AI와 빅데이터 시대의 반도체 제조를 위한 분석 준비형 FDC

빅데이터 분석과 AI는 반도체 제조 분야에서 필수적인 요소로 자리 잡고 있습니다. 하지만 진정한 과제는 데이터 수집이 아니라, 엔지니어와 시스템이 대규모로 데이터를 활용하고, 분석하며, 이에 따라 조치를 취할 수 있도록 준비된 데이터를 확보하는 것. PDF Solutions의 존 홀트 PDF Solutions의 존 홀트가 PDF 2025 사용자 컨퍼런스에서 언급했듯이: 

“이 하키 문제를 어떻게 처리할까요‑퍽 모양의 데이터 곡선을 어떻게 처리해야 할까요? 서로 다른 사일로에 흩어져 있는 데이터를 모두 통합하여, 실질적인 성과를 달성하는 데 필요한 규모와 성능으로 처리하려면 어떻게 해야 할까요?”. 

반도체 팹에서 생성되는 수많은 데이터 유형 중에서도, 고장 감지 및 분류(FDC) 는 공정 제어 및 수율 분석을 위한 가장 중요하면서도 까다로운 데이터 소스 중 하나로 꼽힙니다. FDC는 장비를 모니터링하고 공정 파라미터를 사양 범위 내로 유지하는 데 널리 사용됩니다. 동시에, FDC 장비 추적 데이터는 웨이퍼 공정 중 장비의 동작을 직접 포착하며, 종종 수율 및 전기적 테스트 결과와 강한 상관관계를 보입니다. 

문제는 FDC 데이터가 높다는‑대량이며, 고‑빈도가 높고 복잡하여로 인해 효과적으로 관리하고 분석하기가 어렵습니다. 분석‑분석이없이는 FDC 데이터를 신뢰할 수 있게 적용하여 근본원인 분석, 자동화 또는 AI기반 애플리케이션을 구현하기 어렵습니다. 

이 글에서는 분석이‑수확량 예측에 있어 분석‑원인 분석, 이것이 어떻게 도움이 되는지 수율 및‑인라인 측정만으로는 설명할 수 없는, 그리고 이것이 프로덕션 환경에서 신뢰할 수 있는 AI 애플리케이션을 구현하는 방법. 

참고: 이 기사에서 FDC 데이터는 구체적으로 시간을 의미합니다-시리즈 도구 센서 트레이스를 의미하며, 이는 공정 중 챔버 및 장비의 동작을 포착합니다. 

1. 반도체 제조에서 FDC 데이터란 무엇인가?

FDC 장비 추적(ET) 데이터는 다음으로 구성됩니다. 시간‑웨이퍼 공정 중 반도체 장비에서 수집된 시간 기반 센서 신호. 압력, 온도, 가스 유량, RF 전력, 동작 및 타이밍과 같은 이러한 신호들은 레시피를 실행하는 동안 장비가 실제로 어떻게 작동하는지를 포착합니다. 

각 공정 실행 시, 공구들은 실제 작동 상태를 반영하는 센서 데이터를 지속적으로 생성합니다. 이러한 신호들은 공구, 챔버, 레시피, 단계 정보와 같은 공정 컨텍스트와 결합되어 공정이 어떻게 실행되었는지에 대한에 대한 상세한 기록을 형성하며, 단순히 공정이 성공적으로 완료되었는지에 그치지 않습니다. 

이러한 장비 동작에 대한 본질적인 관점은 FDC 도구 추적 데이터를 공정 안정성을 파악하고, 변동성을 모니터링하며, 장비 동작을 후공정 수율 및 전기적 성능과 연계하는 데 있어 핵심적인 정보원으로 만들어 줍니다. 

2. 반도체 제조에서 FDC가 중요한 이유는 무엇인가?

반도체 제조는 근본적으로 공정‑공정. 소자의 성능, 수율 및 신뢰성은 설계 의도뿐만 아니라, 엄격하게 제어되는 수백 단계의 공정 전반에 걸쳐 각 웨이퍼가 얼마나 일관되고 정밀하게 처리되는지에 달려 있습니다. 

