AI Roadmap

장비가 스스로 남긴 데이터로, 장비를 개선합니다

ZAFS 는 이미 웨이퍼 한 장마다 원시 스캔 파형과 정렬 진단값, 동작 이력을 남깁니다. 지금까지 이 기록은 문제가 생긴 뒤에 사람이 열어 보는 자료였습니다. 앞으로는 문제가 생기기 전에 읽어 내는 재료로 씁니다.

물리로 설명되는 것은 물리에 맡기고,
남은 것만 데이터에 맡긴다.

What we already have

시작점은 알고리즘이 아니라 데이터입니다

AI 를 장비에 붙이는 일에서 가장 흔한 실패는, 학습할 데이터가 없는 상태에서 모델부터 고르는 것입니다. 자이랩은 반대 순서로 왔습니다.

Raw data

웨이퍼 한 장의 전부

보정 후의 결과값만이 아니라, 상·하 센서의 원시 스캔 파형과 위치 데이터를 함께 보관합니다. 나중에 다른 방식으로 다시 계산해 볼 수 있습니다.

Diagnostics

정렬 진단 스냅샷

정렬이 성공했든 실패했든, 그때의 가장자리 신호와 추정 중간값을 함께 남깁니다. 실패 사례를 사후에 그대로 재현해 원인을 좁힐 수 있습니다.

Physics + Sim

물리 모델과 시뮬레이터

중력 처짐·스테이지 기준면 같은 물리 모델이 이미 서 있고, 하드웨어 없이 전 공정을 돌리는 시뮬레이션 계층이 있습니다. 학습 결과를 실장비에 올리기 전에 검증할 자리가 있다는 뜻입니다.

Four stages

적용 로드맵

쉬운 것부터가 아니라, 검증할 수 있는 것부터 갑니다. 각 단계는 앞 단계가 만든 데이터와 신뢰를 전제로 합니다.

STAGE 1

정지를 예고한다 — 이상 예지

정렬 실패나 반송 정지는 갑자기 오지 않습니다. 실패에 이르기 전 수십 분 동안 선행 지표가 먼저 흔들립니다. 이미 자이랩은 정렬 실패 사례를 사후 분석해 실패보다 앞서 움직이는 지표가 존재한다는 것을 확인했습니다. 이 지표들을 학습해 임계를 사람이 아니라 데이터가 정하게 합니다.

얻는 것: 비계획 정지를 계획 정지로 바꿉니다. 라인이 멈추는 시점을 고객이 고를 수 있게 되는 것이 가동률 숫자보다 중요합니다.
STAGE 2

물리 모델에 학습을 얹는다 — 하이브리드 보정

중력 처짐과 스테이지 기준면은 물리식으로 설명됩니다. 그러나 실제 장비에는 물리식이 다 설명하지 못하는 잔차가 남습니다 — 조립 공차, 온도, 장기 드리프트 같은 것들입니다. 물리 모델이 설명하고 남긴 잔차만 학습 모델이 맡습니다.

얻는 것: 학습 데이터가 적어도 무너지지 않고, 학습 범위 밖의 조건에서도 물리 항이 값을 붙잡아 줍니다. 장비 간 편차와 장기 드리프트가 줄어듭니다.
STAGE 3

파라미터를 장비가 스스로 찾는다

스캔 속도와 가감속, 정렬 창의 폭, 샘플링 구간, 대기 시간 — 장비의 성능을 좌우하는 파라미터는 수십 개이고, 지금은 사람이 경험으로 정합니다. 실측 TACT 와 산포를 목적함수로 두고 시뮬레이터 위에서 자동 탐색한 뒤, 실장비에서 확인합니다.

얻는 것: 하드웨어를 바꾸지 않고 처리량과 재현성을 함께 올립니다. 장비마다 다른 최적점을 장비 자신이 찾습니다.
STAGE 4

개발 공정 자체를 바꾼다

요구사항에서 코드로, 코드에서 회귀 검증으로, 검증에서 문서로 이어지는 개발 공정에 AI 보조를 넣습니다. 시뮬레이터 위에서 자동 회귀를 수백 회 돌려, 실장비에 올라가는 코드가 이미 검증을 통과한 상태가 되게 합니다.

얻는 것: 릴리스 주기가 짧아지고 회귀 결함이 줄어듭니다. 고객의 요구 사항이 장비에 반영되기까지의 시간이 짧아집니다.

Expected quality gain

제품 품질은 어디서 좋아지는가

아래는 각 단계가 실제로 바꾸는 지점입니다. 숫자로 약속하는 대신, 무엇이 어떻게 달라지는지를 적습니다.

항목	지금	AI 적용 뒤
비계획 정지	정렬·반송 실패가 난 뒤에 대응	선행 지표로 앞서 알리고 계획 정지로 전환
장비 간 편차	마스터 캘리브레이션과 툴 매칭으로 규격 안에서 관리	잔차 학습으로 편차를 더 줄이고 장기 드리프트를 자동 추종
측정 재현성	이상적 조건에서 표준편차 0.002 ~ 0.003 µm	외란 조건별 보정으로 실제 생산 조건에서의 산포를 축소
Throughput	55 sec/wafer — 사람이 정한 고정 파라미터	장비별 자동 탐색으로 동일 하드웨어에서 여유를 회수
이상 검출	규격을 벗어난 웨이퍼를 Reject	규격 안이지만 평소와 다른 패턴을 공정 이상 징후로 보고
소프트웨어 품질	실장비에서 사람이 확인	시뮬레이터 위 자동 회귀로 릴리스 전에 걸러냄

Principles

계측 장비에 AI 를 넣을 때 지키는 세 가지

01

물리를 대체하지 않는다

설명되는 부분까지 학습에 맡기면, 데이터가 없는 조건에서 값이 무너집니다. 학습은 물리가 설명하지 못한 잔차에만 씁니다.

02

근거 없는 판정은 내보내지 않는다

계측 장비의 판정은 고객의 웨이퍼를 버리는 판정입니다. 왜 그렇게 판정했는지 데이터로 되짚을 수 없는 결과는 출력하지 않습니다.

03

장비에서 배우고 장비에서 검증한다

학습도 검증도 실제 장비가 만든 데이터로 합니다. 시뮬레이터에서 먼저 돌리고, 실장비에서 확인한 뒤에 기본값으로 올립니다.