안녕하세요. 톡발이입니다.
저는 현재 수학과에 다니면서 인공지능을 공부하고 있습니다. 제가 공부한 내용들을 기록하고 공유하는 목적으로 블로그를 작성하게 되었습니다.
요즘 제가 공부하고 있는 분야는 위상수학을 적용한 반도체 이상 감지입니다. 쉽게 말해서 반도체에 있는 이상을 인공지능으로 분류하겠다는 것인데요 기존에는 CV 분야의 가장 대표적인 CNN을 통해서 분류를 했다면 저는 Topological Data Analysis (TDA)를 적용해서 분류를 해보려고 합니다.
그럼 가장 먼저 제가 이용한 데이터셋이 뭔지부터 차근차근 설명해 드리겠습니다.
반도체 (Semiconductor)
반도체의 이상을 감지해야 하니까 먼저 반도체가 뭔지 알아야겠죠? 반도체를 설명하기 전에 먼저 도체와 부도체에 대해서 간단히 설명을 드리겠습니다.
도체 (Conductor)
도체는 그냥 쉽게 말해서 전기가 통하는 물체를 말합니다. 대표적으로 금속이 도체에 속하는데요, 금속은 자유 전하가 존재해서 이 전하를 가진 전자들이 자유롭게 이동하여 전류가 흐를 수 있습니다.
부도체 (Nonconductor)
도체와는 반대로 부도체는 영어에서도 알 수 있듯이 종이와 고무 등과 같이 전기가 통하지 않는 물체를 말합니다. 자유 전하가 존재하지 않아서 전자가 이동할 수 없는 것이죠.
반도체 (Semiconductor)
반도체는 이런 도체와 부도체의 중간 물체라고 할 수 있습니다. 즉, 전기가 통하지 않는 부도체를 인위적으로 조작해서 전기가 통하는 도체로 만들어진 물체입니다.
그렇다면 처음부터 그냥 도체를 쓰면 되지 않을까요?
원자의 가장 바깥쪽에 있는 전자를 최외곽 전자라고 하는데, 최외곽 전자가 2개 또는 8개 일 때, 원자는 안정적인 상태를 유지하고 다른 원자와 쉽게 반응하지 않습니다.
반도체에 많이 사용하는 실리콘은 최외곽 전자가 4개이므로 주변 실리콘 원자들과 전자를 공유하면서 8개의 최외곽 전자를 확보하고 안정적인 상태를 유지합니다. (부도체의 특성을 띄게 됨)
이 실리콘 덩어리들이 전기가 통하게 만들려면 움직일 수 있는 전자를 만들어줘야 하는데 이를 위해선 전자를 넣거나 빼야 합니다.
여기에 인(P)을 넣어주면 실리콘과 결합 후 전자가 하나 남게 되어 이 전자가 자유롭게 이동할 수 있게 되어 전기가 통하게 되는데 이를 n형 반도체라고 합니다.
붕소(B)를 넣어주면 전자가 하나 부족해지는데 이 빈자리를 전공이라고 합니다. 이때 다른 전자가 전공으로 움직일 수 있는데요. 전공은 실제로 이동하진 않지만 마치 전자가 반대로 움직이는 것처럼 보이고 이는 플러스 전하를 띤 입자처럼 행동하는데 전공이나 전류처럼 전하를 띤 입자가 움직일 때 전류가 흐르게 되고 이를 p형 반도체라고 합니다.
위 질문에 대한 답이 여기서 나오는데 이 p형 반도체와 n형 반도체가 서로 만날 때 그 능력을 발휘하기 때문입니다. p형 반도체와 n형 반도체를 다양한 방법으로 합쳐서 다이오드나 트랜지스터가 만들어집니다.
이에 대한 자세한 설명은 이 글의 주제와는 상관없으므로 여기까지만 다루도록 하겠습니다.
Wafer
이제 본격적으로 저희가 다룰 dataset인 wafer에 대해서 알아보겠습니다.
반도체 공정
위에서 확인한 바와 같이 반도체의 주재료는 실리콘입니다. 실리콘이 하나의 반도체 칩이 되기까지 과정이 있는데 이를 반도체 공정이라고 부릅니다. 반도체의 8대 공정은 아래와 같습니다.
