가상 계측Virtual Metrology
장비 센서 · 로그를 요약한 값으로, 계측하지 않은 웨이퍼의 공정 결과(막 두께 · 선폭 등)를 웨이퍼마다 예측하는 방법이다.
1요약
- 가상 계측은 SEMI E133(E133-1014)이 공정 · 웨이퍼 상태 정보로 공정 뒤 계측 변수를 예측하는 기술로 정의한 방법으로, 장비 FDC 요약 값 위에서 PLS · 트리 · 신경망 회귀 모델과 신뢰 지수(RI · GSI)가 돌고 그 출력이 보정 제어(R2R)와 표본 선택으로 들어간다.
- 계측 장비는 로트마다 표본 몇 장만 재므로 그 사이 웨이퍼의 이탈은 다음 계측까지 숨는데, 웨이퍼마다 예측하면 그 빈칸이 메워진다 — 합성 데이터 사례에서 실측만 되먹인 로트 단위 제어는 두께 RMSE 3.45 nm, 가상 계측을 함께 넣은 웨이퍼 단위 제어는 2.65 nm 였다.
- 「가상 계측이 안 맞는다」는 잔차가 한쪽으로 몰리는가, 한 장만 튀는가로 가른다 — 몰리면 입력에 드러나지 않는 챔버 변화(정비 · 드리프트)라 실측으로 바이어스를 갱신하고, 한 장만 튀면 학습 범위 밖 입력이라 그 웨이퍼를 실측으로 돌린다.
2등장 배경
계측 장비는 비싸고 웨이퍼 한 장을 재는 데 시간이 들어, 팹은 로트(보통 25장)에서 한두 장만 골라 잰다. 그 사이 장비가 틀어지면 다음 표본을 잴 때까지 불량 웨이퍼가 계속 나오고, 모든 웨이퍼를 재려면 계측 장비와 공정 사이 대기 시간이 늘어난다(Kang 2009 · US 7,593,912 배경 설명). 1995년 Sachs 외는 런마다 레시피를 고치는 run-by-run 제어를 EWMA 로 정리했지만, 이 제어도 잰 웨이퍼가 있어야 돌았다(Sachs 1995).
2005년 Chen 외가 «웨이퍼 단위 APC 를 위한 가상 계측»을 ISSM 에 냈고(Chen 2005), 2007년 Khan · Moyne · Tilbury 가 PLS 예측값을 이중 EWMA 제어기에 넣는 팹 전체 제어 구조를 보였다(Khan 2007). 2008년 Cheng 외는 예측값을 얼마나 믿을지 재는 신뢰 지수 RI 와 유사도 지수 GSI 를 내놨다(Cheng 2008 · 특허 US 7,593,912 · 2009 등록). 공정 제어 시스템 인터페이스 표준 SEMI E133 은 R2R · 이상 감지와 함께 가상 계측을 다루며, 2014년 개정본(E133-1014)의 정의가 지금 널리 인용된다(Moyne 2007 · IRDS VM 백서 1절).
지금은 식각 속도 · 증착 속도 · 막 두께처럼 공정 값과 관계가 분명한 결과에 많이 쓰이고, 균일도 · 파티클 · CMP 긁힘 · 응력은 어렵다고 본다(IRDS VM 백서 1절). 2018년 IRDS 백서는 넓은 도입을 막는 이유로 모델 신뢰를 나타낼 표준 지표가 없다는 점, 정비 · 챔버 차이 뒤 모델 유지를 꼽았다(3.1 · 3.4절).
3쉽게 이해하기 — 동네 빵집의 무게 어림
동네 빵집 제빵사 하나는 하루에 식빵 500개를 굽는다. 모두 저울에 달 시간이 없어 오븐 기록(온도 · 굽는 시간 · 반죽 양)을 보고 무게를 어림하고, 25개마다 하나만 저울에 올려 어림이 맞는지 본다. 오븐을 청소한 다음 날 어림이 저울보다 14 g 모자라자 그 차이의 반만 어림에 더해 가며 고치고, 처음 보는 호밀 반죽은 어림하지 않고 바로 저울에 단다. 어림한 무게가 목표에서 벗어나면 다음 판의 굽는 시간을 조금 바꾼다.
