결함 자동 분류(ADC)Automatic Defect Classification
검사 장비가 찾은 결함의 광학 · SEM 재검토 영상을 모델이 보고 파티클 · 잔류물 · 브리지 같은 종류 코드를 붙이며, 확신이 낮은 영상은 사람 재검토로 넘기는 분류 단계다.
1요약
- 결함 자동 분류(ADC)는 결함 검사가 남긴 좌표를 리뷰 SEM 이 확대 촬영한 뒤 그 영상에 종류 코드를 붙이는 단계이고, 그 코드 위에서 종류별 결함 수 추이 · 치명 결함 밀도 · 원인 장비 대조가 돈다(IRDS 2024 1절).
- 사람이 종류를 붙이면 검토자마다 기준이 다르고 하루 영상 수를 따라가지 못한다 — SEM 결함 분류 연구 38편 가운데 CNN 18편은 모두 2017년 뒤에 나왔고, 데이터는 2,077장에서 121,854장까지 커졌다(Lechien 2023 IV.G).
- 「ADC 를 믿어도 되나」는 전체 정확도가 아니라 방해 결함 종류의 순도로 가른다 — 그 종류에 실제 결함이 섞이면 버려지고, 재검토 비율이 갑자기 늘면 새 결함 종류나 촬상 조건 변화다.
2등장 배경
리뷰 SEM 앞의 검토자는 영상 한 장마다 종류 코드를 손으로 골랐고, 같은 영상에도 사람마다 다른 코드가 붙었다. 1994년 Bennett · Tobin · Gleason 은 손 분류의 한계를 짚고, 검출 · 리뷰 장비에 붙일 영상 분석 알고리즘이 ADC 의 열쇠라고 정리했다(Bennett 1994).
초기 ADC 는 밝기 · 모양 규칙과 특징 값을 kNN · SVM 같은 기계 학습에 넣는 방식이었다(Lechien 2023 IV장). 2019년 Cheon 외는 특징 추출 없이 CNN 하나로 SEM 결함을 나누고, CNN 특징이 알려진 종류와 멀면 처음 보는 종류로 표시했다(Cheon 2019).
지금은 사전 학습 · 증강을 쓴 CNN 이 주력이다(CNN 18편 중 16편 · Lechien 2023 IV장). 새 종류가 나올 때마다 사람이 레이블을 붙여 다시 학습해야 하는 부담이 남은 과제다(Lechien 2023 IV.H).
3쉽게 이해하기 — 택배 분류장의 구역 나누기
택배 분류장의 분류원 하나는 컨베이어로 오는 상자의 송장을 읽고 서울 · 부산 · 대전 구역에 밀어 넣는다. 송장이 흐리거나 처음 보는 지역 코드가 적힌 상자는 옆 탁자의 선임에게 넘긴다. 저녁에 집계판을 보니 대전 구역만 평소보다 두 배라, 대전행 상자를 가장 많이 보낸 발송처에 전화를 건다.
그림 1 · 분류원은 송장을 읽어 구역에 넣고 자신 없는 상자만 선임에게 넘기며, 구역별 집계가 튀면 발송처를 찾는다.
그림 2 · 서울행 상자를 따라가 세면 90%, 서울 구역을 열어 세면 75% — 같은 분류도 무엇을 기준으로 세느냐에 따라 숫자가 다르다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 컨베이어의 상자 | 리뷰 영상 | 검사 좌표에서 찍은 광학 · SEM 영상 한 장 |
| 송장 읽는 분류원 | 분류 모델 | 영상 특징으로 종류와 확신도를 낸다 |
| 지역별 구역 | 종류 코드 | 파티클 · 잔류물 · 브리지 · 긁힘 · 방해 결함 |
| 선임 탁자 | 사람 재검토 | 확신도가 기준 아래인 영상을 사람이 분류 |
| 선임이 적은 주소록 | 학습 레이블 | 재검토 결과를 다음 학습 데이터에 더함 |
| 구역을 열어 세기 | 순도 · 정확도 | 붙인 종류 기준 · 실제 종류 기준 맞힌 비율 |
| 저녁 집계판 | 종류별 결함 수 추이 | 수율 관리 화면의 종류별 막대 |
| 발송처 전화 | 원인 공정 · 장비 찾기 | 튀는 종류가 거친 장비 이력 대조 |
⚠ 비유가 맞지 않는 곳: 송장에는 지역이 글자로 적혀 있지만 결함 영상에는 정답이 적혀 있지 않아, 「정답」 자체가 사람 레이블이고 검토자끼리도 갈린다. 또 방해 결함은 실제 결함이 없는 영상이라, 그 구역에 잘못 든 상자는 배달이 늦는 정도가 아니라 버려진다.
