수율 · 품질 예측Yield and Quality Prediction
공정 · 계측 · 테스트 데이터를 웨이퍼 · 로트 단위로 이어, 최종 테스트 전에 수율과 품질을 예측하고 수율 손실의 원인 변수와 불량 분포 모양을 찾는 AI 응용 분야다.
1요약
- 수율 · 품질 예측은 AI 응용 안에서 공정 센서 · 계측 · 웨이퍼 테스트 데이터를 웨이퍼 · 로트 단위로 묶는 것으로, IRDS 2022 FI 가 «팹 전체 정보로 공정 · 최종 수율을 예측하는 기술»로 정의한 수율 예측과 그 위에서 도는 근본 원인 분석 · 웨이퍼 맵 모양 분류를 함께 다룬다(5.8.4.1절).
- 웨이퍼 테스트 결과는 공정을 다 지난 뒤에 나오고 불량은 드물며 그 비율도 달마다 바뀐다 — 공개 자료 SECOM 은 1,567건 중 불량 104건(6.6%)이고, 월별 불량률이 7월 22.2% 에서 9월 2.9% 로 움직였다(SECOM 2008 · 직접 집계).
- 「예측 · 원인 분석이 안 맞는다」는 학습 기간 점수와 다음 기간 점수의 차이로 가른다 — 차이가 크면 모델보다 공정 분포가 바뀐 것이라 기간을 나눠 다시 매기고, 차이가 작은데 불량을 놓치면 불균형 · 임계값 문제다.
2등장 배경
웨이퍼 한 장은 수백 단계를 지난 뒤에야 테스트에서 합격 · 불량이 정해진다. 그 사이 장비마다 센서 신호가 쌓이지만, SECOM 자료 설명서는 엔지니어가 실제로 필요한 것보다 훨씬 많은 신호를 갖고 있고 쓸모 있는 정보가 잡음 속에 묻힌다고 적는다(SECOM 2008).
2008년 McCann · Johnston 은 반도체 공정 신호 591열과 합격 · 불량 레이블을 UCI 에 공개해, 특징 순위 · 예측 오류율을 겨루는 공개 기준을 만들었다(SECOM 2008). 2015년 Wu · Jang · Chen 은 대규모 웨이퍼 맵 자료 WM-811K 와 회전 · 크기에 변하지 않는 맵 특징을 발표했고(Wu 2015), 2017년 Lundberg · Lee 는 예측 한 건을 특징마다 나누어 설명하는 SHAP 을 냈다(Lundberg 2017). 2020년 Wang 외는 결함 모양이 섞인 맵 38 종류를 공개했다(Wang 2020).
지금 IRDS 2022 FI 는 수율 예측을 가상 계측 · 예지 보전 다음 차례로 둔다 — 예측 기법은 겹치지만, 팹 전체를 잇는 조율과 데이터 품질이 먼저 갖춰져야 하기 때문이다(5.8.4.2절). 첫 단계는 수율 이탈 감지와 데이터 마이닝 원인 분석이다(같은 절).
3쉽게 이해하기 — 과수원지기 지호의 장부와 배치도
과수원지기 지호는 사과나무 36그루를 돌본다. 꽃이 필 무렵부터 물 준 양과 기온을 장부에 적고, 따기 한 달 전에 그 장부로 올해 상할 사과 수를 어림한다. 따고 나서 배치도에 상한 사과가 나온 나무를 점으로 찍었더니 서쪽 울타리를 따라 점이 한 줄로 섰다. 지호는 장부에서 서쪽 줄 나무만 달랐던 기록을 찾아 물길을 고친다.
그림 1 · 지호는 장부로 따기 전에 어림하고, 딴 뒤 배치도의 점 모양을 보고, 둘을 들고 장부를 다시 뒤져 고칠 곳을 찾는다.
