[학회 후기]

일본 교토에서 열린 2026 ICIEA에 참가하였다. 우리가 일반적으로 접하는 학회들은 아무래도 인공지능 관련 학회들이 많은데 ICIEA는 산업공학 학회라 다양한 도메인 관점에서의 문제 상황들을 접할 수 있는 부분이 좋았다. 또한 그 문제들을 해결하는 다양한 방법들을 엿볼 수 있는 좋은 기회였다. 영어 발표는 늘 긴장되지만 나름대로 연습한 성과는 있었다. 하지만 질의 응답에서 내 생각을 잘 전달하지 못한 것 같아서 아쉬웠고, 역시나 꾸준히 연습하는게 중요하다는 것을 또 느끼는 시간이었다. 이번 학회는 많은 인원들이 참여하여 교토 여기저기도 둘러볼 수 있는 좋은 기회였다. 함께한 교수님 및 연구원들과 즐거운 시간을 보낸 것은 좋은 추억이 될 것 같다.

[발표 후기]

학회 발표 주제인 Surrogate TEM Imaging from Inline OCD with Conditional Generative Models는 비교적 얻기 쉬운 inline OCD 데이터를 바탕으로 파괴검사의 한 축을 이루는 TEM 이미지를 생성하는 task이다. TEM은 반도체 제조 공정에서 소자가 설계한 대로 만들어지고 있는지 확인하는 아주 중요한 역할을 하고 있는데, 특히 소자 규격이 계속 작아지면서 그 역할이 점점 커지고 있다. 하지만 TEM의 경우 샘플을 준비하는게 어렵고, 파괴 검사이기 때문에 종합적으로 고려하면 아주 큰 비용이 드는 검사이다. 따라서 이를 대체하고자 간접적으로 3차원 pattern을 예측하는 OCD 방법이 현업에서 널리 사용된다. 하지만 OCD의 경우 고 종횡비 소자에서는 정확하게 그 profile을 예측하기 어렵고, 물질간의 경계와 같은 다양한 특징까지는 보여주지 못한다. 따라서 우리는 좀 더 쉽게 얻을 수 있으나 정보가 부족한 OCD를 바탕으로, 정보는 풍부하지만 구하기 어려운 TEM 이미지를 생성하는 task를 제안했다. StyleGAN2를 바탕으로 여기에 OCD 정보를 잘 주입할 수 있는 embedding layer들을 설계하였고, 관련 연구가 없기 때문에 잘 알려진 생성 모델들과 비교 분석 하였다. VQVAE2나 StyleGAN2 같은 경우 생성 능력이 많이 떨어졌고, 우리의 제안 모델과 stable diffusion의 경우 실제 TEM 이미지를 거의 동일하게 구현할 수 있었다. 다만 우리의 모델은 stable diffusion 보다 계산 효율 측면에서 훨씬 좋은 효과를 가지고 있기 때문에, 진정한 의미의 실시간 품질 모니터링과 신속한 공정 최적화에 도움이 될 수 있다.

질문. 생성된 이미지가 실제로 쓸 만한 이미지인지 어떻게 검증할 수 있나?

답변. TEM 이미지 생성 task에서 가장 중요한건 반도체 구조를 보존하는 것이기 때문에 CD평가가 아주 중요하다. 그런 관점에서 우리가 보여준 CD의 차이(실제 데이터 - 생성 데이터)가 구조 보존에 아주 중요한 역할을 하는 것이고, 이 차이를 더 줄일 수 있도록 하겠다.

[청취 후기]

An industrial case study for AOI inspection by machine learning models

IoT 센서 데이터를 활용한 PCB 제조 공정 모니터링 연구였다. PBC 제조 공정은 SPI → SMD → AOI 3단계 프로세스를 가지고 있는데, 각 단계의 센서 데이터를 통합 분석하는 것이 핵심이다. 이 공정에서는 데이터가 시간차로 수집되고, label 불일치가 존재하고, 거짓 알람(정상이 불량으로 분류되는 경우)의 문제로 통합 분석이 어렵다고 한다. 이 해결을 위해 feature engineering을 통해 핵심 특성을 추출하고, autoencoder 적용한 후 불량을 예측하였다. 최종적으로 80% 이상의 분류 정확도를 달성하는데, 반도체 제조 데이터에 갖고 있는 특성을 많이 보유한 것 같다는 생각이 들었다. 역시나 실제 산업 데이터에 머신러닝을 적용하기 위해서는 그 도메인을 잘 이해하고, 도메인 특성에 맞는 feature 추출이 중요하다는 것을 또 생각해볼 수 있는 계기가 되었다.

Rethinking the Foundation Model for Wafer Map Pattern Recognition

이 연구의 핵심 아이디어로는 웨이퍼 맵이 자연 이미지와 근본적으로 다르다는 관찰에서 출발한다. 대부분이 배경에 불과하고, 실제 정보는 defect 패턴에만 집중되어 있어서 일반적 vision model로는 효과적 학습이 어렵다. 따라서 polar positional encoding, masking 방법 제안, 이산 상태 예측, rotation consistency loss 등을 도입해서 성능을 향상시켰다. 최근 반도체 mask 관련 연구에 관심을 가지고 있는데, 이러한 특성이 매우 비슷해서 앞으로 참고해서 진행할 만한 연구라서 흥미롭게 들을 수 있었다.