AI › 산업 AI 응용

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

  1. 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).
  2. 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).
  3. 「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.

날씨 · 물 장부 꽃 필 때부터 매일 물 준 양 · 기온 · 비료 1 공정 · 계측 신호 따기 전 어림 올해 상할 사과 수 따기 한 달 전에 숫자 하나 2 수율 예측 딴 뒤 배치도 3 서 동 서쪽 울타리 줄에 점이 섬 웨이퍼 맵 · 모양 장부 뒤지기 서쪽 줄만 다른 기록 어림 · 배치도를 함께 봄 4 근본 원인 분석(RCA) 물길 고치기 다음 해 수확으로 확인 지호가 직접 손댐 5 공정 조치 신호 예측 모양 원인 찾기 사람 · 조치 상한 나무

그림 1 · 지호는 장부로 따기 전에 어림하고, 딴 뒤 배치도의 점 모양을 보고, 둘을 들고 장부를 다시 뒤져 고칠 곳을 찾는다.

장부 적기꽃 필 때부터 매일
따기 전 어림상할 사과 수
배치도 점상한 나무 표시
장부 뒤지기서쪽 줄만 다른 기록
물길 고치기다음 해로 확인
비유 — 한 철을 세 번 읽기 실제 — 세 토픽의 출력 따기 전 어림 「올해 상할 사과 약 40개」 수율 예측 숫자 하나 · 테스트 전 딴 뒤 배치도 「서쪽 줄에 몰림」 웨이퍼 맵 모양 이름 하나 · 테스트 뒤 장부 뒤지기 「서쪽 줄 물 준 양이 적었다」 근본 원인 분석(RCA) 후보 목록 · 둘을 받은 뒤 회색 화살 = 앞 두 줄의 결과가 셋째 줄의 입력이 됨

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 역할실제 이름실제로 하는 일
날씨 · 물 장부공정 · 계측 신호웨이퍼 · 로트마다 센서 요약 값 · 계측 값을 한 줄로 쌓는다
따기 전 어림수율 예측테스트 전에 불량 확률 · 예측 수율 숫자 하나를 낸다
배치도의 점웨이퍼 맵웨이퍼 위 다이마다 양품 · 불량을 격자로 놓는다
서쪽 줄로 선 점맵 모양 분류가장자리 고리 · 중심 · 긁힘 같은 모양 이름을 붙인다
장부 뒤지기근본 원인 분석(RCA)불량과 함께 움직인 신호 · 장비를 순위로 좁힌다
올해 날씨가 다름분포 변화학습 기간과 운영 기간의 공정 상태가 달라 점수가 떨어진다
물길 고치기공정 조치장비 홀드 · 조건 조정으로 넘긴다(수율 · 품질 예측 밖)
지호공정 · 수율 엔지니어후보를 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.

입력 하위 토픽 넘기는 곳 공정 센서 · FDC 요약 계측 · 가상 계측 값 장비 이력 · 로트 ID 테스트 다이 판정 수율 예측 출력 = 불량 확률 · 예측 수율 때 = 웨이퍼 테스트 전 단위 = 웨이퍼 · 로트 한 줄 근본 원인 분석(RCA) 출력 = 원인 후보 순위 신호 · 장비 · 단계 이름 웨이퍼 맵 출력 = 모양 이름 때 = 테스트 뒤 · 다이 격자 위험 웨이퍼 먼저 검사 장비 이력 확인 · 홀드 결함 검사 · ADC 대조 공정 데이터 식별 · 레이블 예측 출력 원인 좁히기 사람 조치 넘기는 곳

그림 3 · 공정 신호는 수율 예측으로, 다이 판정은 웨이퍼 맵으로 들어가고, 두 결과와 장비 이력이 근본 원인 분석에서 만나 조치 쪽으로 넘어간다.

하위 이름푸는 문제데이터 단위출력대표 방법 · 공개 자료
수율 예측테스트 전에 합격 · 수율을 맞힘웨이퍼 · 로트 한 줄(신호 수백 개)불량 확률 · 예측 수율로지스틱 회귀 · 트리 앙상블 · SECOM 2008
근본 원인 분석(RCA)수율 손실과 함께 움직인 신호 · 장비를 좁힘같은 표 + 장비 이력원인 후보 순위특징 선택(t 검정 · S2N) · SHAP(Lundberg 2017)
웨이퍼 맵다이 불량의 분포 모양을 나눔다이 격자 한 장(52 × 52 등)모양 이름CNN · 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).

