반도체 산업은 현재 구조적 전환기를 겪고 있습니다. 최근 한 업계 분석 보고서가 지적했듯이, “첨단 패키징 기술이 공정 노드 미세화를 제치고 반도체 성능 향상의 주요 동력으로 부상했다.” 이러한 변화는 설계와 조립 단계에서 그치지 않습니다. 이는 테스트 단계와 테스트를 통해 생성되는 데이터에 직접적인 영향을 미칩니다.
모놀리식 아키텍처 환경에서는 테스트 최적화가 어렵긴 했지만 한계가 명확했습니다. 단일 통합 다이를 검증하면 데이터와 의사결정 범위가 비교적 제한된 범위 내에서 유지되었습니다. 그러나 치플릿 기반 아키텍처는 이러한 제한을 깨뜨립니다. 이로 인해 패키지 내 구성 요소 수, 공정 단계 간 전환 횟수, 그리고 테스트 정보를 수집하고 이에 대응할 기회가 기하급수적으로 증가합니다.
그 결과, 핵심 쟁점이 바뀌고 있습니다. 더 이상 특정 흐름이 얼마나 많은 테스트 데이터를 생성할 수 있는지가 중요한 것이 아닙니다. 중요한 것은 그 데이터가 분산된 공급망 전반에 걸쳐 적시에 올바른 장소에 도달하여 , 실제 운영상의 의사결정에 활용될 수 있는지 여부입니다. 이것이 바로 데이터 피드 포워드(DFF) 가 해결하기 위해 설계된 문제입니다.
이 블로그 게시물에서는 칩렛 기반 패키징이 기존의 테스트 모델을 어떻게 뒤바꾸는지, ‘데이터 피드 포워드(Data Feed Forward, DFF)’가 무엇이며 그 아키텍처는 어떻게 구성되어 있는지, 그리고 DFF가 생산 등급 플랫폼 위에 구축되었을 때 효율성, 품질, 성능 측면에서 어떻게 가시적인 가치를 제공하는지에 대해 설명합니다.
여기서 “업스트림”은 팹 공정 및 웨이퍼 선별과 같은 초기 공정을 의미하며, “다운스트림”은 패키지 테스트, 최종 테스트, 시스템 수준 테스트(SLT)와 같은 후속 공정을 의미합니다.
1. 칩렛이 테스트 과제를 어떻게 변화시키는가?
칩렛 기반 장치는 한 번만 검증되는 것이 아닙니다. 이 장치는 여러 다이, 조립 및 통합의 여러 단계, 그리고 여러 차례의 테스트 과정을 거쳐 등급이 매겨집니다. 현재 대표적인 공정 흐름은 팹 운영과 PCM → 웨이퍼 선별 → 조립 및 본딩 → 패키지 테스트 → 최종 테스트 → 번인/SLT로 이어집니다. 각 단계에서는 유용한 신호가 생성되지만, 동시에 각 단계는 이전 단계에서 발생한 결과를 바탕으로 한 진전이기도 합니다.
이에 따라 다음과 같은 두 가지 구조적 변화가 따릅니다:
- 다이 수가 늘어나고 인터페이스도 늘어납니다. 각 칩렛마다 고유한 테스트 요구 사항이 있으며, 인터페이스가 늘어남에 따라 고장 모드와 커버리지 요구 사항도 함께 증가합니다.
- 상호 의존적인 결정. 웨이퍼 선별 단계의 결과는 패키지 테스트, 최종 테스트 또는 SLT 단계에서 어떤 조치가 취해져야 하는지에 직접적인 영향을 미칠 수 있습니다. 수정되지 않은 오류는 전체 공정 흐름 전반에 걸쳐 누적됩니다.
기존의 단계별 모델은 각 삽입 단계가 주로 자체적인 로컬 데이터만을 처리하는 경향이 있기 때문에 이러한 문제를 제대로 해결하지 못합니다. 웨이퍼 선별 단계에서 중요한 정보를 파악하더라도, 그 정보를 나중에 활용할 수 있는 메커니즘은 거의 없습니다. 따라서 문제는 단순히 데이터의 양이 많아졌다는 데 그치지 않습니다. 핵심은 하류 단계의 효과적인 의사결정이 상류 단계의 맥락을 점점 더 많이 활용할 수 있어야 함에도 불구하고, 현재는 대개 그렇지 못하다는 점입니다 .
