[학회후기] 

대한산업공학회 추계학술대회는 ‘한국 산업공학 60년과 4차 산업혁명’ 이라는 주제로 한양대학교에서 진행되었다. 춘계학술대회와 비교하여 일정은 짧았지만 내용면에서는 여러가지 주제의 연구를 접할 수 있는 좋은 기회였다. 이번 학회에서 처음으로 발표를 하게되었는데 그동안 진행한 연구를 다른사람에게 효과적으로 전달하기 위하여 연구가 더 성숙해져야 함을 느꼈다. 앞으로 진행할 연구에 많은 도움이 될 수 있는 좋은 경험이었다. 

[발표후기]

주제 : 변분 오토인코더 및 세그넷 기반의 웨이퍼 불량 패턴 탐지

본 연구는 반도체 공정 후 생산된 웨이퍼 이미지 내의 특정 불량 패턴 탐지를 목표로 한다. 기존 연구에서는 웨이퍼내 불량 패턴의 존재 여부만 알 수 있는 웨이퍼 단위의 불량 패턴 탐지하는 모델을 제안하였다. 이러한 웨이퍼 단위의 불량 패턴 탐지는 단순히 웨이퍼 내에 해당 불량 패턴이 존재하는지에 대하여 확인하기 때문에 해당 불량 패턴이 어느 위치에 어느정도의 수량으로 발생되었는지는 알기 힘들다. 따라서 본 연구에서는 웨이퍼 단위가 아닌 다이 단위의 불량 패턴 탐지 모델을 제안한다. 다이 단위로 불량 패턴을 분류하였기 때문에 어느 위치의 다이가 어떤 불량 패턴 유형에 속하는지를 파악할 수 있고 어느정도의 다이가 해당 불량 패턴으로 발생되었는지도 확인이 가능하다. 하지만 이런 분류모델을 학습시키기 위해서는 충분한 양의 학습 데이터가 필요한데 레이블이 되어있는 학습데이터를 얻기는 어렵다. 본 연구에서는 소량을 샘들데이터로 충분한 양의 학습데이터 생성을 위하여 variational autoencoder 를 사용하였다. 생성된 학습데이터는 샘플 데이터의 특징을 잘 보존하고 있음을 확인 하였다. 이를 이용하여 모델을 검증한 결과 99%의 정확도로 불량 패턴을 분류 하였으며, 실제 데이터에서도 95%의 성능으로 불량 패턴 분류를 수행함을 확인 할 수 있었다. 본 연구는 웨이퍼 내 불량 패턴을 탐지하고 분류하여 불량 발생 정도를 쉽게 판단할 수 있기 때문에 산업현장에서 유용하게 사용될 수 있다.

질문1 : 학습데이터 생성을 위해 VAE를 사용한 이유는?

VAE 는 샘플데이터를 이용하여 모집단의 분포를 학습하는 모델이기때문에 특징을 잘 보존하면서 유사한 형태의 새로운 데이터를 생성할 수 있기때문이다. 랜덤하게 생성되는 것이 아니라 샘플 데이터들 사이를 채울 수 있는 방향으로 생성하기 때문에 학습데이터로써 유용하게 쓰일 수 있다.

질문2 : 기존 연구와 본 연구의 차이점은? 

기존 연구는 웨이퍼에 대하여 멀티클래스 분류를 하는 방식이었다고 하면 본 연구는 웨이퍼 내의 다이별로 멀티클래스 분류가 진행 된다. 다이는 주변 다이와의 상관성을 바탕으로 불량패턴으로 인식되기때문에 웨이퍼 단위로 입력하게 되지만 출력 결과는 다이별 분류 결과를 내어 놓는다.

[청취후기] 

Redisign target decision in product line decision using competitive clout

기업의 제품 라인에서 신제품을 개발할때 기존의 제품에서 유지할 부분은 두고 변경할 부분만 고쳐 신제품으로 출시하는 경우가 많다. 이 연구는 이러한 재설계 과정에서 어떤 요소를 남겨야하고 어떤 요소를 추가하여야 하는지에 대하여 최적화 문제 과점으로 접근하였다. 경쟁적 지배력을 확인하는 도구로 competitive colut 과 vlunerability 개념을 제품 라인으로 제정의 하여 이를 이용하여 최적해를 찾아 재설계할 요소를 찾게 된다. 이 발표가 흥미로웠던 점은 이러한 선택 문제에 최적화 기법을 적용함으로써 최선의 선택지를 확인할 수 있다는 것이었다. 이전 발표였던 전략적 정부 예산 배분을 위한 최적 예산  분배 모형 연구에서도 동일하게 최적화를 이용하여 수행을 하였는데, 최적화 기법이 여러 문제에서 사용될 수 있다는 것이 새로웠다. 추가적으로 이러한 최적화 문제에 가장 중요한것은 요소별 중요도 설정으로 판단 되는데 이부분을 어떻게 처리하는것이 좋을지에 대하여 공부가 필요할 것 같다. 최적화에 대한 흥미를 알게 해준 발표였다.