수율 예측Yield Prediction
공정 단계가 끝날 때마다 그때까지 쌓인 공정 · 계측 요약값으로, 웨이퍼 테스트 전에 웨이퍼 · 로트의 수율 값(양품 다이 비율)을 예측하는 모델이다.
1요약
- 수율 예측은 웨이퍼 테스트 전에 공정 · 계측 요약값으로 웨이퍼 · 로트의 수율 값(양품 다이 ÷ 전체 다이)을 내는 회귀 · 분류 모델로, IRDS 2022 FI 가 «팹 정보로 공정 · 최종 수율을 예측하는 기술»로 두며(5.8.4.1절) 그 값 위에서 검사 순서 · 로트 우선 처리 · 근본 원인 분석이 돈다.
- 테스트 결과는 마지막 단계 뒤에야 나오고 저수율 웨이퍼는 드물다 — 설명용 합성 자료 3,000장에서 저수율(80% 미만)은 201장(6.7%)이고, 테스트 3일 전 모델도 R² 0.578 에 그친다(직접 실행).
- 「예측이 쓸모없다」는 시점과 경보 방식으로 가른다 — 이른 시점 모델이 평균 기준선과 같으면 수율을 좌우하는 단계가 아직 지나지 않은 것이고, 마지막 시점에서도 저수율을 못 잡으면 문턱 대신 예측 순위로 경보를 낸다.
2등장 배경
웨이퍼는 수백 단계를 몇 주에 걸쳐 지난 뒤에야 웨이퍼 테스트에서 다이마다 양품 · 불량이 정해진다. 테스트에서 저수율을 처음 알면, 같은 조건으로 그 뒤에 투입된 로트들도 이미 여러 단계를 지나 있다.
1964년 Murphy 와 1973년 Stapper 는 다이 넓이와 결함 밀도로 평균 수율을 계산하는 결함 밀도 수율 모델을 냈다(Murphy 1964 · Stapper 1973) — 이 모델은 계획 · 비교용이라 웨이퍼마다 다른 값을 내지 못한다. 2008년 McCann · Johnston 은 공정 신호와 합격 · 불량 레이블을 UCI 에 공개해 공정 데이터로 결과를 맞히는 공개 기준을 만들었고(SECOM 2008), 2020년 Jiang · Lin · Raghavan 은 웨이퍼 제조 단계에서 최종 테스트 수율 등급을 분류해 저수율을 더 이른 단계에서 잡는 틀을 냈다(Jiang 2020).
IRDS 2022 FI 는 수율 예측을 가상 계측 · 예지 보전보다 늦게 오는 기술로 본다(5.8.4.2절). 한 장비 안에서 끝나는 두 기술과 달리, 수백 단계의 값을 웨이퍼 ID 로 이어 붙인 표가 있어야 학습을 시작할 수 있다.
3쉽게 이해하기 — 마라톤 운영 팀장 서윤의 완주 어림
마라톤 운영 팀장 서윤은 주자 1,000명이 10km 마다 체크포인트를 지날 때 구간 기록을 받아 완주 시간을 어림한다. 10km 기록만으로는 누가 제한 시간을 넘길지 거의 가릴 수 없고, 30km 에서는 꽤 맞지만 남은 거리가 12km 뿐이다. 제한 시간을 넘길 주자는 몇십 명뿐이라, 서윤은 «어림이 제한 시간을 넘는 주자»만 고르지 않고 «어림이 느린 순서로 앞 몇십 명»에게 회수 버스와 보급을 먼저 보낸다.
그림 1 · 주자가 체크포인트를 지날 때마다 장부에 한 줄이 늘고, 서윤은 그 장부로 완주를 어림해 늦을 주자를 먼저 챙긴다 — 결승 기록은 맨 마지막에야 나온다.
