[AI/Semiconductor] 인공지능을 활용한 반도체 제조 공정 효율화

인공지능을 활용한 반도체 제조 공정 효율화
김세윤 박사님 (GAUSS LABS)
 
# AI 활용 반도체와 AI 반도체의 차이
AI를 활용한 반도체 산업은 인공 지능 기술을 반도체 산업에 통합하여 생산성과 효율성을 향상시키는 것을 목표로 하는 것
AI 반도체는 인공 지능(AI) 처리를 위해 특별히 설계된 반도체로, 빅 데이터 처리, 머신 러닝, 딥 러닝 등과 같은 고성능 컴퓨팅 작업에 최적화된 반도체

# 반도체 제조 nano-meter fabrication 
 

웨이퍼 wafer  :  300mm
 
제작시 3개월, 600 공정 소요되므로 
초반 과정으로 다시 돌리는 것이 어렵기 떄문에
장비 고장을 빠르게 알아차리는 것, 장비 관리가 중요함
 
# 인공지능 ( 딥러닝 )
- artificial neural network (ANN) -> ai winter
- machine learning
-> 복잡한 학습을 위해서는 많은 데이터와 많은 계산, 그 과정을 수행할 좋은 컴퓨터가 필요함
(미지수 한 개를 찾기 위해서는 식이 한 개, 두 개를 찾기 위해서는 최소 두 개의 식이 필요하듯)
- model   y'=f(x|w)
- loss   d(y',y) 두 개의 차이를 정의하고 차이가 줄어들도록 업데이트하는 것이 중요
 
# 반도체 산업 = 장치 산업
- 풉 단위로 이동해서 공정 
* 가혹 조건
- 고온 고압, 고주파/고전압, chemical 
- 가혹한 조건에서 돌아가는 장비라서 장비의 컨디션 유지가 어렵고 중요함
 
* 공정 특징 세 가지
adaptive process control  적응형 공정 제어
statistical process control  통계적 공정 제어
predictive maintenance  예측형 유지보수
---> 고장난 후 보수 BM Breakdown Maintenance : BM 발생은 곧 사고
 
* sampling metrology  / inspection
metrology 길이 측정
inspection particle 이 떨어졌는지 들여다보는 
 
# 제조 AI
 
# Root Cause Analysis
- SPC (statistical process control)
- equipment (장비) / chamber (반도체 가공 공간, 작업) / station (작업 장소) / chuck (홀더)
 
# 데이터 어노테이션과 결과 신뢰도
결과물을 좌우하는 것에 데이터 어노테이션이 영향을 많이 미침 (어노테이션이 잘못되어 잘못된 결과를 내는 경우 많음)
의학 관련 ai에서는 논문에 의사의 연차를 작성할 만큼 신뢰도 높은 데이터를 필요로 함
의사 간의 의견 일치가 있는 데이터만 사용하는 것은 어리석음
- 일종의 편향. 쉬운 데이터만 사용하게 되므로. 인공지능은 어려운 데이터가 필요하지만 의사 간 의견 불일치는 어려운 데이터에서 발생할 것. (개랑 고양이가 유사한 모습일 때 구분이 어려움)
- 통계학의 생존 편향. (chat gpt : 주식 투자에서 생존 편향은 과거의 성공적인 주식 거래만을 분석하여 새로운 투자 전략을 결정하는 경향을 가리킵니다. 예를 들어, 어떤 개별 투자자가 특정 주식에 대해 투자하여 이익을 얻었다면, 그 투자자는 이익을 얻은 주식에 대한 성공 경험만을 강조할 가능성이 있습니다. )
 
# virtual metrology
- input to APC
- high dimensional sensor data
- difficulties
-> various layers / process  
-> shift / drift problem -->> PM / BM
-> noisy / missing data 
 
* digital twin : 물리적인 것과 쌍둥이인 디지털의 것. 장비의 디지털 버전을 만들어 수행해보는 ai
 
# image metrology
- critical dimension :  제품이 올바르게 작동하고 기능을 수행하기 위해 반드시 충족되어야 하는 특정한 치수
- overlay
 
# CD-SEM throughput improvement
- enhance low quality images  -> deep image denoiser 
(인공지능을 이용해서 퀄리티를 높이겠다. 딥러닝을 이용한 이미지 노이즈 줄이는 것)
 
# IM: Anomaly Detection 이상 감지
- 손의 뼈를 촬영하면 나이를 예상하고 성장판이 열렸는지, 닫혔는지 출력하는 프로그램
- 사람의 얼굴을 촬영한 사진을 넣어도 출력은 된다
- 이상 감지 가 필요함. 이상 감지는 알고 있는 데이터가 아닌 것 (학습한 데이터의 특성과 조금 다른 것)이 들어올 때 그에 대한 대답을 해주는 것.
- 0~1 사이의 스코어. 0이 정상. 1이 비정상.
 
### 
문제로 시작해서 해결하는 : 사람이 잘 이해해서 input 을 잘 넣어서 좋은 결과를 도출하려는 시도
컴퓨터 사이언스에서 시작하는 : 딥러닝 모델을 잘 만들어서 좋은 결과를 도출하려는 시도
학습 시킬 이미지의 해상도 조절 이슈 : 크기 조절 다 시도해보기 vs 의사에게 어떤 크기로 무엇을 중요하게 보는지 직접 물어보기
-> 사람이 문제를 어떻게 이해, 해결하는지 에서 시작하니 사람의 문제 이해가 우선적으로 중요하지만 사람이 해결하지 못한 것도 해결해야하므로 딥러닝을 잘 만드는 것도 중요함.
-> 원래 알파고는 사람의 지적 수준에서 시작. 알파고 제로는 아무 것도 없는 것에서 강화학습으로 키운 것.
--> 현업만큼 하기 위해서는 사람의 이해 필요. 사람을 넘기 위해서의 무언가도 필요.