3,000개의 후보 위치에서, 어디를 측정해야 할까요?
더 적은 측정으로 더 정확한 오버레이 예측을 위한 Key Position 최적화
약 3,000개 후보 위치에서 최적의 측정 조합을 탐색합니다. 목표는 측정 정밀도와 생산 처리량의 균형을 다시 설계하는 것입니다.
그림 1. 전수 측정, 기존 샘플링, 데이터 기반 최적 샘플링의 개념 비교 | Source: SemiAI
측정 포인트를 줄이면서도 예측 성능을 지킬 수 있을까?
첨단 반도체 공정에서는 오버레이(Overlay)와 EPE의 허용 오차가 갈수록 작아지고 있습니다.
더 많은 위치를 측정하면 공정을 더 세밀하게 이해할 수 있지만, 전수 측정은 계측 장비의 처리량과 운영 비용을 크게 높입니다.
그래서 현장에서 중요한 질문은 단순합니다. “얼마나 많이 측정할 것인가”가 아니라, “어디를 측정해야 제한된 측정 예산 안에서 가장 많은 정보를 얻을 수 있는가”입니다.
격자와 경험 중심의 선택을 ‘조합 최적화’ 문제로 전환하다
기존에는 등간격 격자 배치, 엔지니어 경험, 또는 Cascade 방식의 순차적 제거가 주로 활용됩니다.
Cascade는 빠르고 실용적이지만, 각 단계에서 가장 좋은 선택을 이어가는 탐욕적 탐색이기 때문에 모델이 복잡해질수록 국소 최적해에 머물 가능성이 있습니다. 약 3,000개 후보 중 32개를 고르는 조합은 약 10⁸⁰개에 달합니다. 사람의 직관이나 단순 반복만으로 충분히 탐색하기 어려운 규모입니다.
SemiAI의 해법: Cascade의 안정성과 Genetic Algorithm의 탐색력을 결합
Sampling Optimizer 는 Cascade가 도출한 기준해를 유전 알고리즘(Genetic Algorithm, GA)의 초기 개체군에 포함하는 하이브리드 구조를 사용합니다. 안정적인 출발점을 확보한 뒤 선택·교차·돌연변이를 반복하며 더 넓은 조합 공간을 탐색합니다. 이를 통해 기존 방식의 강점은 유지하면서, 더 우수한 Key Position 조합을 찾을 가능성을 높입니다.
그림 2. 전체 후보 → Cascade 기준해 → GA 탐색 → 최적 Key Set 도출 | Source: SemiAI
| 기술 요소 | 현장 적용 의미 |
|---|---|
| 대규모 조합 탐색 | 약 3,000개 후보 중 32개를 선택하는 약 10⁸⁰개의 조합을 GA로 효율적으로 탐색 |
| Warm-start | Cascade 해를 초기 개체군에 포함해 안정적인 기준 성능에서 탐색을 시작 |
| 유연한 Fitness | nMU 또는 실제 오버레이 예측 성능을 근사하는 RMSE Proxy를 목적함수로 활용 가능 |
| 오프라인 적용성 | 실험 기준 GA 평균 약 17초, Cascade 약 5초로 Sampling Recipe의 오프라인 최적화에 실용적인 계산 범위 |
모델이 복잡해질수록 GA의 효과는 더 분명해졌습니다
비교 실험에서 GA는 네 가지 nMU 스코어링 방식 모두에서 가장 낮은 중앙값을 기록했습니다.
저차 모델인 OVO(6개 파라미터)에서는 Cascade만으로도 충분한 성능을 보였지만, OVO2(19개)에서는 GA 승률이 90%, OVO3(38개)에서는 100%로 나타났습니다. 모델 차원이 커질수록 전역 탐색의 이점이 확대된다는 의미입니다.
그림 3. 최선 실험 사례(OVO2, Key 16): 등간격 기준 대비 최종 스코어 41.9% 개선 | 낮을수록 우수
추가 12초의 탐색이 보여준 41.9%의 개선 가능성
최선의 실험 조건(OVO2, Key 16)에서 Cascade는 등간격 기준 대비 3.1%를 개선했습니다.
GA는 여기에 38.8%를 추가로 개선해 최종적으로 41.9%의 스코어 감소를 기록했습니다.
이는 모든 공정에서 동일한 성능을 보장한다는 의미가 아닙니다. 다만 데이터와 모델 조건에 맞춰 측정 위치를 체계적으로 최적화할 때 확보할 수 있는 잠재력을 구체적으로 보여줍니다.
같은 수의 포인트를 측정하더라도, 위치를 어떻게 선택하는지에 따라 예측에 남는 정보의 양은 달라질 수 있습니다.
Sampling Optimization이 현장에 제공하는 가치
핵심은 측정량을 무조건 줄이는 것이 아닙니다. 동일한 측정 예산 안에서 예측 정보를 가장 잘 보존하는 위치를 찾는 것입니다.
SemiAI는 nMU 기반 최적화를 넘어, 실제 오버레이 예측 RMSE를 빠르게 근사하는 Proxy 모델을 Fitness Function으로 연결하는 프레임워크를 제안합니다. 이를 통해 공정·제품·모델별로 더 정밀한 Sampling Recipe를 설계하면서 계측 처리량도 함께 관리할 수 있습니다.
Sampling Optimizer 관련 기술은 한국 특허를 보유하고 있습니다.
SemiAI는 반도체 제조 데이터와 도메인 지식을 결합해 계측 전략을 경험 중심의 선택에서 검증 가능한 데이터 기반 의사결정으로 전환하고 있습니다.
귀사의 공정에서는 어떤 위치를 측정하고 있습니까?
제한된 측정 예산 안에서 더 높은 예측 성능이 필요하다면 SemiAI와 함께 가능성을 검증해 보시기 바랍니다.