4구조 · 동작 — 식각 뒤 리뷰 영상 500장 분류
ADC 는 리뷰 영상 → 분류 모델 → 확신도 판정 → 자동 분류 또는 사람 재검토 → 수율 관리로 이어진다. 정확도는 실제 종류(행) 기준, 순도는 붙인 종류(열) 기준으로 맞힌 비율이다(US 11,037,286). 아래 장수 · 비율은 모두 설명용 가정 값이고, 비율은 원문 식으로 직접 계산했다.
- 식각 뒤 검사가 남긴 좌표에서 리뷰 SEM 이 결함 500개를 찍는다.
- 분류 모델은 사람 레이블 6,000장으로 미세 조정한 CNN 이다 — 파티클 2,400 · 긁힘 400 으로 6배 불균형이라 긁힘 · 브리지를 회전 · 뒤집기로 늘렸다(Lechien 2023 IV장 · Chawla 2002).
- 모델이 종류와 확신도를 내고, 확신도 0.8 미만 85장(17%)은 사람 재검토로 간다 — 학습에 없던 막 들뜸 10장 중 9장이 여기에 든다(Cheon 2019 특징 거리).
- 자동 분류 415장 중 382장이 맞아 전체 92.0% 다.
- 행으로 세면 방해 결함 정확도 43 ÷ 50 = 86.0%, 열로 세면 방해 결함 순도 43 ÷ 51 = 84.3% 다 — 실제 결함 8장이 방해로 버려졌다(그림 4).
- 브리지 순도 47 ÷ 50 = 94.0% 를 근거로 브리지 수를 치명 결함 밀도에 넣고, 재검토 레이블 85장은 다음 학습에 더한다.
그림 3 · 확신도 기준 하나가 영상을 자동 분류와 사람 재검토로 나누고, 사람 레이블이 다시 학습 데이터로 돌아간다.
그림 4 · 전체 92.0% 안에서 방해 결함 순도만 84.3% 로 낮다 — 이 열에 든 실제 결함 8장은 수율 관리에서 사라진다.
🔑 정확도는 «실제 결함이 제 종류로 붙었는가»를, 순도는 «붙인 종류를 믿어도 되는가»를 묻는다 — 수율 관리는 종류 코드를 받아 쓰므로, 버리는 종류(방해 결함)와 치명 종류(브리지)의 순도가 먼저다.
확신도 기준을 올리면 순도는 오르고 사람 재검토가 늘어난다(Chow 1970 · US 8,315,453). 기준은 «재검토 인력이 감당하는 비율 안에서 치명 종류 순도가 목표를 넘는 값»으로 잡는다.