그림 1 · 제빵사는 모든 빵을 오븐 기록으로 어림하고, 25개 중 하나만 저울에 달아 어림을 고치며, 어림으로 다음 판 굽는 시간을 정한다.
그림 2 · 오븐 청소 뒤 생긴 14 g 차이는 저울에 달 때마다 반씩 줄어든다 — 어림을 한 번에 갈아엎지 않고 저울 결과로 조금씩 옮긴다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 오븐 | 공정 장비 · 챔버 | 웨이퍼 위에 막을 쌓거나 깎는다 |
| 오븐 기록 | FDC 요약 값 · 맥락 | 웨이퍼마다 단계별 센서 평균 · 정비 뒤 장수가 남는다 |
| 무게 어림 | VM 모델(PLS · 트리 · 신경망) | 입력 묶음에서 두께 · 선폭을 예측한다 |
| 25개 중 1개 저울 | 표본 계측 | 실측값으로 예측의 잔차를 만든다 |
| 처음 보는 반죽 | 학습 범위 밖 입력(GSI 초과) | 예측 대신 그 웨이퍼를 실측으로 돌린다 |
| 청소 뒤 어림 고치기 | 모델 갱신 | 잔차로 바이어스를 옮기거나 다시 학습한다 |
| 다음 판 굽는 시간 | R2R 제어 | 다음 웨이퍼 레시피(증착 시간 등)를 고친다 |
| 가게에 내놓기 | 출하 · 다음 공정 | 예측이 규격 밖이면 그 웨이퍼를 보류한다 |
⚠ 비유가 맞지 않는 곳: 빵은 저울에 올리면 바로 무게가 나오지만 웨이퍼 계측은 장비 · 대기 시간이 들어 «대부분 재지 않는 것»이 정상이다. 또 제빵사의 감과 달리 VM 모델은 학습 데이터가 덮은 입력 범위 안에서만 맞는 통계 모델이라, 범위 밖 입력은 GSI 같은 지표로 따로 걸러야 한다.
4구조 — 입력 · 모델 · 신뢰 지표 · 갱신
가상 계측 시스템은 장비 데이터를 요약하는 앞단, 예측과 신뢰 지표를 내는 모델, 실측 표본으로 모델을 고치는 갱신 고리, 예측값을 쓰는 R2R · 표본 선택으로 나뉜다(IRDS VM 백서 그림 1 · 5절). 모델은 센서끼리 강하게 얽힌 입력에는 PLS, 비선형 · 조건 분기가 큰 공정에는 트리 앙상블, 학습 웨이퍼가 많을 때는 신경망을 쓰고, PLS 는 계수로 어느 센서가 두께를 움직이는지 읽을 수 있다(Wold 2001).
그림 3 · 웨이퍼마다 나오는 FDC 요약 값이 모델을 거쳐 예측값과 신뢰 지표가 되고, 표본으로 잰 실측이 잔차를 만들어 모델을 고친다 — 예측값은 다음 웨이퍼 레시피로 되돌아간다.
