본문으로 이동

Defect Agent: AI로 진화하는 반도체 결함 제어

  • 메일
초미세공정의 수율 확보, 파티클 제어가 중요한 이유

반도체 제조는 웨이퍼 위에 정밀한 회로를 쌓는 과정의 반복이며 이 과정에서 웨이퍼 표면에 남는 미세 입자와 이로 인한 결함(defect)은 수율 저하의 직접 원인이 된다. 공정이 미세화·고집적화될수록 불량의 양상과 발생 경로도 복잡해져, 단순히 "무엇이 보이는가"를 넘어 "어디서 왔는가", "어떤 웨이퍼에 영향을 주었는가", "같은 현상이 계속되고 있는가”까지 함께 분석해야 한다. 이를 위해 현장에서는 결함(defect) 이미지 분석과 분포 확인, 수백 개의 공정 및 설비 이력 추적 등 방대한 작업을 수행하고 있으나 분석 도구들이 분절화되어 정보를 연결∙검토하는데 상당한 시간과 경험이 필요하고, 이는 데이터가 끊임없이 쌓이는 제조 환경에서 대응 속도를 늦추는 병목이 된다.

이러한 한계를 해결하고자 이미지부터 제조 이력, 시간적 변화까지의 단서를 하나의 흐름으로 이어 원인 추적과 대응 조치를 통합 처리하는 Defect Agent가 개발되었다.

 

원인 규명을 위한 추론 과정: 세 겹의 유기적 분석 체계

Defect Agent는 이미지를 분석하는 Vision AI, 데이터를 연결하는 Multimodal AI, 원인을 추론하는 Multimodal Reasoning 세 겹 체계를 통해 원인을 찾는다.

Defect Agent의 Vision AI는 기존의 단순 결함(defect) 분류를 넘어 크기, 형태, 주변 회로 패턴, 발생 영역을 다각도로 분석한다. 이를 통해 파티클이 어떤 모습으로 어느 위치에 나타났는지를 파악하며, 그 결과는 발생 경로를 추정하고 수율에 미치는 영향을 판단하는 기초 근거가 된다. 그러나 결함(defect) 이미지만으로는 파티클이 ‘왜 지금’ 나타났는지 알 수 없다.

이를 해결하기 위해 Multimodal AI가 결함(defect) 이미지 정보를 웨이퍼 맵이나 설비 이력 등과 연결해 불량 현상을 더 구체적으로 정의한다. 예컨대, 특정 유형의 불량이 증가하면 발생 영역과 시점을 추적해 혐의 설비를 찾아내는 식이다. 이 과정을 통해 ‘무엇이, 어디서, 언제’ 발생했는지를 명확히 한다.

마지막으로 Multimodal Reasoning은 앞선 정보를 바탕으로 가설을 세우고 검증한다. 특정 설비에서 불량이 발견되었다고 해서 바로 원인으로 단정하지 않고, 다른 설비 데이터나 상태 변화 시점을 비교하며 타당성을 검토한다. 판단에 필요한 근거가 부족하면 AI가 분석 도구(Tool AI)를 활용해 유사 사례나 변화 추이를 추가로 확인한다. 이러한 관찰 → 가설 → 추가 분석 → 재평가를 반복하며 서로 다른 차원의 정보를 연결해 원인 후보를 좁히고, 단편적인 지표만으로는 파악하기 어려운 원인과 상황까지 종합적으로 해석하는 것이 이 체계의 차별점이다.

 

분석과 조치의 통합: End-to-End Workflow

원인 판정은 과정의 일부이며, 진정한 결함(defect) 제어는 발생 감지부터 원인 분석, 대응 수립, 조치와 결과 확인까지 포함해야 한다. 하지만 단계마다 데이터를 다시 찾고 해석해야 한다면 개별 AI의 속도와 관계없이 전체 대응 속도는 느려질 수밖에 없다. Defect Agent는 전 과정을 현상 분석, 이상 감지, 혐의 분석, 원인 판정, 대응 수립, 조치 제어의 여섯 개 Task Agent로 나누고, 하나의 Agentic Workflow로 연결함으로써 문제를 해결했다. 정해진 순서로만 작동하는 파이프라인 방식이 아니라, 상황에 따라 필요한 도구를 선택하거나 이전 단계로 돌아가 판정을 재수행하는 유연한 End-to-End Workflow를 갖춘 것이 특징이다. 이를 통해 분석 결과가 단순한 인사이트 도출에 그치지 않고 실제 조치나 설비 정지(hold)까지 이어지는 폐쇄 루프(closed loop)를 완성하여 대응의 효율성을 개선했다.

