이 페이지는 기계 번역되었습니다.
번역 품질에 대한 1분 설문 조사에 참여해 주세요.
MathWorks 인사이트
저자:
읽는 시간: 10분
반도체 제조는 세계 경제를 지탱하는 핵심 산업 중 하나이며, 그 공정은 매우 정밀하고 복잡한 제어를 필요로 합니다. 소자 소형화와 다층 구조가 지속적으로 발전함에 따라, 단일 웨이퍼를 제작하는 데에도 여러 공정과 장비가 사용되며, 작은 공정 변동이라도 수율과 품질에 직접적인 영향을 미칠 수 있습니다. 최근 몇 년 동안 이러한 복잡성 증가에 대응하기 위해 제조 공정 및 장비에서 얻은 대량의 데이터를 기반으로 인공지능(AI)을 활용한 "스마트 제조"를 향한 노력이 가속화되고 있습니다.
반도체 제조 공정 관리에 있어 중요한 정보원 중 하나는 이미지 데이터입니다. 예를 들어, 제조 과정에서 획득한 이미지를 미리 정의된 결함 유형으로 분류하여 공정 이상을 조기에 감지하는 시스템이 보고된 바 있습니다. ¹이와는 대조적으로, 본 논문은 센서에서 얻은 1차원 신호에 주로 초점을 맞춘다.
반도체 제조 공정에서는 온도, 압력, 유량, 회전 속도 등 다양한 데이터가 높은 샘플링 속도로 시계열 데이터로 기록됩니다. 이러한 데이터는 종종 높은 차원성, 비선형성 및 잡음으로 특징지어지는 복잡한 구조를 나타냅니다. 결과적으로 기존의 통계적 방법만으로는 전반적인 행동을 이해하기 어려울 수 있으며, 인공지능은 데이터에서 잠재적인 패턴과 상관관계를 자동으로 추출하는 효과적인 수단으로 주목받고 있다(그림 1).
그림 1. 인공지능, 머신러닝, 딥러닝 간의 관계.
AI는 데이터를 통해 학습하여 의사 결정과 예측을 내리는 메커니즘을 의미합니다. AI의 핵심 기술 중 하나는 머신러닝입니다(그림 2). 머신러닝은 데이터 내의 패턴을 자동으로 학습하고 새로운 데이터에 직면했을 때 적절한 결정을 내릴 수 있는 모델을 구축하는 방법론입니다. ²학습은 크게 알려지지 않은 입력에 대한 출력을 예측하는 지도 학습과 데이터에 내재된 구조와 패턴을 추출하는 비지도 학습으로 분류할 수 있습니다. 지도 학습은 출력값이 이산 범주인 분류와 출력값이 연속적인 값인 회귀로 더 세분화될 수 있습니다.
그림 2. 머신러닝의 메커니즘.
모델 성능은 일반적으로 대표성이 높은 훈련 데이터가 있을 때 향상됩니다. 그림 3은 대표적인 머신러닝 알고리즘을 보여줍니다. 많은 경우 예측 성능과 모델 해석 가능성 사이에는 상충 관계가 존재합니다. ³과거에는 적절한 모델을 만들기 위해 통계 및 관련 분야에 대한 광범위한 전문 지식이 필요했지만, 최근에는 사용하기 쉬운 로우코드 애플리케이션이 등장했습니다.
그림 3. 예측 성능과 해석 가능성 사이의 상충 관계를 보여주는 대표적인 머신러닝 알고리즘.
이 섹션에서는 반도체 제조에서 센서 데이터에 AI를 적용하는 세 가지 방법, 즉 에칭 프로파일 추정, 비지도 이상 탐지 및 공정 최적화를 소개합니다.
반도체 제조 공정은 크게 실리콘 웨이퍼에 회로를 형성하는 "프런트엔드 공정"과 제작된 IC 칩을 잘라내고 패키징하는 "백엔드 공정"으로 나눌 수 있습니다. 이러한 공정들 사이에 세척 단계가 삽입되어 소자 수율에 영향을 미칩니다. ⁴이러한 단계는 화학적 에칭을 통해 프런트엔드 공정 중에 생성된 웨이퍼 표면의 불필요한 물질을 제거합니다. 최근 몇 년 동안, 개별 웨이퍼를 회전시키면서 화학 물질을 공급하는 단일 웨이퍼 세척 공정이 주류로 자리 잡았습니다.
