웨이퍼 맵 불량 패턴 분류Wafer Map Defect Pattern Classification
웨이퍼 테스트가 다이마다 남긴 양품 · 불량 격자를 한 장의 영상으로 보고, 불량 다이가 모인 분포 모양(중심 · 도넛 · 가장자리 고리 · 긁힘 · 혼합 등)에 이름을 붙이는 분류 모델이다.
1요약
- 웨이퍼 맵 불량 패턴 분류는 웨이퍼 테스트가 남긴 다이 판정 격자에 모양 이름을 붙이는 수율 · 품질 예측 안의 AI 응용으로, 그 이름 위에서 근본 원인 분석이 «웨이퍼의 어느 위치에 영향을 준 공정 · 장비인가»를 좁힌다 — 웨이퍼 맵 자체(무엇이고 어떻게 만드나)는 반도체 「웨이퍼 맵」이 맡고, 이 글은 그 맵을 AI 로 분류하는 각도만 다룬다.
- 불량 모양은 드물고 고르지 않다 — 공개 자료 WM-811K 의 레이블 맵은 85% 가 「없음」이고 도넛은 555장뿐이며(Bao 2024), 같은 자료에서 SVM 은 전체 정확도 91% 인데 결함 클래스만 세면 72% 였다(Alawieh 2020 IV장).
- 「분류가 틀린다」는 세 가지로 가른다 — 드문 모양의 재현율이 낮으면 불균형, 한 맵에 모양이 둘이면 단일 레이블 구조, 학습에 없던 모양이면 거부(보류)가 없어서다.
2등장 배경
웨이퍼 테스트가 끝나면 웨이퍼마다 다이 판정 격자가 한 장씩 쌓인다. 엔지니어가 맵을 눈으로 훑어 모양 이름을 붙여 왔지만, 이 일은 경험에 기대고 사람마다 기준이 달라 대량의 맵을 같은 기준으로 처리하기 어려웠다(Alawieh 2020 I장).
2015년 Wu · Jang · Chen 은 실제 팹 맵 WM-811K 를 공개하고 Radon 특징 · 기하 특징을 SVM 에 넣는 분류와 비슷한 맵 순위 검색을 냈다(Wu 2015). 2018년 Nakazawa · Kulkarni 는 합성 맵으로 CNN 을 학습해 실제 맵을 분류했고(Nakazawa 2018), 2020년 Alawieh · Boning · Pan 은 확신이 낮으면 판정을 보류하는 CNN 을(Alawieh 2020), Wang 외는 모양이 섞인 맵 38 종류를 공개했다(Wang 2020).
지금은 격자를 영상으로 넣는 CNN 이 중심이지만 남은 문제는 그대로다 — 드문 모양의 불균형, 한 맵에 겹친 모양, 학습 뒤에 새로 생긴 모양이다.
3쉽게 이해하기 — 제빵사 도윤의 쿠키 판 이름표
제빵사 도윤은 오븐에서 꺼낸 쿠키 판마다 탄 쿠키가 어디에 있는지 본다. 가운데만 탔으면 「가운데 탐」, 테두리를 따라 탔으면 「테두리 탐」, 비스듬히 한 줄로 탔으면 「한 줄 탐」 이름표를 붙여 장부에 적는다. 오븐 기사는 「테두리 탐」이 많은 주에 문 쪽 열선부터 본다. 그런데 어느 날 가운데도 타고 한 줄도 탄 판이 나왔는데, 장부에는 이름란이 하나뿐이다.
그림 1 · 도윤은 탄 쿠키의 위치 모양을 보고 이름표를 붙이고, 오븐 기사는 쌓인 이름표로 점검할 곳을 고른다 — 두 모양이 겹친 판은 이름란 하나로 적을 수 없다.