그림 2 · 같은 한 철의 상함을 세 번 읽는다 — 따기 전 숫자, 딴 뒤 모양, 둘을 받은 뒤 장부 줄 — 이 세 시점이 세 토픽의 경계다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 날씨 · 물 장부 | 공정 · 계측 신호 | 웨이퍼 · 로트마다 센서 요약 값 · 계측 값을 한 줄로 쌓는다 |
| 따기 전 어림 | 수율 예측 | 테스트 전에 불량 확률 · 예측 수율 숫자 하나를 낸다 |
| 배치도의 점 | 웨이퍼 맵 | 웨이퍼 위 다이마다 양품 · 불량을 격자로 놓는다 |
| 서쪽 줄로 선 점 | 맵 모양 분류 | 가장자리 고리 · 중심 · 긁힘 같은 모양 이름을 붙인다 |
| 장부 뒤지기 | 근본 원인 분석(RCA) | 불량과 함께 움직인 신호 · 장비를 순위로 좁힌다 |
| 올해 날씨가 다름 | 분포 변화 | 학습 기간과 운영 기간의 공정 상태가 달라 점수가 떨어진다 |
| 물길 고치기 | 공정 조치 | 장비 홀드 · 조건 조정으로 넘긴다(수율 · 품질 예측 밖) |
| 지호 | 공정 · 수율 엔지니어 | 후보를 장비 이력으로 확인하고 조치를 정한다 |
⚠ 비유가 맞지 않는 곳: 사과는 따기 전에도 눈으로 볼 수 있지만, 다이의 양품 · 불량은 웨이퍼 테스트 전까지 알 수 없다. 장부의 기록 하나가 상함과 함께 움직였다고 그것이 원인이라는 보장도 없다.
4구조 — 세 토픽과 데이터 단위
세 토픽은 같은 웨이퍼 · 로트 데이터를 다른 시점에 다른 출력으로 바꾼다. 수율 예측은 테스트 전의 공정 신호를, 웨이퍼 맵은 테스트 뒤의 다이 판정 격자를, 근본 원인 분석은 앞의 둘과 장비 이력을 함께 받는다.
그림 3 · 공정 신호는 수율 예측으로, 다이 판정은 웨이퍼 맵으로 들어가고, 두 결과와 장비 이력이 근본 원인 분석에서 만나 조치 쪽으로 넘어간다.
| 하위 이름 | 푸는 문제 | 데이터 단위 | 출력 | 대표 방법 · 공개 자료 |
|---|---|---|---|---|
| 수율 예측 | 테스트 전에 합격 · 수율을 맞힘 | 웨이퍼 · 로트 한 줄(신호 수백 개) | 불량 확률 · 예측 수율 | 로지스틱 회귀 · 트리 앙상블 · SECOM 2008 |
| 근본 원인 분석(RCA) | 수율 손실과 함께 움직인 신호 · 장비를 좁힘 | 같은 표 + 장비 이력 | 원인 후보 순위 | 특징 선택(t 검정 · S2N) · SHAP(Lundberg 2017) |
| 웨이퍼 맵 | 다이 불량의 분포 모양을 나눔 | 다이 격자 한 장(52 × 52 등) | 모양 이름 | CNN · WM-811K(Wu 2015) · MixedWM38(Wang 2020) |
🔑 세 토픽은 «언제 무엇을 내놓는가»로 나뉜다 — 수율 예측은 테스트 전에 숫자 하나를, 웨이퍼 맵은 테스트 뒤에 모양 하나를, 근본 원인 분석은 그 둘을 받아 후보 목록을 낸다.
5동작 — SECOM 1,567건으로 예측과 원인 순위 잇기
공개 자료 SECOM 으로 수율 예측과 근본 원인 분석을 이어 붙인 사례다. numpy 2.4.3 에서 로지스틱 회귀 · Welch t 를 직접 구현해 실행했고, 학습 · 시험은 시간 순서로 나눴다(직접 실행).
- 자료를 읽는다 — 1,567건 × 신호 590개 · 불량 104건(6.6%) · 2008년 7월 19일 ~ 10월 17일 · 전체 값의 4.5% 가 결측이다(SECOM 2008).
- 시간 순서로 앞 70% 1,097건(불량 78)을 학습, 뒤 470건(불량 26)을 시험으로 둔다 — 경계는 9월 26일이다.
