반도체 칩 제조, AI로 수율 높인다…삼성, TSMC 따라잡을 '무기'로

AI를 활용하는 기계 학습이 수율과 처리량을 개선하는 데 사용되는 반도체 제조에서 점점 더 중요해지고 있다. 데이터 세트에 노이즈가 있는 공정 제어에서 특히 중요한 데 신경망은 인간 능력을 능가하는 패턴을 식별하거나 분류를 더 빠르게 수행할 수 있기 때문이다.

결과적으로 결함을 발견하고 예상 수명 동안 장치의 기능에 영향을 미칠지 여부를 결정하기 위해 다양한 제조 공정에 걸쳐 기계 학습이 배치된다.
현재 산업 현장에서는 가장 관련성이 높은 측정값을 식별하는 많은 과정에 인공지능(AI) 작업이 시작되고 있다. 이상치를 추출하고 정상적 통합을 한 수준 위에 진행함으로써 개선된 수준의 수율이 탄생한다.

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.
대만 칩 제조사인 매크로닉스 연구에 따르면 기계 학습을 통해 웨이퍼 전체에 걸쳐 균일성이 우수해 깊은 트렌치 식각 공정을 더 빠르게 할 수 있다.

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