모델 갱신(드리프트 대응)Model Update for Drift
가상 계측 · 공정 모델이 드리프트와 정비(PM)로 맞지 않게 될 때, 새 실측으로 모델을 다시 학습하거나 계수를 조금씩 고치고, 갱신마다 판을 남겨 필요하면 이전 판으로 되돌리는 운영 방법이다.
1요약
- 모델 갱신은 가상 계측 · 공정 모델의 운영 단계에서 표본 실측의 잔차로 모델을 고치는 고리로, 그 위에서 주기 재학습 · 이동 창 · 재귀 최소제곱(RLS · 지수 망각) · 적응형 PLS 가 돌고, 정비(PM) 같은 사건에는 저장해 둔 판으로 바꾼다(Gama 2014 3.3절 · IRDS VM 백서 3.4절).
- 갱신이 없으면 입력에 보이지 않는 챔버 변화가 그대로 오차가 되고, 갱신이 사건을 모르면 PM 뒤에 오히려 나빠진다 — 본문의 합성 증착 사례에서 고정 모델은 PM 전 로트 평균 오차가 +5.7 nm 까지 벌어졌고, PM 을 모르는 RLS 는 PM 직후 50장 RMSE 5.86 nm 로 고정 모델(1.94 nm)보다 나빴다.
- 「갱신하는데도 안 맞는다」는 잔차가 한쪽으로 늦게 따라오는가, 실측마다 흔들리는가, 한 사건 직후에 튀는가로 가른다 — 늦으면 더 빨리 잊고, 흔들리면 더 천천히 잊고, 사건 직후라면 망각 속도가 아니라 판을 바꾼다.
2등장 배경
증착 · 식각 챔버는 벽에 막이 쌓이고 부품이 닳으면서 같은 센서 값에서도 결과가 조금씩 달라지고, PM 한 번에 상태가 크게 되돌아간다. IRDS VM 백서는 정비 표시 같은 맥락 자료가 빠지면 큰 정비 뒤 모델 오차가 커진다고 적었다(3.2절). 한 번 학습하고 끝내면 오차가 쌓이고, 쌓인 실측 전부로 다시 학습하면 PM 전 자료가 PM 뒤 모델을 그쪽으로 묶어 둔다.
1996년 Widmer · Kubat 의 FLORA 는 최근 예제만 담는 고정 길이 창으로 학습했고, FLORA3 은 다시 나타나는 개념에 옛 규칙을 꺼내 썼다(Gama 2014 3.1.1 · 3.3.3절). 공정 모델 쪽에서는 1997년 Dayal · MacGregor 가 공분산에 망각 계수 λ 를 곱해 옛 자료를 지수로 깎는 재귀 지수 가중 PLS 를, 1998년 Qin 이 자료를 블록으로 나눠 갱신하는 재귀 PLS 를 냈다(Eliseyev 2017 서론 · Dayal 1997 · Qin 1998). 2016년에는 VM 모델 유지 자체를 다룬 학회 발표가 나왔다(Iskandar 2016).
2014년 Gama 외는 적응을 «탐지 없이 일정하게 잊는 맹목 적응»과 «트리거가 났을 때 바꾸는 정보 기반 적응»으로 나눴고(3.3.2절), 2017년 Breck 외는 운영 모델을 이전 판으로 빠르고 안전하게 되돌릴 수 있어야 한다는 시험을 두었다(Infra 7). 2018년 IRDS 백서가 공정 드리프트 · 제품 변경 · 정비 사건 앞의 모델 적응을 남은 과제로 꼽은 뒤(3.4절), 모델 갱신은 «얼마나 빨리 잊고, 어떤 사건에 판을 바꾸고, 어떤 실측을 거르나»를 정하는 운영 규칙이 되었다.