2. 분산형 공급망이 왜 진정한 장벽인가?
더 근본적인 장애물은 구조적인 문제입니다. 반도체 제조 및 테스트는 설계 회사 → 웨이퍼 파브 → OSAT/ATMP → 최종 OEM → 현장 등 서로 다른 공장, 국가, 조직에 걸쳐 매우 분산되어 있습니다. 각 현장은 자체 데이터 스택을 운영합니다.
원칙적으로 대부분의 팀은 업스트림 데이터가 가치가 있다는 점을 이해하고 있습니다. 하지만 실제로는 다운스트림 의사결정을 내려야 하는 시점에 데이터가 파편화되거나, 지연되거나, 아예 접근조차 불가능한 경우가 종종 있습니다. 이런 상황이 발생하면 엔지니어들은 더 단순하고 독립적인 의사결정 모델로 회귀하게 되며, 이로 인해 다음 세 가지 요소가 동시에 저하됩니다:
- 후속 팀들이 기기의 전체 이력을 파악하지 못하기 때문에 가시성이 저하됩니다.
- 최종 결과를 이전 테스트 주기와 연결하기가 더 어려워지기 때문에 추적 가능성이 약화됩니다.
- 엣지 모델은 자신이 실행되는 바로 그 지점에서 이용 가능한 데이터만 확인할 수 있기 때문에, AI/ML 배포에는 제약이 따릅니다.
따라서 적응형 테스트, 최적화 또는 고급 모델링이 가치를 창출하기 전에, 먼저 해결해야 할 보다 기본적인 운영상의 질문이 있습니다 . 바로 분산된 공급망 전반에 걸쳐 올바른 데이터를 올바른 시점에 올바른 장소로 전달하는 방법은 무엇인가 하는 것입니다.
3. 데이터 피드 포워드(DFF)란 무엇인가요?
‘데이터 피드 포워드(Data Feed Forward , DFF )’가 바로 그 질문에 대한 해답이며, 핵심적인 차이점은 다음과 같습니다 . DFF는 저장 개념이 아닌 운영 개념입니다. 핵심은 향후 분석을 위해 데이터를 보존하는 것이 아닙니다. 핵심은 상류 데이터를 하류의 실시간 의사결정에 유용하게 활용하는 것입니다.
실제로는 웨이퍼 선별과 같은 초기 단계의 결과가 후속 단계에서 활용할 수 있는 형태로 변환됩니다. 여기에는 설계된 특징, 추론된 소자 속성, 모델 예측 결과, 품질 지표 또는 배선 권장 사항 등이 포함됩니다. 이러한 결과물은 이후 원격 시설이나 외부 공급망 거점에 위치한 하류 공정으로 전달됩니다.
이를 통해 상류 단계의 테스트 결과를 하류 단계의 프로세스 인텔리전스로 전환함으로써, 그렇지 않으면 단절되었을 단계들 간에 연속성을 확보하게 됩니다. 이러한 연속성이 확보되면, 훨씬 더 지능적이고 적응력 있는 테스트 방법론을 구현할 수 있게 됩니다.
4. 데이터 피드 포워드 아키텍처는 어떻게 구성되어 있나요?
모범 사례에 따른 DFF 구현은 원시 데이터에서 폐쇄형 인텔리전스에 이르는 다섯 가지 운영 계층으로 이해할 수 있습니다:
- 수집. 웨이퍼 선별, 프로브, 초기 테스트 단계에서 생성된 데이터를 수집합니다: 파라메트릭 데이터, 검사 결과, 비닝 데이터, 파형 시그니처 및 공정 컨텍스트.
- 변환. 특징 공학, 규칙 생성, 모델 추론 또는 의사결정 임계값을 통해 원시 데이터를 실행 가능한 형태로 변환합니다. 원시 데이터는 대개 용량이 너무 크고 구조가 불규칙하여 후속 단계에서 직접 사용하기 어렵기 때문에 , 이 단계는 선택 사항이 아닌 필수적인 과정입니다 .
- 전송. 변환된 출력을 여러 사이트와 파트너 간에 안전하게 전송합니다. 분산 환경에서는 안정적이고 안전한 전송이 필수 조건입니다.
