[첨단 헬로티]

우리가 살고 있는 세상은 급속도로 변화하고 있으며 기술의 변화 속도 역시 기하급수적으로 빨라지고 있다. 이런 현상이 어떻게 가능한 것일까? 무어의 법칙에 의한 기하급수적인 성장속도와 인터넷으로 인해 야기되는 급격한 변화를 종합해보면, 이 전례 없이 예측 불가능한 변화의 물결이 왜 일어나고 있는지 알 수 있다. 

특히 머신 러닝(Machin Learning, 인공지능의 연구 분야 중 하나로, 인간의 학습 능력과 같은 기능을 컴퓨터에서 실현하고자 하는 기술) 혹은 AI(Artificial Intelligence, 인공지능)는 제조 분야를 포함해 우리가 하는 모든 일 전반에 변화를 가져오고 있다.

데이터 처리

오늘날의 팹(Fabrication facility의 준말로 실리콘 웨이퍼 제조 공장) 구조가 어떻게 구성됐는지를 생각해 보자. 램리서치는 그동안 팹에 반도체 장비인 챔버(Chamber)를 판매해왔다. 이런 챔버는 제어기능을 갖추고 있고, 팹의 호스트 시스템(Host system)과 연결돼 있다. 램의 고객들은 장비에 저장된 데이터베이스에서 도출한 데이터를 이해하려고 노력한다. 하지만 언제나 고립된 정보는 존재하기 마련이고, 이런 데이터베이스는 여전히 불완전하며 분열되어 있는 상태다. 반도체 공정을 특성화하고 효과적으로 제어하기 위해 팹이 수행해야 하는 측정의 종류와 수가 급속히 늘어나고 있으나, 이런 측정의 대부분이 그다지 유용하지 않다. 

램리서치의 비전

미래의 팹은 고립된 정보를 담고 있는 하드웨어를 사용하지 않을 것이다. 램리서치는 각각의 장비를 네트워크 내 노드(Node)라고 여긴다. 툴 데이터는 부품, 계측, 전후 공정, 디바이스, 수율에 대한 데이터를 사용하는 셀프 학습 알고리즘과 결합될 것이며, 정보는 웨이퍼의 모든 부품에서 해당 툴 안팎으로 이동할 것이다. 이 모든 공정 데이터는 센서에 의해 수집돼 기록되고, 정확한 시간에 올바른 형식으로 전송돼 보다 정밀한 제어가 가능하도록 지원할 것이다. 

이상적인 노드의 조건  • 자체적인 인식 및 제어  • 유지보수가 필요한 시기를 자동으로 파악하는 기능  • 결함으로 인한 오작동 등 조건에 따라 자체적으로 수정 을 실행하는 기능: 결과 및 수익률을 안정화하고 생산성 을 최대화하며 비용을 절감

이는 램리서치의 커다란 비전으로, 빅데이터, 딥러닝 알고리즘, 프로세스 전문화를 기반으로 하며, 지능적인 장비 기능을 구현하기 위해 앞으로 램리서치가 나아가야 할 방향성에 대한 초석이 된다. 

예를 들어, ‘챔버 - 반도체 공정의 중심에 있는 노드’를 만들 때에는 식각 장비의 온도 노브(Knob)가 반도체 공정에 어떤 영향을 미치는 지를 명확히 알기위해 툴의 공정 데이터뿐만 아니라 전후 공정의 정보를 사용한다. 여기서 램의 비전은 기계에 자체적인 인식 기능을 적용하고, 이를 네트워크의 일부로 만드는 것이다.

여섯 가지 주요 기술

아래 여섯 가지 영역은 자율주행 또는 스마트 팹 장비를 지원하는 기술을 대표적으로 보여준다. 

1. 데이터 구성

램리서치와 팹에 있어서 툴에서 추출한 데이터가 전체 시스템을 위한 시작점이라 할 수 있다. 그러나 각각의 팹은 모두 다르며, 모든 사용자는 가능한 한 많은 데이터를 원하고 각자 데이터 분석과 구현 방법 역시 다르다.

 

이에 램리서치는 유연한 인터페이스를 만들고자 한다. 데이터 무결성(Data integrity, 컴퓨터 시스템에 의해 관리되는 자료의 정확성, 일관성, 완전성을 통합한 데이터의 능력)을 유지하면서 다양한 유형, 속도 및 툴 데이터의 양을 나타내는 표준 API(Application Programming Interface )라고 할 수 있다.