그림 2 · 같은 판을 같은 눈으로 봐도, 장부의 기입란 수가 적을 수 있는 이름의 수를 정한다 — 이름란 하나는 단일 레이블, 체크란 여럿은 다중 레이블이다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 쿠키 판 | 웨이퍼 맵 | 다이 격자에 양품 · 불량을 놓은 한 장 |
| 탄 쿠키 | 불량 다이 | 웨이퍼 테스트에서 불합격한 칩 하나 |
| 도윤의 눈 | 분류 모델(특징 · CNN) | 불량 다이가 모인 위치 분포를 읽는다 |
| 이름표 | 패턴 클래스 | 중심 · 도넛 · 가장자리 고리 · 긁힘 등 |
| 두 모양이 겹친 판 | 혼합 패턴 | 유형마다 따로 판정하는 다중 레이블로 적는다 |
| 처음 보는 판 | 거부 · 사람 확인 | 확신도가 기준 아래면 이름을 붙이지 않고 넘긴다 |
| 오븐 기사 | 근본 원인 분석(RCA) | 이름의 빈도로 공정 · 장비 후보를 좁힌다 |
⚠ 비유가 맞지 않는 곳: 탄 쿠키는 오븐 하나의 열 문제지만, 웨이퍼의 같은 모양은 수백 단계 가운데 여러 공정이 만들 수 있다. 이름표는 원인 후보를 좁힐 뿐 원인을 정하지 않는다.
4구조 — 격자 · 표현 · 분류기 · 거부
분류기는 다이 격자를 받아 표현(수작업 특징 또는 CNN)으로 바꾸고, 출력 구조(단일 또는 다중 레이블)와 확신도 거부를 거쳐 이름을 낸다. WM-811K 의 이름은 중심 · 도넛 · 가장자리 국부 · 가장자리 고리 · 국부 · 거의 전면 · 무작위 · 긁힘 · 없음의 9 클래스이고, 레이블 맵은 가장자리 국부 5,189 · 중심 4,294 · 국부 3,593 · 긁힘 1,193 · 무작위 866 장으로 크게 기운다(Bao 2024).
그림 3 · 격자는 두 표현 가운데 하나를 거쳐 두 출력 구조 가운데 하나로 가고, 확신도 검사가 이름을 낼지 사람에게 넘길지 정한다.
| 요소 | 하는 일 | 값 · 근거 |
|---|---|---|
| 다이 격자 | 다이마다 0 = 웨이퍼 밖 · 1 = 양품 · 2 = 불량 | MixedWM38 52 × 52(Wang 2020) |
| 전처리 | 격자 크기를 맞추고 밖 칸을 구분 | 256 × 256 으로 키움(Alawieh 2020 IV.A) |
| 수작업 특징 | 반지름 띠 밀도 · Radon · 덩어리 기하 값 | Wu 2015 · 사례 9개(그림 4) |
| CNN 표현 | 격자를 영상으로 넣어 특징을 학습 | Nakazawa 2018 · 합성곱 신경망 |
| 단일 레이블 | 소프트맥스 · 확률 합 1 · 이름 하나 | WM-811K 9 클래스 |
| 다중 레이블 | 기본 유형마다 시그모이드 · 0.5 기준 | 8 유형 원-핫(Wang 2020) · 이진 관련성(Zhang 2014) |
| 확신도 거부 | 최대 확률이 기준 아래면 보류 | SelectiveNet(Geifman 2019) · Alawieh 2020 |
| 불균형 보정 | 드문 클래스에 가중 · 증강 | 가중 = n ÷ (K × n_ |
그림 4 · 모양마다 커지는 특징이 다르다 — 중심은 안쪽 띠, 도넛은 중간 띠, 가장자리 고리는 바깥 띠, 긁힘은 길쭉함이 커지고, 중심 + 긁힘 혼합 맵은 길쭉함이 1.6 으로 묻힌다.
🔑 확신도는 «아는 이름 가운데 무엇이 가장 그럴듯한가»만 답한다 — 섞인 모양과 처음 보는 모양은 확신도가 높아도 걸러지지 않으므로, 출력 구조(다중 레이블)와 거부를 따로 설계한다.
5동작 — 합성 맵 2,041장으로 불균형 · 혼합 확인
공개 자료의 분포를 흉내 낸 합성 맵으로 단일 · 다중 레이블 분류를 직접 실행했다 — Python 3.14.0 · NumPy 2.4.3 · default_rng(0) 하나 · 로지스틱 회귀 직접 구현(직접 실행 · 합성 데이터 · 불량률은 설명용 가정 값).
- 격자를 만든다 — 32 × 32 격자에 반지름 15.5 원을 그려 웨이퍼 안 다이 740개를 둔다.
