AI › 산업 AI 응용

공정 최적화Process Optimization

온도 · 압력 · 시간 · 유량 같은 공정 조건을 바꿔 가며 실험해, 품질 목표를 가장 잘 맞추는 조건을 적은 실험 횟수로 찾는 방법이다.

1요약

  1. 공정 최적화는 Fisher(1935)의 실험 계획법과 Box · Wilson(1951)의 반응 표면법에서 출발해, 지금은 가우시안 과정 대리 모델과 획득 함수로 다음 실험 조건을 하나씩 고르는 베이지안 최적화(Jones 1998)가 그 위에서 돌며, 결과물은 장비에 넣을 레시피 값 한 묶음이다.
  2. 실험 한 번이 웨이퍼 · 장비 시간 · 계측을 쓰므로 실험 횟수가 곧 비용이다 — 플라즈마 식각 가상 시험에서 전문가가 앞 단계를 맡고 알고리즘이 마무리한 방식은 목표 도달 비용을 전문가 혼자일 때의 절반으로 줄였다(Kanarik 2023).
  3. 「최적화가 수렴하지 않는다」는 추천 조건이 실험 영역 경계에 붙었는가, 반복 측정의 차이가 개선 폭보다 큰가로 가른다 — 경계에 붙으면 영역을 옮기고, 잡음이 더 크면 모델을 바꾸기 전에 반복 측정부터 늘린다.

2등장 배경

1920 ~ 30년대 농업 시험장의 실험은 비료 · 품종을 한 번에 하나씩 바꿔 보는 방식이 흔했고, 두 요인이 함께 작용하는 효과는 이 방식으로 드러나지 않았다. 로담스테드 농업 시험장의 R. A. Fisher 는 1935년 『The Design of Experiments』에서 요인을 함께 바꾸는 요인 실험과 무작위화를 정리했다(MacTutor Fisher).

화학 공정에서는 수율이 가장 높은 조건을 찾아야 했다. 화학 회사 연구소에서 일하던 G. E. P. Box 와 K. B. Wilson 은 1951년 1차 모형으로 좋아지는 방향(최급 경사)을 따라 실험 영역을 옮기고, 최적 근처에서 2차 곡면을 맞추는 반응 표면법을 냈다(Box 1951 · MacTutor Box). 비싼 계산 · 실험을 줄이는 쪽에서는 Močkus(1975)의 기대 개선 아이디어를 Jones · Schonlau · Welch(1998)가 kriging 대리 모델과 묶어 EGO 로 널리 알렸다(Frazier 2018 4.1절).

지금 공정 개발에는 NIST/SEMATECH 핸드북 5장의 실험 계획법 · 중심 합성 계획이 표준 교재로 남아 있고, 변수가 많고 실험이 비싼 단계에는 베이지안 최적화가 들어온다. Frazier(2018)는 이 방법이 평가 한 번에 수 분 ~ 수 시간이 드는 20차원 미만 연속 공간에 가장 잘 맞는다고 정리했다.

3쉽게 이해하기 — 갯벌에서 조개 캐기

하준은 썰물 두 시간 동안 갯벌을 열두 번만 팔 수 있다. 처음 다섯 번은 갯벌 여기저기를 고르게 파 보고, 나온 조개 수를 수첩 지도에 적는다. 수첩에는 「여기는 많을 것 같다」는 어림과 「여기는 아직 모른다」는 표시가 함께 있어, 하준은 둘을 저울질해 다음 자리를 고른다. 물이 들어오는 바다 쪽 깃발 너머는 파지 않고, 어느 자리도 지금보다 나아 보이지 않으면 삽을 내려놓는다.

물 차는 바다 쪽 안전 범위 탐색 공간 삽질 12번 실험 예산 1 하준 공정 엔지니어 수첩 지도 많을 곳 어림 + 모르는 곳 대리 모델 2 다음 자리 저울질 많을 듯한 곳 ↔ 모르는 곳 획득 함수(EI) 3 삽 내려놓기 더 나을 곳이 없음 종료 조건 4 처음 고르게 판 곳 골라 판 곳 가장 많이 나온 곳 안전 범위 밖 모델 · 고르는 규칙 사람 · 예산

그림 1 · 하준은 고르게 판 다섯 곳으로 수첩 지도를 그리고, 지도에서 «많을 곳»과 «모르는 곳»을 저울질해 깃발 안에서 다음 자리를 판다.