- 적용합니다. 산출물을 후속 단계에 입력하여 구체적인 조치를 이끌어냅니다. 예를 들어, 더 스마트한 선별, 적응형 한계값 설정, 트림 목표치 예측, 경로 설정, 테스트 스위트 선택 등이 있습니다. 실제로 이는 ‘분류’, ‘건너뛰기’, ‘조정’ 또는 ‘표시’와 같은 결정으로 이어집니다.
- 결과를 기록해 두세요. 결과를 기록함으로써 시스템의 추적 가능성을 확보하고 지속적으로 개선할 수 있도록 해야 합니다. 그러면 예측치와 실제 결과를 비교하여, 이를 바탕으로 시간이 지남에 따라 알고리즘을 개선하고 모델을 재훈련할 수 있습니다.
바로 그 마지막 폐쇄 루프 덕분에 DFF는 확장성이 뛰어나고 운영상 실질적인 의미를 갖게 됩니다. 정보는 한 번만 전달되는 것이 아니라, 시스템이 스스로 학습합니다.
5. DFF를 실제 운영 환경에 적용할 수 있게 해주는 인프라는 무엇인가?
프레임워크에는 데이터 이동과 모델 배포 모두를 위한 생산 환경에 적합한 인프라가 필요합니다. 다음 두 가지 기능이 DFF를 실현합니다:
- Exensio Test Operations는 보안이 보장된 데이터 수집, 데이터 관리, 공정 모니터링, 품질 관리, 엣지 배포 및 공급망 연동을 담당합니다. 일반적으로 테스트 장비와 직접 연동되므로, 가장 정확하고 시의적절한 테스트 데이터를 확보할 수 있을 뿐만 아니라, 규칙을 적용하여 데이터 품질을 저해할 수 있는 공정 편차를 감지할 수 있습니다.
- Exensio StudioAI는 모델 구축, 훈련, 배포 및 관리 등 머신러닝 라이프사이클 전반에 걸쳐 완벽한 모델 운영(Model-Ops) 기능을 제공하며, 오픈소스 알고리즘을 사용하거나 자체 알고리즘을 도입할 수 있는 옵션을 갖추고 있습니다. 이 솔루션은 Exensio 시스템에 이미 존재하는 일관되고 신뢰할 수 있는 제조 데이터를 활용하기 때문에, 데이터 과학자들은 데이터 수집이나 배포 경로 설계에 신경 쓰지 않고 모델링 작업에 집중할 수 있습니다.
인텔의 한 고객이 지적했듯이, StudioAI를 통해 데이터 과학자들은 오픈소스 또는 맞춤형 알고리즘을 활용할 수 있으며, 지속적인 통합 및 배포를 지원하므로 팀은 실제로 필요한 솔루션을 구축할 수 있습니다. 이 두 제품을 함께 활용하면 DFF를 단순한 아이디어에서 엣지 환경에서의 실제 운영 배포로 전환할 수 있습니다.
6. DFF는 어떤 분야에서 가치를 창출하는가?
이 보상은 세 가지 범주에 걸쳐 제공됩니다.
효율성. 다운스트림 단계에서는 업스트림 단계에서 이미 파악된 정보를 알 수 없기 때문에, 대부분의 다운스트림 테스트는 보수적으로 설계되며, 결과적으로 ‘일괄 적용’ 방식이 불가피합니다. 이러한 지식을 신뢰성 있게 전 단계로 전달한다면, 디바이스별로 적절한 수준의 테스트 범위를 설정할 수 있습니다. 자주 인용되는 예로 선택적 번인(burn-in) 생략이 있습니다. 예측 신뢰도가 높고 공정이 잘 제어되는 경우, 양호할 것으로 예측된 디바이스는 불필요한 스트레스 단계를 건너뛸 수 있습니다. 이를 통해 제품 목표를 유지하면서 시간과 비용을 절감하고, 조기 고장 위험이 실제로 있는 디바이스를 위해 번인 용량을 확보할 수 있습니다. 위험이 없는 또 다른 방법은 Vmin과 같은 특성 탐색 범위를 상류 공정에서 이미 확인된 경계로 좁혀, 위험을 추가하지 않으면서 테스트 시간을 단축하는 것입니다. 여기서 효율성이란 단순히 비용을 무분별하게 절감하는 것보다는, 적절한 시점에 적절한 디바이스에 대해 올바른 테스트를 수행하는 데 더 중점을 둡니다.