  1. 자료를 읽는다 — 1,567건 × 신호 590개 · 불량 104건(6.6%) · 2008년 7월 19일 ~ 10월 17일 · 전체 값의 4.5% 가 결측이다(SECOM 2008).
  2. 시간 순서로 앞 70% 1,097건(불량 78)을 학습, 뒤 470건(불량 26)을 시험으로 둔다 — 경계는 9월 26일이다.
  3. 학습 기간에서 결측이 50% 넘는 신호 24개와 값이 하나뿐인 신호 122개를 빼 444개를 남기고, 결측은 학습 중앙값으로 채운 뒤 표준화한다.
  4. 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.
  5. 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).
  6. 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.
  7. 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.

1 자료 1,567건 · 신호 590 불량 104(6.6%) 결측 4.5% 2 시간 분할 학습 1,097(불량 78) 시험 470(불량 26) 경계 9월 26일 3 신호 정리 결측 24 · 값 하나 122 빼고 444 남김 중앙값 채움 · 표준화 4 원인 순위 Welch t 로 444개 1위 130번 · 7.66 2위 60번 · 6.19 5 수율 예측 상위 40 신호 로지스틱 회귀 학습 AUROC 0.851 6 시험 470건 AUROC 0.600 상위 47건 중 불량 7 불량 19건 놓침 7 순위 재확인 앞 · 뒤 절반 상위 10 겹침 0개 130번 = 앞 절반 254위 웨이퍼 맵 다이 좌표 없음 이 사례에서 빠짐 데이터 · 정리 분할 · 예측 · 평가 원인 순위 흔들림 확인 점선 = 자료에 없어 빠진 토픽

그림 4 · 시간 순서로 나눈 시험에서 AUROC 가 0.851 에서 0.600 으로 내려가고, 원인 순위는 기간을 바꾸면 상위 10개가 모두 바뀐다.

월별 불량률 — SECOM 1,567건 0 10% 20% 22.2% 9.2% 2.9% 6.1% 7월 8월 9월 10월 14/63 51/555 17/590 22/359 학습 시험 점선 = 9월 26일 경계 기간마다 다시 재면 AUROC — 상위 40 신호 모델 0.5 무작위 1.0 학습 0.851 시험 0.600 130번 신호의 원인 순위 학습 전체 1위 학습 앞 절반(불량 61) 254위 학습 뒤 절반(불량 17) 1위 시험 기간(불량 26) 148위 불량률 평가 점수

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

기술맡는 일보는 단위 · 때수율 · 품질 예측과의 경계
가상 계측공정 직후 계측 값(두께 · 선폭) 예측웨이퍼 · 공정 단계 하나 직후VM 값은 수율 예측의 입력, 수율 · 품질 예측은 여러 단계 끝의 합격 · 수율을 맞힘(IRDS 2022 FI 5.8.4.2절)
이상 탐지정상 모양에서 벗어난 관측 판정센서 시계열 · 불량 레이블 없음불량 레이블이 있으면 수율 · 품질 예측, 없으면 이상 탐지
비전 검사영상에서 결함 판정 · 종류 분류(ADC 포함)결함 하나의 영상결함 하나 = 비전 검사 · 웨이퍼 전체 다이 배치 = 웨이퍼 맵
공정 최적화품질 목표를 맞추는 조건 탐색실험 조건 묶음근본 원인 분석이 좁힌 변수를 넘겨받아 조건을 바꿈
예지 보전장비 고장 · 잔여 수명 예측장비 · 부품장비의 상태를 봄, 수율 · 품질 예측은 제품(웨이퍼)의 품질을 봄
수율 관리(반도체)수율 계산 · 모델 대조 · 공통성 분석로트 · 장비 이력통계 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.

