.svg)
AI 솔루션 문의하기
반도체 웨이퍼 위에서 불량을 찾아내는 작업은 단순 흠집이 있는지를 확인하는 수준을 넘어 그 결함들이 웨이퍼 표면에서 어떤 형태로 흩어져 있는지를 함께 읽어내야 하는 특수한 과제를 안고 있습니다. 완전히 무작위로 흩어진 결함은 대체로 우연히 발생한 사소한 문제로 볼 수 있지만 같은 지점이나 특정 방향으로 몰려서 나타나는 결함은 장비의 이상이나 공정 조건의 편차처럼 훨씬 근본적인 원인을 가리키는 신호일 수 있어 학습데이터는 결함 각각의 위치는 물론 웨이퍼 전체에 걸친 결함의 분포 패턴까지 함께 담아내야 합니다. 점 하나하나를 따로 보면 비슷해 보이는 결함이라도 그것이 그려내는 전체적인 무늬가 완전히 다른 이야기를 들려줄 수 있다는 점이 이 분야의 데이터 구축을 까다롭게 만드는 지점입니다.
이러한 특성 때문에 반도체 공정 불량 검출용 학습데이터는 개별 결함의 영상 정보와 함께 웨이퍼 단위의 공간적 배치 정보를 동시에 담아낼 수 있는 구조로 설계되어야 합니다.
이 네 가지 패턴은 각기 서로 다른 공정 단계의 문제를 가리키는 경우가 많아 패턴을 정확히 구분해 내는 능력이 곧 불량의 원인을 더 빠르게 좁혀나갈 수 있는 실마리로 이어집니다.
오랜 기간 웨이퍼맵을 살펴온 숙련된 엔지니어는 패턴의 미묘한 차이만으로도 어느 장비에서 문제가 발생했는지를 어느 정도 짐작해 내는 감각을 지니고 있어 이러한 경험적 판단 기준을 라벨링 지침에 구체적으로 반영하는 작업이 학습데이터의 품질을 좌우하는 중요한 요소가 됩니다. 전문가의 암묵적인 감각을 명시적인 분류 기준으로 옮기는 이 과정이 충분히 이루어지지 않으면 아무리 많은 데이터를 모아도 실제 현장의 판단 수준에 미치지 못하는 결과로 이어질 수 있습니다.
반도체 공정에서 실제로 발생하는 불량의 비율은 정상 웨이퍼에 비해 극히 낮아 다른 제조업의 불량률과 비교할 수 없을 정도로 희소한 사례를 다루어야 하며 이는 일반적인 불량 검출 데이터에서 흔히 겪는 데이터 불균형 문제를 훨씬 극단적인 수준으로 끌어올립니다. 이 정도의 희소성 앞에서는 단순히 정상 사례를 줄이고 불량 사례를 늘리는 통상적인 균형 조정 방식만으로는 충분하지 않아 시뮬레이션을 통한 인위적인 결함 생성이나 극소수 사례에 대한 반복 학습 같은 별도의 접근이 함께 필요합니다.
일반 제조업의 육안으로 확인 가능한 결함과 달리 반도체 공정의 결함은 훨씬 정교한 촬영 조건을 필요로 합니다.
이러한 촬영 조건이 조금이라도 흐트러지면 실제로는 존재하지 않는 결함이 데이터에 잘못 기록되거나 반대로 실재하는 결함을 놓치는 오류로 이어질 수 있어 촬영 단계에서의 정밀함이 이후 모든 분석의 토대가 됩니다.
웨이퍼가 여러 단계의 공정을 거치며 완성되는 만큼 초기 단계에서 발생하는 결함과 후반 단계에서 발생하는 결함은 서로 다른 형태와 원인을 지니고 있어 하나의 통합된 기준으로 모든 공정 단계를 다루기보다 각 단계에 특화된 별도의 학습데이터를 구축하는 접근이 더 정확한 결과로 이어집니다. 같은 형태의 결함이라도 어느 공정 단계에서 나타났는지에 따라 그 의미와 대응 방식이 완전히 달라질 수 있다는 점이 이러한 단계별 접근의 필요성을 뒷받침합니다.
결함 패턴을 정확히 분류하는 것만으로 끝나지 않고 그 분류 결과를 실제 공정 담당자에게 전달해 어떤 장비나 조건에서 해당 패턴이 자주 나타나는지를 함께 분석하는 순환적인 흐름이 갖추어져야 데이터 구축의 목적이 완성됩니다. 패턴을 읽어내는 인공지능과 그 원인을 찾아 개선하는 공정 담당자가 서로 긴밀하게 연결되어야 이 모든 정밀한 데이터 작업이 실제 불량률 감소라는 결과로 이어질 수 있습니다.
웨이퍼 위에 흩어진 작은 점들은 그 자체로는 아무 말도 하지 않는 것처럼 보이지만, 그 점들이 그려내는 무늬를 제대로 읽어낼 줄 아는 눈에게는 공정 전체의 사정을 들려주는 지도가 됩니다. 백만 개 가운데 하나를 찾아내야 하는 이 작업은 눈에 보이지 않는 것까지 놓치지 않으려는 끈질긴 확대의 기록이라 할 수 있습니다.
.svg)
.svg)