삽질 열두 번썰물 두 시간
고르게 다섯 곳갯벌 전체를 훑음
수첩 지도어림 + 모르는 곳
다음 자리 저울질많을 곳 ↔ 모르는 곳
깃발 안에서만바다 쪽은 금지
삽 내려놓기더 나을 곳 없음
비유 — 세 자리 저울질 실제 — 기대 개선(EI) 지금까지 최고 30개 A · 판 곳 옆 많을 듯 · 확실 31 ± 1 1.08 B · 안 판 곳 조금 적을 듯 · 모름 26 ± 8 1.58 — 고름 C · 구석 적을 듯 · 확실 18 ± 2 0.00 어림 = 예측 평균 μ 자신 없는 폭 = 불확실성 σ 기대 이득 = EI EI = (μ − f*)Φ(z) + σφ(z) z = (μ − f*) / σ · f* = 지금 최고 30 A · z = 1.0 → EI 1.08 B · z = −0.5 → EI 1.58 C · z = −6 → EI ≈ 0 σ 가 크면 평균이 낮아도 EI 가 큼 불균일도처럼 줄이는 값은 (f* − μ) 로 부호를 바꿈 조개 수 = 설명용 가정 값 · Φ · φ = 표준 정규 분포의 누적 · 밀도 함수

그림 2 · 어림이 조금 적어도 «모르는» 자리 B 의 기대 이득이 가장 크다 — 다음 실험은 평균이 아니라 기대 개선(EI)으로 고른다.

비유 속 역할실제 이름실제로 하는 일
삽질 열두 번실험 예산웨이퍼 · 장비 시간으로 정한 실험 횟수 상한(사례 12회)
고르게 판 다섯 곳초기 실험 계획공간 채움 계획 · 실험 계획법으로 대리 모델의 첫 데이터를 만든다
파서 센 조개 수실험 1회 · 계측조건 x 로 공정을 돌려 품질 y(불균일도)를 잰다
수첩 지도대리 모델(가우시안 과정)안 해 본 조건의 예측 평균 μ 와 불확실성 σ 를 낸다
다음 자리 저울질획득 함수(EI)μ 가 좋은 곳과 σ 가 큰 곳을 한 점수로 묶어 다음 조건을 고른다
바다 쪽 깃발안전 범위 · 제약장비 한계 · 안전 조건 밖의 후보를 뺀다
많지만 먼 자리다목적 맞바꿈품질과 처리 속도가 함께 좋아질 수 없을 때 파레토 해 중 하나를 고른다
삽 내려놓기종료 · 확인 실험최대 EI 가 측정 잡음보다 작아지면 멈추고 추천 조건을 다시 돌려 확인한다

⚠ 비유가 맞지 않는 곳: 갯벌의 조개 자리는 날마다 바뀌지만, 공정 최적화는 장비 상태가 그대로라는 가정 위에 있다 — 챔버가 드리프트하면 찾은 조건도 밀리고, 그 보정은 R2R 제어가 맡는다. 하준은 지도를 눈으로 어림하지만 대리 모델은 커널 식으로 μ · σ 를 계산한다.

4구조 — 탐색 공간 · 대리 모델 · 획득 함수 · 종료

베이지안 최적화는 실험 한 번이 끝날 때마다 대리 모델을 다시 맞추고 다음 조건 하나를 고르는 고리다(Frazier 2018 알고리즘 1). 반응 표면법은 같은 일을 실험 묶음 단위로 한다 — 2변수 면 중심 합성 계획(CCF)은 요인점 4 · 축점 4 · 중심점을 미리 정하고 2차 다항식 하나를 맞춘다(NIST 5.3.3.6.1).

