최첨단 혁신이 패키지 분야로 확대되면서, 업계가 측정해야 할 항목, 데이터의 흐름 방식, 그리고 협업이 필요한 주체들이 변화하고 있습니다. 이것이 특성 분석 및 테스트 분야에 어떤 의미를 갖는지, 라무네 나기세티(Ramune Nagisetty)의 발표 내용을 바탕으로 정리한 내용입니다.
수십 년 동안 반도체 발전은 트랜지스터의 역사 그 자체였습니다. 더 작아지고, 더 빨라지고, 더 저렴해지는 과정이었죠. 그 시대가 끝난 것은 아니지만, 이제는 다른 요소들과 함께 주역으로 자리 잡고 있습니다. 최첨단 혁신은 점점 더 첨단 패키징 기술에 의해 주도되고 있으며, 한때 명확하게 구분되던 프런트엔드(실리콘)와 백엔드(패키징)의 경계가 점차 모호해지고 있습니다. 아래에서는 이러한 변화를 주도하는 요인과, 업계가 패키징의 복잡성을 경쟁 우위로 전환하기 위해 필요한 세 가지 역량을 살펴보겠습니다.
왜 첨단 패키징이 최첨단 혁신의 주요 원동력이 되었는가?
무어의 법칙은 세 번째 방향으로 진화해 왔습니다. 원래의 무어의 법칙은 경제학적 관찰에 기반한 것으로, 트랜지스터당 비용이 대략 2년마다 절반으로 줄어든다는 것이었습니다. 데나드 스케일링(차원 축소)은 2000년대 초반에 정체되었지만, 성능은 두 가지 추가적인 경로를 통해 지속적으로 향상되었습니다. 바로 소재 및 소자 혁신 (인장 실리콘, 하이-케이 메탈 게이트, 핀펫, 게이트-올-어라운드)과 설계-기술 공동 최적화(DTCO) (확산 단절 및 접촉 과활성 게이트에서 후면 전원 공급에 이르기까지)입니다.
세 번째 요소는 첨단 패키징과 이종 통합으로, 이를 통해 시스템-기술 공동 최적화(STCO)가 가능해집니다. 우리가 자주 말하듯이, 실리콘이 체스판 위의 ‘왕’이라면, 첨단 패키징은 ‘여왕’과 같습니다. 다재다능하고 강력하며 전략적인 존재죠.
이 변화의 규모는 실제로 어느 정도일까요?
로드맵을 재편할 만큼 큰 규모다. 블룸버그 인텔리전스(Bloomberg Intelligence)의 최근 보고서에 따르면, 2.5D 및 3D 패키징 시장은 연평균 성장률(CAGR) 약 26%로 성장해 2033년까지 약 800억 달러 규모에 달할 것으로 전망된다 . 하이브리드 본딩 기술이 클라우드 AI 및 자율 주행 애플리케이션 분야에서 선호되는 솔루션으로 자리 잡을 전망이며, 설계에 연산 능력과 메모리가 추가됨에 따라 AI 패키지 크기도 수 배로 커질 것으로 보인다.
최첨단 기술에서는 이미 이러한 추세가 나타나고 있습니다. 주력 AI 제품들은 대형 실리콘 인터포저 위에 레티클 수에 제한을 받는 다수의 다이를 통합하고, 여기에 고대역폭 메모리를 적층하고 있습니다. 인터포저 로드맵은 14개 이상의 레티클을 목표로 하고 있습니다. 첨단 패키징 기술은 성능 향상을 위한 필수적인 수단이 되었습니다.
첨단 패키징은 특성 분석에 어떤 변화를 가져오는가?
고급 패키징에는 수율 민감도와 결함 메커니즘, 매립 공극, 오버레이/정렬 불량 오류, 활성 실리콘으로 전달되는 기계적 응력 등의 문제가 있습니다. 당사는 현재 실리콘에 주로 적용되어 온 검증된 테스트 칩 특성 분석 기법을 RDL, 마이크로 범프, TSV, 하이브리드 본딩 인터페이스와 같은 패키징 구성 요소에 적용하고 있습니다. 실리콘 분야에서 800개 이상의 특성 분석 베클(CV®) 설계를 완료한 PDF Solutions는 동일한 방법을 다음 두 가지 유형의 테스트 칩에 적용하고 있습니다:
- 단거리 전류 테스트 칩 — 속도와 감도를 위해 설계되었습니다. 하이브리드 본딩 CV는 웨이퍼 가장자리까지 뛰어난 공간 분해능을 바탕으로, 약 0.5~5 ppb 수준의 감지 한계를 갖춰 10⁸~10⁹개 규모의 패드를 테스트할 수 있습니다. 패드의 형상, 크기, 피치 및 밀도에 걸쳐 DOE(설계 실험)를 적용함으로써, 매립된 공극과 소프트/하드 오픈을 감지하고, 오버레이 및 공정 윈도우 민감도를 특성화하며, 고장 분석을 위한 결함 위치를 특정할 수 있습니다. 이 모든 과정을 저렴한 비용과 빠른 처리 시간 내에 수행합니다.