- 학습 맵 1,347장(없음 1,000 · 가장자리 고리 150 · 가장자리 국부 80 · 중심 70 · 긁힘 20 · 무작위 15 · 도넛 12)과 같은 비율의 시험 맵 674장을 만든다 — 바탕 불량률 1 ~ 6% · 모양 안 30 ~ 70% 다.
- 맵마다 특징 9개 — 전체 불량률 · 반지름 띠 5개 밀도 · 바깥 부채꼴 집중 · 가장 큰 덩어리 비율 · 덩어리 길쭉함 — 를 뽑아 표준화한다(그림 4).
- 가중 없는 소프트맥스 로지스틱 회귀(경사 하강 3,000회)는 시험 정확도 97.2% 지만, 긁힘 10장 중 2장만 맞히고 8장을 「없음」으로 부른다.
- 클래스 가중 n ÷ (K × n_k)(긁힘 9.62 · 없음 0.19)를 주면 긁힘은 7장을 맞히고, 대신 「없음」 500장 중 20장을 결함으로 불러 정확도는 96.0% 로 내려간다.
- 4단계 모델에 확신도 0.8 거부를 붙이면 674장 중 21장(결함 맵 14장)이 보류되고, 이름을 낸 맵의 정확도는 98.8% 가 된다.
- 학습에 없던 중심 + 긁힘 혼합 맵 20장을 넣으면 4단계 모델은 20장 모두 「중심」이라 답하고, 최대 확률 중앙값이 0.999 라 0.8 거부에 한 장도 걸리지 않는다.
- 출력을 기본 유형 6개의 시그모이드로 바꾸면(이진 관련성 · Zhang 2014) 같은 20장 중 19장에서 중심 · 긁힘이 함께 켜진다 — 다른 유형까지 붙지 않고 정확히 맞은 맵은 13장이다.
시드 0 ~ 9 로 다시 돌리면 긁힘 정답은 가중 없음 2 ~ 9장 → 가중 5 ~ 10장으로 10번 모두 늘고, 혼합 맵은 19 ~ 20장이 「중심」 · 거부 0 ~ 4장이다.
그림 5 · 정확도 97.2% 의 모델이 긁힘 10장 중 8장을 놓치고, 가중은 긁힘을 7장으로 올리는 대신 정상 20장을 오경보하며, 혼합 맵은 확신도 0.999 로 한 이름만 받는다.
그림 6 · 클래스 가중은 긁힘 재현율 0.20 을 0.70 으로 올리고 「없음」 재현율을 0.99 에서 0.96 으로 내리며, 혼합 맵의 긁힘은 출력 구조를 바꿔야 0 에서 19장으로 보인다.
🔑 클래스 가중은 드문 모양을 찾는 대가로 정상 맵의 오경보를 산다 — 사례에서 긁힘 정답 2 → 7장을 얻고 「없음」 오경보는 5 → 20장이 됐으므로, 가중은 재검토 인력이 감당하는 오경보 수 안에서 정한다.
6비교 — 표현 · 출력 방식 네 가지
| 기준 | 수작업 특징 + SVM | CNN · 단일 레이블 | CNN · 다중 레이블 | 유사도 검색 · 군집 |
|---|---|---|---|---|
| 입력 | 띠 밀도 · Radon · 기하 값(Wu 2015) | 격자 영상 | 격자 영상 | 특징 · 영상 사이 거리 |
| 레이블 | 모양마다 필요 | 필요 · 많을수록 유리 | 혼합 조합까지 필요(38 종류 · Wang 2020) | 없어도 됨 · 군집에 사람이 이름 |
| WM-811K 결과 | 정확도 91% · 결함 클래스 72%(Alawieh 2020 재현) | 94% · 86%(같은 논문) | — | 비슷한 맵 순위(Wu 2015) |
| 긁힘 87장 정답 | 33장 | 25장 | — | — |
| 섞인 모양 | 이름 하나 | 이름 하나 | 유형마다 판정 | 따로 군집이 생김 |
| 학습에 없던 모양 | 기존 이름으로 | 거부가 없으면 재현율 0%(Alawieh 2020 표 IV) | 같음 | 새 군집으로 드러남 |
분석이름 체계가 정해지고 레이블이 쌓였으면 CNN 단일 레이블에 거부를 붙이고, 한 맵에 원인이 둘 이상 겹치는 공정이면 다중 레이블로, 레이블이 없거나 새 모양을 찾는 단계면 유사도 검색 · 군집으로 시작한다. 근거는 표의 「WM-811K 결과」 · 「학습에 없던 모양」 행 — CNN 이 결함 클래스에서 14점 앞서지만, 모르는 모양에는 거부 없이 0% 다.
