반도체 공정 분야에서 AI를 접목한 사례 및 가능성을 세부 연구 주제 별로 살펴본 세미나였다. IEEE TSM과 ASMC에서 방대한 양의 논문을 분석하고 소개한 세미나로써, 영환이형이 정말 많이 탐색하여 심혈을 기울였음을 알 수 있었다. 반도체 쪽 도메인 지식이 깊지 않지만, 이상 탐지, 최적화, 강화학습 등 기존에 알고 있던 지식을 통해 몇 가지 방법론들을 굉장히 흥미롭게 들었다.

Effective Variational Autoencoder-based Genertative Models for Highly Imbalanced Fault Detection Data in Semiconductor Manufacturing (IEEE TSM, 2023)

PECVD라는 공정에서 발생하는 이상 징후를 탐지하는 연구로써, 기존에 다른 제조 공정의 시계열 이상 탐지 논문들과 같이, 이상 데이터의 희소성을 강조하고 있고, 이를 VAE를 통해 데이터를 증강함으로써 공정의 이상 탐지 성능을 높이고자 한 방법론이다. 특히, 각 데이터의 처리 방식에 따라 가질 수 있는 장단점(독립성 vs 데이터 간 상호작용)을 가정하고 이중 어떤게 더 PECVD 공정에 적합한지 비교 실험한 것이 장점이다.

Practical Reinforcement Learning for Adaptive Photolithography Scehduler in Mass Production (IEEE TSM, 2024)

디스플레이 포토 공정의 효율성을 높이기 위해 설비 교체 및 세팅 등의 Idle Time을 줄이고자 강화학습을 적용한 연구이다. 기존에 Rule-based 기반 스케줄링 기법이 존재했다고 하지만, 실제로 레시피 변경 등에 따른 동적 변화에 따라 적용하기 힘들어서 강화학습을 적용했다는 모티베이션이 있다. 스케줄링에서 MDP 환경 및 보상을 어떻게 구성하였는지는 디테일하게 세미나에서 소개되진 않았지만, 강화학습이 공정 병목 현상 및 Idle Time을 줄이는데 기여할 수 있다는 점에서 흥미가 생겼다. 본 논문에서는 보상 함수를 여러 가지로 디자인하여 세팅 별 KPI ratio를 계산한듯 하다. 다만 KPI ratio가 전반적으로 1.3인 것을 봤을 때, 개선의 정도가 그렇게 큰지는 잘 모르겠다. 보상 함수 디자인의 개선점이 존재할지, 아니면 기존의 Rule-based 스케줄러가 어느 정도 동적 환경에서도 좋은 환경을 나타내는지는 직접 봐야 알 것 같다.

Semi-supervised Learninf for Simultaneous Location Detection and Classification of Mixed-type Defect Patterns in Wafer Bin Maps (IEEE TSM, 2022)

반도체하면 흔히 가장 많이 보는 이미지 데이터인 WBM-811k와 비슷한 데이터를 적용한 듯 하다. Wafer Bin Map 이미지를 통해 결함 패턴 및 결함 위치를 탐지하는 연구로써, 데이터 증강 기법 및 레이블이 없는 데이터를 활용해 준지도학습을 사용한 사례인 듯 하다.

세미나에서 소개된 논문이 약 한 10개 정도로 굉장히 많은 사례들을 알아보았다. 반도체 쪽 연구를 시작하고 싶은데 방향을 잘 모를 때 보기 좋은 세미나라고 생각한다. 세미나를 만드느라 고생한 영환이형께 감사의 말씀을 올린다.

반도체 공정에서 AI가 적용되는 연구 사례들에 대해 진행되었다. 본 세미나는 방법론에 대한 설명에 집중하기 보다는, 문제 상황이나 연구거리(?) 등을 살펴볼 수 있는 세미나이다. 특히, 반도체에 AI가 적용될 수 있는 최신 트랜드를 7가지로 나누어 각각 소개해주기에, 반도체 쪽 연구가 관심있는 사람들에게는 유익한 세미나가 될 것 같다. 또한 본 세미나를 통해 TSM 외에 ASMC라는 반도체 저널을 새롭게 알아갈 수 있었으며, 향후 반도체 쪽 연구 시 연구 배경을 고려할 때 다시 한 번 찾아올 세미나일 것 같다. 유익한 세미나를 준비해준 이영환 연구원님께 고맙다는 말을 전하며 세미나 후기를 마친다.

반도체 제조공정 인공지능 적용 연구에 관한 세미나를 청취하였다. 인공지능은 제조업에서 현황 파악, 미래 예측, 최적 결과 도출, 자동화, 그리고 지속적 개선 등을 목적으로 다양하게 사용될 수 있다. 그러다보니, 제조업체에서 활용되는 인공지능 방법론의 종류가 많이 방대한 편이다. 오늘 세미나에서는 총 7개의 반도체 제조공정 AI 활용 논문을 리뷰받을 수 있었는데, 각 논문별 AI 활용 목적은 1. 공정 최적화, 2. 설비 예지보전, 3. 설비 스케쥴링, 4. 부품 잔존수명 예측, 5. 원인인자 분석 & 수율 예측, 6. 웨이퍼 맵, 7. 검사/리뷰/분류와 같았다. 지도학습을 활용해야 하는 부분들이 종종 있었는데, 제조업 관점에서의 레이블링 방식에 대해 흥미로운 점들이 많았다. 특히, 잔존수명예측의 경우, 지도학습을 활용하곤 하는 것 같았는데, 어떻게 잔존수명 레이블링을 하는지 의문이었다. 관심 연구 분야인 준지도학습을 활용하는 연구도 존재하였는데, 단순히 분류를 진행하는 것보단 좀 더 복잡한 task를 진행하는 것 같았다. 마지막으로, 이미지 매칭이 필요로 한 task도 있었는데 이 부분도 기억에 남는다.