3쉽게 이해하기 — 마을버스 기사의 도착 시각 수첩
마을버스 기사 한 사람이 정류장마다 «몇 분 뒤 도착»을 어림해 안내판에 띄운다. 손목시계로 하루 두 번만 실제 도착 시각을 재어 수첩에 적고, 새 기록은 진하게 · 오래된 기록은 연하게 보며 어림을 고친다. 도로 포장 공사가 끝난 날에는 지난번 포장 직후의 수첩 쪽을 펼쳐 그 어림으로 돌아가고, 시계가 8분 빨랐던 날의 기록은 다음 날 잰 값과 맞지 않아 지운다.
그림 1 · 기사는 모든 정류장 시각을 어림하고, 하루 두 번 잰 시각으로 수첩을 고치되 어긋난 기록은 걸러 내며, 포장 공사가 끝나면 지난 포장 직후 쪽으로 돌아간다.
그림 2 · 수첩을 연하게 보는 법이 세 가지다 — 오래될수록 조금씩 연해지는 기록(지수 망각), 최근 24쪽만 남기고 찢기(이동 창), 모든 쪽을 같은 진하기로 보기(망각 없음).
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 조금씩 패는 도로 | 공정 드리프트 | 챔버 벽 퇴적 · 부품 마모로 입력에 안 보이게 관계가 바뀐다 |
| 기사의 어림 | 운영 VM 모델(판) | 웨이퍼마다 품질 값을 예측한다 |
| 하루 두 번 손목시계 | 표본 계측 | 로트당 몇 장의 실측으로 잔차를 만든다 |
| 어긋난 시계 | 갱신 관문 | 계측 오류로 보이는 실측을 갱신에서 보류 · 폐기한다 |
| 진하기가 다른 수첩 | 망각 방식(창 · λ) | 오래된 실측의 무게를 줄여 지금 상태를 따라간다 |
| 포장 공사 끝난 날 | PM 사건 연동 | 정비 기록을 받아 기준 판으로 바꾸고 표본을 늘린다 |
| 날짜별 수첩 쪽 | 판 저장소 | 갱신마다 판 번호와 쓴 실측 목록을 남긴다 |
| 전 쪽으로 돌아가기 | 되돌리기 | 잘못 갱신된 판을 직전 양호 판으로 바꾼다 |
⚠ 비유가 맞지 않는 곳: 기사는 연한 기록도 눈으로 보고 판단하지만, 모델은 정한 λ · 창 크기대로 기계적으로 잊어서 «천천히 바뀌다 한 번에 튀는» 변화를 스스로 구분하지 못한다. 또 버스 시계는 다시 재면 끝이지만 웨이퍼 실측은 다시 재기 어렵고 늦게 오므로, 관문은 «다음 로트 실측과 맞는가»로 기다려서 판단한다.
4구조 — 갱신 고리와 판 저장소
갱신 고리는 실측 → 잔차 → 관문 → 갱신 방식 → 새 판 검증 → 판 저장소 → 운영 모델로 돈다(그림 3). 갱신 방식은 «무엇을 얼마나 빨리 잊는가»로 갈린다 — 이동 창은 창 밖 자료를 한 번에 버리고(갑작스러운 망각), 지수 망각은 j 번 전 실측에 λ^j 의 무게를 준다(점진 망각 · Gama 2014 3.1.2절).
그림 3 · 표본 실측의 잔차가 관문을 지나야 갱신에 쓰이고, 갱신마다 새 판이 검증 뒤 저장소에 남으며, 운영 모델은 저장소에서 배포되고 PM 사건 때는 기준 판으로 바뀐다.