7실무 진단 — 분류가 빗나갈 때
분석클래스별 재현율 → 혼합 맵 표본 → 확신도 분포 순으로 본다. 전체 정확도는 「없음」이 대부분인 자료에서 결함 클래스의 실패를 숨기므로(Alawieh 2020 IV.A · 표 1행), 클래스별 값부터 봐야 다음 두 원인을 가를 수 있다.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 정확도는 97% 인데 긁힘을 거의 못 잡음 | 「없음」 지배 · 불균형 | 학습 | 클래스별 재현율 · 혼동 행렬 | 사례 2 / 10 · 원래 분할에서 결함만 44.35%(Alawieh 2020 IV.A) |
| 2 | 가중 뒤 정상 맵 오경보가 늘어남 | 가중이 너무 큼 | 학습 | 「없음」 재현율 · 오경보 수 | 사례 5 → 20장 · 가중 식 n ÷ (K × n_ |
| 3 | 두 모양이 보이는 맵이 한 이름만 받음 | 단일 레이블 출력 구조 | 출력 | 혼합 맵 표본의 다중 레이블 판정 | 사례 20장 모두 「중심」 · 확신도 0.999 · MixedWM38 8 유형 원-핫(Wang 2020) |
| 4 | 새 공정 뒤 낯선 모양이 기존 이름으로 들어감 | 학습에 없던 클래스 | 판정 | 보류 비율 추이 · 보류 맵 사람 레이블 | 거부 없으면 재현율 0% · 거부가 있으면 모두 보류(Alawieh 2020 표 IV) |
8시험 대비
시험에서는 웨이퍼 맵 패턴 분류의 정의와 클래스 · 구성 요소를 쓰는 정의 · 특징형, 그리고 수작업 특징 + SVM → CNN → 혼합형 · 거부로 넘어온 흐름을 쓰는 동향 · 발전형이 나올 수 있다. 맵 자체의 생성 과정은 한 줄로 넘기고, 불균형 · 혼합 · 새 모양 세 문제를 숫자로 보이면 정의 수준을 넘는다.
- 개요 — 정의(다이 판정 격자에 모양 이름) · 수율 · 품질 예측 안의 위치 · 근본 원인 분석으로 넘기는 출력
- 구성 — 그림 3 구조(격자 · 전처리 · 표현 · 단일 / 다중 레이블 · 확신도 거부) + WM-811K 9 클래스
- 특징과 모양 — 그림 4 표본(반지름 띠 · 부채꼴 · 길쭉함) · Radon · 기하 특징
- 처리 흐름 — 그림 5 사례(정확도 97.2% · 긁힘 2 / 10 → 가중 7 / 10 · 혼합 20장 모두 「중심」)
- 핵심 문제 — 그림 6 가중의 맞바꿈 · 단일 ↔ 다중 레이블 · 거부 옵션
- 발전 방향 — CNN · 혼합형 공개 자료(MixedWM38) · 거부 · 새 모양 탐지 · 표의 SVM ↔ CNN 결과
꼭 쓸 키워드
웨이퍼 맵WM-811K패턴 클래스Radon 특징CNN클래스 불균형클래스 가중다중 레이블혼합 패턴거부 옵션
다른 답안과 차이를 내는 한 가지는 그림 6 처럼 «정확도 97.2% 인데 긁힘 2 / 10» 과 «혼합 맵 20장 확신도 0.999» 를 숫자로 보이는 것이다 — 「CNN 으로 분류한다」 한 줄 대신 정확도 · 확신도가 숨기는 두 실패를 짚는다.
9오해와 사실
- 오해정확도가 97% 를 넘으면 드문 모양도 잘 잡는다.사실사례 모델은 정확도 97.2% 에서 긁힘 10장 중 2장만 맞혔고, WM-811K 원래 분할에서 SVM 은 「없음」을 빼면 44.35% 였다(Alawieh 2020 IV.A).
