팹 디지털 트윈Fab Digital Twin
MES · MCS · 장비 상태 기록으로 팹의 이산 사건 시뮬레이션 모델을 지금 상태에 맞춰 두고, 몇 시간 ~ 며칠 뒤 재공 · 출고와 장비 정지 · 정비 일정의 영향을 미리 돌려 보는 생산 관리 기능이다.
1요약
- 팹 디지털 트윈은 생산 관리 안에서 이산 사건 시뮬레이션 모델을 MES 의 로트 위치 · 장비 상태로 지금 팹에 맞춰 두는 기능이다 — 그 위에서 재공 · 출고 예측, 장비 정지 · PM 일정 what-if, 디스패칭 규칙 시험이 돌고, IRDS 2023 은 R2R · 실시간 스케줄링 · 디스패칭 · PdM · VM 까지 트윈 가족으로 묶는다(5.8.6.2절).
- 빈 팹에서 출발하는 설계용 시뮬레이션은 오늘 아침의 줄을 모른다 — 사례의 식각 장비군은 빈 상태 모델에서는 대기 0 이지만, 대기 54 로트에서 출발한 트윈은 PM 을 하루 미루면 대기 합계가 1,050 에서 810 로트·시간으로 준다는 것을 보였다.
- 「트윈 예측이 틀린다」는 틀리기 시작한 시점과 범위로 가른다 — 첫 몇 시간부터 틀리면 상태 스냅숏, 며칠 뒤로 갈수록 벌어지면 처리 시간 · 고장 분포, 장비 가동은 맞는데 재공 총량만 틀리면 반송 모델이다.
2등장 배경
장비 한 대가 서면 생산 담당은 경험으로 「오후 정비를 미룰까」를 정했다. 설계 · 용량 검토용 팹 시뮬레이션은 빈 팹에서 출발해 시작 구간을 버리고 긴 기간의 평균을 내므로(검증 실행 300일 · 시작 구간 MSER-5 제거 · Behrendt 외 2025), 오늘 아침의 줄로 내릴 결정에는 답하지 못했다.
2008년 Bagchi 외는 가동 중인 300 mm 팹에서 웨이퍼의 90% 이상과 모든 공정 · 계측 · 시험 장비를 담은 전 공장 시뮬레이터로 며칠 뒤 재공 위치를 날마다 예측했고, 파라미터는 공장 사건 기록에서 자동으로 고쳤다. 2022년 Deenen 외는 노광 구역 트윈으로 새 스케줄링 방식을 현장 투입 전에 시험했고, 2025년 Behrendt 외는 로트 추적 · 장비 상태 기록만으로 모델을 자동 생성해 300일 실적과 처리량 · 가동 시간 오차 5 ~ 7% 안에서 맞췄다.
IRDS 2023 은 팹 전체의 실시간 시뮬레이션을 장기 비전으로 두고, 개별 예측 기술이 먼저 자리 잡은 뒤 한 예측 기반 위에 합쳐진다고 본다(5.8.4.2절). 장비 · 공정 쪽 표준 사례로는 2025년 5월 ISO/TR 23247-100 이 반도체 잉곳 성장 공정의 트윈 설계를 냈다.
3쉽게 이해하기 — 교통 상황실의 하루 앞 돌려 보기
도시 교통 상황실의 박 주무관은 새벽 6시에 도로 카메라가 센 차를 큰 전자 지도 위에 한 대씩 그대로 옮겨 놓는다. 터널 한 차로가 사고로 막히자, 오전 10시에 잡힌 옆 차로 도색 공사를 그대로 할지 내일 새벽으로 미룰지 두 경우를 지도에서 하루치 빨리 돌려 본다. 미루는 쪽이 정체가 4시간 먼저 풀리자 공사팀에 일정 변경을 알리고, 정오에 다시 카메라 값으로 지도를 맞춘다.
그림 1 · 박 주무관은 지금 도로의 차를 지도에 옮기고 사고 · 공사를 넣어 두 안을 돌려 본 뒤 공사 일정을 바꾸고, 정오에 지도를 다시 맞춘다.