FDC 툴 추적 데이터는 제조 공정 자체에 대한 제조 공정 자체를 직접적으로 파악할 수 있게 해주기 때문입니다. 하류 측정은 공정 결과를 보여주는 반면, 툴 트레이스는 압력 안정성, 열 반응, 가스 공급 특성, RF 특성, 그리고 매 실행 시의 타이밍 등 결과가 생성되는 물리적 조건을 포착합니다. 

수율 및 파라메트릭 관련 문제의 상당수는 갑작스러운 고장으로 시작되지 않습니다. 오히려 이러한 문제들은 대개 공구 동작의 작고 점진적인 변화에서 비롯됩니다: 느린 드리프트,챔버 간 불일치, 제어 응답 저하, 또는 유지보수 후 발생한 변화 등이 그 예입니다. 이러한 변화는 장기간 동안 경보나 인라인 측정값으로는 감지되지 않을 수 있지만, 점차 누적되어 결국 수율이나 전기적 성능에 영향을 미치게 됩니다. FDC 장비 트레이스는 이러한 변화를 가장 먼저 관찰할 수 있는 곳입니다. 

그림 1. FDC 데이터 수집 및 애플리케이션 데이터 흐름

~처럼 팹 더 높은 생산량과 복잡성을 더 많은 생산량과 복잡성을 다루게 됨에 따라, 제품이 여러 장비, 챔버 및 공급업체에 걸쳐 있는 상황에서 FDC는 일관된, 데이터‑기반 방식을 제공하여 장비의 동작을 비교하고 체계적으로 변동 요인을 식별 변동의 원인을 식별하는 

3. FDC는 전통적으로 공구 관리에 어떻게 사용되어 왔는가?

전통적으로 FDC 시스템은 사전 정의된 지표를 활용해 장비의 작동 상태를 실시간으로 모니터링하고 이상 징후를 감지하는 데 사용됩니다. 엔지니어들은 일반적으로 매 실행마다 전체 센서 파형을 분석하기보다는, 각 레시피 단계 내의 특정 시간 구간을 바탕으로 산출된 요약 지표에 의존합니다.

이러한 지표들은 평균, 최대값, 최소값, 표준편차, 기울기 또는 안정성 등의 통계적 연산을 통해 원시 공구 트레이스 데이터에서 도출됩니다. 각 지표는 정상적인 공구 동작을 나타내는 과거 기준선 또는 관리 한계와 비교됩니다.

제작 과정에서 기존의 FDC는 다음과 같은 질문에 답합니다:

• 실내 압력이 예상 작동 범위 내에 있습니까?
• 해당 공정 단계에서 RF 출력은 안정적인가요?
• 가스 유동은 예상된 상승 및 안정화 양상을 보이나요?
• 온도 반응이 지정된 조건과 일치하는가?

지표값이 허용 범위를 초과하면 시스템이 경보를 발령하며, 이로 인해 웨이퍼에 표시를 하거나 엔지니어에게 알림을 보내거나 챔버 작동을 일시 중지할 수 있습니다. 이러한 역할을 통해 FDC는 장비 보호 및 공정 안정화 장치로서, 공정이 검증된 작동 범위 내에서 유지되도록 보장합니다.

그림 2. FDC 표시기 생성 및 제어 개요

4. FDC를 활용하여 수율 및 E-테스트 변동성을 추적하는 방법은 무엇인가?

경보 기반 FDC는 명백한 편차를 포착하는 데 효과적이지만, 많은 수율 및 전기적 테스트 변동은 단일 제어 한계를 위반하지 않는 미묘한 공정 변화에서 비롯됩니다. 압력 드리프트, RF 불안정성, 가스 유량 변동, 온도 오프셋 또는 챔버 불일치는 눈에 띄지 않게 지속되다가 나중에야 CD 변동, 파라미터 변화 또는 수율 저하로 나타날 수 있습니다.