- 학습 기간에서 결측이 50% 넘는 신호 24개와 값이 하나뿐인 신호 122개를 빼 444개를 남기고, 결측은 학습 중앙값으로 채운 뒤 표준화한다.
- 근본 원인 분석 — 불량 · 합격 두 무리의 평균 차이를 Welch t 로 재어 순위를 매긴다(Welch 1947) — 1위 130번 신호 t = 7.66, 2위 60번 신호 6.19 다.
- 수율 예측 — 상위 40개 신호로 불량에 가중을 둔 로지스틱 회귀(L2 λ = 1 · 3,000회)를 맞추면 학습 기간 AUROC 는 0.851 이다(Fawcett 2006).
- 시험 470건에 넣으면 AUROC 는 0.600 으로 내려간다 — 위험 점수 상위 10% 47건에 불량 7건(14.9%)이 들어 기본 불량률 5.5% 의 2.7배지만, 불량 26건 중 19건은 놓친다.
- 순위를 다시 확인한다 — 학습 기간을 앞 · 뒤 절반으로 나눠 다시 매긴 상위 10개는 겹치는 신호가 0개이고, 1위 130번 신호는 앞 절반에서 254위다.
SECOM 에는 다이 좌표가 없어 웨이퍼 맵 단계는 이 사례에 끼지 않는다. 맵이 있으면 불량 웨이퍼의 모양(가장자리 고리 등)이 7단계의 후보 가운데 웨이퍼 가장자리에 영향을 주는 공정 신호를 먼저 보게 한다.
그림 4 · 시간 순서로 나눈 시험에서 AUROC 가 0.851 에서 0.600 으로 내려가고, 원인 순위는 기간을 바꾸면 상위 10개가 모두 바뀐다.
그림 5 · 불량률이 달마다 22.2% 에서 2.9% 까지 움직이면, 같은 모델의 AUROC 와 같은 신호의 순위가 기간마다 함께 흔들린다.
🔑 원인 순위는 예측 모델이 기댄 신호의 목록이지 원인의 증명이 아니다 — 기간을 바꿔 다시 매겨도 남는 신호만 장비 이력으로 확인할 후보가 된다.
6비교 — 관련 기술과의 경계
| 기술 | 맡는 일 | 보는 단위 · 때 | 수율 · 품질 예측과의 경계 |
|---|---|---|---|
| 가상 계측 | 공정 직후 계측 값(두께 · 선폭) 예측 | 웨이퍼 · 공정 단계 하나 직후 | VM 값은 수율 예측의 입력, 수율 · 품질 예측은 여러 단계 끝의 합격 · 수율을 맞힘(IRDS 2022 FI 5.8.4.2절) |
| 이상 탐지 | 정상 모양에서 벗어난 관측 판정 | 센서 시계열 · 불량 레이블 없음 | 불량 레이블이 있으면 수율 · 품질 예측, 없으면 이상 탐지 |
| 비전 검사 | 영상에서 결함 판정 · 종류 분류(ADC 포함) | 결함 하나의 영상 | 결함 하나 = 비전 검사 · 웨이퍼 전체 다이 배치 = 웨이퍼 맵 |
| 공정 최적화 | 품질 목표를 맞추는 조건 탐색 | 실험 조건 묶음 | 근본 원인 분석이 좁힌 변수를 넘겨받아 조건을 바꿈 |
| 예지 보전 | 장비 고장 · 잔여 수명 예측 | 장비 · 부품 | 장비의 상태를 봄, 수율 · 품질 예측은 제품(웨이퍼)의 품질을 봄 |
| 수율 관리(반도체) | 수율 계산 · 모델 대조 · 공통성 분석 | 로트 · 장비 이력 | 통계 관리 일, 수율 · 품질 예측은 그 데이터 위에서 학습 모델로 예측 · 순위를 냄 |
분석예측 대상이 «한 공정 직후의 계측 값»이면 가상 계측을, «여러 공정 끝의 합격 · 수율»이면 수율 · 품질 예측을, 레이블 없이 이탈만 잡으면 이상 탐지를 쓴다. 근거는 IRDS 2022 FI 5.8.4.1절의 정의 — 가상 계측은 공정 뒤 계측 변수를, 수율 예측은 공정 · 최종 수율을 예측 대상으로 둔다.