| 요소 | 맡는 일 | 사례 값(그림 4) | 근거 |
|---|---|---|---|
| 표본 실측 | 예측 뒤 실측으로 잔차 생성 | 로트당 2장(8%) · PM 뒤 첫 로트 5장 | Gama 2014 4.2.1절(먼저 시험 · 뒤 학습) |
| 갱신 관문 | 계측 오류로 보이는 실측 보류 · 폐기 | 두 장 모두 3σ 밖 · 같은 부호 → 보류 | 사례 7단계 |
| 주기 · 이동 창 재학습 | 최근 자료로 모델 전체를 새로 학습 | 8로트마다 32장 · 로트마다 24장 | Lu 2019 5.1절 |
| 재귀 갱신(RLS) | 실측 하나씩 계수 갱신 · 옛 무게 λ^j | λ 0.9 · 기억 약 10회 실측 | Gama 2014 3.1.2절 |
| 적응형 PLS | 공분산을 λ 로 깎아 잠재 변수 · 계수 갱신 | (사례 없음) | Eliseyev 2017 · Dayal 1997 |
| 판 저장소 | 판 번호 · 쓴 실측 목록 · 기준 판 보관 | 로트마다 한 판 | Breck 2017 Infra 7 |
| PM 사건 연동 | 정비 기록으로 기준 판 · 표본 수 바꿈 | 직전 PM 직후 학습 판 | Gama 2014 3.3.3절 · IRDS 3.2절 |
🔑 망각 계수는 «천천히 바뀌는 드리프트»의 속도에 맞추고, PM 처럼 «한 번에 바뀌는 사건»은 망각이 아니라 판 교체로 맞춘다.
5동작 — 증착 챔버 1,000장의 갱신 방식 비교
Python 3.14.0 · NumPy 2.4.3(default_rng(0))으로 만든 합성 데이터에서 직접 실행한 사례다. VM 은 절편 + FDC 요약 값 5개의 선형 회귀이고, 웨이퍼마다 먼저 예측한 뒤 실측이 오면 갱신한다(Gama 2014 4.2.1절). 드리프트 · PM 크기 · 관문 기준은 모두 설명용 가정 값이며, 합성이라 재지 않은 웨이퍼의 참값도 알아 RMSE 를 1,000장 모두로 센다.
- 직전 PM 직후 160장의 실측으로 학습해 기준 판 v0 을 저장한다(학습 RMSE 0.82 nm).
- 운영 40로트(25장씩) 동안 로트마다 7 · 19번째 웨이퍼만 잰다. PM 전 600장 사이 챔버 벽 퇴적으로 두께가 6 nm 줄고 히터 온도 계수가 1.5 → 3.0 으로 바뀌지만 입력에는 드러나지 않는다.
- 고정 모델은 로트 24 평균 오차가 +5.7 nm 까지 벌어져 PM 전 RMSE 가 3.54 nm 다.
- 맹목 적응 셋의 PM 전 RMSE 는 주기 재학습(8로트마다 최근 32장) 2.63 · 이동 창(로트마다 최근 24장) 1.91 · RLS(λ 0.9) 1.74 nm 다 — RLS 도 잔차 평균이 +1 ~ +2 nm 로 늘 한발 늦다.
- 로트 24 뒤 PM 으로 두께가 −6 → +2 nm 로 튄다. 사건을 모르는 이동 창 · RLS 는 PM 직후 50장 RMSE 6.06 · 5.86 nm 로, 갱신 없는 고정 모델(1.94 nm)보다 나쁘다.
- PM 기록을 받으면 운영 판을 기준 판 v0 으로 바꾸고 첫 로트에서 5장을 잰다 — PM 직후 50장 RMSE 1.91 nm · 전체 2.40 → 1.91 nm.
- 로트 32 에서 계측 장비 교정 오류로 두 장이 +8 nm 씩 높게 들어온다. 잔차 +7.42 · +6.11 nm 가 모두 3σ(최근 잔차 20개의 MAD 로 σ 1.55)를 넘고 부호가 같아 보류하고, 로트 33 잔차 −0.16 · −3.15 nm 와 맞지 않아 폐기한다 — 로트 33 ~ 35 RMSE 2.91 → 1.65 nm · 전체 1.66 nm.
- 관문 없이 로트 34 시작에 로트 32 전 판을 꺼내고 로트 33 실측을 다시 반영하는 되돌리기만 쓰면 전체 1.71 nm(로트 33 ~ 35 2.21 nm)다 — 시드 0 ~ 9 에서도 방식 순서는 같았다(관문 1.46 ~ 1.74 · 고정 2.92 ~ 3.05 nm).