- 오해확신도가 높은 판정은 그대로 믿어도 된다.사실소프트맥스 확률은 아는 이름끼리 합이 1 이라, 사례의 혼합 맵 20장은 중앙값 0.999 로 모두 「중심」을 받았다.
- 오해CNN 이 나오면서 수작업 특징은 쓸모가 없어졌다.사실같은 시험에서 CNN 은 결함 클래스 전체로 86% 대 72% 로 앞섰지만, 가는 선 모양인 긁힘 87장은 SVM 이 33장 · CNN 이 25장을 맞혔다(Alawieh 2020 표 III).
10핵심 정리
| 구분 | 보는 것 | 출력 | 확인 지표 | 흔한 실패 |
|---|---|---|---|---|
| 수작업 특징 | 띠 밀도 · Radon · 덩어리 기하 | 특징 벡터 | 클래스별 재현율 | 특징이 못 담는 모양 |
| CNN | 격자 영상 전체 | 학습된 특징 | 결함 클래스 정확도 | 가는 선(긁힘) 놓침 |
| 단일 레이블 | 아는 이름 중 하나 | 소프트맥스 확률 | 혼동 행렬 | 혼합 맵에 이름 하나 |
| 다중 레이블 | 기본 유형마다 따로 | 유형별 시그모이드 | 혼합 맵 정확 일치 | 다른 유형까지 붙음 |
| 클래스 가중 | 드문 클래스의 손실 | n ÷ (K × n_ | 「없음」 오경보 수 | 정상 맵 오경보 증가 |
| 확신도 거부 | 최대 확률 | 이름 또는 보류 | 보류 비율 추이 | 섞인 모양은 못 거름 |
| 패턴 클래스 | WM-811K 9 클래스 | 모양 이름 | 클래스별 맵 수 | 「없음」 85% 쏠림 |
11참고 문헌
- 먼저 볼 문헌
- ★ Wafer Map Failure Pattern Recognition and Similarity Ranking for Large-Scale Data Sets (IEEE Trans. Semiconductor Manufacturing 28(1) 1-12) — 공개 자료 WM-811K 의 출처와 Radon · 기하 특징 + SVM 분류 · 비슷한 맵 순위를 볼 때
- ★ Wafer Map Defect Patterns Classification using Deep Selective Learning (57th ACM/IEEE Design Automation Conference · DOI 10.1109/DAC18072.2020.9218580 · 저자 공개판 NSF PAR) — WM-811K 에서 SVM 과 CNN 의 혼동 행렬 · 거부 옵션 · 학습에 없던 모양 시험을 볼 때
- ★ Deformable Convolutional Networks for Efficient Mixed-type Wafer Defect Pattern Recognition (IEEE Trans. Semiconductor Manufacturing · DOI 10.1109/TSM.2020.3020985) · MixedWM38 자료 저장소 — 혼합 모양 38 종류 · 기본 유형 8개 원-핫 레이블의 공개 맵 자료를 볼 때
- ★ A Review on Multi-Label Learning Algorithms (IEEE Trans. Knowledge and Data Engineering 26(8) 1819-1837) — 유형마다 이진 분류기를 두는 이진 관련성(binary relevance) 방식을 볼 때
- 본문 근거
- Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network (arXiv 2411.11029) — Y.-Y. Bao 외 · arXiv · 2024-11 ·
arxiv.org/abs/2411.11029· 확인 2026-11-12 - Wafer Map Defect Pattern Classification and Image Retrieval Using Convolutional Neural Network (IEEE Trans. Semiconductor Manufacturing 31(2) 309-314) — T. Nakazawa · D. V. Kulkarni · IEEE · 2018-05 ·
doi.org/10.1109/TSM.2018.2795466· 확인 2026-11-12 - SelectiveNet: A Deep Neural Network with an Integrated Reject Option (arXiv 1901.09192 · ICML 2019) — Y. Geifman · R. El-Yaniv · 2019-01 ·
arxiv.org/abs/1901.09192· 확인 2026-11-12 - scikit-learn 1.9.1 sklearn.linear_model.LogisticRegression (class_weight) — scikit-learn developers · 2026-11 ·
scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html· 확인 2026-11-12 - NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/random/generator.html· 확인 2026-11-12