기술 리소스
반도체 공정 제어, Virtual Metrology, AI 기반 제조와 양산 운영에 관한 기술 리소스입니다.
공정 결과를 예측하고 제어하는 방법
공정 제어는 왜 알고리즘보다 구축과 운영이 어려운가
계산식 제어, 단일 알고리즘과 Amfibian의 차이를 모델 구축, 사전 검증, 양산 운영과 재사용 관점에서 비교합니다.
EPD와 OES만으로 충분할까?
Endpoint를 찾는 것과 최종 품질을 일정하게 만드는 것은 서로 다른 문제입니다.
R2R 기반 APC: Feedback + Feedforward
각 run의 결과와 시스템 상태를 다음 run에 반영해 공정 조건을 점진적으로 업데이트하는 반복 제어 구조를 설명합니다.
Wafer Profile Control과
multi-zone 공정 제어
Wafer 평균값뿐 아니라 zone별 actuator와 공정 결과의 관계를 모델링해 목표 profile과 WIWNU를 관리합니다.
Batch 공정의 위치별 편차를 다음 recipe에 반영합니다
Batch furnace에서 실제 wafer 결과를 바탕으로 다음 batch의 zone 조건을 계산하는 제어 구조를 설명합니다.
가상 계측(VM): 계측 공백을 채우고
제어가 끊기지 않게 하는 레이어
계측이 드물거나 늦게 들어오는 제조 환경에서 공정 결과를 추정하고 다음 판단과 제어에 연결하는 방법을 설명합니다.
TTTM만으로는 부족하다: 웨이퍼 제조에
APC가 필수인 이유
장비 간 baseline을 맞추는 것과 시간이 지나도 wafer 결과를 목표 범위에 유지하는 것은 서로 다른 문제입니다.
제조 AI를 양산에서 운영하는 방법
제조업은 왜 같은 문제를 반복해서 푸는가
반도체 제조는 작은 차이를 끝까지 파고들며 발전해왔습니다. 어렵게 얻은 지식이 다음 장비와 다음 공정의 출발점을 어떻게 앞으로 당길 수 있는지 살펴봅니다.
암묵지에도
유효기간이 있다
엑셀 매크로와 개인 자동화가 왜 조직의 지식으로 남기 어려운지, 과거의 판단을 지금의 맥락에서 다시 해석해야 하는 이유를 살펴봅니다.
AI 모델에도 양산기술이 필요하다
제조업이 공정개발과 양산기술을 나누듯, 데이터와 AI에도 준비·
제조 소프트웨어, 왜 SI 프로젝트보다
제품으로 운영해야 하나
매일 양산에서 쓰고 여러 공정으로 확장해야 하는 제조 소프트웨어에 제품으로 지속 운영하는 구조가 필요한 이유를 설명합니다.
SPC와 FDC부터 갖춰야
제조 AI를 시작할 수 있을까?
제조 AI의 성패를 가르는 것은 인프라의 개수가 아니라, 적은 인력으로 지속 운영할 수 있는 구조입니다.
피지컬 AI는 반도체 제조에서 어떻게 구현되는가
피지컬 AI는 소프트웨어가 현실의 물리 시스템을 이해하고, 그 이해를 실제 행동으로 연결하는 기술입니다.
진단과 모니터링을 넘어: 반도체 제조 AI의
다음 단계는 공정 제어입니다
이상을 찾는 AI, 품질을 예측하는 AI와 실제 공정 조건을 조정하는 AI가 어떻게 다른 문제를 푸는지 설명합니다.
AI를 도입한 Fab과
AI로 운영되는 Fab은
무엇이 다른가
양산에서 중요한 것은 모델 존재 여부보다 변하는 현실 속에서 얼마나 안정적으로 운영할 수 있느냐입니다.
왜 PoC는 양산으로 이어지지 않는가
PoC와 양산의 차이는 정확도보다 운영 신뢰, 데이터 일관성, 변경관리와 현장 workflow 결합에서 더 자주 발생합니다.
팹 전산 시스템 현대화: 구축형에서
이벤트 기반 데이터 플랫폼으로
MES 중심 구축형 구조에서 event-driven data flow와 lakehouse 중심 구조로 바뀌는 제조 IT 흐름을 설명합니다.