수율과 연결된 EPE budget 우선순위 엔진 패턴 엣지 측정값을 후보 EPE 식으로 조합하고 수율과의 연관도를 학습해, budget 성분별 개선 우선순위를 Pareto로 출력합니다.
주요 기능
- 01
게이지 선정과 component-entry 추출
Vision AI가 layer-pair 패턴에서 critical site를 취약도 스코어링해 coverage-constrained Top-K 게이지를 고르고, overlay·CDU·LER·3D-aware proxy 같은 measurable component entry를 추출합니다.
- 02
2D 이미지에서 3D-aware proxy 추론
단면 측정 없이 2D SEM·HV-SEM 이미지만으로 top-CD·bottom-CD·sidewall asymmetry 같은 profile-risk 지표를 추정해 EPE 후보식의 3D 성분으로 넣습니다.
- 03
Multi-target linkage와 Budget Pareto
후보 EPE 식들을 single-layer·layer-pair·die/wafer·device-level 지표에 매칭해 selected EPE와 가중치 k를 정하고, yield-impact를 budget 성분에 apportion한 뒤 process controllability를 곱해 “고칠 수 있는 항목” 중심 Pareto를 냅니다.
현장의 과제, 함께 정리해 드립니다.
구체적인 데이터가 준비되지 않아도 괜찮습니다. 맞춤 적용 시나리오로 회신드립니다.