품질. 이는 효율성보다 훨씬 더 중요할 수 있습니다. 단계가 실행되기 전에 트림 목표치를 예측하면 트림 오류를 줄일 수 있는데, 이는 상류 정보가 하류 작업을 직접적으로 개선하는 전형적인 사례입니다. 삽입부 및 사이트 전반에 걸쳐 특성 신호를 모니터링하면 드리프트를 조기에 감지할 수 있으며, 이를 통해 테스트 불안정성을 파악하거나, 더 심각한 경우 조기 노화나 스트레스로 인한 소자 변화를 식별하여 장기적인 신뢰성 위험을 예고할 수 있습니다. 시설 및 파트너 간 임계값을 통일하면 더 일관된 결과를 얻을 수 있으며, 상류 단계의 선별 검사가 개선되면 불량품 유출을 줄일 수 있습니다. 더 넓은 관점에서 볼 때, 전반적인 품질은 단일 테스트 결과가 아닌 공급망의 속성이며, DFF는 이를 종단 간(end-to-end)으로 관리할 수 있게 하여 품질 관리를 사후 대응 방식에서 예측 방식으로 전환합니다.
성능. 바로 이 부분이 DFF가 AI 기반 방법론과 가장 직접적으로 연결되는 지점이며, 여기서 ‘성능’이란 단순히 기기의 처리 속도가 빠르다는 것을 넘어 더 높은 수준의 의사결정을 의미합니다. 가장 진보된 인라인 모델들은 대개 바로 앞 단계의 데이터만 파악할 수 있다는 한계가 있습니다. 웨이퍼 선별 시그니처를 패키지 수준의 관측 결과와 결합하거나, 공정 이력을 테스트 측정값과 융합하여 상류 공정이나 과거 맥락 정보를 모델에 보강하면, 예측의 정확도가 높아지고 맥락을 더 잘 반영하게 됩니다. 이는 고가의 첨단 패키지에 대해 더 스마트한 등급 분류 및 라우팅을 지원합니다. 이러한 패키지는 비용이 높기 때문에 단순히 폐기할 수 없으며, 특성을 분석하고 적절한 용도에 맞게 등급을 분류해야 합니다. SLT에도 이점이 있습니다. 피드포워드 데이터를 활용하면 SLT 제품군이 특정 디바이스 기능에 동적으로 집중할 수 있습니다. 동일한 논리는 조립 최적화에도 적용되어, 하위 구성 요소의 성능을 대상 용도에 맞춰 완성된 디바이스의 가격 대비 성능을 극대화합니다.
7. 핵심 요점은 무엇인가요?
- 칩렛 기반 패키징에는 공급망 전반에 걸친 연계된 데이터가 필요합니다. 데이터 관련 과제는 더 이상 단일 삽입 공정에만 국한된 문제가 아닙니다.
- DFF는 대규모 AI 기반 테스트를 위한 운영의 중추입니다. 이는 상류 정보가 하류 의사결정 지원으로 이어지는 경로를 마련합니다.
- 진정한 가치는 상류 데이터를 하류에서 활용할 수 있게 함으로써 창출되며, 이는 효율성, 품질, 성능 등 다양한 측면에서 이점을 가져다줍니다.
- 데이터 이동은 테스트 측정만큼이나 중요해지고 있습니다. 첨단 패키징 시대에는 경쟁 우위가 얼마나 많은 데이터를 수집할 수 있는지에 달려 있는 것이 아니라, 정보를 얼마나 효과적으로 전달하고 중요한 곳에 적용하느냐에 점점 더 좌우되고 있습니다.
이는 궁극적으로, 생산 과정에 발맞춰 데이터 축적에서 데이터 활용으로의 전환을 의미합니다.
참고 문헌
- Exensio 애널리틱스 플랫폼: 개요
- Exensio 고급 테스트 솔루션
- Exensio StudioAI
- EE Times 웨비나: 2026년 치플릿 확장성을 향한 길 – AI 기반 데이터 피드 포워드