AI › 산업 AI 응용 › 수율 · 품질 예측

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

  1. 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.
  2. 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).
  3. 「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.

가운데 탐 테두리 탐 한 줄 탐 웨이퍼 맵 · 불량 다이 1 도윤이 봄 탄 쿠키가 어디에 모였나 2 분류 모델 이름표 3 가운데 · 테두리 · 한 줄 클래스 레이블 4 장부 → 오븐 기사 테두리 탐이 많은 주 근본 원인 분석(RCA) 어느 날 나온 판 가운데 + 한 줄이 함께 탐 이름란은 하나뿐 5 혼합 패턴 · 다중 레이블 맵 데이터 모델 레이블 사람 · 원인 찾기 탄 쿠키 · 혼합

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.

판 꺼내기오븐에서 막 나옴
모양 보기탄 쿠키 위치
이름표가운데 · 테두리 · 한 줄
장부 적기판마다 한 줄
오븐 점검많은 이름부터
비유 — 장부 기입란의 수 실제 — 분류기 출력 이름란 하나 장부 「가운데 탐」만 적힘 한 줄 탐은 사라짐 단일 레이블 소프트맥스 · 확률 합 = 1 가장 큰 이름 하나만 출력 체크란 여러 개 장부 가운데 · 한 줄 둘 다 표시 체크란마다 따로 예 · 아니오 다중 레이블 유형마다 시그모이드 · 각각 0 ~ 1 0.5 를 넘는 유형 모두 출력 두 줄의 판은 같은 판 · 다른 것은 장부(출력 구조)뿐

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 역할실제 이름실제로 하는 일
쿠키 판웨이퍼 맵다이 격자에 양품 · 불량을 놓은 한 장
탄 쿠키불량 다이웨이퍼 테스트에서 불합격한 칩 하나
도윤의 눈분류 모델(특징 · CNN)불량 다이가 모인 위치 분포를 읽는다
이름표패턴 클래스중심 · 도넛 · 가장자리 고리 · 긁힘 등
두 모양이 겹친 판혼합 패턴유형마다 따로 판정하는 다중 레이블로 적는다
처음 보는 판거부 · 사람 확인확신도가 기준 아래면 이름을 붙이지 않고 넘긴다
오븐 기사근본 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).

다이 격자 0 밖 · 1 양품 2 불량 52 × 52 등 전처리 크기 맞춤 밖 칸 구분 수작업 특징 띠 밀도 · Radon 덩어리 모양 CNN 격자 = 영상 특징을 학습 단일 레이블 소프트맥스 이름 하나 다중 레이블 유형마다 시그모이드 이름 여러 개 확신도 검사 기준 이상 → 이름 기준 아래 → 보류 모양 이름 → RCA 보류 → 사람 확인 맵 데이터 표현 · 학습 출력 구조 판정 · 사람 점선 = 사람에게 넘김 · 회색 화살 = 보류 길

그림 3 · 격자는 두 표현 가운데 하나를 거쳐 두 출력 구조 가운데 하나로 가고, 확신도 검사가 이름을 낼지 사람에게 넘길지 정한다.

요소하는 일값 · 근거
다이 격자다이마다 0 = 웨이퍼 밖 · 1 = 양품 · 2 = 불량MixedWM38 52 × 52(Wang 2020)
전처리격자 크기를 맞추고 밖 칸을 구분256 × 256 으로 키움(Alawieh 2020 IV.A)
수작업 특징반지름 띠 밀도 · Radon · 덩어리 기하 값Wu 2015 · 사례 9개(그림 4)
CNN 표현격자를 영상으로 넣어 특징을 학습Nakazawa 2018 · 합성곱 신경망
단일 레이블소프트맥스 · 확률 합 1 · 이름 하나WM-811K 9 클래스
다중 레이블기본 유형마다 시그모이드 · 0.5 기준8 유형 원-핫(Wang 2020) · 이진 관련성(Zhang 2014)
확신도 거부최대 확률이 기준 아래면 보류SelectiveNet(Geifman 2019) · Alawieh 2020
불균형 보정드문 클래스에 가중 · 증강가중 = n ÷ (K × n_k)(scikit-learn LogisticRegression)
합성 맵 표본과 그 클래스의 평균 특징 없음 불량률 0.035 중심 안쪽 띠 0.48 도넛 중간 띠 0.41 가장자리 고리 바깥 띠 0.39 가장자리 국부 부채꼴 3.95 긁힘 길쭉함 10.5 무작위 띠 0.14 ~ 0.17 중심 + 긁힘 길쭉함 1.6 불량 다이 띠 = 반지름 다섯 구간의 불량률 · 부채꼴 = 바깥 8등분 중 최대 ÷ 평균 · 점선 원 = 학습에 없는 혼합 맵

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).

  1. 격자를 만든다 — 32 × 32 격자에 반지름 15.5 원을 그려 웨이퍼 안 다이 740개를 둔다.
  2. 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.
  3. 맵마다 특징 9개 — 전체 불량률 · 반지름 띠 5개 밀도 · 바깥 부채꼴 집중 · 가장 큰 덩어리 비율 · 덩어리 길쭉함 — 를 뽑아 표준화한다(그림 4).
  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.
  5. 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.
  6. 4단계 모델에 확신도 0.8 거부를 붙이면 674장 중 21장(결함 맵 14장)이 보류되고, 이름을 낸 맵의 정확도는 98.8% 가 된다.
  7. 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.
  8. 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.

