AI&빅데이터 활용 예지정비 솔루션 IDAP/ ADAP의 반도체 제조공정 물질 모니터링 및 예측 적용 사례 (An Application of AI & Big Data-based Predictive Maintenance Solution IDAP/ADAP for Material Monitoring and Prediction in Semiconductor Manufacturing Process)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 데이타베이스연구 / 37권 / 1호 / 46 ~ 57페이지
· 저자명 : 조형민, 심재철, 김재성, 박연순, 이경희

초록

반도체 제조 공정에는 다양한 화학물질이 사용되며, 공정 내에서 물질의 정밀한 제어를 통해 표면 처리의 균질성과 품질관리가 이루어진다. 반도체 제조에서 가장 큰 관심사는 각 공정의 반복성과 재현성이며, 정해진 사양에서 약간의 편차에도 값 비싼 장비 오염과 웨이퍼 스크랩이 발생할 수 있다. 본 연구에서는 실시간 빅데이터 예측 유지보수 솔루션인 IDAP/ADAP(IoT Data Analytics Platform /AI Bigdata Platform)을 반도체 제조공장의 여러 지점에서 측정된 물질의 상태를 통합 관리하는데 적용한 사례다. 상태 데이터는 특성에 따라 배치 혹은 실시간으로 수집하며, 설정된 상한 및 하한값 초과시 관리자에게 알람 메시지를 전달한다. 또한, 빅데이터와 인공지능 기술을 활용하여 축적된 상태 데이터를 분석하고, 예측모델을 만들어 상태를 미리 예측하여 예지정비가 가능하도록 한다. AI 예측 모델을 생성할 때 각 지점의 고유한 특성을 반영해야 하므로 시간과 노력이 많이 소요되는 작업이다. 본 논문에서는 축적된 데이터로부터 정확도가 높은 상위 N개 지점을 선정하여 먼저 모니터링하고 예측하고, 정확도가 낮은 나머지 지점에 대해서는 추가 데이터를 확보하여 점진적으로 정확도를 높이는 방식을 제안한다. 본 연구는 개별지점의 예측 정확도를 높이는 것보다 전사적 수준에서 물질상태를 모니터링하고 예측하는 방법론과 플랫폼을 제시하는데 목표가 있다.

영어초록

Various chemical substances are used in the semiconductor manufacturing, and homogeneity of surface treatment and quality control are achieved through precise control of substances within the process. One of the biggest concerns in semiconductor manufacturing is the repeatability and reproducibility of each process, and even a slight deviation from a given specification can lead to expensive equipment contamination or wafer scrap. In this study, we introduce a case of applying IDAP/ADAP (IoT Data Analytics Platform/AI Bigdata Platform), a real-time big data predictive maintenance solution, to integrated management of state information of substances measured at various points in a semiconductor factory. Status data is collected in batches or in real time according to characteristics, and an alarm message is delivered to the manager when the set upper and lower limits are exceeded. In addition, the accumulated state data is analyzed using big data and artificial intelligence technology. When creating an AI predictive model, it is a time-consuming and labor-intensive task as it must reflect the unique characteristics of each point. This study aims to present a methodology and platform for monitoring and predicting material conditions at the enterprise level rather than improving the prediction accuracy of individual points.

참고자료

· 없음