그림 2 · 어림은 가운데로 당겨져 제한 시간 줄을 넘는 주자가 적다 — 느린 순서로 줄을 세워 앞 몫을 챙기면 같은 어림으로 늦을 주자를 더 많이 잡는다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 주자 | 웨이퍼 | 공정 단계를 차례로 지나며 기록을 남긴다 |
| 체크포인트 | 예측 시점(단계 끝) | 그때까지 끝난 단계 값만으로 예측을 한 번 낸다 |
| 구간 기록 장부 | 공정 · 계측 요약값 | 단계마다 센서 요약 · 계측 값을 웨이퍼 한 줄에 더한다 |
| 완주 시간 어림 | 수율 예측 모델 | 웨이퍼 · 로트의 수율 값을 낸다 |
| 남은 거리 | 테스트까지 남은 일수 | 예측을 보고 손쓸 수 있는 시간 |
| 늦을 주자 먼저 챙기기 | 저수율 경보 | 예측 순위 하위부터 검사 · 처리한다 |
| 지난 대회 주자들 | 학습 로트 | 다른 로트의 기록으로 배워 새 로트에 쓴다 |
| 결승 기록 | 웨이퍼 테스트 수율 | 정답 값이 되고 다음 학습 자료로 쌓인다 |
⚠ 비유가 맞지 않는 곳: 주자는 체크포인트에서 시간을 직접 잴 수 있지만, 웨이퍼의 수율은 단계를 지나도 보이지 않고 테스트에서 한꺼번에 나온다. 또 같은 로트 웨이퍼는 같은 장비를 함께 지나 서로 닮는데, 주자는 대개 따로 달린다.
4구조 — 입력 단계 · 예측 시점 · 모델 · 평가
수율 예측은 «언제, 무엇까지 보고, 어느 단위의 값을 내는가»로 짜인다. 예측 시점마다 그때까지 끝난 단계의 특징만 넣는 모델을 따로 두고, 출력은 웨이퍼 수율 · 로트 수율 · 저수율 순위로 나눠 쓴다. 이 모델이 «어느 웨이퍼가» 낮을지를 내면 «왜»는 근본 원인 분석(RCA)이, 다이 불량의 모양은 웨이퍼 맵 불량 패턴 분류가 맡는다.
그림 3 · 예측 시점이 늦을수록 넣는 단계가 늘고 남은 일수는 줄며, 네 시점 모델의 출력은 같은 세 가지(웨이퍼 · 로트 · 저수율 순위)로 나가 조치 쪽으로 넘어간다.
| 요소 | 값 · 예 | 역할 | 근거 |
|---|---|---|---|
| 입력 단계 | 단계별 센서 요약 · 계측 · 가상 계측 값 | 시점까지 끝난 단계 값만 넣음 · 뒤 단계 값은 미래 정보 누설 | IRDS 2022 FI 5.8.4.2절 |
| 예측 시점 | 단계 2 · 4 · 6 · 8 끝 | 시점마다 모델을 따로 둠 · 남은 일수 = 손쓸 시간 | 사례 3단계 |
| 예측 단위 | 웨이퍼(양품 다이 비율) · 로트(평균) · 다이(양품 확률) | 다이 단위는 좌표가 있어야 함 | 사례 7단계 |
| 모델 | Ridge · PLS · 트리 앙상블 · 저수율 분류 | 값이면 회귀, 경보만이면 분류 | Hoerl 1970 · Jiang 2020 |
| 분할 | 로트 단위 · 투입 순서 | 한 로트는 학습 · 시험 한쪽에만 | scikit-learn 1.9.1 GroupKFold |
| 값 평가 | MAE(%p) · R² | 시험 로트의 수율 값 오차 | 사례 4단계 |
| 저수율 평가 | 평균 정밀도(AP) · 경보율 재현율 | 기준선 = 저수율 비율 | Saito 2015 |
5동작 — 합성 웨이퍼 3,000장의 시점별 예측
설명용 합성 자료로 시점별 수율 예측을 끝까지 따라간 사례다. numpy 2.4.3 · 시드 0 으로 자료를 만들고 Ridge 회귀(λ = 10)를 직접 구현했다(직접 실행(합성 데이터) · NumPy Generator) — 단계마다 3일, 마지막 단계 뒤 테스트까지 3일은 설명용 가정 값이다.
- 자료를 만든다 — 로트 120개 × 25장 = 3,000장 · 공정 단계 8개 · 단계마다 요약값 4개(특징 32개) · 웨이퍼당 다이 500개 · 수율 평균 91.4%(표준편차 6.7) · 저수율(80% 미만) 201장(6.7%).
- 로트 단위로 나눈다 — 투입 순서 앞 84로트 2,100장(저수율 159)을 학습, 뒤 36로트 900장(저수율 42)을 시험에 두고, 한 로트의 웨이퍼는 한쪽에만 넣는다(scikit-learn 1.9.1).