| 요소 | 입력 → 출력 | 사례 값(그림 4) | 근거 |
|---|---|---|---|
| FDC 요약 값 | 센서 트레이스 → 단계별 평균 · 표준편차 | 7개(RF 전력 · 반사 전력 · 압력 · 히터 온도 · SiH4 유량 · 밸브 위치 · 증착 시간) | IRDS VM 백서 3.2 |
| 맥락 | 정비 기록 · 챔버 · 제품 → 구분 값 | 정비 뒤 장수 · 챔버 하나 | IRDS VM 백서 3.2 |
| 예측 모델 | 표준화 입력 → 두께 | PLS 성분 3개 · 학습 120장 | Wold 2001 |
| 신뢰 지표 | 입력 · 예측 → RI(0 ~ 1) · GSI | GSI 임계값 7.54 | US 7,593,912 |
| 모델 갱신 | 실측 잔차 → 바이어스 · 재학습 | EWMA λ 0.5 | Qin 1998 |
| R2R 제어기 | VM · 실측 → 다음 레시피 | 증착 시간 EWMA λ 0.3 | Sachs 1995 |
| 표본 선택 | GSI · RI → 실측 요청 | 로트당 1장 + GSI 초과 1장 | IRDS VM 백서 5.2 |
🔑 가상 계측은 입력에 드러난 변화만 따라가고, 입력에 드러나지 않는 변화(정비 뒤 챔버 상태)는 실측 표본만 알려 준다.
5동작 — 증착 챔버 500장의 두께 예측
설명용 합성 데이터를 Python 3.14.0 · NumPy 2.4.3(default_rng(7))으로 만들어 직접 실행한 사례다. 산화막 증착 챔버 하나 · 목표 두께 300 nm 이고 공정 값은 모두 설명용 가정 값이며, 합성 데이터라 재지 않은 웨이퍼의 실제 두께도 알고 있어 예측 오차를 웨이퍼마다 셀 수 있다. PLS 는 NIPALS 를 NumPy 로 직접 구현했다(Wold 2001).
- 지난 정비 주기 600장 가운데 5장마다 1장, 120장의 실측 두께(283.8 ~ 310.7 nm)와 FDC 요약 값 7개를 짝지어 학습 세트를 만든다.
- 입력을 표준화하고 PLS 성분 수를 10겹 교차 검증으로 고른다 — 성분 1 · 2 · 3 · 4개의 RMSE 가 1.61 · 0.90 · 0.75 · 0.73 nm 라, 하나 더해도 0.02 nm 밖에 줄지 않는 3개에서 멈춘다(학습 RMSE 0.71 nm).
- 학습 웨이퍼의 GSI(표준화 입력의 마할라노비스 거리 제곱 ÷ 변수 수) 최댓값 2.51 의 3배인 7.54 를 임계값으로 둔다 — US 7,593,912 는 학습 최댓값의 2 ~ 3배를 기본값으로 든다.
- 로트 20개(25장씩 · 500장)를 돌리며 웨이퍼마다 VM 값을 내고 로트마다 13번째 웨이퍼만 잰다(4%) — 정비 전 250장의 VM RMSE 는 0.72 nm 다.
- 140번째 웨이퍼의 반사 전력이 12 W(학습 범위 3.5 ~ 7.2 W)로 튀자 GSI 가 22.0 이 되어, 이 웨이퍼를 실측 표본에 더한다(VM 294.9 nm · 실측 296.9 nm).
- 250장 뒤 챔버를 정비하자 증착 속도가 입력에 드러나지 않게 2% 오르고, 갱신 없는 VM 은 로트 평균 −6.0 ~ −6.5 nm 로 치우친다 — 로트 11 실측 웨이퍼의 잔차 +7.8 nm 를 λ = 0.5 EWMA 로 바이어스에 반영하자 로트 평균 오차가 −5.0 → −2.0 → −0.6 nm 로 줄고, 정비 뒤 RMSE 는 6.32 → 1.99 nm 가 된다.
- 증착 시간을 EWMA(λ = 0.3)로 다시 정하는 R2R 에 실측만 넣으면 500장 두께 RMSE 3.45 nm, 실측과 GSI 를 통과한 VM 값을 함께 넣으면 2.65 nm 다(제어 없음 7.01 nm) — 정비 직후 50장만 보면 8.39 → 5.12 nm 다.
그림 4 · 정비 전에는 갱신 없이도 VM 오차가 0 근처지만, 정비 뒤에는 입력에 드러나지 않는 −6 nm 치우침이 생기고 실측 잔차로 바이어스를 고친 쪽만 세 로트 만에 0 으로 돌아온다.
