발표후기

반도체 공정설비에서 수집되는 OES 데이터를 이용하여 가상계측모델을
구축하고 그 성능을 비교하였다. OES 시그널은 optical emission
spectroscopy 센서에서 광범위한 파장영역대에 대한 intensity가 정해진 시간범위내에서
측정된 데이터이다. 따라서 OES 시그널 분석 시 차원축소
기법이 필요한데, 본 연구에서는 sparse
regularization method를 이용하여 중요변수를 선택하고 선택된 변수로 target value를
예측하였다. OES 데이터는 많은 수의 변수를 포함하는 동시에 높은 상관관계를 가진 변수들이 군집형태를
이루고 있다. 이러한 특성을 반영하기 위해 변수의 군집정보를 활용할 수 있는 structured sparse regularization method를 적용하였다. 실험결과 군집간에 변수중복을 허용하는 알고리즘에 기반한 가상계측모델이 우수한 성능을 보여주었다.

Random forest와 같이 고차원 데이터 분석에 활용할 수 있는
기계학습 알고리즘과의 비교에 대한 질문이 있었다. 관련 프로젝트 수행 시 다양한 알고리즘으로 성능을
비교하였고 예측정확도에서는 크게 차이가 없었지만 sparse regularization model은
random forest와 같은 ensemble기법 또는
PCA에 비해 모델 해석에 이점이 있다는 것을 밝혔다.

청취후기

고차원데이터 모니터링을 위한 deep autoencoder 기반 관리도에
대한 발표 세션에 참석하였다. Autoencoder는 deep
learning 학습 시 이용되는 pretraining 기법으로 비선형 데이터에 적용 시
대표적인 차원 축소 방법인 PCA에 비해 높은 성능을 보여준다고 알려져 있다. 발표자는 autoencoder를 이용해 재현된 변수와 실제변수 값
차이가 작은 변수에 높은 가중치를 부여하고 이를 가중평균한 값을 관리통계량으로 제안하였다. 구해진 통계량을
기반으로 붓스트랩 추정을 통해 관리한계선을 구축하였다. 차원축소 기법 중 autoencoder의 적용 방법에 대해 알 수 있었고 이를 관리통계량에 이용한 부분이 참신해보였다.

마지막 세션에서 또다른 autoencoder 기반 관리도에 대한 발표를
들을 수 있었다. 발표자는 반도체 공정에서 수집된 센서 데이터 분석에 적용하기 위한 관리도를 제안하였다. 센서 데이터에는 관측치 간의 변동으로 볼 수 있는 웨이퍼 변동과 관측치 내의 변동인 센서 노이즈가 포함된다. 발표자는 denoising autoencoder를 통해 이러한 두
변동을 필터링하고 남은 이상 미세 변동을 이용해 관리도를 구축하였다. 하지만 denoising autoencoder를 통해 나온 재현변수 값이 smoothing된
것으로 보아 정확한 재현이 이루어졌다고 보기 힘들었다. 물론 denoising을
목적으로 하였기 때문에 이러한 autoencoder 기법이 유용하다고 생각된다. 대표적인 deep learning 기법 중 하나인 convolution neural network (CNN)는 이러한 필터를 직접 학습할 수 있는 기법으로 알려져
있다. 다양한 CNN기법을 복잡한 센서 데이터의 denoising에 활용할 수 있을 것으로 생각된다.