그림 2 · 빈 지도에서 출발하면 막힌 차로가 아무 일도 만들지 않지만, 지금 차를 옮겨 놓고 출발해야 공사를 미룰 때 줄어드는 정체가 보인다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 도로 카메라 | MES · MCS · 장비 상태 기록 | 로트 위치 · 반송 · 장비 상태 사건을 넘긴다 |
| 지도에 옮긴 차 | 상태 스냅숏 | 모델의 출발 재공 · 장비 상태를 지금 값으로 둔다 |
| 도로 · 차로 | 장비군 · 라우트 | 로트가 지나는 단계와 장비 자격 |
| 사고 · 도색 공사 | 비계획 정지 · PM | what-if 에 넣을 정지 구간 |
| 두 안 빨리 돌리기 | what-if 시뮬레이션 | 같은 출발 상태에서 조건만 바꿔 돌린다 |
| 공사팀 알림 | 결정 · 계획 반영 | 승인된 안을 정비 계획 · MES 에 올린다 |
| 정오에 다시 맞춤 | 재동기화 | 새 스냅숏으로 예측 ↔ 실제 차이를 잰다 |
⚠ 비유가 맞지 않는 곳: 지도 위 차는 한 길로만 가지만 로트는 같은 장비군을 수십 번 다시 들른다. 상황실은 한 번 돌려 보지만 트윈은 고장 · 처리 시간의 흩어짐 때문에 같은 안을 여러 번 돌려 결과를 범위로 낸다.
4구조 — 데이터 원천 · 모델 셋 · 응용
트윈은 실제 팹 시스템의 기록을 두 주기로 받는다. 상태 스냅숏은 분 단위로 출발 재공 · 장비 상태를 맞추고, 파라미터 재추출은 일 · 주 단위로 처리 시간 · 고장 분포 · 장비 자격을 다시 뽑는다(Behrendt 외 2025). 결과는 사람이 승인한 뒤 계획 시스템으로 돌아간다.
그림 3 · 실제 팹의 기록은 스냅숏과 재추출 두 길로 모델 셋을 맞추고, 응용의 결과는 사람의 승인을 거쳐서만 MES · RTD · 정비 계획으로 돌아간다.
| 요소 | 역할 | 값 · 근거 |
|---|---|---|
| 로트 추적 · 장비 상태 기록 | 모델의 원료 | 두 기록만으로 라우트 · 장비 자격 · 처리 유형(낱장 · 배치 · 파이프라인)을 뽑음(Behrendt 외 2025) |
| 상태 스냅숏 | 출발 상태 맞춤 | 재공 위치 · 정지 장비 · 진행 중 작업 · 분 단위 |
| 파라미터 재추출 | 분포 맞춤 | 처리 시간 · 고장 · 수리 분포 · 사례 = 지난 3개월 기록 |
| 생산 흐름 모델 | 장비군 사이 줄 | 실제 디스패칭을 따라 하는 규칙을 넣어야 검증됨(Deenen 외 2022) |
| 반송 모델 | 반송 지연 · 용량 | 재공 수준이 반송 용량 가정에 민감(Behrendt 외 2025) |
| 장비 · 공정 모델 | 장비 안 동작 | R2R 트윈은 런마다 계측으로 갱신(IRDS 2023 5.8.6.3.1절) |
| 승인 · 반영 | 되먹임 | 예측 값과 함께 예측 품질을 내야 함(IRDS 2023 5.8.4.2절) |
5동작 — 식각 장비 정지 뒤 PM 일정 what-if
사례는 설명용 가정 값이다 — 식각 장비군 6대(E-1 ~ E-6 · 대당 3 로트/시), 도착 15 로트/시. 값은 유체 근사(줄 변화 = 도착 − 처리)로 직접 계산했다.
- 06:00 트윈이 MES 스냅숏을 받는다 — 식각 장비군 앞 대기 54 로트, 앞 단계 로트 위치로 계산한 다음 하루 도착 15 로트/시.