그림 5 · VM 이 계측 사이 웨이퍼를 메우면 제어가 로트가 아니라 웨이퍼마다 돌아 정비 뒤 두께 이탈이 더 빨리 줄어든다 — 그래도 첫 실측 전 13장은 VM 도 치우침을 모른다.
🔑 VM 은 계측 사이의 빈칸을 메우고 실측 표본은 VM 의 치우침을 메운다 — 둘 중 하나만으로는 웨이퍼 단위 제어가 서지 않는다.
6비교 — 이상 탐지 · 예지 보전과의 차이
| 기준 | 가상 계측 | 이상 탐지 | 예지 보전 |
|---|---|---|---|
| 내는 값 | 웨이퍼의 품질 값(두께 nm · 선폭 nm) | 정상에서 벗어난 정도의 점수 · 판정 | 고장까지 남은 시간 · 주기 |
| 학습 정답 | 표본 웨이퍼의 실측값 | 정상 구간 데이터(정답 없이) | 고장까지 달린 이력 |
| 예측 단위 | 웨이퍼 · 런마다 | 시점 · 시간 창마다 | 설비 · 부품마다 |
| 쓰는 곳 | R2R 제어 · 표본 선택 · 출하 보류 | 경보 · 공정 정지 | 정비 시점 · 부품 발주 |
| 틀렸을 때 | 두께 이탈이 다음 실측까지 숨음 | 오경보 · 놓친 이상 | 고장 · 멀쩡한 부품 폐기 |
| 갱신 신호 | 표본 실측의 잔차 | 정상 점수 분포의 이동 | 정비 결과 · 고장 기록 |
분석품질 값 자체가 필요하고 표본 실측이 계속 들어오면 가상 계측, 정답 없이 «평소와 다른가»만 알면 되면 이상 탐지, 고장 시점을 앞당겨 정비를 잡아야 하면 예지 보전을 고른다. 근거는 표의 「학습 정답」 행 — 가상 계측은 실측값이 있어야 회귀 모델을 맞추고 고칠 수 있다(IRDS VM 백서 3.2절).
셋은 같은 FDC 데이터와 수집 기반을 함께 쓰므로, IRDS 백서는 가상 계측을 이상 탐지 · 예지 보전과 묶어 운영하는 쪽을 과제로 들었다(4절).
7실무 진단 — 가상 계측 오차의 단계 가르기
분석입력(데이터) → 모델 → 갱신 → 제어 순으로 본다. 입력이 학습 범위를 벗어나면 모델 · 갱신을 바꿔도 그 웨이퍼의 예측은 맞지 않으므로(US 7,593,912 의 GSI 판정), GSI 가 정상일 때만 잔차의 부호 · 크기로 모델과 갱신을 의심한다.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 한 웨이퍼만 VM 이 크게 빗나감 | 학습 범위 밖 입력(센서 값 튐) | 입력 | GSI · 변수별 표준 점수 | GSI 가 학습 최댓값의 2 ~ 3배를 넘으면 실측으로(US 7,593,912 · 사례 22.0 > 7.54) |
| 2 | 정비 뒤 실측 잔차가 한 부호로 몰림 | 입력에 안 보이는 챔버 상태 변화 | 갱신 | 정비 기록 · 실측 잔차 이력 | 같은 부호 잔차가 연속되면 바이어스 갱신 · 정비 직후 표본을 늘림(사례 +7.8 → +3.5) |
| 3 | 안정 구간인데 갱신 뒤 오차가 커짐 | 갱신 가중치가 커 계측 잡음을 따라감 | 갱신 | 갱신 전 · 후 RMSE | 사례 0.72 → 0.92 nm — 안정 구간은 λ 를 낮춘다(Sachs 1995 EWMA 가중치) |
| 4 | 다른 챔버로 옮긴 모델이 맞지 않음 | 챔버 차이 · 센서 교정 차이 | 모델 | 챔버별 잔차 평균 | 챔버마다 모델 또는 챔버 맥락 입력(IRDS VM 백서 3.4) |
| 5 | R2R 레시피가 웨이퍼마다 흔들림 | 잡음 큰 VM 을 그대로 되먹임 | 제어 | VM RMSE 와 공정 편차 비교 | VM 오차가 공정 편차보다 작을 때만 웨이퍼 단위 되먹임(Khan 2007) |
진단은 첫 행부터 한다. 한 장짜리 이탈은 GSI 로 걸러지고, 걸러진 뒤에도 잔차가 한쪽으로 쌓이면 그때 갱신 · 모델을 본다 — 순서를 거꾸로 하면 센서 하나가 튄 웨이퍼 때문에 모델 전체를 다시 학습하게 된다.