이러한 공정에서 웨이퍼 전체에 걸친 에칭 속도의 반경 방향 분포(에칭 프로파일)를 추정하는 것은 공정 최적화 및 품질 관리에 매우 중요합니다(그림 4). 에칭 속도는 화학적 성질, 온도, 액체 유량 및 웨이퍼 회전 속도를 포함한 레시피 변수에 크게 좌우됩니다. 머신러닝은 데이터 내의 관계를 학습하고 새로운 입력에 대한 예측을 할 수 있기 때문에, 웨이퍼 반경과 레시피 변수를 입력으로, 에칭 프로파일을 출력으로 사용하여 에칭 프로파일 추정을 회귀 문제로 구성할 수 있습니다(그림 5).
그림 4. 단일 웨이퍼 세척 공정 및 식각 속도 분포.
그림 5. 레시피 변수를 이용하여 에칭 프로파일을 추정하는 회귀 분석 프레임워크.
그림 6(상단 및 중간)은 MATLAB®로우코드 회귀 학습기 앱을 사용한 에칭 프로파일의 학습 및 추정 결과를 보여줍니다. 다양한 레시피 변수를 포함하는 4개의 프로필을 훈련 데이터로 사용했으며, 모델의 일반화 성능을 검증하기 위해 서로 다른 프로필을 테스트 데이터로 사용했습니다. 결과는 모델이 적절하게 학습되었으며 과적합의 뚜렷한 징후가 없음을 보여줍니다. 하지만 모델의 정확도는 알고리즘과 하이퍼파라미터 선택에 크게 좌우됩니다. 예를 들어, 최소 리프 크기, 커널 함수, 계층 수와 같은 파라미터를 최적화하면 예측 성능을 더욱 향상시킬 수 있습니다. 베이즈 최적화는 기존의 그리드 탐색이나 무작위 탐색 방법보다 최적값을 더 효율적으로 찾아낼 수 있기 때문에 하이퍼파라미터 조정에 효과적입니다. 그림 6(하단)은 이 과정을 자동화하는 도구를 보여주며, 이를 통해 더 적은 시행착오로 고성능 모델을 얻을 수 있습니다.
그림 6. 로우코드 애플리케이션을 사용한 모델 학습(상단) 및 검증(중단), 그리고 다양한 모델에 대한 하이퍼파라미터 최적화(하단).
반도체 제조 장비의 안정적인 작동은 공정 품질 유지에 필수적이며, 따라서 장비 상태 모니터링은 없어서는 안 될 중요한 요소입니다. 예를 들어, 세척 도구나 에칭 도구와 같이 회전 부품이 있는 장비는 모터나 베어링에 기계적 이상이 발생하여 생산성과 품질에 악영향을 미칠 수 있습니다. 진동 데이터와 같은 시계열 신호를 활용하는 이상 탐지 기법은 기존의 임계값이나 통계적 공정관리로는 감지할 수 없는 데이터에 내재된 미묘한 변화를 포착할 수 있기 때문에 효과적입니다. ⁵
비정상적인 사건이 드물게 발생하는 경우, 레이블 지정된 고장 데이터를 수집하기 어렵습니다. 이러한 경우, 정상 작동 데이터만을 사용하여 모델을 학습시킬 수 있기 때문에 비지도 학습이 특히 유용해집니다.
그림 7은 유지보수 전후 산업용 기계에서 수집한 3축 진동 데이터를 보여줍니다. ⁶이 예시에서는 유지보수 전 데이터가 비정상 상태를 나타내고, 유지보수 후 데이터가 정상 상태를 나타낸다고 가정합니다. 이러한 설정은 모델 학습에는 정상 상태 데이터만 사용하고, 모델 검증에는 정상 및 비정상 데이터가 혼합된 데이터를 사용한다는 것을 의미합니다. 하지만 인공지능을 도입한다고 해서 데이터 준비의 필요성이 사라지는 것은 아닙니다. 일반적으로 AI 애플리케이션은 데이터 정제(전처리) 및 특징 추출을 필요로 합니다.
그림 7. 정비 전후의 3축 진동 데이터.
