알고리즘 기반 제안이 사용자의 반도체 장비 인터락 분류에 미치는 영향

Abstract

반도체 제조 공정에서 발생되는 데이터는 지속적으로 증가하고 있으며, 이를 활용하기 위한 연구들이 진행되고 있다. 제조 장비의 이상 발생을 나타내는 FDC 인터락은 엔지니어의 판단과 조치에 따라 실제 장비 이상인 진성과 기타 원인에 의해 발생하는 가성으로 분류되어 처리되고 있다. 진성으로 판단되는 경우 장비의 문제를 확인해야 하므로 생산의 효율이 저하되고 사람의 업무가 늘어나게 되지만 실제 장비의 이상이 발생한 경우에 생산되는 제품의 품질 위험을 줄일 수 있고, 가성으로 판단되는 경우 단순 조치나 확인으로 처리를 끝낼 수 있지만 실제 장비 이상 발생시 생산되는 제품의 품질이 위험에 노출되게 된다. 이러한 품질 위험을 줄이기 위하여 장비의 정상 여부를 대변하는 매개 변수들에 대한 관리가 강화되고 있고, 그에 따라 FDC 인터락 발생이 늘어나고 있지만 실제 장비 이상이 아닌 가성의 비율이 전체의 86%에 달하고 있다. 모든 인터락은 엔지니어의 판단을 거쳐서 처리되어야 하는데, 이를 정확히 판단할 수 있는 경험적 지식을 가진 전문가의 수는 한정되어 있고, 비숙련자의 경우 진성을 가성으로 오판하는 경우에 발생되는 품질 위험을 최소화하기 위하여 가성을 진성으로 오판하면서 발생되는 인력 손실을 감수하는 방향으로 결정을 내리는 경우가 많다. 결국 품질을 위하여 사람이 힘든 방향으로의 업무가 이루어지게 되므로 FDC 인터락 분류에 있어서 데이터와 알고리즘을 이용하여 사람에게 도움을 주고, 또 생산 효율 향상과 품질 위험 감소에도 기여할 수 있는 연구가 필요하다. 제조 현장에서 전문가에 의해 처리된 FDC 인터락 분류 및 조치 결과 데이터를 수집하고 완전 연결 신경망을 이용하여 알고리즘 기반 예측 모델을 생성하였다. 효과 파악을 위하여 실제 현장 엔지니어 78 명에게 인터락 내용과 알고리즘의 제안 결과를 보여주면서 FDC 인터락 분류에 도움이 되는지를 실험하였다. 그 결과 전문가의 경험적 지식을 활용한 알고리즘 기반 제안이 비숙련자들의 FDC 분류 업무에 유의미한 영향을 주는 것을 알 수 있었고, 동시에 품질 위험과 인력의 손실 모두를 줄일 수 있는 방향으로의 도움이 되는 것을 검증하였다. 이를 통해 반도체 제조에서도 전문가의 경험적 지식과 학습 알고리즘을 이용한 데이터 활용이 업무와의 상호작용을 통하여 사람에게 도움을 줄 있도록 사용될 수 있음을 확인 할 수 있었다.

Data generated in the semiconductor manufacturing process is continuously increasing, and researches to utilize the data are being conducted. The FDC interlock, which indicates an abnormality in the manufacturing equipment, is classified according to the engineer's judgment. This is classified as True caused by the actual equipment malfunctions and False caused by other causes. If it is judged to be True, it is necessary to check the problem of the equipment, so that the efficiency of production is reduced and the work of man is increased. But in case of actual equipment malfunctions, the quality risk of the product can be reduced. If it is judged to be False, processing can be terminated by simple checks, but the quality of the product will be at risk if the actual equipment malfunctions. In order to reduce such quality risks, the management of parameters representing the normality of equipment is being strengthened. As a result, the occurrence of FDC interlock is increasing, but the percentage of False, which is not actual equipment malfunctions, accounts for 86% of the total. All interlocks must be dealt with by the engineer, and the number of experts with empirical knowledge to accurately determine this is limited. Unskilled people often make decisions to bear the loss of manpower caused by false negatives in order to minimize the quality risks of false positives. In the end, the work is done in a difficult direction for quality. So, research is needed to help people by using data and algorithms in FDC interlock classification, and to contribute to the improvement of production efficiency and the reduction of quality risk. Classification and action results processed by experts at the manufacturing site were collected and algorithm-based predictive models were generated using fully connected neural networks. In order to grasp the effect, 78 field engineers showed the interlock contents and the proposed algorithmic suggestion and tested whether it would be helpful to classify FDC interlock. As a result, it was found that the algorithmic suggestion using the expert's empirical knowledge had a significant influence on the unskilled FDC classification task, and at the same time, it proved to be helpful in reducing both the quality risk and the loss of manpower. Through this, it could be confirmed that in semiconductor manufacturing, data utilization using expert's empirical knowledge and learning algorithm, through interaction with human tasks can be used to help engineers.