탐색 공간 온도 · 압력 · 안전 범위 초기 실험 계획 공간 채움 5점 공정 실행 · 계측 조건 x → 불균일 y 데이터 (x, y) 지금까지 n점 대리 모델(GP) μ(x) · σ(x) 획득 함수(EI) 후보 10,201개 중 최대 다음 조건 x 최대 EI < 잡음? 사례 0.0018 < 0.03 추천 · 확인 실험 433 °C · 4.16 Torr 비교 — 실험 계획법 + 반응 표면법 실험 11점을 한꺼번에 정함(CCF) 2차 다항식 6계수를 맞춤 정상점 · 최급 경사로 다음 영역 모델이 실험을 하나씩 고르지 않음 변수 · 범위 실험 · 데이터 모델 · 선택 규칙 계측 · 확인 판단 상자

그림 3 · 베이지안 최적화는 «실험 → 데이터 → 모델 → 다음 조건»을 한 점씩 돌고, 반응 표면법은 실험 묶음을 먼저 정한다.

요소역할사례 값근거
탐색 공간바꿀 변수와 범위히터 온도 350 ~ 450 °C · 압력 2 ~ 10 Torr(가정 값)NIST 5.3.3.6.1 CCI · CCF(한계가 엄격하면 점을 범위 안에)
제약 · 안전 범위넘으면 안 되는 조건 · 출력범위 상자 · 속도 하한(그림 6)EI × 제약 만족 확률(Gardner 2014) · 안전 임계값(Sui 2015)
초기 실험 계획모델의 첫 데이터공간 채움 5점Frazier 2018 알고리즘 1
대리 모델예측 평균 μ · 불확실성 σ가우시안 과정 · RBF 커널 · 길이 척도 0.10 ~ 0.40Rasmussen 2006 2장 · 5장 주변 우도
획득 함수다음 조건 하나 고르기기대 개선(EI) · 후보 101 × 101 격자Frazier 2018 식 (8)
종료 · 확인멈춤과 추천 확정최대 EI 0.0018 · 잡음 σ 0.03사례

🔑 반응 표면법은 실험을 먼저 다 정하고 모델을 맞추고, 베이지안 최적화는 모델이 다음 실험을 정한다 — 두 방법의 차이는 모델의 종류보다 실험 순서에 있다.

5동작 — 증착 조건 두 변수의 12회 탐색

Python 3.14.0 · NumPy 2.4.3(default_rng(1))으로 직접 실행한 합성 데이터 사례다. 불균일도는 합성 함수 U(T, P)에 측정 잡음 σ 0.03 %p 를 더한 값이고, 변수 범위 · 함수는 모두 설명용 가정 값이다(실제 공정의 레시피 값이 아님).

