결과적으로 결함을 발견하고 예상 수명 동안 장치의 기능에 영향을 미칠지 여부를 결정하기 위해 다양한 제조 공정에 걸쳐 기계 학습이 배치된다.
기계학습은 모든 제조 프로세스 중 가장 오랫동안 검사 분야에서 사용되어 왔다. 이제 새로운 도구로 통합되고 있다. 알고리즘은 수율 엔지니어에게 알려지지 않은 결함 서명이나 패턴을 분리할 수 있도록 한다.
인간의 두뇌와 마찬가지로 딥 러닝(DL)은 패턴을 인식하고 해당 정보를 사용하여 들어오는 데이터를 자동으로 판단한다. 특징 추출 및 변환을 위한 다층 비선형 처리 장치의 캐스케이드를 사용하여 신경망의 각 계층은 이전 계층의 출력을 다음 계층의 입력으로 사용한다.
결함 검사에서 딥 러닝 기반 알고리즘은 수동 분류의 부담을 줄이고 결과에 도달하는 시간을 줄이는 효과가 있다.
네트워크의 자동화된 특성도 매력적이다. 딥 러닝 모델은 자체적으로 즉시 업데이트되기 때문에 유지 관리가 덜 필요하다. 이전 기계 논리 모델보다 유지 관리에 대한 노력이 덜하다.
AI를 활용한 기계 학습이 매우 유용한 이유 중 하나는 반도체 프로세스가 아주 복잡하기 때문이다. 예를 들면 3D 낸드(NAND) 구조는 아주 복잡하다.
매크로닉스 엔지니어는 기계 학습이 3D 낸드 장치에서 새로운 식각 공정 개발을 촉진할 수 있는 방법을 보여주었다.
현재 삼성전자의 경우 TSMC에 비해 최첨단 칩 제조에서 수율이 떨어진다.
7나노 기준으로 알려진 바로 TSMC는 73~79%의 수율이 나오는 반면 삼성전자는 62~67% 수율이 나오는 것으로 알려지고 있다. 격차는 1년에서 1년 6개월이라고 한다.
삼성전자가 좀 더 스마트한 AI 기술을 활용한 기계 학습으로 수율 개선에 성공한다면 더 빠른 시간 내에 기술 격차, 수율 격차를 줄일 수 있을 것으로 보인다.
기계 학습 알고리즘은 결함 분류 또는 새로운 프로세스를 더 빨리 완성하기 위해 엔지니어 도구 상자의 중요한 새로운 도구다. 그러나 이러한 복잡한 솔루션이 모든 문제에 반드시 필요한 것은 아니다.
박정한 글로벌이코노믹 기자 park@g-enews.com