이 블로그는 원래 cimetrix.com에 게시되었습니다.
본 시리즈의 네 번째 글인 '고장 감지 및 분류'에서는 지금까지 업계 전반에 걸쳐 EDA(장비 데이터 수집) 표준 채택의 주요 동력이 되어 온 응용 분야, 즉 고장 감지 및 분류(FDC)를 중점적으로 다루었습니다. 이번 글에서는 EDA 표준의 기능을 효과적으로 활용하는 또 다른 중요한 응용 분야인 '플릿 매칭 및 관리'에 대해 논의하겠습니다.
문제 진술
플릿 매칭(챔버 및 툴 매칭도 포함)이 해결하는 문제는 현대 웨이퍼 팹을 운영하는 실시간 스케줄링 및 디스패칭 시스템에 의한 로트 스케줄링 유연성을 극대화하기 위해 유사한 장비 유형의 대규모 세트를 동일한 작동 지점에서 유지하는 것입니다. 이는 특정 제품, 공정 또는 레시피의 핵심 레이어에 전용(따라서 예약)되는 장비 인스턴스가 발생하여 해당 공정 영역의 유효 용량을 감소시킬 수 있는 상황을 방지합니다. 이러한 상황은 장비가 시간이 지남에 따라 자연스럽게 "편차"를 보이기 때문에 발생할 수 있으며, 특히 장비에 수동 조정이 이루어지거나 기타 요인(유지보수 작업, 소모품 변경, 주요 하위 시스템 교체 등)이 장비의 작동 범위에 영향을 미칠 때 더욱 두드러집니다.
물론 문제의 일부는 소위 '골든 툴'에 맞춰야 할 장비를 선택하는 데 있다. 또한 팹의 제품/공정 조합의 폭에 따라 선택할 대상이 여러 개일 수 있어 작업이 더욱 복잡해진다.
솔루션 구성 요소
오늘날의 복잡한 제조 문제들에 대한 해결책은 대량의 고품질 장비 데이터를 필요로 하며, 플릿 매칭도 예외는 아닙니다. FDC와 마찬가지로 최적의 도구(들)을 선택하는 데에도 최근 어느 로트가 가장 높은 수율을 보였는지에 대한 정보가 필요하며, 이는 공정 전반에 걸쳐 사용된 장비와 반드시 연관되어야 합니다. 그러나 FDC와 달리, 다양한 컨텍스트 조합에 특화된 수백(심지어 수천) 개의 다변량 결함 모델을 구축할 필요는 없습니다. 챔버/공구/플릿 매칭의 근본 원리는 "한 세트의 장비에 대한 모든 기본 작동 메커니즘이 일관되게 작동한다면, 장비의 집합적 행동 역시 마찬가지로 일관되어야 한다"는 점이기 때문입니다. 이는 매칭 과정이 레시피에 크게 의존하지 않아도 된다는 것을 의미하며, 이는 다른 통계 기반 애플리케이션에 비해 크게 단순화된 방식입니다.
이것은 처음 보기에 생각보다 간단하지 않습니다. 복잡한 장비에는 수십 개의 메커니즘(압력/유량 제어, 다중 구역 온도 제어, 모션 제어, 전력/위상 생성 등)이 존재할 수 있으며, 장비 동작을 정확히 특성화하고 모니터링하기 위해서는 수천 개의 매개변수를 수집해야 하기 때문입니다. 또한 정적 및 동적 장비 구성 정보도 고려 대상이 됩니다. 특정 공정에서는 유사하지만(동일하지는 않은) 도구를 상호 교환할 수 있기 때문입니다.
여기서 EDA 표준이 등장합니다.
EDA 표준 활용
SEMI EDA 표준에서 명시적으로 요구하지는 않지만, 설계자들의 의도와 기대는 대부분의 SECS/GEM 구현에서 실용적인 수준을 훨씬 뛰어넘는(즉, "더 상세한") 장비 메타데이터 모델을 지원하는 것이었습니다. 장비 군(fleet) 매칭 및 관리 측면에서 이는 주요 장비 메커니즘(상기 목록 참조)에 대한 상위 수준 상태 변수뿐만 아니라, 설정값(setpoints), 내부 제어 매개변수 및 해당 하위 구성 요소의 상세 상태까지 포함해야 합니다.
메타데이터 모델은 또한 공구 작동을 제어하는 장비 상수 전체 세트를 포함해야 합니다. 이러한 "상수"는 가동 중 작업자가 허용 범위 내에서 "즉석에서" 변경하는 경우가 있기 때문입니다. 이는 허용 가능한 생산 관행일 수 있으나, 그럼에도 공구의 작동 범위에 영향을 미치므로 매칭 알고리즘에서 반드시 고려되어야 합니다.
또한 통신 인터페이스는 이러한 상세 매개변수의 샘플링 및 데이터 수집을 지원해야 하며, 해당 메커니즘의 완전한 실시간 작동을 관찰할 수 있을 만큼 충분한 주파수로 수행되어야 합니다. 이를 통해 공정 및 장비 엔지니어들은 장비가 실제로 어떻게 작동하는지 더 깊이 이해할 수 있습니다. 이러한 수준의 장비 가시성 지원은 EDA 표준의 명시된 요구사항이기도 했습니다.
이 데이터가 수집되면 다양한 분석 도구를 활용해 장비 매개변수 간의 유사성과 이상 현상을 탐색함으로써 일관된 공정 성능 달성에 가장 중요한 요인을 식별할 수 있습니다. 현재 다수의 기업들이 이 분야를 인공지능(AI) 및 머신러닝 기술의 이상적인 적용처로 주목하고 있습니다. 이 분야의 흥미로운 발전에 계속 주목해 주시기 바랍니다.
영향을 받는 핵심 성과 지표(KPI)
플릿 매칭 및 관리 애플리케이션이 가장 큰 영향을 미치는 KPI(핵심 성과 지표)는 전체 공장 사이클 타임입니다. 이는 스케줄링 시스템이 가용 장비를 최적화하여 팹 내 자재 이동을 가능하게 하기 때문입니다.
장비 가동률도 향상됩니다. 플릿 매칭의 핵심인 지속적인 장비 메커니즘 '지문 인식' 프로세스가 잠재적 문제를 전체 장비 고장 발생 전에 포착하기 때문입니다. 마지막으로, 실험용 배치 실행을 위해 전용 장비가 아닌 더 많은 장비 인스턴스를 활용할 수 있게 되면 신규 공정 수율 상승 기간도 단축될 수 있습니다.
현재 동일하다고 여겨지는 대규모 장비 세트를 일관되게 가동하는 데 어려움을 겪고 계시다면 저희에게 연락하십시오. 최신 제조 애플리케이션에서 점점 더 보편화되고 있는 머신러닝 알고리즘을 지원하기 위한 표준 기반 스마트 제조 데이터 수집 인프라 구축 방안을 이해하는 데 도움을 드릴 수 있습니다. 여기에는 플릿 매칭 및 관리도 포함됩니다.