8시험 대비
www.q-net.or.kr시험에서는 실측 계측과 가상 계측을 가르고 신뢰 지표를 설명하는 정의 · 특징형, 그리고 입력 · 모델 · 갱신 · R2R 연계를 그리는 구조 · 구성형이 나올 수 있다. 정의만 쓰지 말고 정비 뒤 치우침과 갱신, R2R 효과를 수치로 붙이면 다른 답안과 갈린다.
- 개요 — 정의(SEMI E133) · 필요성(로트당 표본 계측 · 계측 지연) · 등장(Chen 2005 · Khan 2007 · Cheng 2008)
- 구성 — 그림 3 FDC 요약 · 맥락 → 예측 모델 → VM 값 · RI · GSI → R2R · 표본 선택 · 실측 잔차 갱신 고리
- 모델과 신뢰 지표 — PLS · 트리 · 신경망 선택 기준 · 성분 수 교차 검증(1.61 → 0.75 nm) · GSI 임계값(학습 최댓값 × 2 ~ 3)
- 운영과 모델 유지 — 그림 4 정비 뒤 −6 nm 치우침과 EWMA 바이어스 갱신(6.32 → 1.99 nm)
- R2R 연계 효과 — 그림 5 로트 단위 3.45 nm ↔ 웨이퍼 단위 2.65 nm · 첫 실측 전 공백
- 도입 과제 — 모델 신뢰 지표 표준 부재 · 챔버 이식 · 데이터 품질(IRDS VM 백서 2018)
꼭 쓸 키워드
FDC 요약 값PLS신뢰 지수(RI)유사도 지수(GSI)R2REWMA스마트 표본모델 갱신챔버 정비SEMI E133
다른 답안과 차이를 내는 한 가지는 그림 4 처럼 «정비 뒤 입력에 보이지 않는 치우침 → 실측 잔차로 회복»을 수치로 보이는 것이다 — 「모든 웨이퍼를 예측한다」 한 줄 대신, 왜 표본 계측을 없애지 못하는지를 근거로 댄다.
9오해와 사실
- 오해가상 계측을 도입하면 계측 장비를 없앨 수 있다.사실VM 은 실측 잔차로 모델을 고쳐야 정비 · 드리프트를 따라가며, 사례에서 갱신을 끊으면 정비 뒤 RMSE 가 0.72 에서 6.32 nm 로 커졌다(IRDS VM 백서 그림 1 = 실측이 모델 갱신에 쓰임).
- 오해학습 정확도가 높은 모델이면 운영 중에도 그만큼 맞는다.사실학습 RMSE 0.71 nm 인 모델도 학습 범위 밖 입력(반사 전력 12 W)이나 정비 뒤 상태에서는 맞지 않으므로, 예측마다 GSI · RI 로 믿을지를 따로 판정한다(US 7,593,912).
- 오해VM 값은 실측과 같은 무게로 제어에 넣어도 된다.사실IRDS 백서는 VM 예측 품질이 제어 모델링을 복잡하게 만든다고 적었고(5.1절), 사례도 GSI 를 넘은 웨이퍼의 VM 값은 되먹임에서 뺐다.