  1. 안전 범위를 히터 온도 350 ~ 450 °C · 압력 2 ~ 10 Torr 로 정하고 두 변수를 0 ~ 1 로 정규화한다 — 후보는 101 × 101 = 10,201개 격자점이다.
  2. 공간 채움 5점(360 °C · 4.4 Torr / 380 · 9.2 / 400 · 6.0 / 420 · 2.8 / 440 · 7.6)을 돌려 불균일도 2.045 · 1.773 · 0.824 · 0.745 · 1.158 % 를 얻는다.
  3. RBF 커널 가우시안 과정을 맞추며 로그 주변 우도가 가장 큰 길이 척도 0.10 을 고르고(Rasmussen 2006 5장), EI 가 가장 큰 417 °C · 3.44 Torr 를 6회째로 돌려 0.709 % 를 얻는다.
  4. 7회째 420 °C · 5.28 Torr 는 예측 μ 0.707 · σ 0.237 로 불확실성이 컸고, 실제 0.607 % 가 나와 최고값을 0.10 %p 줄인다.
  5. 8 · 9회째는 450 °C 경계 두 곳(3.28 · 2.0 Torr)을 탐색해 0.668 · 0.821 % 로 그쪽이 더 낫지 않음을 확인한다.
  6. 10회째 433 °C · 4.16 Torr(예측 μ 0.594 · σ 0.074)에서 0.604 % 로 최고값을 갱신한다.
  7. 11회째 450 °C · 4.88 Torr(0.688 %) 뒤, 12회째 후보 426 °C · 4.64 Torr 의 EI 는 0.0018 로 측정 잡음 0.03 보다 훨씬 작아 예산 12회에서 멈추고 433 °C · 4.16 Torr 를 추천한다 — 합성 함수의 참 최소(430 °C · 4.4 Torr · 0.600 %)와 0.003 %p 차이다.
불균일도(%) 지도 위의 12회 — 베이지안 최적화 반응 표면법 영역(CCF 11점) 350 375 400 425 450 2 4 6 8 10 히터 온도(°C) 압력(Torr) 3 4 5 5 6 7 7 실험 차례와 값 2 초기 5점 — 빈 원 0.745 ~ 2.045 % 3 417 °C · 3.44 Torr 0.709 % · EI 0.075 4 420 °C · 5.28 Torr 0.607 % · σ 0.237 5 450 °C 경계 두 곳 0.668 · 0.821 % · 탐색 6 433 °C · 4.16 Torr 0.604 % · 추천 조건 7 11 · 12회 · EI 0.0018 잡음 0.03 보다 작아 멈춤 초기 실험 EI 로 고른 실험 추천 조건 참 최소 430 °C · 4.4 Torr · 0.600 % 등고선

그림 4 · 초기 5점으로 공간을 훑은 뒤 EI 가 450 °C 경계까지 탐색하고, 10회째 433 °C · 4.16 Torr 에서 참 최소 가까이 들어간다 — 반응 표면법 영역(점선)은 최적을 담지 못했다.

EI 가 무엇을 저울질하는지는 한 변수 단면에서 보인다. 압력을 4.4 Torr 에 고정하고 355 · 385 · 405 · 445 °C 네 점만 잰 상태에서, 예측 평균이 가장 낮은 곳과 EI 가 가장 큰 곳은 서로 다르다.

압력 4.4 Torr 단면 — 관측 4점 뒤의 대리 모델과 EI 0.4 1.0 2.0 2.8 불균일도(%) 2.368 1.166 0.758 0.601 평균 최저 442.5 °C μ 0.598 · σ 0.055 EI 0.019 EI 최대 430 °C μ 0.635 · σ 0.220 EI 0.068 → 다음 실험 참 최소 430 °C 0.600 % 00.08 EI 350 375 400 425 450 히터 온도(°C) 예측 평균 μ μ ± 2σ 참 함수 관측

그림 5 · 평균이 가장 낮은 442.5 °C 대신 불확실성이 큰 430 °C 의 EI 가 가장 크고, 참 최소도 430 °C 에 있다.

🔑 EI 는 «가장 좋아 보이는 곳»이 아니라 «좋아질 기대가 가장 큰 곳»을 고른다 — 평균 최저 442.5 °C 의 EI 는 0.019, 불확실성이 큰 430 °C 의 EI 는 0.068 이다.

목표가 둘이면 답은 점 하나가 아니다. 같은 범위에서 증착 속도 R(합성 · 가정 값)을 함께 키우려 하면, 불균일도를 더 줄이면서 속도도 더 올릴 수 없는 점들의 선인 파레토 앞면(Deb 2002)이 생긴다. 제약은 이 앞면을 자르는 방식으로 들어간다 — 속도 하한을 두면 그 아래 후보를 빼거나, 제약을 따로 모델로 맞춰 EI 에 만족 확률을 곱한다(Gardner 2014).

불균일도 ↔ 증착 속도 — 파레토 앞면 닿을 수 없는 영역 속도 하한 60 → 0.769 % 속도 하한 50 → 0.600 % 0.6 0.8 1.0 1.2 40 50 60 70 불균일도(%) — 작을수록 좋음 증착 속도(nm/min) — 클수록 좋음 앞면 위의 점 한쪽을 좋게 하면 다른 쪽이 나빠짐 속도 +20 % 50 → 60 nm/min 불균일 +28 % 0.600 → 0.769 % 고르는 기준 제품 사양의 불균일 상한 안에서 가장 빠른 점 참 파레토 앞면 사례 실험(그림 밖 2점 제외) 굵은 테두리 = 지배되지 않는 4점

그림 6 · 속도 하한을 50 에서 60 nm/min 으로 올리면 닿을 수 있는 최소 불균일도가 0.600 에서 0.769 % 로 커진다.