공구 트레이스에서 도출된 FDC 지표는 이러한 변화가 하류 공정에서 눈에 띄게 나타나기 훨씬 전에 이를 포착합니다. 엔지니어들은 공구, 챔버, 시간대 및 영향을 받은 로트 전반에 걸쳐 FDC 데이터를 상호 연관시킴으로써 다음과 같은 패턴을 파악할 수 있습니다:

• 챔버 간격 불일치로 인한 체계적인 전기적 테스트 변경
• 센서 또는 제어의 드리프트로 인한 장기적인 파라미터 변화
• 무작위 수율 저하와 관련된 공정 안정성의 점진적 악화
• 정상 웨이퍼와 결함이 있는 웨이퍼를 구분하는 공정 시그니처를 분석한다

FDC는 기존의 수율 분석 방법을 대체하는 것이 아니라 이를 보완합니다. 일상적인 수율 조사 과정의 일환으로 활용될 때, FDC는 공정 내재적 특성과 제품 결과물을 직접적으로 연결해 주는 상류 단계의 관점을 제공합니다.

5. Exensio는 분석 준비가 완료된 FDC 데이터를 활용하여 수확량 변동의 근본 원인을 파악하는 데 어떻게 도움이 될 수 있습니까?

Exensio Yield Aware FDC는 엔지니어들이 FDC 지표를 단순한 모니터링 용도로만 사용하는 것이 아니라 수율 및 파라미터 분석의 데이터 소스로도 활용할 수 있도록 함으로써 , 기존 FDC 시스템의 가치를 한층 높여줍니다. Exensio Process Control에서 생성된 지표는 체계적이고 추적 가능하며 즉시 분석에 활용할 수 있어, 장비의 작동 상태를 전기적 테스트, 인라인 계측 또는 결함 데이터와 같은 후속 공정 결과와 손쉽게 연관 지을 수 있습니다.

한 고객사의 사례에서 엔지니어들은 FDC 지표와 전기적 테스트 결과를 결합하여 여러 매개변수 간의 상관관계를 분석했습니다. 그 결과, 트랜지스터 누설 전류와 특정 스페이서 에칭 공정 단계에서 도출된 반사 전력 지표 사이에 강한 상관관계가 즉시 드러났습니다. 이로 인해 공정 흐름 전반을 광범위하게 조사하는 대신, 단 몇 시간 만에 조사 범위를 단일 장비 신호와 공정 모듈로 좁힐 수 있었습니다.

그림 3. 스페이서 에칭 반사 전력과 트랜지스터 누설 전류 간의 상관관계 예시.

상관관계가 확인되자 엔지니어들은 Exensio의 통합 워크플로를 활용해 반사 전력 지표에 대한 시간 경과 추세 분석을 수행했습니다. 분석 결과, 정기 예방 정비(PM) 작업 직후부터 지표가 뚜렷하게 상승하는 추세가 나타났습니다. 이후 엔지니어들은 지표 추세에서 직접 원시 FDC 도구 트레이스로 세부 정보를 확인하며, 정비 전후의 센서 동작을 비교 분석했습니다.

원시 트레이스를 분석한 결과, 반사 전력 신호의 스파이크 영역과 정상 상태 영역이 모두 상향 이동한 것으로 나타났으며, 이는 무작위 노이즈가 아닌 체계적인 공정 변화를 시사하는 것이었다. 해당 지표는 물리적으로 의미가 있었고 공정 단계와도 잘 부합했기 때문에, 엔지니어들은 신호의 거동을 해석하고 예방 정비(PM) 과정에서 발생한 챔버 또는 플라즈마 조건의 변화에 대해 구체적인 가설을 세울 수 있었다.

이러한 통찰력을 바탕으로 관련 센서의 SPC 사양을 강화하고, 유지보수 절차를 수정하며, 시운전 주기를 추가하고, 챔버를 생산 라인에 복귀시키기 전에 FDC 신호의 안정성을 명확히 검증하는 등 목표 지향적인 시정 조치를 취할 수 있었습니다. 무엇보다 중요한 점은 이러한 조치들이 시행착오가 아닌 데이터에 기반해 이루어졌다는 것입니다.