#증상의심 원인단계확인 자료판정 기준(근거)
1학습 점수는 높은데 다음 기간에 떨어짐분포 변화(공정 · 제품 바뀜)데이터 기간월별 불량률 · 시간 분할 AUROC사례 0.851 → 0.600 · 불량률 22.2% → 2.9%(SECOM 2008 직접 집계)
2정확도 93% 를 넘는데 불량을 못 잡음불량 6.6% 불균형 · 임계값평가균형 오류율(BER) · 재현율모두 합격으로 답해도 93.4% · 설명서 기준선 BER 33.5 ~ 40.1%(SECOM 2008)
3원인 순위 1위가 기간마다 바뀜서로 닮은 신호 묶음 · 불량 표본 부족원인 분석기간별 상위 10 겹침 · 신호 사이 상관사례 겹침 0개 · 상위 10개 사이 최대 상관 0.961(직접 실행)
4공개 자료로 학습한 맵 모델이 우리 맵에서 틀림격자 크기 · 모양 이름 체계가 다름웨이퍼 맵맵 격자 크기 · 모양 이름 목록MixedWM38 = 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.

답안 목차
  1. 개요 — 정의(IRDS 2022 FI 5.8.4.1 수율 예측) · 테스트가 늦게 나오는 문제 · AI 응용 안의 위치
  2. 구성 — 그림 3 하위 지도(수율 예측 · 근본 원인 분석 · 웨이퍼 맵의 입력 · 출력 · 때) + 하위 표
  3. 처리 흐름 — 그림 4 사례(SECOM 1,567건 · 시간 분할 · Welch t 순위 · 로지스틱 회귀 AUROC 0.851 → 0.600)
  4. 핵심 원리 — 그림 5 분포 변화(월별 불량률 22.2% → 2.9% · 순위 1위 → 254위) · 상관 순위와 인과의 차이
  5. 관련 기술과의 경계 — 가상 계측 · 이상 탐지 · 비전 검사 · 공정 최적화 비교표
  6. 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

구분나오는 때입력출력확인 지표흔한 실패
수율 예측웨이퍼 테스트 전공정 신호 · 계측 · VM 값불량 확률 · 예측 수율시간 분할 AUROC · BER분포 변화 · 불균형
근본 원인 분석(RCA)예측 · 맵 결과 뒤신호 표 + 장비 이력원인 후보 순위기간별 순위 겹침상관을 원인으로 읽음
웨이퍼 맵웨이퍼 테스트 뒤다이 판정 격자모양 이름모양별 재현율격자 · 이름 체계 차이
시간 분할 평가모델을 쓰기 전앞 기간 학습 · 뒤 기간 시험다음 기간 점수학습 ↔ 시험 차이무작위 분할로 점수 부풀림
분포 변화공정 · 제품이 바뀔 때월별 불량률 · 신호 평균재학습 시점불량률 · 점수 추이옛 모델 계속 사용
확인 · 조치후보가 나온 뒤장비 이력 · 공정 지식홀드 · 조건 조정다음 기간 수율순위만 보고 홀드

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ International Roadmap for Devices and Systems 2022 Edition: Factory Integration — 수율 예측의 정의와 가상 계측 · 예지 보전 다음에 오는 순서를 볼 때
    IEEE · 2022-12 · irds.ieee.org/images/files/pdf/2022/2022IRDS_FAC.pdf · 확인 2026-11-09
  3. ★ 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
    M. McCann · A. Johnston · UCI · 2008-11 · archive.ics.uci.edu/dataset/179/secom · 확인 2026-11-09
  4. ★ A Unified Approach to Interpreting Model Predictions (NIPS 2017 · arXiv 1705.07874) — 예측 한 건에 대한 특징 기여(SHAP)의 정의를 볼 때
    S. Lundberg · S.-I. Lee · 2017-05 · arxiv.org/abs/1705.07874 · 확인 2026-11-09
  5. ★ 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
    J. Wang · C. Xu · Z. Yang · J. Zhang · X. Li · 2020-11 · github.com/Junliangwangdhu/WaferMap · 확인 2026-11-09
  6. 본문 근거
  7. 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
  8. 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
  9. 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
  10. NumPy 2.4 documentation — NumPy Developers · 2026-11 · numpy.org/doc/stable/ · 확인 2026-11-09