- 시점마다 모델을 따로 맞춘다 — 단계 2 · 4 · 6 · 8 끝에서 그때까지 끝난 특징 8 · 16 · 24 · 32개만 표준화해 넣는다(Hoerl 1970).
- 값 정확도를 잰다 — 시험 로트 MAE 는 학습 평균 하나로 답할 때 4.65%p 이고, 시점마다 4.51 → 4.27 → 3.71 → 2.92%p, R² 는 0.003 → 0.103 → 0.317 → 0.578 이다.
- 저수율 찾기를 잰다 — 평균 정밀도(AP)는 0.080 → 0.123 → 0.355 → 0.598 이고, 아무렇게나 고를 때의 기준선은 저수율 비율 42 ÷ 900 = 0.047 이다(Saito 2015).
- 경보 방식을 견준다 — 단계 8 모델에서 «예측 수율 80% 미만»으로 자르면 14장이 걸려 11장만 맞고(저수율 42장의 26%), «예측 하위 10% 90장»을 고르면 36장(86% · 시드 0 ~ 5 범위 66 ~ 86%)이 든다 — 실제 저수율 웨이퍼의 예측 평균이 82.2% 로 실제 72.5% 보다 높게 당겨지기 때문이다.
- 로트 단위로 모은다 — 웨이퍼 예측을 로트마다 평균하면 로트 수율 MAE 는 1.05%p 로 웨이퍼 단위 2.92%p 보다 작다 — 투입 계획에는 로트 값을, 검사 순서에는 웨이퍼 순위를 쓴다.
그림 4 · 로트 단위로 나눈 뒤 시점마다 모델을 맞추면 MAE 가 4.51 에서 2.92%p 로 줄고, 같은 단계 8 모델도 문턱 대신 순위로 경보하면 저수율 42장 중 11장이 아니라 36장을 잡는다.
그림 5 · 시점이 늦을수록 R² 와 평균 정밀도는 오르고 테스트까지 남은 일수는 21일에서 3일로 준다 — 단계 6 끝이 「잡히기 시작하고 9일이 남는」 경계다.
🔑 저수율 웨이퍼는 예측 값을 문턱으로 자르지 말고 예측 순위로 고른다 — 회귀는 드문 극단 값을 평균 쪽으로 당기므로, 같은 모델도 경보율을 정해 고르면 더 많이 잡는다.
🔑 수율 예측의 쓸모는 정확도 하나가 아니라 «남은 일수 안에 바꿀 수 있는 것»으로 정해진다 — 이른 시점 모델은 덜 맞아도 손쓸 시간이 길고, 마지막 시점 모델은 잘 맞아도 할 수 있는 일이 검사 순서 정도다.
6비교 — 수율 값을 내는 방식 다섯
| 방식 | 입력 | 출력 | 강점 | 약점 |
|---|---|---|---|---|
| 결함 밀도 수율 모델(포아송 · 음이항) | 다이 넓이 · 결함 밀도 | 평균 수율 | 공정 신호 없이 계획 · 제품 비교 | 웨이퍼마다 다른 값을 못 냄 · 수율 관리에서 다룸(Stapper 1973) |
| 선형 회귀(Ridge · PLS) | 단계 요약값 수십 ~ 수백 | 웨이퍼 수율(%) | 서로 닮은 신호가 많아도 계수가 안정(Hoerl 1970) | 비선형 · 상호작용을 놓치고 극단 값을 당김(사례 6단계) |
| 트리 앙상블 | 숫자 + 범주(장비 ID · 공정 경로) | 수율(%) 또는 등급 | 장비 조합 · 경로 같은 범주 효과를 잡음 | 표본이 적은 범주에서 과적합 |
| 저수율 분류(이진 · 다중 등급) | 위와 같음 | 저수율 확률 · 등급 | 경보 목표와 바로 맞고 F1-macro 로 모델을 고름(Jiang 2020) | 문턱 근처 정보를 버림 · 문턱이 바뀌면 다시 학습 |
| 다이 단위 확률 모델 | 다이 좌표 + 웨이퍼 값 | 다이마다 양품 확률 | 가장자리 · 중심 손실을 값에 반영 | 좌표 자료가 필요 · 모양 이름은 웨이퍼 맵 불량 패턴 분류에서 다룸 |
분석신호가 수십 개 이상이고 수율 값이 필요하면 선형 회귀로 시작하고, 장비 · 경로 범주가 수율을 가르면 트리 앙상블로, 경보만 필요하면 저수율 분류로 간다. 근거는 표 2 · 4행과 사례 — 같은 선형 모델도 문턱 경보 11/42 · 순위 경보 36/42 로 갈려, 분류로 바꾸기 전에 경보 방식부터 바꿔 볼 수 있다.
