Big Data Analytics for Smart Manufacturing: Case Studies in Semiconductor Manufacturing
15 Jul 2020
Reading time ~3 minutes
1. Introduction
Smart manufacturing (SM)는 제조환경에서 다음과 같은 내용을 통합해 이용하는 것을 의미한다.
- integration of systems
- linking of physical and cyber capabilities
- information including leveraging the big data evolution
특히, 반도체 제조 공정에서 SM의 활용 및 연구는 다음 두 가지 영역에서 활발하게 이뤄진다.
- fault detection
- predictive maintenance
Smart manufacturing (SM)의 성공을 위해서 가장 중요한 요소는 다음과 같다.
- data quality
- incoporating subject matter expertise in analytics
2. Background
2.1. Semiconductor Manufacturing and the Emergence of On-Line Analytics
반도체 제조 공정의 구성
front-end process
증착, 포토, 식각 공정 등을 포함
수차례 layer를 쌓는 반복 작업을 통해서 wafer에 패턴을 형성하는 작업.
back-end process
조립, 테스트, 패키징 등을 포함.
wafer를 하나의 칩으로 만드는 일련의 과정.
반도체 공정에서는 공정의 효율과 비용 절감이 경쟁우위를 가질 수 있는 가장 강력한 수단이다. 이에 따라 전체 라인에 대해서는 수율이 90% 이상, 개별 공정으로 본다면 수율이 99% 이상을 요구할 정도로 수율 경쟁이 치열한 분야이다.
이런 환경은 공정 최적화에 대한 많은 관심을 불러 일으켰으며 1990년대부터 Advanced process control (APC)라고 불리는 공정 분석 기법들이 발전을 해왔다.
2000년대에 이르러서는 FD, FDC, R2R이라고 불리는 기법들이 front end process 전반에 널리 사용되었다.
2.2. The Big Data Revolution and Associated Challenges
2010년에 와서는 APC 방법론에 매우 큰 변화가 찾아왔다. 그런 변화를 이끈 요인을 논문에서는 크게 두 가지로 요약한다.
- device complexity began to require revolutions in manufacturing processes
- device의 설계가 2D에서 3D로 전환.
- FinFET (fin field-effect transisor) 공정의 적용.
💡https://www.samsungsemiconstory.com/1353
- new market drivers accelerated the need for faster, smaller, more complex and lower power devices.
- IoT, mobile device, smart vehicle
- Big data, AI
이 중에서도 Big data와 AI를 통한 공정 제어의 혁신은 그 중요도가 매우 높다.
빅데이터를 정의하기 위해서는 "5 Vs"(Volume, Velocity, Variety, Veracity, Value)의 조건을 만족해야한다. 반도체 공정의 5V는 다음과 같다.
Volume
반도체 공정에서의 데이터는 지수적으로 증가하고 있다.
Velocity
센서의 수집 단위가 1Hz → 10Hz → 100Hz → 10KHz로 급격하게 증가하고 있다.
Variety
metrology, maintenance, yield, inventory management, manufacturing execution system (MES) and enterprise resource planning (ERP) 등을 통해 다양한 형태의 데이터가 수집된다.
Veracity (Data quality)
5 Vs 중에서 analytics의 가장 큰 장벽이 되는 요소이다. 데이터가 Veracity를 만족하기 위해서 필요한 요소에는 다음과 같은 것들이 있다.
- accuracy
- completeness
- context richness
- availability
- archival length
Value
빅데이터는 공정 최적화를 위해 현재 존재하는 기술들을 발전시킬 뿐 아니라 이전에는 할 수 없었던 예측 처방과 같은 방법론도 제공해주기에 가치가 있다.
2.3. Big Data Enabled APC Capabilities
2.2 Value에서 언급했듯 빅데이터를 이용한 혁신은 APC의 Capability를 키우기 위한 좋은 방안이 된다. 구체적인 내용은 아래 그림의 APC Extended Technologies를 보자.
- FD, SPC, R2R 등의 기법은 존재하는 대부분의 fab에서 실행되는 기술이며 EHM은 상당히 많은 곳에서 적용이 되고 있는 제어 기술이다.
- FD와 EHM은 빅데이터에 의해서 직접적으로 향상이 가능한 기술로 평가된다.
- PdM, Predictive Scheduling, VM의 경우 현재 많은 연구가 이뤄지고 있으며 몇몇의 성공 사례가 있지만 아직은 해결해야할 이슈들이 많다.
- Yield Prediction은 데이터 quality 문제로 여전히 연구 중에 있는 기술이다.
2.4. Leveraging Lessons-Learned to Other Industries
이번 논문에서 다루는 내용은 제조 공정을 중심으로 서술되지만 다음과 같은 조건을 만족한다면 다른 산업에서도 충분히 적용이 가능하다.
- the need for precision manufacturing.
- cost pressures requiring rapid ramp-up of new technologies and continuous improvement
- complexity in processes and oftentimes lack of process visibility.
- dynamics in processes.
3. Analytics Approaches in Semiconductor Manufacturing
Level of Correlation Among Parameters Analyzed:
3.1. Semiconductor Industry Specific Challenges Impacting Analytics
반도체 제조에는 3가지 Key Challenge가 존재한다.
-
Equipment and process complexity
front-end process에서 사용되는 장비는 수백 개의 components와 최소 수천 가지의 failure point가 존재하는 복잡한 장비이다.
-
Process dynamics
장비는 여러 가지 요인에 의해서 process operation의 drift와 shift가 발생한다.
-
Data quality
반도체 공정의 데이터 품질은 날이 갈수록 좋아지고 있지만 여전히 quality 이슈가 존재한다.
이런 Challenge는 Smart manufacturing (SM) 이전부터 존재해 온 반도체 공정의 주요한 문제였으며 SM이 도입되고 있는 현재에도 data driven approach의 적용을 막는 가장 큰 장벽이다.
이런 이슈로 인해 현재 대부분의 Fab에 적용되는 기법은 subject matter expertise (SME)와 같이 도메인 지식을 이용한 기법들이 주를 이루고 있다.
3.2. Dimensions of Analytics Capabilities
앞서 말한 다양한 분석기법들을 분류하는 가장 좋은 방법은 dimensions of capability에 따라서 기법들을 분류하는 것이다. 이런 차원에 대해서는 다음 그림에 매우 잘 설명이 되어 있다.
- Level of Supervision
- Level of Prediction
- Level of Correlation Among Parameters Analyzed
- Level of Incorporation of Dynamics
- Level of Incorporation of State
- Level of Incorporation of SME