지식 센터
목차

반도체 웨이퍼 AI 시각 불량 검출: 수동 검사에서 지능형 인식으로의 라인 업그레이드 경로

반도체 웨이퍼 불량 검사는 전통적인 수동 외관 검사와 규칙 기반 알고리즘에서 딥러닝을 중심으로 한 AI 시각 인식 솔루션으로 빠르게 이동하고 있습니다. 이 전환의 직접적 동인은 첨단 노드에서 불량이 더 작아지고 불량 유형이 더 복잡해지는 동시에, 라인의 검사 속도와 정확도 요구가 함께 높아지고 있다는 점입니다.

1. 핵심 개념과 기술 정의

반도체 웨이퍼 AI 시각 불량 검출이란 산업용 카메라로 웨이퍼 표면이나 내부 구조 이미지를 획득하고 딥러닝 모델을 적용하여 다양한 불량을 자동으로 식별하고 분류하는 기술적 접근입니다. 검사 대상은 웨이퍼 표면의 파티클 오염, 스크래치, 핀홀, 잔류물과 함께 리소그래피 현상 후의 패턴 이상, 식각 불균일 등을 포함합니다. 사람이 정의한 특징 규칙에 의존하는 전통적인 머신 비전과 달리, AI 비전 솔루션은 대규모 불량 샘플 세트로 모델을 학습시켜 시스템이 정상과 이상을 스스로 구분하는 방법을 익히게 합니다. 업계는 보통 이런 솔루션을 이미지 전처리와 강화, 불량 검출과 위치 결정, 불량 분류와 등급 판정의 세 계층으로 나누며, 세 계층을 연결해야 보는 것에서 이해하는 것으로의 루프가 완성됩니다.

2. 기술 원리와 핵심 역량

AI 시각 불량 검출의 핵심은 합성곱 신경망과 어텐션 메커니즘의 결합입니다. 간단히 말하면 모델은 먼저 다량의 라벨링된 웨이퍼 이미지에서 불량의 질감, 형상, 그레이 레벨 분포 특징을 학습한 뒤, 추론 시 새로운 이미지의 각 영역을 점수화하여 불량 존재 여부와 소속 클래스를 판정합니다. 핵심 역량은 여러 측면에서 드러납니다. 하나는 소형 객체 검출로, 첨단 노드의 불량은 크기가 몇 픽셀에 불과할 수 있어 모델이 고해상도 이미지에서 민감도를 유지해야 합니다. 둘은 견고성으로, 웨이퍼 표면 자체가 주기적 패턴 구조를 가져 모델이 실제 불량과 정상 패턴 질감을 구분해야 합니다. 셋은 점진적 학습으로, 라인이 제품이나 공정을 바꿀 때 처음부터 학습하지 않고 소량의 새 샘플로 빠르게 적응해야 합니다. 넷은 설명 가능성으로, 시스템이 불량 위치, 유형, 신뢰도를 출력해 엔지니어가 검토하고 추적할 수 있어야 합니다. 오늘날 주류 솔루션은 상당히 높은 불량 재현율을 달성하지만 구체적 수치는 불량 유형과 이미징 조건에 따라 달라 일반화할 수 없습니다.

3. 전형적인 제조 적용 시나리오

전력 반도체 소자 공장에서 화학 기계 연마 후 웨이퍼 표면에 미세 스크래치와 금속 잔류물이 쉽게 발생한다고 가정해 보겠습니다. 과거에는 검사원이 현미경 아래에서 샘플링했고 유출률이 불안정하며 교대조 간 기준도 일관되지 않았습니다. AI 시각 검사를 도입하면 라인이 전수 검사를 수행하고 시스템이 의심 영역을 자동 표시하며 엔지니어는 표시된 부분만 검토하므로 효율 개선이 분명합니다.

웨이퍼 표면에 미세 구조가 많아 전통적인 규칙 알고리즘으로는 구조 경계의 정상 그림자와 실제 불량을 구분하기 어려운 MEMS 센서 제조사를 가정해 보겠습니다. 샘플로 학습한 뒤 AI 모델은 두 상황을 잘 구분하고 오경보를 줄입니다.

또 다른 시나리오는 웨이퍼 팹의 에피웨이퍼 검사입니다. 에피택셜 층 표면에는 초기 단계에서 육안으로 보기 어려운 헤이즈 불량이나 삼각형 불량이 발생할 수 있습니다. 특정 조명 설계와 결합한 AI 비전 시스템은 이런 약한 신호를 인라인에서 포착하여 공정 엔지니어가 에피택셜 성장 이상을 더 일찍 찾도록 돕습니다.

4. 선정 포인트와 도입 조언

AI 시각 불량 검출 솔루션을 고를 때 모델 정확도만 보지 마십시오. 첫째, 이미징 설계가 불량 유형과 맞는지 확인하십시오. 불량마다 광원 파장, 입사각, 카메라 해상도 요구가 크게 다르며 이미징이 부적절하면 어떤 모델도 보완할 수 없습니다. 둘째, 모델 반복 개선 효율을 확인하십시오. 라인 공정이 변하고 불량 분포가 변하므로 빠른 퓨샷 재학습 지원 여부가 장기 총소유비용에 직접 영향을 줍니다. 셋째, 라인 설비와의 연결 능력을 확인하십시오. 검사 결과를 MES나 SPC 시스템에 실시간 전송하고 경보나 분류 동작을 자동 트리거할 수 있는지가 솔루션이 검사 도구인지 폐루프 라인인지를 결정합니다. 넷째, 오경보율에 주목하십시오. 유출도 두렵지만 오경보가 너무 많으면 엔지니어가 검토에 지쳐 결국 시스템을 포기하게 됩니다. 먼저 한 공정 단계나 한 제품에서 파일럿을 수행하고 실제 라인 데이터로 검증한 뒤 점진적으로 확장하십시오. 일부 제공업체는 3,200명 이상 최종 사용자와 15개 이상 산업을 아우르는 120개 이상 고객을 보유하고 있어 이런 경험이 참고가 될 수 있지만, 결국 중요한 것은 자사 라인과의 실제 적합성입니다.

5. 트렌드와 요약

첫 번째 방향은 검사와 계측의 융합입니다. AI 비전은 더 이상 불량 존재 여부만 판정하지 않고 불량 크기, 깊이, 조성 경향을 출력하여 공정 조정의 근거를 직접 제공하려 하고 있습니다. 두 번째는 엣지 배포로, 추론을 라인 측 장치에 두어 이미지 전송 지연을 줄이고 인라인 전수 검사의 사이클 요구를 충족하는 것입니다. 세 번째는 공정 간 불량 추적입니다. 여러 공정 단계의 검사 데이터를 연결하고 AI로 어느 단계에서 불량이 유입되었는지 분석하여 팹이 근본 원인을 더 빨리 찾도록 돕습니다.

반도체 웨이퍼 AI 시각 불량 검출은 단순히 사람의 눈을 대체하는 것이 아니라 검사를 샘플링에서 전수로, 오프라인에서 인라인으로, 수동 판독에서 지능형 등급 판정으로 이동시키는 것입니다. 스마트 제조 업그레이드를 추구하는 반도체 기업에게는 모델 지표만 좇기보다 올바른 이미징 설계, 올바른 모델 반복 개선 경로, 올바른 라인 연결 방식을 선택하는 것이 더 중요합니다.

주제: AI 시각 인식 백과