- 같은 시각 E-3 가 비계획 정지(SEMI E10 상태 분류)로 들어가고 정비 담당이 복귀를 12:00 로 적는다 — 5대 처리 15 로트/시 = 도착이라 줄은 54 그대로다.
- 처리 시간 · 수리 시간 분포는 지난 3개월 로트 추적 · 장비 상태 기록에서 다시 뽑아 둔 값을 쓴다.
- 안 A — E-5 의 PM 을 계획대로 10:00 ~ 14:00 에 하면 10 ~ 12시에 4대(12 로트/시)라 줄이 60 으로 늘고, 14:00 부터 6대로 시간당 3 로트씩 줄어 다음 날 10:00 에 0 이 된다 · 대기 합계 1,050 로트·시간.
- 안 B — PM 을 다음 날 06:00 로 미루면 12:00 부터 줄이 줄어 다음 날 06:00 에 0 이 되고, PM 동안 5대 = 도착이라 줄이 다시 생기지 않는다 · 대기 합계 810 로트·시간(22.9% 적음).
- 같은 조건을 빈 팹에서 출발한 모델에 넣으면 도착 = 처리라 줄이 0 에 머물러 두 안의 차이가 보이지 않는다.
- 생산 담당이 예측 범위를 보고 안 B 를 승인하고, 정비 계획의 PM 일정만 바꾼다 — RTD 규칙은 그대로 둔다.
- 12:00 E-3 복귀 사건과 실제 줄 길이로 다시 스냅숏을 맞추고, 예측 ↔ 실제 차이를 장비군별로 남긴다.
그림 4 · 두 안은 출발 상태 · 정지 구간이 같고 E-5 PM 의 자리만 다르며, 안 A 만 10 ~ 12시에 가용 장비가 4대로 떨어진다.
그림 5 · 출발 줄 54 로트를 아는 트윈만 PM 을 미룰 때 줄이 4시간 먼저 비는 것을 보이고, 빈 팹에서 출발한 모델은 두 안 모두 줄 0 으로 답한다.
🔑 설계용 시뮬레이션은 «평균적인 팹»에 답하고 팹 디지털 트윈은 «오늘 아침의 이 팹»에 답한다 — 같은 정지 · 같은 PM 이라도 출발 줄 54 로트를 알아야 두 안의 차이 240 로트·시간이 보인다.
⚠ 유체 근사는 처리 시간 · 고장의 흩어짐을 지운다. 실제 트윈은 같은 안을 여러 번 돌려 결과를 범위로 내고, IRDS 2023 은 예측 값과 함께 예측 품질을 내라고 요구한다(5.8.4.2절).
6비교 — 팹 안의 트윈 세 범위
| 기준 | 생산 흐름 트윈 | 반송 트윈 | 장비 · 공정 트윈 |
|---|---|---|---|
| 모델 대상 | 장비군 · 라우트 · 규칙 · PM 일정 | 차량 · 레일 · 스토커 · 로드 포트 | 챔버 · 처리 시간 · 공정 결과 |
| 모델 방식 | 이산 사건 시뮬레이션 | 차량 · 경로 이산 사건 시뮬레이션 | 물리 · 통계 모델 |
| 맞추는 데이터 | 로트 추적 · 장비 상태 사건 | 반송 명령 · 완료 · 차량 상태 | 센서 · 계측 값 |
| 갱신 주기 | 스냅숏 분 · 분포 일 · 주 | 스냅숏 분 · 배치가 바뀔 때 | 런마다(IRDS 2023 5.8.6.3.1절) |
| 답하는 질문 | 몇 시간 ~ 며칠 뒤 재공 · 출고 | 반송 지연이 장비 대기를 만드나 | 다음 런 조정 값 · 재지 않은 결과 |
| 이어지는 토픽 | 생산 계획 · 스케줄링 · 디스패칭(RTD) | AMHS | R2R 제어 · 가상 계측 |
분석장비 정지 · PM · 투입처럼 장비군 사이 줄이 문제면 생산 흐름 트윈을, 재공 총량이 반송 가정에 따라 흔들리면 반송 모델을 함께 묶고, 한 챔버의 결과 값이 문제면 장비 · 공정 트윈을 쓴다. 자동 생성 모델의 재공 수준은 반송 용량 가정에 민감했다(Behrendt 외 2025).