강화 학습은 공정 도중 시간에 따라 조건을 바꾸는 연속 결정 문제에 쓰이고, 레시피 한 묶음을 찾는 공정 최적화의 방법과는 데이터를 모으는 방식이 다르다.

6비교 — 격자 · 반응 표면법 · 베이지안 최적화

같은 합성 함수 · 같은 잡음으로 세 방식을 돌린 결과다(참 값 = 잡음 없는 함수 값).

기준완전 요인 격자(5 × 5)실험 계획법 + 반응 표면법(CCF)베이지안 최적화(GP + EI)
실험 순서25점을 미리 정해 모두 돌림11점을 미리 정하고 모형을 맞춘 뒤 확인 1회한 점마다 모델을 다시 맞춰 다음 점을 고름
사례 실험 수 · 결과(참 값)25회 · 425 °C · 4.0 Torr · 0.618 %(17회째에 처음 나옴)12회 · 영역 모서리 415 °C · 4.8 Torr · 0.643 % · 정상점 424.5 °C · 3.0 Torr 는 영역 밖12회 · 433 °C · 4.16 Torr · 0.603 %
모델없음 — 관측 최솟값2차 다항식 6계수 · R² 0.998(중심 395 °C · 6.4 Torr · 반폭 20 °C · 1.6 Torr)가우시안 과정 μ · σ
변수가 4개로 늘면5⁴ = 625회CCF 2⁴ + 2 × 4 = 24점 + 중심점(NIST 5.3.3.6.1)대개 20차원 미만 연속 변수까지(Frazier 2018)
결과 해석표에서 바로 읽음계수로 요인 효과 · 상호작용을 읽음요인 효과 해석은 약하고 다음 점 고르기가 강점

분석변수가 2 ~ 3개이고 최적이 정한 영역 안에 있을 것으로 보이면 요인 효과까지 알려 주는 반응 표면법을 먼저 쓰고, 변수가 많거나 최적 위치를 모르고 실험을 하나씩 돌릴 수 있으면 베이지안 최적화를 쓴다. 근거는 표의 「사례」 행 — 같은 12회에서 반응 표면법은 정상점이 영역 밖이라 2단계 실험이 남았고, 베이지안 최적화는 참 최소와 0.003 %p 안에 들어왔다.

7실무 진단 — 최적화가 수렴하지 않을 때

분석반복 측정 잡음을 먼저 보고, 다음에 추천 조건이 영역 경계인지, 마지막에 모델이 맞는지를 본다. 잡음이 개선 폭보다 크면 어떤 모델도 두 조건을 가르지 못하므로(Rasmussen 2006 2.2절 잡음 분산), 앞 단계가 정상일 때만 다음 단계를 의심한다.

#증상의심 원인단계확인 자료판정 기준(근거)
1회차마다 최고값이 오르내리고 순서가 뒤바뀜측정 · 공정 잡음계측같은 조건 반복(사례 중심점 0.983 · 0.941 · 0.942 %)반복 표준편차(사례 0.024 %p)가 최근 개선 폭보다 크면 반복 수부터 늘림(NIST 5.3.3.6.1 중심점)
2추천 조건이 실험 영역 모서리 · 경계영역이 좁음 · 최적이 영역 밖실험 계획2차 모형의 정상점 좌표코드 값 ±1 밖이면(사례 x₁ 1.48 · x₂ −2.11) 최급 경사 방향으로 영역을 옮김(Box 1951)
3확인 실험 값이 예측과 크게 다름커널 · 잡음 가정이 맞지 않음 · 데이터 부족대리 모델추천점의 μ · σ 와 확인 값μ ± 2σ 밖이면 커널 · 길이 척도를 다시 맞추고 그 점을 데이터에 넣음(Rasmussen 2006 2.2절 예측 분포)
4찾은 조건이 며칠 뒤 다시 나빠짐장비 드리프트 · 챔버 상태 변화장비SPC 관리도 · 정비 이력관리 한계 밖이면 다시 최적화하지 않고 R2R 제어 · 정비로 넘김