그림 4 · 맹목 갱신(RLS)은 PM 전 드리프트를 고정 모델보다 잘 따라가지만 PM 직후 −5.9 nm 로 빗나가고, PM 기록으로 기준 판에 돌아가고 관문을 둔 쪽만 PM 과 계측 오류를 모두 넘긴다.
그림 5 · 망각이 빠를수록 드리프트를 덜 늦게 따라가지만 실측 잡음까지 따라가므로, PM 전 RMSE 는 기억 약 5회 실측(λ 0.8)에서 가장 낮고 양쪽으로 커진다.
🔑 잘 고치는 갱신보다 잘못 고친 것을 버릴 수 있는 갱신이 먼저다 — 관문과 판 저장소가 없으면 계측 오류 한 로트가 다음 세 로트의 VM 을 끌고 간다.
6비교 — 갱신 방식의 강점과 한계
| 방식 | 갱신 시점 | 강한 곳 | 약한 곳 | 사례 전체 RMSE(nm) |
|---|---|---|---|---|
| 주기 재학습 | 정한 주기(8로트) | 운영 · 검증 절차가 단순 | 주기 사이 지연 · PM 직전 자료로 학습하면 PM 뒤 악화 | 3.08 |
| 이동 창 재학습 | 로트마다 최근 24장 | 급변 뒤 창이 차면 회복 | 창 크기 선택(작으면 잡음 · 크면 지연 · Lu 2019 5.1절) | 2.77 |
| 재귀 갱신(RLS · 지수 망각) | 실측마다 | 계산 · 저장이 작고 점진 드리프트를 따라감 | λ 선택 · 늘 한발 늦음 · 사건을 모름 | 2.40 |
| 적응형 PLS(REW-PLS · RPLS) | 실측 · 블록마다 | 얽힌 센서가 많을 때 잠재 변수째 갱신 | 성분 수를 미리 정해야 함(Eliseyev 2017) | (사례 없음) |
| 사건 연동(기준 판 · 표본 늘림) | PM · 부품 교체 기록 때 | 다시 나타나는 상태에 바로 맞춤 | 기록 없는 변화는 못 봄 · 맹목 갱신과 함께 써야 함 | 1.91(RLS 와 함께) |
분석드리프트가 천천히 쌓이면 RLS 나 적응형 PLS 로 계속 잊게 하고, 정비 · 부품 교체처럼 기록이 남는 변화는 사건 연동으로 판을 바꾸며, 둘을 함께 쓴다. 근거는 Gama 2014 3.3.2절(맹목 적응은 변화가 있든 없든 같은 속도로 잊어 급변에 늦다)과 사례 5 · 6단계(PM 직후 50장 5.86 → 1.91 nm).
절편 하나만 EWMA 로 옮기는 바이어스 갱신과 그 값의 제어 쪽 쓰임은 가상 계측 · R2R 제어가 맡고, 모델 갱신은 계수 · 판 전체를 바꾸는 방식을 맡는다.
7실무 진단 — 갱신 뒤 오차의 원인 가르기
분석사건 기록 → 관문 → 망각 속도 → 판 순으로 본다. PM · 계측 오류처럼 한 시점에 생긴 원인은 λ · 창 크기를 바꿔도 풀리지 않으므로(Gama 2014 3.3.2절), 그 둘을 먼저 지운 뒤에 잔차의 지연 · 흔들림으로 망각 속도를 고친다.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | PM 직후 첫 로트들의 오차가 크게 한쪽 | 사건을 모르는 맹목 갱신 | 사건 연동 | 정비 기록 · 판 배포 기록 | 정비 시각 직후 판이 바뀌지 않았으면 기준 판 연동 누락(IRDS 3.2절 · 사례 50장 5.86 nm) |
| 2 | 한 로트 실측 두 장만 크게 튀고 다음 로트는 정상 | 계측 장비 교정 오류 | 관문 | 계측 장비 교정 · 재측정 기록 | 같은 부호 3σ 밖 + 다음 로트 불일치면 폐기(사례 7단계) |
| 3 | 잔차 평균이 같은 부호로 계속 남음 | 망각이 느림(λ 큼 · 창 큼 · 주기 김) | 망각 속도 | 로트별 잔차 평균 · λ 별 먼저 시험한 RMSE | λ 0.9 에서 +1 ~ +2 nm 지연 · 0.8 이 1.74 → 1.48 nm(그림 5) |
| 4 | 안정 구간인데 계수가 실측마다 흔들림 | 망각이 빠름(λ 작음 · 창 짧음) | 망각 속도 | 계수 이력 · λ 별 RMSE | 기억을 줄일수록 RMSE 가 다시 오름(λ 0.6 = 1.67 nm · 그림 5) |
| 5 | 새 판 배포 뒤 오히려 오차가 커짐 | 오염된 실측으로 만든 판 | 판 관리 | 판 번호 · 갱신에 쓴 실측 목록 | 직전 양호 판으로 되돌리고 원인 실측을 뺀 뒤 다시 반영(Breck 2017 Infra 7 · 사례 8단계) |
진단은 첫 행부터 한다. 사건 · 계측 오류를 남긴 채 λ 를 조정하면 그 한 번의 튐에 맞춰 망각을 빠르게 만들어, 안정 구간 내내 계수가 흔들리게 된다.