7실무 진단 — 예측과 실적이 갈리는 원인 가르기
분석예측과 실적이 처음 갈린 시점부터 본다. 출발 직후부터 다르면 모델이 아니라 스냅숏이 틀린 것이고, 시간이 지날수록 벌어지면 분포, 장비 가동은 맞는데 재공만 틀리면 반송 · 규칙 모델이다(Behrendt 외 2025 · Deenen 외 2022).
| # | 증상 | 의심 원인 | 구분 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 첫 2 ~ 3시간 재공 위치부터 다름 | 스냅숏 시각 어긋남 · 정지 장비 누락 | 상태 스냅숏 | 스냅숏 시각 ↔ MES 사건 시각 · 장비 상태 | 출발 재공 · 정지 장비가 MES 와 같아야 함(SEMI E10 상태) |
| 2 | 날이 갈수록 출고가 한쪽으로 벌어짐 | 처리 시간 · 고장 분포 낡음 | 파라미터 | 장비군별 처리량 · 가동 시간 실적 | 오차가 검증 때 수준(5 ~ 7%)보다 커지면 재추출 대상(Behrendt 외 2025) |
| 3 | 장비 가동은 맞는데 재공 · 장비군 사이클 타임이 틀림 | 반송 용량 가정 | 반송 모델 | 반송 시간 기록 · 반송 제한 값 | 반송 제한을 바꿔 재공 수준이 실적에 맞는지(Behrendt 외 2025) |
| 4 | 한 장비군 앞 순서만 다름 | 모델 규칙 ≠ 실제 RTD 규칙 | 규칙 모델 | RTD 순위 기록 ↔ 모델 선택 | 현재 규칙을 따라 하는 휴리스틱 검증(Deenen 외 2022) |
8현장 포인트
| 값 | 어디서 나오나 | 무엇을 알려 주나 | 단위 · 주기 |
|---|---|---|---|
| 로트 추적 사건 | MES | 출발 재공 · 도착 예측 | 사건 · 로트마다 |
| 장비 상태 사건 | 장비 · EAP(SEMI E10 상태) | 정지 · PM · 대기 구간 | 사건 · 장비마다 |
| 반송 명령 · 완료 | MCS | 반송 시간 · 정체 | 사건 · FOUP 마다 |
| PM 계획 | 정비 계획 | what-if 에 넣을 계획 정지 | 건 · 일 |
| 예측 ↔ 실적 차이 | 트윈 기록 | 재추출이 필요한 장비군 | % · 장비군 · 일 |
| 한 번 실행 시간 | 트윈 서버 | 결정 전에 볼 수 있는 안 수 | 분 · 실행마다 |
- 새 제품 · 장비 자격 변경 누적 → 모델이 옛 라우트로 로트를 보내 새 제품 비중이 커질수록 특정 장비군 예측이 낡음(기준 정보).
- 반송 기록 누락 → 반송 시간을 보간으로 채운 구간이 쌓여 재공 예측이 한쪽으로 치우침(반송 모델 · Behrendt 외 2025).
- 모델 유지 인력 부족 → 손으로 고친 모델이 몇 달 뒤 실제와 멀어져 현장이 결과를 믿지 않음(모델 관리).
분석AI 를 쓰는 곳은 장비 상태로 처리 시간을 맞히는 회귀와, 예측 ↔ 실적 차이가 커지는 때를 잡는 감시다 — 앞은 랜덤 포레스트 · 그래디언트 부스팅으로 동시 처리 로트 수에 따라 길어지는 처리 시간을 학습한 장비 에뮬레이션(Behrendt 외 2025)으로 AI 영역 「앙상블」 토픽이, 뒤는 「드리프트」 토픽이 다룬다.