사례에서는 1행의 반복 표준편차 0.024 %p 가 마지막 개선 폭(7 → 10회째 0.003 %p)보다 커서, 433 °C · 4.16 Torr 와 420 °C · 5.28 Torr 를 이 데이터만으로는 가를 수 없다. 이때는 두 조건을 각각 3회 이상 반복해 평균으로 고른다.

8시험 대비

시험에서는 공정 최적화의 정의와 실험 계획법 · 반응 표면법 · 베이지안 최적화의 차이를 쓰는 정의 · 특징형, 그리고 AI 기반 레시피 탐색이 공정 개발을 어떻게 바꾸는지 묻는 동향 · 발전형이 나올 수 있다. 실험 비용이 왜 큰지와 획득 함수의 탐색 · 활용 균형을 그림으로 보이면 «방법 나열»을 넘는다.

답안 목차
  1. 개요 — 정의 · 실험 비용이 큰 까닭(웨이퍼 · 장비 시간 · 계측) · 결과물 = 레시피 값 한 묶음
  2. 방법의 흐름 — 실험 계획법(Fisher 1935) → 반응 표면법(Box 1951 · CCF 11점) → 베이지안 최적화(Jones 1998) 비교표
  3. 베이지안 최적화 구조 — 그림 3 반복 고리(탐색 공간 · 대리 모델 · 획득 함수 · 종료)
  4. 획득 함수 원리 — 그림 5 μ · σ · EI 곡선(평균 최저 442.5 °C ↔ EI 최대 430 °C) · EI 식
  5. 제약 · 다목적 — 안전 범위 · EI × 만족 확률 · 그림 6 파레토 앞면(속도 50 → 60 nm/min 이면 0.600 → 0.769 %)
  6. 동향 · 한계 — 사람이 앞 단계 · 알고리즘이 마무리(Kanarik 2023 비용 절반) · 20차원 한계 · 드리프트는 R2R 제어

꼭 쓸 키워드
실험 계획법반응 표면법중심 합성 계획대리 모델가우시안 과정획득 함수기대 개선탐색과 활용파레토 앞면안전 범위

다른 답안과 차이를 내는 한 가지는 그림 5 다 — 「불확실성을 고려한다」 한 줄 대신, 평균이 가장 낮은 곳을 두고 EI 가 다른 곳을 고르는 까닭을 μ · σ 숫자로 보인다.

9오해와 사실

  • 오해베이지안 최적화는 실험 계획법을 대체한다.
    사실첫 데이터는 여전히 공간 채움 · 실험 계획으로 만들고(Frazier 2018 알고리즘 1 초기 설계), 사례도 5점으로 시작했다.
  • 오해대리 모델이 가장 좋다고 예측한 조건을 다음에 돌리는 것이 가장 빠르다.
    사실평균만 따르면 이미 잰 점 옆만 찍는다 — 그림 5 에서 평균 최저는 442.5 °C 지만 참 최소는 EI 가 고른 430 °C 다.
  • 오해최적 조건은 하나다.
    사실목표가 둘이면 답은 파레토 앞면 위의 여러 점이고(Deb 2002), 사례에서 속도 하한을 50 → 60 nm/min 으로 올리면 최소 불균일도가 0.600 → 0.769 % 로 바뀐다.