8시험 대비
시험에서는 갱신 방식을 나누고 각 방식의 원리를 설명하는 정의 · 특징형, 그리고 주기 재학습 · 이동 창 · 재귀 갱신 · 사건 연동을 견주는 비교형이 나올 수 있다. 방식 이름만 나열하지 말고 망각 계수의 상충(그림 5)과 PM 사건에서 맹목 갱신이 실패하는 수치를 붙이면 다른 답안과 갈린다.
- 개요 — 정의(드리프트 · PM 뒤 모델 적응) · 필요성(입력에 안 보이는 챔버 변화 · IRDS 3.4절) · 맹목 · 정보 기반 적응(Gama 2014)
- 구성 — 그림 3 표본 실측 → 잔차 → 갱신 관문 → 갱신 방식 → 새 판 검증 → 판 저장소 · PM 사건 연동
- 갱신 방식 — 주기 재학습 · 이동 창 · RLS(λ^j · 기억 1/(1−λ)) · 적응형 PLS(공분산 망각) 비교표
- 망각 속도 선택 — 그림 5 λ 별 RMSE 상충(0.8 에서 1.48 nm · 양쪽으로 증가)
- 사건 · 오류 대응 — 그림 4 PM 기준 판 되돌림(5.86 → 1.91 nm) · 관문 보류 · 폐기 · 판 되돌리기
- 운영 과제 — 먼저 시험 · 뒤 학습 평가 · 판 기록 · 되돌리기 연습(Breck 2017 Infra 7)
꼭 쓸 키워드
망각 계수이동 창RLS적응형 PLS맹목 적응정보 기반 적응기준 판갱신 관문되돌리기먼저 시험뒤 학습
다른 답안과 차이를 내는 한 가지는 «잊는 속도»와 «판 교체»를 나눠 쓰는 것이다 — λ 하나로 드리프트와 PM 을 함께 맞추려는 설계가 왜 실패하는지를 그림 4 · 5 두 장으로 보인다.
9오해와 사실
- 오해실측이 들어올 때마다 갱신하면 언제나 고정 모델보다 낫다.사실사례에서 PM 을 모르는 이동 창 · RLS 는 PM 직후 50장 RMSE 가 6.06 · 5.86 nm 로 고정 모델 1.94 nm 보다 나빴고, 주기 재학습은 전체 RMSE 3.08 nm 로 고정 모델 2.93 nm 보다 나빴다.
- 오해망각 계수는 작을수록 변화에 빨리 맞으니 좋다.사실λ 를 0.8 에서 0.6 으로 줄이자 PM 전 RMSE 가 1.48 → 1.67 nm 로 다시 올랐다 — 기억이 2.5회 실측이면 잡음까지 계수에 들어간다(Gama 2014 3.1.1절 짧은 창의 안정 구간 성능 저하).