- 풀플로우 테스트 칩 — 능동 트랜지스터와 회로를 추가하고 분해능을 높여, 소자 및 상호 연결에 미치는 기계적·응력적 영향, 공정 통합 효과 (CMP 디싱/침식, 열팽창), 전기적 무결성 (TSV-실리콘 누설, 정전용량, 저항, 개방)을 정량화합니다. 내장형 응력 모니터는 다이 박막화, 분할, 패키징 전후, 웨이퍼 선별, 최종 테스트 및 번인 단계에서 판독할 수 있으며, JTAG 또는 기타 인터페이스를 통해 테스트할 수 있습니다. PDF는 ECTC에서 더 얇은 기판이 가장 높은 응력을 보이며, 이는 더 높은 테스트 온도에서 완화된다는 결과를 발표했습니다.
측정 문제가 해결되었다면, 왜 칩렛 데이터는 여전히 활용하기가 이토록 어려운 것일까?
치플릿 제품은 분산된 공급망을 거치기 때문입니다. 웨이퍼는 서로 다른 노드의 여러 파운드리에서 공급되며, 다이는 다이-투-다이, 다이-투-웨이퍼, 웨이퍼-투-웨이퍼 조립 과정을 통해 결합되고, 패널은 개별 분할 및 표면 실장 과정을 거친 뒤, 모든 부품이 조립 및 테스트 단계에서 하나로 통합됩니다. 각 단계마다 자체 데이터 마트와 자재 인계가 이루어지는 시설이 존재하기 때문에, 데이터는 흩어져 있고 사일로화되어 단위 수준에서 추적하기 어렵습니다. 단도직입적으로 말하자면, 이 데이터는 AI 활용에 적합하지 않습니다.
칩렛은 또한 세 가지 측면에서 동시에 테스트 패러다임을 변화시킵니다. 즉, 다이 및 인터페이스의 증가 (더 많은 고장 모드와 커버리지 요구 사항), 삽입 단계와 데이터의 증가 (파브, 웨이퍼 선별, 조립, 패키지 테스트, 최종 테스트, 번인, SLT), 그리고 상호 의존적인 의사결정 (한 단계의 결과가 다음 단계를 좌우하므로 오류가 누적됨)이 그것입니다. 기존의 단계별 테스트 방식은 상류 공정의 정보를 간과함으로써 수율, 품질, 성능을 충분히 확보하지 못하고 있습니다.
데이터 피드 포워드란 무엇이며, 왜 중요한가요?
데이터 피드 포워드(DFF) 이는 분산된 공급망 전반에서 올바른 데이터를 적시에 올바른 장소로 전달하는 방법은 무엇인가라는 근본적인 질문에 대한 해답입니다. DFF는 저장 개념이 아닌 운영 개념으로 , 초기 데이터를 실시간 생산 의사결정에 유용하게 활용하여 상류 단계의 결과를 하류 공정 인텔리전스로 전환하는 데 목적이 있습니다. 이는 다음 다섯 가지 계층에 걸쳐 폐쇄 루프로 운영됩니다:
- 수집 — 웨이퍼 분류, 프로브, 초기 삽입 데이터(파라메트릭, 비닝, 웨이퍼 맵, 컨텍스트)를 수집합니다.
- 변환 — 특징 공학, 규칙 및 모델 추론을 통해 원시 데이터를 예측 결과로 변환합니다.
- 전송 — API 및 파이프라인을 통해 여러 사이트와 파트너 간에 결과물을 안전하게 전달합니다.
- 적용 — 결과를 하류 단계로 전달하여 분류, 건너뛰기, 조정 또는 표시합니다.
- 결과를 기록하여 추적 가능성을 확보하고 모델을 지속적으로 개선하십시오.
각 계층은 이전 계층의 데이터에 가치를 더하고 이를 활용하는데, 바로 이 점이 AI 기반 테스트를 단일 삽입 단계에 국한되지 않고 확장 가능하게 만드는 요인입니다.
데이터를 연계하면 어떤 이점이 있나요?
연결된 데이터는 다음 세 가지 분야에서 더 나은 모델, 더 나은 의사결정, 더 나은 제품으로 이어집니다:
- 효율성 — 장치별 테스트 범위를 적정 수준으로 조정: 중복을 줄이고, Vmin 탐색 범위를 좁혀 위험 요소가 없는 경우 테스트 시간을 단축하며, 정상으로 예측되는 장치에 대해서는 번인 테스트를 선택적으로 생략함으로써(위험이 있는 장치에 대한 테스트 용량을 확보).
