• 목록

우리 연구실 논문인 "A framework for detecting unknown defect patterns on wafer bin maps using active learning"이 교내 홍보팀 채널인 Research Stories에 소개되었습니다.

해당 논문은 새로운 유형의 미지(未知) 결함을 효과적으로 분류하고 이를 다시 모델에 학습시키는 이른바 능동학습 프레임워크를 제안한 반도체 분야 내 state-of-the-art 연구입니다.

(Shin, J. S., Kim, M. J., & Lee, D. H. (2025). A framework for detecting unknown defect patterns on wafer bin maps using active learning. Expert Systems with Applications, 260, 125378)

아래는 교내 홍보 채널인 Research Stories에 소개된 내용 전문입니다.

[내용 전문]

Wafer Bin Map (WBM)은 반도체 제조 공정에서 전기적 테스트 결과를 통해 얻은 개별 반도체 칩들의 양품/불량 여부 및 불량 유형 정보 등을 시각화하여 보여주는 지도이다. 현대 반도체 제조 공정이 나노 단위로 미세화됨에 따라, WBM에서 관측되는 결함을 정확히 감지하고 그 원인을 신속하게 파악하는 것은 반도체의 수율 향상과 품질 관리에 있어 핵심적인 과제이다. 딥러닝 기술의 도입으로 결함 분류의 자동화가 시도되고 있으나, 기존의 지도 학습 기반 방법론들은 사전에 정의된 결함에 대해서만 작동한다는 한계가 존재한다. 이는 제품의 다양화나 공정의 미세화로 인해 발생하는 새로운 유형인 '미지(Unknown) 결함'을 탐지하지 못하거나 기존에 정의된 유형으로 오분류하는 문제를 야기하며, 새로운 결함을 학습시키기 위해서는 막대한 데이터 라벨링 비용과 모델 재학습 시간이 소요되는 비효율성을 초래한다. 이에 본 연구에서는 알려진 결함에 대한 높은 분류 성능을 유지하면서도, 미지 결함을 효과적으로 식별하고 지속적으로 학습할 수 있는 능동 학습(Active Learning) 기반의 통합 결함 탐지 프레임워크를 개발하였다.

개발된 방법은 크게 미지 결함 탐지와 분류 및 학습의 단계로 구성된다. 먼저, One-Class SVM(Support Vector Machine) 기반의 이상 탐지기를 통해 입력된 WBM이 기존에 학습된 정상적인 결함인지, 아니면 미지 결함인지를 1차적으로 판별한다. 기존 결함으로 식별된 경우, 분류 모델이 구체적인 결함을 정밀하게 분류한다. 반면, 미지 결함으로 분류된 WBM은 DBSCAN 알고리즘을 활용하여 유사한 특성을 가진 그룹으로 군집화(Clustering)된다. 이렇게 군집화된 데이터는 공정 엔지니어의 최소한의 개입만으로 효율적인 라벨링이 가능하며, 능동 학습 기법을 통해 분류기는 실시간으로 새로운 결함 정보를 업데이트하게 된다. 이 과정을 통해 모델은 끊임없이 변화하는 공정 환경에 적응하여 스스로 성능을 유지·발전시킨다.

전세계 WBM 연구자에게 가장 널리 활용되는 open dataset인 WM-811K를 활용한 실험 결과, 개발된 모델은 기존 결함에 대해 우수한 분류 정확도를 유지함과 동시에 미지 결함을 효과적으로 걸러냈다. 나아가 저자가 소속된 삼성전자 반도체 양산 라인에서 수집된, 기존 데이터셋에는 존재하지 않는 'Eye Defect Pattern'을 대상으로 한 현장 검증에서도 성공적으로 미지 결함을 탐지하고 학습하여 실제 산업 현장에서의 적용 가능성과 효용성을 입증했다.

본 연구는 인공지능 모델이 반도체 공정의 지능형 결함 관리 시스템 구축에 실질적으로 기여할 수 있는 방법론을 제시했다는 점에서 의의가 있으며, 해당 연구 성과는 산업공학 분야의 저명 저널인 Expert Systems with Applications (IF: 7.5, 2024 JCR 상위 6%)에 게재되었다.