5비교 — ADC 와 웨이퍼 맵 모양 분류
| 기준 | ADC | 웨이퍼 맵 모양 분류 |
|---|---|---|
| 입력 | 결함 좌표 하나의 리뷰 SEM 영상 | 웨이퍼 한 장의 다이 양품 · 불량 배치 |
| 결과가 나오는 때 | 공정 단계 사이 검사 · 리뷰 직후(사례 = 식각 뒤) | 팹 공정을 마친 뒤 웨이퍼 테스트에서 다이마다 판정한 뒤 |
| 붙이는 이름 | 결함 종류(파티클 · 긁힘 · 브리지 · 방해 결함) | 분포 모양 8가지(중심 · 도넛 · 가장자리 고리 · 긁힘 등 · Bao 2024) |
| 학습 자료 · 모델 | 사람 레이블 6,000장 · 미세 조정 CNN + 회전 · 뒤집기 증강(사례) | 공개 맵 811,457장 중 레이블 172,950장 · CNN + 오토인코더 증강 정확도 98.56%(Bao 2024) |
| 종류 불균형 | 파티클 2,400 ÷ 긁힘 400 = 6배(사례) | 가장자리 고리 9,680 ÷ 거의 전면 149 ≈ 65배 · 불량 맵 25,519장(Bao 2024) |
| 좁히는 원인 | 결함을 만든 물질 · 공정 단계 | 웨이퍼 위 자리(가장자리 · 중심)에 따라 달라진 공정 조건 |
분석공정 도중에 종류별 결함 수와 치명 결함 밀도를 바로 잡아야 하면 ADC 를, 다 만든 웨이퍼의 불량이 어디에 모였는지로 원인 공정을 좁힐 때는 맵 분류를 쓰고, 두 결과를 장비 이력 대조에 함께 넣는다. 근거는 표의 「결과가 나오는 때」 · 「입력」 행 — ADC 는 공정 단계 사이에서 결함 하나를, 맵 분류는 공정이 끝난 뒤 웨이퍼 전체의 배치를 본다.
6실무 진단 — 입력 · 학습 · 판정 가르기
분석재검토 비율 → 방해 결함 순도 → 종류별 정확도 순으로 본다. 재검토 비율이 움직이면 입력이 바뀐 것이라 판정 기준을 고쳐도 소용없고(Cheon 2019), 순도는 버려지는 실제 결함을 직접 보여 주기 때문이다(사례 84.3%).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 재검토 비율이 평소 17% 에서 급증 | 새 결함 종류 · 리뷰 SEM 촬상 조건 변화 | 입력 | 재검토 영상의 사람 레이블 분포 · 기준 시료 영상 | 「미분류」가 몰리면 새 종류로 레이블 추가(Cheon 2019 · Lechien 2023 IV.H) |
| 2 | 결함 수와 수율이 따로 움직임 | 방해 결함 종류에 실제 결함이 섞임 | 판정 | 방해 결함 종류 표본의 사람 재확인 | 순도가 목표 아래면 그 종류의 확신도 기준을 올림(US 11,037,286) |
| 3 | 드문 종류(긁힘 · 브리지)만 자주 틀림 | 학습 데이터 불균형 | 학습 | 종류별 학습 장수 · 종류별 정확도 | 적은 종류가 많이 틀리면 증강 · 합성 소수 표본(Chawla 2002) |
7시험 대비
시험에서는 ADC 의 정의와 정확도 · 순도 · 재검토 비율을 묻는 정의 · 특징형, 그리고 규칙 → 기계 학습 → CNN · 새 종류 탐지로 넘어온 흐름을 묻는 동향 · 발전형이 나올 수 있다. 혼동 행렬 하나로 정확도와 순도를 따로 계산해 보이면 정의 수준을 넘는다.
- 개요 — 정의(리뷰 영상에 종류 코드) · 손 분류의 한계 · 결함 검사와 수율 관리 사이의 위치
- 구성 — 그림 3 흐름(리뷰 SEM → 분류 모델 → 확신도 → 자동 · 재검토 → 수율 관리 · 레이블 되먹임)
- 평가 지표 — 그림 4 혼동 행렬 · 정확도(행) · 순도(열) · 재검토 비율 계산
- 데이터 문제 — 레이블 품질 · 불균형 증강 · 새 결함 종류 탐지(특징 거리)
- 동향 — 규칙 · 특징 → kNN · SVM → CNN(38편 중 18편) · 비지도 결함 탐지와 겹쳐 쓰기
꼭 쓸 키워드
리뷰 SEM종류 코드혼동 행렬정확도순도재검토 비율방해 결함클래스 불균형새 결함 종류확신도 기준
다른 답안과 차이를 내는 한 가지는 같은 혼동 행렬에서 전체 92.0% 와 방해 결함 순도 84.3% 를 나란히 계산해, 버려지는 실제 결함 수로 순도의 뜻을 보이는 것이다.