1 격자 32 × 32 · 원 안 다이 740개 rng 시드 0 2 맵 학습 1,347 · 시험 674 없음 74% 긁힘 학습 20장 3 특징 9개 띠 5 · 부채꼴 1 덩어리 비율 · 길쭉함 표준화 4 가중 없음 정확도 97.2% 긁힘 2 / 10 8장 → 「없음」 5 클래스 가중 긁힘 7 / 10 정확도 96.0% 없음 오경보 20장 6 거부 0.8 674장 중 21장 보류 남은 정확도 98.8% 결함 맵 14장 포함 7 혼합 20장 20장 모두 「중심」 확신도 중앙값 0.999 0.8 거부 0장 8 다중 레이블 둘 다 켜짐 19 / 20 정확히 맞음 13 유형마다 시그모이드 맵 데이터 특징 분류 결과 거부 판정 실패(혼합 놓침)

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.

클래스 가중의 맞바꿈 — 시험 674장 긁힘 0.20 0.70 가장자리 국부 0.90 0.95 없음 0.99 0.96 정확도 97.2% → 96.0% · 「없음」 오경보 5 → 20장 가중 없음 가중 n ÷ (K × n_k) 막대 = 재현율(0 ~ 1) 혼합 맵 20장(중심 + 긁힘) 단일 레이블 중심 20 긁힘 0 다중 레이블 중심 20 긁힘 19 확신도 중앙값 0.999 · 0.8 거부 0장 그 유형이 켜진 맵 수(최대 20)

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

기준수작업 특징 + SVMCNN · 단일 레이블CNN · 다중 레이블유사도 검색 · 군집
입력띠 밀도 · Radon · 기하 값(Wu 2015)격자 영상격자 영상특징 · 영상 사이 거리
레이블모양마다 필요필요 · 많을수록 유리혼합 조합까지 필요(38 종류 · Wang 2020)없어도 됨 · 군집에 사람이 이름
WM-811K 결과정확도 91% · 결함 클래스 72%(Alawieh 2020 재현)94% · 86%(같은 논문)—비슷한 맵 순위(Wu 2015)
긁힘 87장 정답33장25장——
섞인 모양이름 하나이름 하나유형마다 판정따로 군집이 생김
학습에 없던 모양기존 이름으로거부가 없으면 재현율 0%(Alawieh 2020 표 IV)같음새 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.

#증상의심 원인단계확인 자료판정 기준(근거)
1정확도는 97% 인데 긁힘을 거의 못 잡음「없음」 지배 · 불균형학습클래스별 재현율 · 혼동 행렬사례 2 / 10 · 원래 분할에서 결함만 44.35%(Alawieh 2020 IV.A)
2가중 뒤 정상 맵 오경보가 늘어남가중이 너무 큼학습「없음」 재현율 · 오경보 수사례 5 → 20장 · 가중 식 n ÷ (K × n_k)(scikit-learn)
3두 모양이 보이는 맵이 한 이름만 받음단일 레이블 출력 구조출력혼합 맵 표본의 다중 레이블 판정사례 20장 모두 「중심」 · 확신도 0.999 · MixedWM38 8 유형 원-핫(Wang 2020)
4새 공정 뒤 낯선 모양이 기존 이름으로 들어감학습에 없던 클래스판정보류 비율 추이 · 보류 맵 사람 레이블거부 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.

답안 목차
  1. 개요 — 정의(다이 판정 격자에 모양 이름) · 수율 · 품질 예측 안의 위치 · 근본 원인 분석으로 넘기는 출력
  2. 구성 — 그림 3 구조(격자 · 전처리 · 표현 · 단일 / 다중 레이블 · 확신도 거부) + WM-811K 9 클래스
  3. 특징과 모양 — 그림 4 표본(반지름 띠 · 부채꼴 · 길쭉함) · Radon · 기하 특징
  4. 처리 흐름 — 그림 5 사례(정확도 97.2% · 긁힘 2 / 10 → 가중 7 / 10 · 혼합 20장 모두 「중심」)
  5. 핵심 문제 — 그림 6 가중의 맞바꿈 · 단일 ↔ 다중 레이블 · 거부 옵션
  6. 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

구분보는 것출력확인 지표흔한 실패
수작업 특징띠 밀도 · Radon · 덩어리 기하특징 벡터클래스별 재현율특징이 못 담는 모양
CNN격자 영상 전체학습된 특징결함 클래스 정확도가는 선(긁힘) 놓침
단일 레이블아는 이름 중 하나소프트맥스 확률혼동 행렬혼합 맵에 이름 하나
다중 레이블기본 유형마다 따로유형별 시그모이드혼합 맵 정확 일치다른 유형까지 붙음
클래스 가중드문 클래스의 손실n ÷ (K × n_k)「없음」 오경보 수정상 맵 오경보 증가
확신도 거부최대 확률이름 또는 보류보류 비율 추이섞인 모양은 못 거름
패턴 클래스WM-811K 9 클래스모양 이름클래스별 맵 수「없음」 85% 쏠림

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ 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
    M.-J. Wu · J.-S. R. Jang · J.-L. Chen · IEEE · 2015-02 · doi.org/10.1109/TSM.2014.2364237 · 확인 2026-11-12
  3. ★ 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
    M. B. Alawieh · D. Boning · D. Z. Pan · 2020-07 · par.nsf.gov/servlets/purl/10192082 · 확인 2026-11-12
  4. ★ 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
    J. Wang · C. Xu · Z. Yang · J. Zhang · X. Li · 2020-11 · github.com/Junliangwangdhu/WaferMap · 확인 2026-11-12
  5. ★ 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
    M.-L. Zhang · Z.-H. Zhou · IEEE · 2014-08 · doi.org/10.1109/TKDE.2013.39 · 확인 2026-11-12
  6. 본문 근거
  7. 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
  8. 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
  9. 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
  10. 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
  11. NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 · numpy.org/doc/2.4/reference/random/generator.html · 확인 2026-11-12