 

툴에서 데이터를 추출한 후에는 이를 관리하고 팹에 통합해야 한다. 우리 모두가 알고 있듯이, 데이터를 관리하는 방법은 다양하다. 어떤 사용자는 그들의 시스템 상에서 데이터를 관리하기를 원하거나 또는 우리의 자체 시스템에서 관리하는 것을 원한다. 뿐만 아니라 혼합된 방법을 추구하기도 하고, 데이터를 클라우드에 넣기를 원하곤 한다. 

 

2. 빅데이터 머신러닝 플랫폼

램리서치는 파이프(Pipe) 또는 스토리지 데이터베이스의 역할을 할 수 있는 플랫폼을 개발하고 있다. 이를 위해 오늘날의 시스템에 부합하고 커뮤니케이션의 표준적인 통합을 지원하면서, 모든 램의 툴에 클러스터 제어를 제공하는 데이터 관리를 위해 업계 표준이 되는 구성요소를 사용하고 있다. 

또 데이터를 이해하고 여러 툴에서 이를 관리할 수 있는 알고리즘을 만드는 것 외에도, 지속적으로 알고리즘을 업데이트해야 한다. 더불어 타사 소프트웨어의 안정적인 사용을 위해서는 표준을 적용하는 것이 중요하다. 왜냐하면 툴에서 수행할 수 있는 작업과 래퍼(Wrapper) 환경에서 수행할 수 있는 작업을 파악해야하기 때문이다. 

3. 자동화

자동화를 통해 작업의 변동성을 줄이기 위해서는 많은 단계를 고려해야 한다. 대표적인 예시로는 머신러닝을 통한 데이터 분석, 구성 요소 변화와 모델에 대한 감지 및 재조정, 컨텍스트 ID를 통한 구성 요소, 하위 시스템 사용량 추적, 하위 시스템의 상태와 구성 요소에 대한 수명 모델 개발, 부품 결함과 오류 모니터링 등이 있다. 이를 통해 자동으로 하드웨어를 검증하고, 교정, 설정, 문제 해결을 할 수 있다.

예를 들어, 챔버가 안정적인 공정 조건을 충족했는지 확인하는 데에는 많은 시간이 소요되는데, 주로 식각 챔버나 증착 장비의 경우 소요되는 시간은 계속 증가한다. 

다음은 정비와 부품 교체와 관련된 문제다. 자동화된 예측 정비 시스템을 지원하려면 먼저 현재 시스템이 어떤 상태인 지에 대한 이해가 필요하다. 이 시스템을 통해 부품 교체 시기가 언제인 지를 예측할 수 있기 때문이다.

부품 교체는 어려운 일이다. 장비에 어떤 부품이 들어갔는지 이해하는 것은 단순해 보이지만 매우 복잡하다. 단순 일련번호를 입력하는 것 외에도, 모델과 노드가 그 값을 보완할 수 있도록 부품에 대해 이해하고 있어야 한다. 그러나 장비 차원에서 전략을 세울 수도 있는데, 부품을 자동으로 교체하고 유지 보수를 위한 고도의 자동화 시스템을 지원해 생산성을 향상시키는 것이 대표적인 예시다.

4. 센서 및 공정 제어

오늘날 툴은 생산성과 공정 기능을 제한하는 등 많은 일을 한다. 특히, 모니터링, 데이터 분석 방법, 센서를 통한 신속한 결론 도출 등을 통해 관련 사항을 개선한다. 우리는 해당 공정 및 사전 공정 과정에서 수집되는 정보를 활용해, 실시간으로 결론을 도출하고자 한다. 실제 웨이퍼를 제어할 때에는 장비에 센서를 추가해 더 많은 정보를 가용할 수 있다.

공정 제어는 가격이 비싸다. 공정의 진행 사항을 이해하기 위해서는 많은 측정이 요구되며, 점점 더 많은 측정이 필요해지고 있다. 팹은 계측과 공정 제어를 위해 전체 예산의 약 9%를 지출한다. 구조적인 특성화를 위해 수 천 개의 투과 전자 현미경(TEM, Transmission Electron Microscopy)이미지가 필요할 수 있다. 하지만 노이즈(Noise)와 품질과 관련된 문제로 인해 측정한 데이터의 약 80%가 사용되지 않는 경우도 많다.

측정 횟수를 감소시킬 솔루션을 찾지 못한다면, 많은 측정에 필요한 기술 비용으로 인해 반도체 업계는 경제적인 문제에 봉착하게 될 것이다.