8오해와 사실
- 오해전체 정확도가 92% 면 종류마다 92% 쯤 맞는다.사실사례의 종류별 순도는 긁힘 100% 에서 방해 결함 84.3% 까지 벌어졌다 — 전체 값은 많은 종류(파티클 178장)에 끌려간다.
- 오해확신도 기준은 높을수록 좋다.사실기준을 올리면 순도는 오르지만 거부되는 영상이 늘어 사람 재검토가 커지므로, 거부율 상한 안에서 순도를 맞춘다(US 8,315,453 · Chow 1970).
9핵심 정리
| 구분 | 맡는 일 | 세는 기준 | 사례 값 | 흔한 실패 |
|---|---|---|---|---|
| 리뷰 영상 | 분류 입력 | 검사 좌표 표본 | SEM 500장 | 촬상 조건 변화 |
| 학습 레이블 | 정답 · 학습 자료 | 종류별 장수 | 6,000장 · 6배 불균형 | 검토자마다 다른 레이블 |
| 분류 모델 | 종류 · 확신도 출력 | 특징 → 종류 | CNN · 증강 | 드문 종류 오분류 |
| 확신도 기준 | 자동 · 재검토 나눔 | 거부율 ↔ 순도 | 0.8 · 재검토 17% | 기준 과다 → 사람 부담 |
| 정확도 | 실제 종류대로 붙었나 | 혼동 행렬 행 | 방해 결함 86.0% | 전체 값만 봄 |
| 순도 | 붙인 종류를 믿을 수 있나 | 혼동 행렬 열 | 방해 결함 84.3% | 실제 결함이 버려짐 |
| 사람 재검토 | 새 종류 · 애매한 영상 | 재검토 비율 | 85장 · 막 들뜸 9장 | 레이블이 학습에 안 돌아감 |
10참고 문헌
- 먼저 볼 문헌
- ★ Automated Semiconductor Defect Inspection in Scanning Electron Microscope Images: a Systematic Review (arXiv 2308.08376) — SEM 결함 분류 연구 38편의 방법 · 데이터 크기 · 증강 · 새 결함 종류 문제를 한 편으로 볼 때
- ★ Convolutional Neural Network for Wafer Surface Defect Classification and the Detection of Unknown Defect Class (IEEE Transactions on Semiconductor Manufacturing 32(2) 163-170) — CNN 하나로 SEM 결함을 나누고 특징 거리로 처음 보는 종류를 가려내는 방법을 볼 때
- ★ US 8,315,453 Defect classification with optimized purity — 순도 · 거부율 정의와 확신도 기준이 둘을 맞바꾸는 방식을 볼 때
- ★ US 11,037,286 Method of classifying defects in a semiconductor specimen and system thereof — 혼동 행렬에서 종류별 정확도 · 순도를 세는 법과 UNK · CND 거부를 볼 때
- ★ Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network (Y.-Y. Bao 외) — 공개 웨이퍼 맵 자료(WM-811K)의 맵 수 · 레이블 수 · 불량 모양별 수를 볼 때
- 본문 근거
- Overview of automatic defect classification (Proceedings of the IEEE/SEMI 1994 Advanced Semiconductor Manufacturing Conference) — M. H. Bennett · K. W. Tobin · S. S. Gleason · IEEE/SEMI · 1994-11 ·
impact.ornl.gov/en/publications/overview-of-automatic-defect-classification/· 확인 2026-11-09 - On optimum recognition error and reject tradeoff (IEEE Transactions on Information Theory 16(1) 41-46) — C. K. Chow · IEEE · 1970-01 ·
doi.org/10.1109/TIT.1970.1054406· 확인 2026-11-09 - SMOTE: Synthetic Minority Over-sampling Technique (Journal of Artificial Intelligence Research 16 321-357) — N. V. Chawla 외 · JAIR · 2002-06 ·
arxiv.org/abs/1106.1813· 확인 2026-11-09 - International Roadmap for Devices and Systems 2024 Edition — Yield Enhancement — IEEE IRDS · 2025-07 ·
irds.ieee.org/images/files/pdf/2024/2024IRDS_YE.pdf· 확인 2026-11-09