그림 8에서는 유지보수 전후의 진동 데이터로부터 12개의 특징을 계산하고, 두 표본 t-검정을 적용하여 통계적으로 유의미한 차이가 있는지 평가한 다음, 특징의 중요도를 순위로 매겼습니다. 일단 매우 중요한 특징들이 식별되면, 그 특징들을 사용하여 모델을 학습시키면 정확도가 향상될 것으로 기대할 수 있습니다. 대표적인 비지도 학습 방법으로는 신경망의 구조를 활용하는 오토인코더가 있다. ¹⁰오토인코더에서는 입력과 출력 간의 재구성 오류를 이상 점수로 사용합니다.
그림 8. 진단 특징 디자이너 앱을 사용한 특징 조사.
12차원 특징을 데이터에서 추출하고, 데이터를 9:1 비율로 훈련 세트와 테스트 세트로 무작위로 분할합니다. 오토인코더는 정상 데이터의 특징만을 사용하여 학습됩니다(그림 9). 테스트 특징을 학습된 모델에 입력하면 재구성 오류(이상 점수)가 유지 보수 전후 조건 간에 확연히 달라집니다(그림 10). 즉, 해당 모델은 정상적인 유지보수 후 데이터만으로 학습되었지만, 적절한 임계값을 적용함으로써 유지보수 전의 이상 징후를 감지할 수 있습니다.
그림 9. 오토인코더의 학습 곡선(손실 함수, 즉 평균 제곱 오차의 변화).
그림 10. 테스트 데이터를 사용한 모델 성능 평가(상단), 정상 및 비정상 클래스에 대한 이상치 점수 분포(하단 왼쪽), 그리고 혼동행렬(하단 오른쪽).
그림 11. 커널 스케일 값에 따른 결정 경계의 변화; 값이 작을수록 비선형성이 높아집니다.
그림 12. 시계열 신호를 이용하여 장비의 잔여 수명을 예측하는 예시입니다.
딥러닝은 선형 변환과 비선형 활성화 함수의 계층적 조합으로 구성된 함수의 파라미터(가중치와 편향)를 손실 함수를 최소화하여 최적화하는 최적화 문제로 표현될 수 있습니다. ¹⁷따라서 이 섹션에서는 최적화 문제에 초점을 맞춥니다.
반도체 제조 공정에서는 증착 속도와 박막 두께 균일성 등 여러 목표를 동시에 최적화해야 하는 경우가 많습니다. ¹⁸이러한 경우, 여러 목적 함수에 대해 최적의 입력 변수를 식별해야 하지만, 일반적으로 하나의 목적 함수에 대한 최적해가 다른 목적 함수에 대한 최적해는 아닙니다. 이러한 경쟁 관계는 하나의 목표를 개선하면 다른 목표가 악화되는 경우가 많다는 것을 의미합니다. 따라서 목표는 타협 솔루션, 즉 파레토 최적 솔루션을 찾아내는 것이며, 이러한 솔루션들이 파레토 경계를 형성합니다.
파레토 최적해는 어떤 하나의 목적 함수를 개선하면 반드시 적어도 하나의 다른 목적 함수가 악화되는 해로 정의됩니다. 그림 13(삽입 그림)은 \(f_₁\)와 \(f_₂\)를 모두 최소화해야 하지만 서로 상충 관계에 있는 두 가지 목표 최적화 문제를 보여줍니다. 유전 알고리즘은 파레토 최적해를 찾는 데 널리 알려진 방법입니다. ¹⁹또는, 다목적 최적화 문제는 각 목적 함수에 가중치를 부여함으로써 단일 목적 함수 문제로 변환할 수 있습니다.
\(F(x) = \alpha f_1(x) + (1 - \alpha) f_2(x) \)
가중치 \( \alpha \)를 변경하면 \(f_₁\)와 \(f_₂\) 사이의 상충 관계가 바뀌어 여러 개의 파레토 해가 생성됩니다. 이 그림은 유전 알고리즘과 베이즈 최적화를 통해 얻은 파레토 경계가 잘 일치함을 보여줍니다.
그림 13. 2차원 다목적 함수의 파레토 최적해.