7실무 진단 — 수율 예측이 빗나갈 때
분석분할 기준을 먼저, 다음에 예측 시점, 마지막에 경보 방식을 본다. 분할이 틀리면 뒤의 모든 점수가 부풀고(표 3행), 시점이 너무 이르면 모델을 바꿔도 오르지 않으며(4행), 그 둘이 맞을 때 남는 놓침은 경보 규칙 문제다(1 · 2행).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 전체 MAE 는 작은데 저수율 웨이퍼를 높게 예측 | 드문 극단 값을 평균 쪽으로 당김 | 평가 | 저수율 무리만의 MAE · 예측 평균 | 사례 무리 MAE 9.61%p ↔ 전체 2.92%p(직접 실행) |
| 2 | 문턱(예측 80% 미만) 경보에 거의 안 걸림 | 같은 당김 · 문턱이 실제 값 기준 | 경보 규칙 | 경보율 고정 순위의 재현율 | 문턱 11/42 ↔ 하위 10% 36/42(직접 실행) |
| 3 | 검증 점수보다 새 로트 점수가 크게 낮음 | 같은 로트 웨이퍼가 학습 · 시험 양쪽에 | 분할 | 분할 기준 열(로트 ID) | 같은 그룹이 양쪽에 없어야 함(scikit-learn 1.9.1 GroupKFold) |
| 4 | 이른 시점 모델이 평균 하나와 같음 | 수율을 좌우하는 단계가 아직 안 지남 | 예측 시점 | 시점별 R² · AP | 단계 2 끝 R² 0.003 · AP 0.080 ↔ 기준선 0.047(Saito 2015) |
| 5 | 운영 몇 달 뒤 점수가 떨어짐 | 공정 · 제품 분포 변화 | 데이터 기간 | 월별 수율 · 시점별 점수 추이 | 투입 순서 분할 점수와 대조 · 드리프트로 넘김 |
8시험 대비
시험에서는 수율 예측의 정의 · 입력 · 평가를 쓰는 정의 · 특징형, 그리고 팹에 수율 예측을 들이는 절차 · 시점 · 평가 기준을 쓰는 구현 · 설계형이 나올 수 있다. 정의형이면 «테스트 전 · 웨이퍼 단위 · 수율 값»으로 가상 계측 · 결함 밀도 수율 모델과 경계를 긋고, 설계형이면 시점별 모델 · 로트 단위 분할 · 경보율을 순서대로 쓴다.
- 개요 — 정의(IRDS 2022 FI 5.8.4.1) · 수율 = 양품 다이 ÷ 전체 다이 · 테스트가 마지막에 나오는 문제
- 구성 — 그림 3 구조(입력 단계 · 예측 시점 · 모델 · 출력 단위) + 요소 표
- 처리 절차 — 그림 4 사례(로트 단위 분할 · 시점별 Ridge · MAE 4.51 → 2.92%p)
- 핵심 원리 — 그림 5 시점별 점수 ↔ 남은 일수(R² 0.003 → 0.578 · 21일 → 3일)
- 불균형 평가 — 평균 정밀도 기준선 0.047 · 문턱 경보 11/42 ↔ 순위 경보 36/42
- 방식 비교 · 연계 — 결함 밀도 모델 · 회귀 · 트리 앙상블 · 분류 비교 · 근본 원인 분석으로 넘김
꼭 쓸 키워드
수율 예측조기 예측예측 시점로트 단위 분할클래스 불균형평균 정밀도경보율웨이퍼 테스트결함 밀도 수율 모델Ridge 회귀
다른 답안과 차이를 내는 한 가지는 그림 5 의 «점수 ↔ 남은 일수» 두 축이다 — 「AI 로 수율을 일찍 예측한다」 한 줄 대신, 단계 6 끝에서 AP 0.355 와 남은 9일이 만나는 경계를 숫자로 보인다.