7실무 진단 — 예측 · 원인 분석이 빗나갈 때
분석시간 순서로 나눈 시험 점수를 먼저 보고, 다음에 원인 순위의 안정성, 마지막에 맵 데이터 형식을 본다. 학습 기간 안에서만 잰 점수는 분포 변화를 숨기므로(표 1행), 그 점수로 원인 순위를 믿으면 사례 7단계처럼 바뀌는 순위를 쫓게 된다.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 학습 점수는 높은데 다음 기간에 떨어짐 | 분포 변화(공정 · 제품 바뀜) | 데이터 기간 | 월별 불량률 · 시간 분할 AUROC | 사례 0.851 → 0.600 · 불량률 22.2% → 2.9%(SECOM 2008 직접 집계) |
| 2 | 정확도 93% 를 넘는데 불량을 못 잡음 | 불량 6.6% 불균형 · 임계값 | 평가 | 균형 오류율(BER) · 재현율 | 모두 합격으로 답해도 93.4% · 설명서 기준선 BER 33.5 ~ 40.1%(SECOM 2008) |
| 3 | 원인 순위 1위가 기간마다 바뀜 | 서로 닮은 신호 묶음 · 불량 표본 부족 | 원인 분석 | 기간별 상위 10 겹침 · 신호 사이 상관 | 사례 겹침 0개 · 상위 10개 사이 최대 상관 0.961(직접 실행) |
| 4 | 공개 자료로 학습한 맵 모델이 우리 맵에서 틀림 | 격자 크기 · 모양 이름 체계가 다름 | 웨이퍼 맵 | 맵 격자 크기 · 모양 이름 목록 | MixedWM38 = 52 × 52 · 38 종류(Wang 2020) · 다르면 다시 레이블 |
2행은 SECOM 설명서가 정확도 대신 균형 오류율로 기준선을 낸 까닭이다 — 불량 6.6% 에서는 모델이 아무것도 배우지 않아도 정확도가 93% 를 넘는다.
8시험 대비
시험에서는 수율 예측 · 근본 원인 분석 · 웨이퍼 맵을 묶어 정의와 구성을 쓰는 정의 · 특징형, 그리고 반응형 관리에서 예측 · 처방형 운영으로 가는 흐름을 쓰는 동향 · 발전형이 나올 수 있다. 하위 토픽 하나만 물으면 그 토픽의 깊이로 쓰고, 수율 · 품질 예측 전체를 물으면 세 토픽의 시점 · 출력 차이와 가상 계측 · 이상 탐지와의 경계를 함께 쓴다.
- 개요 — 정의(IRDS 2022 FI 5.8.4.1 수율 예측) · 테스트가 늦게 나오는 문제 · AI 응용 안의 위치
- 구성 — 그림 3 하위 지도(수율 예측 · 근본 원인 분석 · 웨이퍼 맵의 입력 · 출력 · 때) + 하위 표
- 처리 흐름 — 그림 4 사례(SECOM 1,567건 · 시간 분할 · Welch t 순위 · 로지스틱 회귀 AUROC 0.851 → 0.600)
- 핵심 원리 — 그림 5 분포 변화(월별 불량률 22.2% → 2.9% · 순위 1위 → 254위) · 상관 순위와 인과의 차이
- 관련 기술과의 경계 — 가상 계측 · 이상 탐지 · 비전 검사 · 공정 최적화 비교표
- 발전 방향 — 수율 이탈 감지와 데이터 마이닝 원인 분석 → 예측 → 처방(IRDS 2022 FI 5.8.4.2) · 데이터 품질 · 팹 전체 조율
꼭 쓸 키워드
수율 예측수율 이탈 감지근본 원인 분석특징 선택SHAP웨이퍼 맵분포 변화클래스 불균형균형 오류율시간 분할 검증
다른 답안과 차이를 내는 한 가지는 그림 5 처럼 기간을 나눠 다시 잰 점수와 순위다 — 「AI 로 수율을 예측한다」 한 줄 대신 학습 0.851 · 시험 0.600 과 1위 → 254위로 예측과 원인 분석이 함께 흔들리는 조건을 숫자로 보인다.