- 품질 — 트림 오류를 방지하기 위해 트림 목표를 예측하고, 시설 및 파트너 간 테스트 기준을 통일하며, 삽입 부위 전반에 걸친 편차를 감지함으로써, 품질 관리 방식을 사후 대응형에서 예측형으로 전환합니다.
- 성능 — 인라인 AI 모델에 업스트림 이력을 반영하여, 컨텍스트를 고려한 적응형 테스트, 보다 스마트한 등급 분류 및 라우팅, 그리고 비용과 성능을 최적화하는 조립 결정을 가능하게 합니다. 한 업계 리더가 지적했듯이, 첨단 패키지는 비용이 너무 많이 들어 함부로 버릴 수 없기 때문에, 신중한 특성 분석과 등급 분류가 그 어느 때보다 중요해졌습니다.
PDF Solutions는 이를 어떻게 실현하고 있나요?
일반적인 도구를 개조한 것이 아닌, 반도체 공급망을 위해 구축된 인프라를 통해 가능합니다. Exensio® 플랫폼은 팹, OSAT, 테스트(FDC, 웨이퍼 선별, 최종 테스트, 조립) 전반에 걸쳐 엔드투엔드 방식으로 데이터를 통합합니다. 인라인 추적성과 확장 가능한 분석 기능은 첨단 패키징의 다중 삽입 및 피드포워드 요구 사항을 해결하며, Exensio StudioAI는 적응형 테스트를 위한 ModelOps 계층을 제공합니다. 정적인 빈닝 규칙 대신, 상관관계가 있는 다이 및 공정 이력에 대해 훈련된 AI 모델이 지속적으로 업데이트되어, 반도체 업계에서 가장 널리 사용되는 보안 원격 연결 솔루션인 secureWISE가 지원하는 안전한 데이터 교환 네트워크 (Data Exchange Network )를 통해 공급망 전반에 배포됩니다. 이는 기존 적응형 테스트와는 본질적으로 다른 접근 방식이며, 바로 현재 멀티-치플릿 조립 공정이 요구하는 바로 그 솔루션입니다.
주요 요점은 무엇인가요?
- 현재 최첨단 혁신은 첨단 패키징 기술에 의해 주도되고 있으며, 특히 300mm 장비 세트를 패키지 통합에 활용하는 분야에서 프런트엔드와 백엔드의 경계가 모호해지고 있다.
- 한때 실리콘에만 적용되던 첨단 테스트 칩 특성 분석 방법이 이제는 패키징 분야에도 적용되고 있으며, 이를 위해 쇼트 플로우 및 풀 플로우 테스트 장치가 활용되고 있다.
- 사일로 간 데이터 정렬 및 통합은 AI 활용이 가능한 데이터 세트의 기초가 됩니다.
- 데이터 피드 포워드 — 오래전부터 제안되어 왔으나 이제야 그 진가를 인정받게 된 개념 — 은 폐쇄 루프 방식으로 운영될 때 효율성, 품질 및 성능을 향상시킵니다.
- 칩렛 기반 아키텍처가 그 잠재력을 제대로 발휘하려면 데이터 연계와 생태계 간 협력이 필수적이다.
이 업계는 전환점에 도달했습니다. 데이터 특성 분석은 완료되었고, 데이터 아키텍처에 대한 이해도 확보되었으며, 분석 플랫폼도 구축되었습니다. 이제 남은 과제는 기업과 지역을 넘나들며 데이터가 제품을 따라갈 수 있도록 긴밀한 협력을 구축하여, AI 활용이 가능한 데이터 세트를 만들고 포장 산업에 최고 수준의 AI 역량을 도입하는 것입니다.
더 자세히 알아보고 싶으신가요? www.pdf.com 및 이곳에서 PDF Solutions에 문의하여 고급 패키징 특성 분석, 데이터 피드 포워드(Data Feed Forward), 그리고 Exensio 플랫폼에 대해 알아보세요.
참고 문헌
- 블룸버그 인텔리전스, 첨단 반도체 패키징 시장 성장 전망 (2.5D/3D 시장, 연평균 성장률 약 26%, 2033년까지 약 800억 달러).
- 14 레티클 및 그 이상을 향한 인터포저 미세화 기술에 대한 TSMC CoWoS® 로드맵 논의.
- S. Saxena 외, IEEE ECTC, 2022; A. Piadena 외, IEEE ECTC, 2024 (첨단 패키징 기계적 응력 모니터링 결과).
- K. Larsen, Synopsys, 3DIC 통합 옵션 및 설계 범위.