 

Defect Agent
Multimodal Reasoning Agent가 파티클 이미지, 웨이퍼 맵, 제조 이력을 종합해 원인을 규명하고 대응 방안을 제시한다.

세 개의 패널로 구성된 인포그래픽은 이미지 및 데이터 입력부터 증거 기반 의사 결정에 이르기까지 AI 에이전트 워크플로를 통해 흐르는 다양한 형태의 증거를 차트와 다이어그램을 통해 보여줍니다.
세 개의 패널로 구성된 인포그래픽은 이미지 및 데이터 입력부터 증거 기반 의사 결정에 이르기까지 AI 에이전트 워크플로를 통해 흐르는 다양한 형태의 증거를 차트와 다이어그램을 통해 보여줍니다.

 

Defect Agent가 바꾼 업무 방식

Defect Agent 도입으로 결함(defect) 대응 방식은 크게 세 가지 측면에서 달라졌다. 첫째, 분석 시간이 크게 단축되었다. 엔지니어가 웨이퍼 맵과 결함(defect) 이미지를 직접 선별하고 여러 AI 도구로 혐의 공정을 찾던 수 시간의 작업을 에이전트가 수 분 내에 수행해, 엔지니어는 혐의 설비 후보의 검증·판단에 집중할 수 있게 되었다. 둘째, 사후 분석에서 조기 대응으로 전환되었다. 계측값이 기준치를 초과한 뒤 문제를 인지하던 방식에서 벗어나, 데이터 흐름의 이상 신호를 조기에 포착해 손실 확대 전에 개입할 수 있게 되었다. 셋째, 개인 경험에 의존하던 대응 역량이 시스템 기반으로 확장되었다. 여섯 개의 전담 에이전트가 이상감지부터 변경점 이력, 유사 사례까지 교차 검증해, 분석 경험이 적은 엔지니어도 보다 일관된 End-to-End 대응을 수행할 수 있도록 지원한다.

 

사후 대응에서 예방으로

반도체 제조 현장에서는 원인 추적 중에도 생산이 계속되기 때문에 이상 발견부터 원인 판단과 조치까지의 시간을 줄이는 것이 중요하다. Defect Agent는 복잡한 단서들을 연결해 원인 분석부터 해결책 제안까지 이어지는 자율형 결함 제어(Autonomous Defect Control) 환경을 구현하여, 수율 향상의 기반을 마련하고 분석 경험이 적은 엔지니어의 대응 역량을 높여 현장의 숙련 공백을 줄이는데 기여한다. 나아가 ‘추론과 대응 경험’을 ‘재사용 가능한 제조 지식’으로 축적해 유사 문제 발생 시 더 빠르게 활용하고, 궁극적으로는 초기 징후를 학습해 문제가 확산되기 전에 대응하는 '예방형 defect 제어'를 지향한다.

개별 파티클 분석에서 시작한 AI는 제조 전 과정의 판단과 실행을 연결하고 축적된 경험을 바탕으로 고도화될 것이다. Defect Agent가 만들어 갈 반도체 제조 AI의 미래도 여기에 있다.

 


* 본 페이지의 내용은 정보 제공만을 목적으로 합니다. 삼성 및 그 임원, 자문인, 대리인 또는 직원은 본 페이지에 포함된 정보, 진술, 의견 또는 기타 내용의 정확성, 합리성 또는 완전성에 대하여 명시적 또는 묵시적으로 어떠한 진술이나 보증도 하지 않으며, 해당 내용은 "있는 그대로(AS IS)" 제공됩니다. 삼성은 본 블로그 내용의 사용으로 인해 발생하거나 이와 관련하여 발생하는 어떠한 손해에 대해서도 책임을 지지 않습니다. 본 블로그의 어떠한 내용도 본 문서에 제공된 정보, 자료 또는 콘텐츠나 기타 지식재산에 대한 라이선스 또는 권리를 부여하는 것으로 해석되지 않습니다.
 
* 본 블로그의 내용에는 향후 전망과 이에 관련된 내용이 포함될 수 있습니다. 이러한 내용은 향후 성과를 보장하지 않으며, 삼성전자, 시장 또는 산업의 실제 전개는 본문에 포함된 내용과 실질적으로 다를 수 있습니다.
 
* 모든 제품 사양은 내부 테스트 결과를 반영한 것으로, 사용자의 시스템 구성에 따라 달라질 수 있습니다. 실제 성능은 사용 조건 및 환경에 따라 다를 수 있습니다.
 
* 표시된 모든 이미지는 이해를 돕기 위해 제공된 것으로, 실제 제품을 정확하게 나타내지 않을 수 있습니다. 모든 이미지는 디지털로 편집, 수정 또는 보정되었습니다.