웨이퍼 제조 $\rightarrow$ 산화 공정 $\rightarrow$ 포토 공정 $\rightarrow$ 식각 공정 $\rightarrow$ 증착 & 이온주입 공정 $\rightarrow$ 금속배선 공정 $\rightarrow$ EDS 공정 $\rightarrow$ 패키징 공정
이 중에서 저희가 알아볼 것은 1단계인 웨이퍼입니다.
Wafer 제조
저희가 집을 지으려면 일단 건축물을 세울 터를 마련해야 하는데 반도체를 만들 수 있는 터가 바로 wafer입니다. 대부분의 wafer는 모래에서 추출한 규소(Si)인 실리콘으로 만들어집니다.
모래를 뜨거운 열로 녹여 순도 높은 실리콘 용액을 굳히면 잉곳이라는 실리콘 기둥이 만들어집니다. 이렇게 만들어진 잉곳을 얇게 슬라이스 해 잘라내면 바로 이것이 웨이퍼가 됩니다.
바로 절단한 awfer의 표면은 흠결이 있고 거칠거칠해서 표면을 매끄럽게 갈아줘야 합니다. 왜냐하면 wafer의 표면의 흠결은 회로의 정밀도에 영향을 주기 때문이죠.
이렇게 만들어진 웨이퍼는 격자무늬 (이 격자 하나하나를 die라고 해요)를 가지고 있고 웨이퍼 한 장은 반도체의 주재료가 됩니다. (참고로 웨이퍼는 아직 전기가 통하지 않는 부도체입니다)
Wafer Map Defect Pattern Recognition (WDPR)
그런데 이런 wafer가 아주 정확하게 만들어지는 게 아니라 die마다 약간의 불량이 있는 형태로 완성이 된다고 합니다. 그리고 이 불량 die들은 특정 패턴을 띄며 나타나는데요. 이 패턴이 무엇인지 어느 위치에서 나타나는지 분류하는 것이 굉장히 중요하다고 합니다. 어떤 위치에서 무슨 불량 패턴이 나타나는지 알아냄으로써 wafer defect의 root cause(분량의 주요 원인)를 알 수 있기 때문입니다. 그럼 이걸 어떻게 알 수 있을까요?
Wafer map
Wafer map은 wafer의 각 위치에서 측정된 반도체 장치의 품질 정보를 시각적으로 표현하는 방법입니다. Wafer map을 통해 제조 공정에서의 root cause를 감지하고 품질 제어를 수행할 수 있어요.
Wafer Map Defect Pattern
Wafer Map Defect Pattern이란 wafer map 상에서 발견된 결함(defect)의 패턴이나 분포를 나타냅니다. 위에서 설명했듯이, 이러한 결함은 wafer 상에 있는 반도체 소자의 기능을 저하시키거나 손상시킬 수 있으므로 제조 과정 중에 이를 식별하고 수정하는 것이 중요합니다. 몇 가지 예로 파티클 결함, 스크래치 결함, 조각 결함 등이 있습니다. Wafer map defect pattern을 분석하면 특정한 공정 단계에서 결함이 어떻게 발생하는지, 어떤 유형의 결함이 많이 발생하는지, 결함의 발생 원인은 무엇인지 등을 파악할 수 있습니다. 이를 통해 반도체 제조 공정의 품질을 향상하고 제품의 생산성을 높일 수 있어서 WDPR은 매우 중요한 작업입니다.
하지만 이걸 사람들이 일일이 하기에는 너무 힘들고 번거롭겠죠? 그래서 저희는 인공지능을 이용해서 wafer map의 defect pattern을 분류하는 방법을 공부하고 마지막엔 기존의 방법에서 새로운 방법론을 제시해 보려고 합니다. 또한 여태까지 WDPR은 CNN이 주로 사용이 되었는데 최근 주목받고 있는 위상 수학을 이용한 Topological Data Analysis (TDA)를 활용한 방법을 적용시켜 보려고 합니다.
그전에 먼저 과거에는 사람들이 어떤 식으로 WDPR을 해왔는지 CNN 기반의 논문을 몇 가지 공부해 보려고 합니다.
긴 글 읽어 주셔서 감사합니다!