- 오해판 저장소는 소프트웨어 배포에만 필요하다.사실모델은 코드가 그대로여도 갱신에 쓴 실측 때문에 나빠질 수 있어, 학습된 모델 자체를 이전 양호 판으로 되돌리는 절차가 따로 있어야 한다(Breck 2017 5절 · Infra 7).
10핵심 정리
| 구분 | 맡는 일 | 무엇을 잊나 · 바꾸나 | 사례 값 | 근거 | 흔한 실패 |
|---|---|---|---|---|---|
| 주기 재학습 | 정한 때 전체 재학습 | 창 밖 자료 전부 | 8로트 · 32장 · 3.08 nm | Lu 2019 5.1절 | PM 직전 자료로 학습 |
| 이동 창 | 최근 자료만 학습 | 창 밖 자료 한 번에 | 24장 · 2.77 nm | Gama 2014 3.1.1절 | 창 크기 고정 |
| RLS · 지수 망각 | 실측마다 계수 갱신 | 옛 무게 λ^j | λ 0.9 · 2.40 nm | Gama 2014 3.1.2절 | λ 하나로 사건까지 |
| 적응형 PLS | 잠재 변수째 갱신 | 공분산 × λ | — | Eliseyev 2017 | 성분 수 고정 |
| 사건 연동 | PM 때 판 교체 · 표본 늘림 | 운영 판 전체 | 5.86 → 1.91 nm | Gama 2014 3.3.3절 | 정비 기록 미연동 |
| 갱신 관문 | 계측 오류 실측 보류 · 폐기 | 해당 로트 실측 | 2.91 → 1.65 nm | 사례 7단계 | 기준이 낮아 실제 변화도 막음 |
| 판 저장소 · 되돌리기 | 판 번호 · 쓴 실측 기록 · 복원 | 운영 판 | 1.71 nm | Breck 2017 Infra 7 | 판 기록 없음 |
11참고 문헌
- 먼저 볼 문헌
- ★ A Survey on Concept Drift Adaptation (ACM Computing Surveys 46(4) 1-37) — 이동 창 · 점진 망각 · 맹목 적응과 정보 기반 적응 · 잠든 모델 보관을 볼 때
- ★ Learning under Concept Drift: A Review (IEEE Transactions on Knowledge and Data Engineering 31(12) 2346-2363 · arXiv 2004.05785) — 드리프트 적응의 세 갈래(새로 학습 · 앙상블 · 모델 조정)와 창 크기 선택을 볼 때
- ★ Virtual Metrology White Paper - International Roadmap for Devices and Systems (IRDS) — 정비 사건 · 공정 드리프트 앞에서 VM 모델 유지가 왜 과제인지 볼 때
- ★ Recursive Exponentially Weighted N-way Partial Least Squares Regression with Recursive-Validation of Hyper-Parameters in Brain-Computer Interface Applications (Scientific Reports 7 16281) — 망각 계수로 공분산을 갱신하는 적응형 PLS 의 식을 볼 때
- ★ The ML Test Score: A Rubric for ML Production Readiness and Technical Debt Reduction (IEEE Big Data 2017) — 운영 모델을 이전 판으로 되돌리는 시험(Infra 7)을 볼 때
- 본문 근거
- Recursive exponentially weighted PLS and its applications to adaptive control and prediction (Journal of Process Control 7(3) 169-179) — Elsevier · 1997-06 ·
doi.org/10.1016/S0959-1524(97)80001-7· 확인 2026-11-12 - Recursive PLS algorithms for adaptive data modeling (Computers and Chemical Engineering 22(4-5) 503-514) — Elsevier · 1998-03 ·
doi.org/10.1016/S0098-1354(97)00262-7· 확인 2026-11-12 - Maintenance of virtual metrology models (27th Annual SEMI Advanced Semiconductor Manufacturing Conference 393-398) — IEEE · 2016-05 ·
doi.org/10.1109/ASMC.2016.7491083· 확인 2026-11-12 - NumPy 2.4 Reference Random Generator (numpy.random.default_rng) — NumPy Developers · 2026-11 ·
numpy.org/doc/stable/reference/random/generator.html· 확인 2026-11-12