9오해와 사실
- 오해정확도가 93% 를 넘으면 쓸 만한 수율 예측 모델이다.사실SECOM 은 모두 합격으로 답해도 정확도 93.4% 이고, 자료 설명서는 그래서 균형 오류율로 기준선(33.5 ~ 40.1%)을 낸다(SECOM 2008).
- 오해원인 분석 순위 1위 신호가 수율 저하의 원인이다.사실순위는 불량과 함께 움직인 정도이고, 사례의 1위 신호는 학습 앞 절반에서 254위였다 — SHAP 같은 기여 값도 모델 예측에 대한 기여이지 공정 인과가 아니다(Lundberg 2017).
- 오해수율 예측은 가상 계측의 다른 이름이다.사실가상 계측은 공정 직후의 계측 변수를, 수율 예측은 공정 · 최종 수율을 대상으로 하며, 예측 대상과 필요한 데이터 범위가 다르다(IRDS 2022 FI 5.8.4.1 · 5.8.4.2절).
10핵심 정리
| 구분 | 나오는 때 | 입력 | 출력 | 확인 지표 | 흔한 실패 |
|---|---|---|---|---|---|
| 수율 예측 | 웨이퍼 테스트 전 | 공정 신호 · 계측 · VM 값 | 불량 확률 · 예측 수율 | 시간 분할 AUROC · BER | 분포 변화 · 불균형 |
| 근본 원인 분석(RCA) | 예측 · 맵 결과 뒤 | 신호 표 + 장비 이력 | 원인 후보 순위 | 기간별 순위 겹침 | 상관을 원인으로 읽음 |
| 웨이퍼 맵 | 웨이퍼 테스트 뒤 | 다이 판정 격자 | 모양 이름 | 모양별 재현율 | 격자 · 이름 체계 차이 |
| 시간 분할 평가 | 모델을 쓰기 전 | 앞 기간 학습 · 뒤 기간 시험 | 다음 기간 점수 | 학습 ↔ 시험 차이 | 무작위 분할로 점수 부풀림 |
| 분포 변화 | 공정 · 제품이 바뀔 때 | 월별 불량률 · 신호 평균 | 재학습 시점 | 불량률 · 점수 추이 | 옛 모델 계속 사용 |
| 확인 · 조치 | 후보가 나온 뒤 | 장비 이력 · 공정 지식 | 홀드 · 조건 조정 | 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 다음에 오는 순서를 볼 때
- ★ SECOM (UCI Machine Learning Repository · DOI 10.24432/C54305 · CC BY 4.0) — 공정 신호 590개와 합격 · 불량 레이블로 수율 예측 · 원인 순위를 직접 해 볼 때
- ★ A Unified Approach to Interpreting Model Predictions (NIPS 2017 · arXiv 1705.07874) — 예측 한 건에 대한 특징 기여(SHAP)의 정의를 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 — 단일 · 혼합 결함 모양 38 종류의 공개 웨이퍼 맵 자료를 볼 때
- 본문 근거
- Wafer Map Failure Pattern Recognition and Similarity Ranking for Large-Scale Data Sets (IEEE Trans. Semiconductor Manufacturing 28(1) 1-12) — M.-J. Wu · J.-S. R. Jang · J.-L. Chen · IEEE · 2015-02 ·
doi.org/10.1109/TSM.2014.2364237· 확인 2026-11-09 - An introduction to ROC analysis (Pattern Recognition Letters 27(8) 861-874) — T. Fawcett · Elsevier · 2006-06 ·
doi.org/10.1016/j.patrec.2005.10.010· 확인 2026-11-09 - The generalization of Student's problem when several different population variances are involved (Biometrika 34(1-2) 28-35) — B. L. Welch · Biometrika · 1947-01 ·
doi.org/10.1093/biomet/34.1-2.28· 확인 2026-11-09 - NumPy 2.4 documentation — NumPy Developers · 2026-11 ·
numpy.org/doc/stable/· 확인 2026-11-09