본 논문은 반도체 프로브 카드의 구조 건전성 모니터링을 위한 센서 배치 최적화를 목표로 하는 혁신적인 Transformer 기반 심층 학습 전략을 제시합니다. 기판 균열 및 느슨한 나사와 같은 프로브 카드의 고장은 반도체 제조 수율과 신뢰성에 심각한 영향을 미칩니다. 일부 고장 모드는 프로브 카드에 적절한 센서를 장착하여 감지할 수 있습니다. 유한 요소 모델을 사용하여 시뮬레이션된 고장 시나리오의 주파수 응답 함수가 채택되었습니다. 물리 정보 기반 시나리오 확장 및 물리 인식 통계적 데이터 증강으로 풍부해진 포괄적인 데이터 세트를 사용하여 혼합 합성곱 신경망 및 Transformer 모델을 훈련했습니다. 이 모델은 프로브 카드의 건전성 상태(기준, 느슨한 나사, 균열) 분류에서 높은 정확도(99.83%)와 우수한 균열 감지 재현율(99.73%)을 달성했습니다. 10-겹 계층화된 교차 검증을 3회 반복하는 엄격한 프레임워크를 통해 모델의 강건성을 확인했습니다. 또한 어텐션 메커니즘은 중요한 센서 위치를 정확히 지적합니다. 어텐션 가중치 분석은 센서 구성을 최적화하여 효율적이고 비용 효과적인 모니터링 시스템을 설계하기 위한 실행 가능한 통찰력을 제공합니다. 이 연구는 어텐션 기반 심층 학습이 반도체 제조에서 운영 신뢰성과 수율을 향상시키는 사전 예방적 유지 관리를 발전시킬 수 있는 능력을 강조합니다.