10핵심 정리
| 구분 | 맡는 일 | 단위 · 출력 | 사례 값 | 근거 | 흔한 실패 |
|---|---|---|---|---|---|
| FDC 요약 값 | 트레이스를 웨이퍼당 값으로 | 단계별 평균 · 표준편차 | 7개 | IRDS 3.2 | 맥락(정비 · 챔버) 누락 |
| 예측 모델 | 입력 → 품질 값 | nm | PLS 3성분 · RMSE 0.71 | Wold 2001 | 성분 과다 · 범위 밖 외삽 |
| 신뢰 지표 | 예측을 믿을지 판정 | RI 0 ~ 1 · GSI | 임계 7.54 · 사례 22.0 | US 7,593,912 | 지표 없이 모든 VM 사용 |
| 표본 계측 | 실측으로 잔차 생성 | 로트당 장수 | 25장 중 1장(4%) | IRDS 5.2 | 정비 직후에도 표본 그대로 |
| 모델 갱신 | 잔차로 치우침 제거 | 바이어스 · 재학습 | λ 0.5 · 6.32 → 1.99 | Qin 1998 | λ 과다로 잡음 추종 |
| R2R 연계 | 다음 레시피 보정 | 증착 시간 s | 3.45 → 2.65 nm | Khan 2007 · Sachs 1995 | 잡음 큰 VM 되먹임 |
11참고 문헌
- 먼저 볼 문헌
- ★ Virtual Metrology White Paper - International Roadmap for Devices and Systems (IRDS) — 가상 계측의 쓰임 네 가지 · 도입 순서 · 모델 유지 문제를 볼 때
- ★ US 7,593,912 B2 Method for evaluating reliance level of a virtual metrology system in product manufacturing — 신뢰 지수(RI) · 유사도 지수(GSI)의 계산과 임계값을 볼 때
- ★ An Approach for Factory-Wide Control Utilizing Virtual Metrology (IEEE Transactions on Semiconductor Manufacturing 20(4) 364-375) — 가상 계측 값을 웨이퍼 단위 보정 제어에 넣는 구조를 볼 때
- ★ Run by run process control: combining SPC and feedback control (IEEE Transactions on Semiconductor Manufacturing 8(1) 26-43) — EWMA 보정 제어(run by run)의 원리를 볼 때
- ★ PLS-regression: a basic tool of chemometrics (Chemometrics and Intelligent Laboratory Systems 58(2) 109-130) — PLS 성분 · 가중치 계산(NIPALS)을 따라 해 볼 때
- 본문 근거
- SEMI E133-1014 Specification for Automated Process Control Systems Interface — SEMI · 2014-10 ·
store-us.semi.org/products/e13300-semi-e133-specification-for-automated-process-control-systems-interface· 확인 2026-11-03 - SEMI E133 - The Process Control System Standard: Deriving a Software Interoperability Standard for Advanced Process Control in Semiconductor Manufacturing (IEEE TSM 20(4) 408-420) — IEEE · 2007-11 ·
doi.org/10.1109/TSM.2007.907617· 확인 2026-11-03 - Virtual metrology: a solution for wafer to wafer advanced process control (ISSM 2005 155-157) — IEEE · 2005-09 ·
doi.org/10.1109/ISSM.2005.1513322· 확인 2026-11-03 - Evaluating Reliance Level of a Virtual Metrology System (IEEE Transactions on Semiconductor Manufacturing 21(1) 92-103) — IEEE · 2008-02 ·
doi.org/10.1109/TSM.2007.914373· 확인 2026-11-03 - A virtual metrology system for semiconductor manufacturing (Expert Systems with Applications 36(10) 12554-12561) — Elsevier · 2009-12 ·
doi.org/10.1016/j.eswa.2009.05.053· 확인 2026-11-03 - 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 2026-11-03 - NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/random/generator.html· 확인 2026-11-03