10핵심 정리

구분맡는 일사례 값식 · 규칙근거
탐색 공간 · 안전 범위바꿀 변수와 넘지 않을 범위350 ~ 450 °C · 2 ~ 10 Torr범위 밖 후보 제외 · 만족 확률 곱Gardner 2014
실험 계획법요인 효과 · 첫 데이터공간 채움 5점요인을 함께 바꿈 · 무작위화Fisher 1935
반응 표면법2차 곡면 · 정상점CCF 11점 · R² 0.9982차 다항식 6계수 · 최급 경사Box 1951
가우시안 과정예측 평균 · 불확실성길이 척도 0.10 ~ 0.40RBF 커널 · 주변 우도 최대Rasmussen 2006
기대 개선(EI)다음 조건 하나 고르기단면 430 °C · EI 0.068(f* − μ)Φ(z) + σφ(z)Frazier 2018 식 (8)
종료 · 확인 실험멈춤 · 추천 확정EI 0.0018 · 433 °C · 4.16 Torr최대 EI ≪ 측정 잡음사례
파레토 앞면목표 둘의 맞바꿈50 → 60 nm/min · 0.600 → 0.769 %서로 지배하지 않는 해의 모음Deb 2002

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Efficient Global Optimization of Expensive Black-Box Functions (Journal of Global Optimization 13(4) 455-492) — 기대 개선과 kriging 대리 모델로 비싼 함수를 최적화하는 원형을 볼 때
    Springer · 1998-12 · doi.org/10.1023/A:1008306431147 · 확인 2026-11-04
  3. ★ A Tutorial on Bayesian Optimization (arXiv 1807.02811) — 가우시안 과정 · EI 식 (8) · 알고리즘 1 을 따라 해 볼 때
    arXiv · 2018-07 · arxiv.org/abs/1807.02811 · 확인 2026-11-04
  4. ★ NIST/SEMATECH e-Handbook of Statistical Methods 5.3.3.6.1 Central Composite Designs (CCD) — 중심 합성 계획(CCC · CCI · CCF)의 점 배치와 α 값을 볼 때
    NIST · 2026-11 · www.itl.nist.gov/div898/handbook/pri/section3/pri3361.htm · 확인 2026-11-04
  5. ★ On the Experimental Attainment of Optimum Conditions (Journal of the Royal Statistical Society Series B 13(1) 1-45) — 반응 표면법과 최급 경사 이동의 원전을 볼 때
    Royal Statistical Society · 1951-01 · doi.org/10.1111/j.2517-6161.1951.tb00067.x · 확인 2026-11-04
  6. ★ Human-machine collaboration for improving semiconductor process development (Nature 616 707-711) — 식각 공정 개발에서 사람과 베이지안 최적화의 역할 나눔을 볼 때
    Nature · 2023-04 · doi.org/10.1038/s41586-023-05773-7 · 확인 2026-11-04
  7. 본문 근거
  8. Gaussian Processes for Machine Learning (Rasmussen · Williams · MIT Press) — MIT Press · 2006-01 · gaussianprocess.org/gpml/ · 확인 2026-11-04
  9. Bayesian Optimization with Inequality Constraints (ICML 2014 PMLR 32(2) 937-945) — PMLR · 2014-06 · proceedings.mlr.press/v32/gardner14.html · 확인 2026-11-04
  10. Safe Exploration for Optimization with Gaussian Processes (ICML 2015 PMLR 37 997-1005) — PMLR · 2015-07 · proceedings.mlr.press/v37/sui15.html · 확인 2026-11-04
  11. A fast and elitist multiobjective genetic algorithm: NSGA-II (IEEE Transactions on Evolutionary Computation 6(2) 182-197) — IEEE · 2002-04 · doi.org/10.1109/4235.996017 · 확인 2026-11-04
  12. Ronald Aylmer Fisher - Biography (MacTutor History of Mathematics) — University of St Andrews · 2026-11 · mathshistory.st-andrews.ac.uk/Biographies/Fisher/ · 확인 2026-11-04
  13. George Edward Pelham Box - Biography (MacTutor History of Mathematics) — University of St Andrews · 2026-11 · mathshistory.st-andrews.ac.uk/Biographies/Box/ · 확인 2026-11-04
  14. NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 · numpy.org/doc/2.4/reference/random/generator.html · 확인 2026-11-04