[프로젝트 개요]

디스플레이 제조 공정은 여러 단계의 정밀한 공정을 거쳐 최종 제품을 생산하는 순차적인 구조로 이루어져 있다. 이러한 구조에서 각 공정 단계마다 제품의 품질을 정확히 측정하고 관리하는 것은 전체 공정의 안정성을 유지하고 최종 품질을 보장하는 데 필수적이다. 특히, 앞선 공정을 거치며 수집된 검사 데이터를 기반으로 후속 검사 단계에서 측정될 품질 특성을 선제적으로 예측하는 과정이 매우 중요하다. 그러나 제조 현장의 환경 변화로 인해 수집되는 검사 데이터의 특성이 지속적으로 변동될 수 있으며, 이러한 데이터 분포의 변화는 기존에 구축된 예측 알고리즘의 성능을 크게 저하시켜 일관된 품질 관리를 어렵게 만드는 핵심 원인이 된다. 따라서 새롭게 유입되는 데이터의 특성 변화를 실시간으로 인지하고, 이에 즉각적으로 대응할 수 있는 능동적인 기술 개발이 필요한 실정이다.

[프로젝트 내용]

본 프로젝트의 궁극적인 목표는 공정 운영 조건 변경에 따라 발생하는 데이터 분포 변화를 자동으로 보정할 수 있는 알고리즘을 개발하는 것이다. 이를 달성하기 위한 세부 목표는 ① 기존 공정 검사 데이터를 바탕으로 후속 검사 데이터를 자동으로 예측할 수 있는 인공지능 모델 설계, ② 변화하는 데이터 특성에도 성능 저하 없이 지속적으로 적응할 수 있는 견고한 품질 검사 결과 예측 알고리즘 구축의 두 가지로 나눌 수 있다.

개발된 모델을 실제 공정에 실시간으로 적용하기 위해서는 별도의 추가적인 모델 재학습이나 정답 레이블 수집 과정 없이, 모델 스스로 테스트(Test) 시점의 데이터 분포에 즉각적으로 적응할 수 있는 알고리즘의 개발이 필수적이었다. 본 연구에서는 이러한 현장의 Data Shift 상황을 가정하기 위해, 분포가 전혀 겹치지 않는 '수집 기간 1'을 모델 학습용 소스(Source) 데이터로, '수집 기간 2'를 실시간 적응을 위한 타겟(Target) 데이터로 명확히 구분하여 정의하였다.

이를 해결하기 위해 Test-Time Adaptation(TTA) 기법을 도입하여, 실시간으로 유입되는 글라스 데이터에 대해 즉각적인 모델 보정을 수행하였다. 다만 이 과정에서 모델이 과거에 학습했던 기존 데이터의 정보를 잊어버리는 문제가 발생할 수 있는데, 본 연구에서는 소량의 글라스 데이터를 활용해 TTA를 임시로 수행한 후 다시 모델의 파라미터를 원래 상태로 복원하는 방식을 적용함으로써, 새로운 데이터에 적응하면서도 기존 데이터에 대한 예측 성능을 온전히 유지할 수 있도록 설계하였다.

또한, 실제 데이터 분포 변화가 탐지된 글라스 데이터에 TTA를 적용했을 때 유의미한 예측 성능 향상이 이루어지는지 검증하는 과정을 거쳤다. 다중 출력 회귀 문제의 특성을 고려하여 총 세 가지 알고리즘을 대상으로 실험을 진행한 결과, 두 가지 방법에서 TTA 수행 후 예측 성능이 뚜렷하게 개선됨을 확인하였다. 특히, SSA 알고리즘을 적용했을 때는 MAE 기준으로 평균 38%의 대폭적인 성능 개선 효과를 입증할 수 있었다.

추가적으로, 전반적인 예측 정밀도를 한층 더 끌어올리기 위해 사전학습 모델의 업데이트 전략을 병행하여 적용하였다. 구체적으로는 target 데이터의 정답 레이블이 확보되는 시점에 이를 새로운 source 데이터로 편입시켜 예측 모델을 지속적으로 업데이트하는 방식을 채택하였다. 실험 결과, 업데이트에 활용되는 레이블 된 데이터의 양이 증가할수록 모델의 성능이 비례하여 개선되는 경향을 보였으며, 전체 target 데이터의 40%만을 활용하더라도 현장 적용에 충분히 합리적이고 우수한 예측 성능을 확보할 수 있음을 확인하였다.