여기서는 단일 변수를 갖는 2차원 다목적 최적화 예시를 제시했지만, 동일한 절차를 확장하여 여러 변수를 갖는 다차원 목적 함수에도 적용할 수 있습니다. ²⁰ :
$$ \begin{aligned} \min_{x_1,x_2}\quad & \{f_1(x_1,x_2),\,f_2(x_1,x_2)\} \\[1em] \text{where}\quad & f_1(x_1,x_2)=x_1^{4}+x_2^{4}+x_1x_2-(x_1x_2)^2-10x_1^{2} \\ & f_2(x_1,x_2)=x_1^{4}+x_2^{4}+x_1x_2-(x_1x_2)^2 \\[1em] \text{subject to}\quad & 0\le x_1\le5,\qquad -5\le x_2\le0 \end{aligned} $$
그림 14는 로우코드 방식을 사용하여 다목적 최적화 문제를 구성하는 방법을 보여줍니다. 라이브 편집기 작업이라는 GUI 기반 애플리케이션을 사용하면 마우스 조작을 통해 다양한 솔버를 시험해 볼 수 있으며, 설정된 조건은 자동으로 코드로 변환되어 모델의 투명성을 보장합니다.
그림 14. 로우코드 방식을 이용한 최적화 문제 구성.
마지막으로 시스템 통합을 고려해 보세요. 개발된 알고리즘의 배포 위치(에지 기기, 서버 또는 클라우드 플랫폼)는 데이터 전송량, 연산 요구사항 및 운영 제약 조건에 따라 달라집니다. 데이터 전송량을 최소화하는 것이 중요한 경우, 필요한 전처리 작업은 대상 장비에서 수행하고, 예측을 위해 필수적인 데이터만 에지 기기로 전송해야 합니다. 그런 다음 결과를 서버로 전송하여 최종 사용자와 공유할 수 있습니다.
또한 예측 결과가 실제 운영에서 어떻게 활용될지, 예를 들어 데스크탑 PC에 표시될지 휴대용 태블릿에 표시될지, 그리고 사용자가 해당 분야에 대한 충분한 지식을 보유하고 있는지 등을 고려하는 것도 중요합니다. 자세한 배포 사례 연구는 다음을 참조하십시오. 참고문헌 21 .
인공지능은 반도체 제조 분야에서 기존 방식으로는 식별하기 어려운 미묘한 공정 변화와 장비 이상을 감지하는 데 점점 더 많이 사용되고 있습니다. 이 글에 제시된 예시들은 센서 시계열 데이터를 활용하여 품질 개선과 더욱 안정적인 운영을 지원하는 모델을 개발하는 방법을 보여줍니다.
시계열 데이터에 머신러닝과 딥러닝을 적용하면 에칭 프로파일 예측 및 진동 기반 모니터링과 같은 작업에 활용할 수 있습니다. 신뢰할 수 있는 결과를 얻으려면 대표성 있는 데이터를 수집하고, 신중한 전처리 및 특징 추출을 수행하며, 해당 분야별 전문지식을 활용하여 검증 및 임계값을 정의하는 데 집중해야 합니다. 레이블 지정이 어려울 때, 비지도 학습 방식은 실용적인 대안을 제공합니다. 데이터 가용성과 인공지능(AI) 기능의 지속적인 성장은 프로세스 최적화의 자율성을 더욱 높일 것으로 예상됩니다.
Imoto, K., and Nakai, T., “Automated Defect Classification System for Semiconductor Manufacturing Processes Using Deep Learning,” Toshiba Review, Vol. 74, No. 5, 2019.
Sanada, T., and Jimbo, Y., “Single-Wafer Cleaning Technologies in Semiconductor Manufacturing Processes,” NAGARE, Vol. 42, p. 187, 2023.
DeLaus, M. D., “Machine Learning for Automated Anomaly Detection in Semiconductor Manufacturing,” master’s thesis, Massachusetts Institute of Technology (MIT), 2019.
Adachi, Y., “An Introduction to Preprocessing for Machine Learning,” Lec Telecom, p. 30, 2019.
Wang, X., Journal of Measurement Technology, Vol. 48, No. 7, pp. 20–26, 2020.
Konishi, S., Introduction to Multivariate Analysis: From Linear to Nonlinear, Iwanami Shoten, pp. 212–221, 2010.
Gebraeel, N., IEEE Transactions on Automation Science and Engineering, Vol. 3, pp. 382–393, 2006.
Gebraeel, N., et al., IIE Transactions, Vol. 37, pp. 543–557, 2005.
Information-technology Promotion Agency (IPA), AI white paper, Japan, p. 91, 2020.
Moriya, T., “Application of Machine Learning in Semiconductor Manufacturing,” Applied Physics, Vol. 90, No. 5, 2021.
2026년 기고