그림 4. Exensio에서 시계열 변화 및 원시 센서 트레이스 추출 예시

개별 사례를 넘어, Exensio는 PDF Solutions가 수많은 고객 프로젝트를 수행하며 쌓아온 경험을 바탕으로 개발된 내장형 분석 템플릿을 제공합니다. 이 템플릿들은 챔버 일치 분석, 드리프트 감지, 편차 스크리닝과 같은 일반적인 조사 패턴을 반영하고 있어, 엔지니어들이 최소한의 설정만으로 검증된 방법론을 적용할 수 있게 해줍니다.

마지막으로, 새로운 템플릿이 정의되면 엔지니어들은 단 한 번의 클릭만으로 동일한 분석을 새로운 데이터에 다시 적용할 수 있어, 시간이 지남에 따라 공구와 모듈의 동작을 지속적으로 모니터링할 수 있습니다. 이를 통해 FDC 분석은 일회성 작업에서 벗어나 , 일상적인 수율 엔지니어링 업무에 자연스럽게 통합되는 반복 가능하고 확장성 있는 워크플로로 거듭납니다.

그림 5. 향후 추가될 데이터를 위한 Exensio 재사용 가능 템플릿

6. 수율 관리에서 FDC와 인라인 측정은 어떻게 상호 보완적인 역할을 하는가?

인라인 측정은 여전히 반도체 제조의 핵심 축을 이루고 있습니다. 광학 계측, CD-SEM, 오버레이 측정, 박막 두께 모니터링과 같은 기술은 공정 결과가 설계 의도에 부합하는지 여부에 대한 필수적인 피드백을 제공합니다. 이러한 측정 기술은 공정 개발, 검증 및 생산 모니터링에 없어서는 안 될 요소입니다.

동시에, 인라인 측정에는 본질적인 한계가 존재하며, 특히 소자 구조가 미세화되고 복잡해질수록 이러한 한계가 두드러집니다. 모든 인라인 측정은 조명 설정, 광학 모델, 피팅 알고리즘, 그리고 측정 대상 구조에 대한 가정 등을 포함하는, 사람이 정의한 측정 레시피에 의존합니다. 이러한 레시피는 신중하게 최적화되기는 하지만, 필연적으로 매우 복잡한 물리적 시스템을 단순화한 관점을 반영할 수밖에 없습니다.

공정 조건이 변화하더라도, 기본 공정 특성이 변하는 경우에도 인라인 측정 결과는 안정적으로 유지될 수 있습니다. 이러한 경우, 측정값은 레시피가 민감하게 반응하는 요소를 반영할 뿐, 장치나 재료 스택에서 발생하는 모든 변화를 반드시 반영하는 것은 아닙니다.

첨단 공정 노드에서는 이러한 문제가 더욱 두드러집니다. 매몰 인터페이스나 GAA 아키텍처의 능동 소자 영역과 같이 수율에 결정적인 영향을 미치는 많은 구조들은 광학적으로 접근하기 어렵습니다. 따라서 인라인 측정에서는 궁극적으로 전기적 성능을 좌우하는 구조들을 직접 관찰하기보다는 간접적인 지표에 의존할 수밖에 없습니다. 또한 응력, 조성, 저항률, 인터페이스 품질 등 수율에 큰 영향을 미치는 많은 재료 특성은 제품 웨이퍼에서 충분한 해상도로 직접 측정할 수 없습니다.

FDC 툴 트레이스 데이터는 웨이퍼가 처리되는 매 단계마다 장비 내부의 실제 공정 조건을 포착함으로써 이러한 한계점을 해소합니다. 압력, 온도, 가스 공급량, RF 특성, 타이밍, 챔버 상태와 같은 신호들은 중요한 구조물을 직접 측정할 수 없는 경우에도 소자가 형성되는 공정 환경을 지속적으로 파악할 수 있게 해줍니다.

인라인 측정은 공정 결과에 대한 필수적인 피드백을 제공하지만, 항상 수율이나 전기적 테스트 결과와 밀접한 상관관계를 보이는 것은 아닙니다. 수율을 제한하는 특정 요인들은 표준 인라인 측정으로는 직접 관찰할 수 없는 공정 조건에 의해 좌우됩니다.