현장 키워드
상태 스냅숏이산 사건 시뮬레이션what-if재공 예측파라미터 재추출반송 모델장비 에뮬레이션예측 품질
9오해와 사실
- 오해팹 디지털 트윈은 팹을 3차원으로 그린 화면이다.사실판단에 쓰는 것은 장비군 · 라우트 · 규칙을 가진 모델이고, IRDS 2023 은 R2R · 실시간 스케줄링 · 디스패칭 · PdM · VM 을 트윈 가족으로 본다(5.8.6.2절).
- 오해모델을 한 번 잘 만들면 계속 쓴다.사실처리 시간 · 고장 분포 · 장비 자격이 바뀌므로 기록에서 다시 뽑아야 하고, 자동 생성 연구는 300일 실적과 견줘 처리량 · 가동 시간 오차를 5 ~ 7% 안으로 맞췄다(Behrendt 외 2025).
10핵심 정리
| 구분 | 맡는 일 | 데이터 | 주기 | 사례 값 | 틀리면 보이는 것 |
|---|---|---|---|---|---|
| 상태 스냅숏 | 출발 재공 · 장비 상태 | MES · 장비 상태 사건 | 분 | 대기 54 로트 · E-3 정지 | 첫 몇 시간부터 다름 |
| 파라미터 재추출 | 처리 · 고장 분포 | 3개월 기록 | 일 · 주 | 대당 3 로트/시 | 날이 갈수록 벌어짐 |
| 생산 흐름 모델 | 장비군 사이 줄 | 라우트 · 규칙 | 실행마다 | 도착 15 로트/시 | 한 장비군 앞 순서 다름 |
| 반송 모델 | 반송 시간 · 용량 | MCS 기록 | 배치 변경 때 | — | 재공 총량만 틀림 |
| what-if | 안끼리 견줌 | 같은 출발 상태 | 결정마다 | 1,050 ↔ 810 로트·시간 | 두 안 차이 안 보임 |
| 승인 · 반영 | 계획에 올림 | 예측 + 범위 | 결정마다 | PM 다음 날 06:00 | 현장이 결과를 안 씀 |
| 빈 팹 시작 모델 | 설계 · 용량 검토 | 평균 조건 | 과제마다 | 대기 0 | 오늘 판단을 못 함 |
11참고 문헌
- 먼저 볼 문헌
- ★ International Roadmap for Devices and Systems 2023 Update: Factory Integration — R2R · 스케줄링 · 디스패칭 · PdM · VM 을 트윈 가족으로 묶는 범위와 실시간 팹 시뮬레이션 비전을 볼 때
- ★ Real-to-sim: automatic simulation model generation for a digital twin in semiconductor manufacturing (Journal of Intelligent Manufacturing) — 로트 추적 · 장비 상태 기록만으로 모델을 자동으로 만들고 300일 실적과 견준 방법을 볼 때
- ★ A full-factory simulator as a daily decision-support tool for 300mm wafer fabrication productivity (Proceedings of the 2008 Winter Simulation Conference 2021-2029) — 가동 중인 팹의 며칠 뒤 재공 위치를 날마다 예측한 전 공장 시뮬레이터를 볼 때
- ★ Building a Digital Twin of the Photolithography Area of A Real-World Wafer FAB To Validate Improved Production Control (Proceedings of the 2022 Winter Simulation Conference 3394-3405) — 노광 구역 트윈으로 새 스케줄링 방식을 현장에 넣기 전에 시험한 과정을 볼 때
- 본문 근거
- ISO/TR 23247-100:2025 Automation systems and integration — Digital twin framework for manufacturing — Part 100: Use case of semiconductor ingot growth — ISO · 2025-05 ·
www.iso.org/standard/90387.html· 확인 2026-11-14 - SEMI E10 Specification for Definition and Measurement of Equipment Reliability, Availability, and Maintainability (RAM) and Utilization — SEMI · 2026-11 ·
store-us.semi.org/products/e01000-semi-e10-specification-for-definition-and-measurement-of-equipment-reliability-availability-and-maintainability-ram-and-utilization· 확인 2026-11-14