9오해와 사실
- 오해전체 MAE 가 작으면 저수율 웨이퍼도 잘 맞힌다.사실사례의 전체 MAE 는 2.92%p 이지만 실제 저수율 웨이퍼(평균 72.5%)의 예측 평균은 82.2% 이고, 그 무리의 MAE 는 9.61%p 다(직접 실행).
- 오해웨이퍼를 무작위로 섞어 나눈 시험 점수가 운영 점수다.사실같은 로트 웨이퍼는 같은 장비 · 조건을 함께 지나 서로 닮으므로, 로트 단위로 나눠야 새 로트에 대한 점수가 된다(scikit-learn 1.9.1 GroupKFold).
- 오해예측은 일찍 할수록 언제나 낫다.사실단계 2 끝 모델은 R² 0.003 으로 평균 하나와 다르지 않다 — 수율을 좌우하는 단계가 지나기 전에는 남은 일수가 길어도 고를 근거가 없다(직접 실행).
10핵심 정리
| 구분 | 무엇 | 사례 값 | 확인 지표 | 흔한 실패 |
|---|---|---|---|---|
| 입력 단계 | 시점까지 끝난 단계 요약값 | 단계당 4개 · 최대 32개 | 뒤 단계 값 섞임 여부 | 미래 정보 누설 |
| 예측 시점 | 단계 끝 체크포인트 | 단계 2 · 4 · 6 · 8 · 남은 21 ~ 3일 | 시점별 R² · AP | 너무 이른 시점 |
| 모델 | Ridge · PLS · 트리 앙상블 · 분류 | Ridge λ = 10 | 계수 · 중요도 | 범주 과적합 |
| 분할 | 로트 단위 · 투입 순서 | 학습 84 · 시험 36로트 | 새 로트 점수 | 웨이퍼 무작위 분할 |
| 값 평가 | MAE · R² | 2.92%p · 0.578 | 시험 로트 점수 | 전체 평균만 봄 |
| 저수율 평가 | 평균 정밀도 · 경보율 재현율 | 0.598 · 36/42 | 기준선 = 저수율 비율 | 문턱 경보 |
| 쓰임 | 검사 순서 · 우선 처리 · RCA 로 넘김 | 하위 10% 먼저 | 다음 기간 수율 | 순위만 보고 홀드 |
11참고 문헌
- 먼저 볼 문헌
- ★ International Roadmap for Devices and Systems 2022 Edition: Factory Integration — 수율 예측의 정의와 가상 계측 · 예지 보전 다음 단계로 두는 까닭을 볼 때
- ★ A Novel Framework for Semiconductor Manufacturing Final Test Yield Classification Using Machine Learning Techniques (IEEE Access 8 197885-197895 · DOI 10.1109/ACCESS.2020.3034680) — 웨이퍼 제조 단계에서 최종 테스트 수율 등급을 미리 분류하는 틀을 볼 때
- ★ The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets (PLoS ONE 10(3) e0118432) — 드문 저수율 웨이퍼를 평가할 때 PR 곡선과 기준선(양성 비율)을 볼 때
- ★ scikit-learn 1.9.1 User Guide 3.1 Cross-validation: evaluating estimator performance (GroupKFold · TimeSeriesSplit) — 같은 로트 웨이퍼를 학습 · 시험에 나누지 않는 분할을 볼 때
- 본문 근거
- Ridge Regression: Biased Estimation for Nonorthogonal Problems (Technometrics 12(1) 55-67) — A. E. Hoerl · R. W. Kennard · 1970-02 ·
doi.org/10.1080/00401706.1970.10488634· 확인 2026-11-12 - SECOM (UCI Machine Learning Repository · DOI 10.24432/C54305 · CC BY 4.0) — M. McCann · A. Johnston · UCI · 2008-11 ·
archive.ics.uci.edu/dataset/179/secom· 확인 2026-11-12 - Cost-size optima of monolithic integrated circuits (Proc. IEEE 52(12) 1537-1545) — B. T. Murphy · IEEE · 1964-12 ·
doi.org/10.1109/PROC.1964.3442· 확인 2026-11-12 - Defect density distribution for LSI yield calculations (IEEE Trans. Electron Devices 20(7) 655-657) — C. H. Stapper · IEEE · 1973-07 ·
doi.org/10.1109/T-ED.1973.17719· 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