이러한 경우, FDC 툴 추적 데이터는 장비 내부의 본질적인 공정 환경을 반영함으로써 수율 및 전기적 테스트 결과와 더 명확하고 강력한 상관관계를 보이는 경우가 많습니다. 이를 통해 엔지니어들은 수율 변동을 특정 툴, 챔버, 공정 단계 및 장비 동작까지 거슬러 올라가 추적할 수 있으며, 계측 데이터에만 의존할 경우 파악하기 어려웠을 근본 원인을 밝혀낼 수 있습니다.

7. AI 기반 분석에 있어 강력한 분석 준비형 FDC 데이터 플랫폼이 왜 필수적인가?

반도체 제조사들이 AI 기반 분석을 도입해 나가면서, 많은 곳에서 가장 큰 과제는 모델 선택이 아니라 데이터 준비 상태라는 사실을 깨닫고 있습니다. 제조 환경에서 AI의 성공 여부는 무엇보다도 입력 데이터의 품질, 구조, 일관성에 달려 있습니다.

AI 모델은 원시 FDC 도구 트레이스 데이터만으로는 효과적으로 학습할 수 없습니다. AI 모델은 다양한 도구, 챔버 및 시간에 걸쳐 공정 거동을 일관되게 나타내는 , 명확하게 정의되고 물리적으로 의미 있는 지표에 의존합니다. 지표가 제대로 정의되지 않았거나 공정 단계와 일치하지 않거나 장비 간에 일관성이 없다면, 아무리 정교한 모델이라도 불안정하거나 해석할 수 없는 결과를 산출하게 됩니다.

이것이 바로 지표의 품질이 모델의 복잡성보다 더 중요한 이유입니다. AI가 실제 운영 환경에서 신뢰를 얻으려면 지표는 다음 요건을 충족해야 합니다:

• 잡음이나 인공적인 현상이 아닌 실제 프로세스의 동작을 반영해야 한다
• 명확하게 정의된, 프로세스를 고려한 시간 창을 기준으로 계산되어야 한다
• 도구, 챔버 및 레시피 버전에 관계없이 일관되고 비교 가능한 상태를 유지해야 합니다
• 엔지니어가 해석할 수 있도록 하여 검증 및 근본 원인 분석을 가능하게 함

Exensio Process Control은 단순한 경보 발생을 넘어 분석을 주된 목표로 설계되었습니다. 이 솔루션은 고급 분석 및 AI 애플리케이션에 적합한 FDC 지표를 정의, 관리 및 검증하기 위한 체계적인 프레임워크를 제공합니다. 공정 인식 지표 정의, 도구 간 일관성, 센서 우선순위 지정과 같은 기능을 통해 지표들이 안정적이고 신뢰할 수 있는 특징 공간을 형성하도록 보장합니다.

제조 데이터 소스 중에서도 FDC 툴 트레이스 데이터는 적절하게 구조화될 경우 AI에 특히 적합합니다:

• 이는 고밀도 데이터로, 주기적으로 표본을 추출하는 방식이 아니라 매 실행마다 수집됩니다
• 이는 공정 물리학과 직접적인 관련이 있습니다
• 여기에는 도구, 조리실, 레시피, 단계별 정보 등 다양한 내용이 포함되어 있습니다
• 초기 공정 변화에 민감하며, 수율에 미치는 영향이 나타나기 전에도 종종 반응합니다

중요한 점은, AI 도입을 위한 준비가 업무 흐름의 급격한 변화를 요구하지는 않는다는 것입니다. 이미 공정 이해를 바탕으로 지표를 정의하고, 일관된 FDC 데이터 수집을 유지하며, 추세와 상관관계를 분석하고, 수율 조사 시 FDC를 활용하는 팹들은 자연스럽게 AI와 첨단 공정 제어의 기반을 다지고 있는 셈입니다.

이러한 의미에서 AI는 훌륭한 FDC 관행을 대체하는 것이 아니라, 이를 확장하는 수단입니다. FDC 지표 관리의 질과 체계가 개선될수록 AI의 가치는 더욱 커집니다.

참고문헌:

Exensio 공정 제어 솔루션

프로세스 제어의 새로운 소식

차세대 EES/FDC

공정 제어를 위한 AI 애플리케이션의 진화

공정 제어에서의 AI 진화: 기본 SPC에서 에이전트형 AI 시스템까지