램리서치에서는 웨이퍼 공정 과정 중에서 얻을 수 있는 정보와 사전 공정 또는 다음 공정에서 얻을 수 있는 정보를 결합해 프로세스 안정성을 위한 효과적인 제어 루프를 결정한다. 이를 통해 측정 전략을 간소화 하고 있다.

우리에게 주어진 도전 과제는 서로 다른 요소를 결합해 빅데이터 분석과 관련된 생산성을 향상시키는 것이다. 또한 피드포워드(Feedforward, 실행 전에 결함을 예측하고 행하는 피드백 과정의 제어), 피드백 제어의 가변성뿐 아니라 이를 둘러싼 알고리즘 단계를 줄여야 한다. 또한 공정 툴에서 영향에 대해 이해해야 한다. 

5. 가상의 공정

챔버의 성능을 대표하는 공정 별 모델을 교정 한다고 가정할 때, DOE(Design Of Experiment)을 통해 프로세스 개발을 할 때, 위에서 논의한 바와 같이 부가가치가 생성되지 않는 경로의 많은 부분을 제외할 수 있다. 

1000개의 구조 또는 1000개의 TEM 사진을 측정하는 것을 넘어, 가상의 공정 단계를 거칠 때에는 단 몇 분의 1초 만에 1백만개의 TEM 결과를 측정할 수 있다. 우리는 측정되지 않은 구조의 수를 확인해 공정 챔버가 전체 디바이스의 레이아웃에 미치는 영향을 파악할 수 있다. 또한 이 기능을 확장시켜 리소그래피와 식각 공정상에서 다른 공정의 효과를 병행해서 검토할 수 있으며, 모델을 지원하는 공정 개발에 더 정교한 접근을 할 수 있다.

6. 최첨단 생산성 솔루션

최첨단 장비 제어, 문제 해결, 유지보수 품질 및 자동화, 스마트 데이터 관리, 원격 모니터링을 제공해 전체 장비 효율성(OEE, Overall Equipment Efficiency)을 최적화하려면 서비스와 소프트웨어 지원 프로세스의 생태계를 갖춰야 한다.

램리서치는 현재 이런 최첨단 생산성 솔루션을 위한 조직을 갖추고 있다. 조직을 통해 툴을 지원할 뿐만 아니라 이를 네트워크 상의 노드로 발전시킬 미래의 서비스 프레임워크를 위해 기능을 계속해서 확장하고 있다.

패러다임의 전환: 혁신을 위한 협력

위와 같은 사항을 단일적으로 진행할 수 있을 만큼의 자금력을 가진 회사는 없다. 많은 노드로 이루어진 공장 전체의 스마트 네트워크에서 지능형 노드로서의 머신은 하나의 커다란 비전이다. 이는 하나의 조직이 아니라 전체 업계의 생태계에 퍼져있는 기술과 핵심 경쟁력의 통합을 필요로 한다.

업계는 오늘날 느슨하게 꿰매진 상자와 같은 상황에서 데이터가 앞뒤로 흐르는 네트워크상의 노드로 전환해야 한다. 또한 여러 당사자들이 사용하고 있는 알고리즘 툴을 활용해 운영비용을 낮추고 제어를 할 수 있도록 지원해야 한다.

 

성공은 팀의 노력에 의해 좌우될 것이다. 협업은 이러한 복잡한 환경에서 작업을 수행할 때 매우 중요하지만, 공동 작업은 쉽지 않다. 이 때문에 누가 무엇을 소유하고 어떻게 가치를 공유 하는가는 가장 어려운 질문이다. 우리는 고객, 서플라이어, 파트너, 경쟁 업체와 어떻게 협력하고 있을까?

현재 데이터에 대한 많은 논쟁이 존재하기 때문에, 우리는 고객과 고객의 고객이 필요로 하는 솔루션을 효과적으로 개발하기 위해 어떤 방법으로 데이터를 공유할 것인지를 결정해야 한다. 시간이 지남에 따라 협력에 대한 더 많은 표준적인 접근 방식을 갖게 될 것이다.

램리서치는 이미 이런 표준을 개발하고 있으며, 반도체 장비 업계를 ‘지능형 장비’의 시대로 이끌고 있다. 센서에 대한 투자, 가상 공정, 빅데이터 아키텍처와 관리, 소프트웨어와 제어, 플랫폼과 로봇공학, 첨단 서비스가 램리서치가 지능형 장비업계의 리더로서 시행하고 있는 대표적인 활동이다. 램리서치는 협업을 통해 혁신하고 나아가 최첨단 공정의 비전을 전달할 것이다. 

글: 제이슨 쉴즈(Jason Shields) 램리서치(Lam Research Corporation) AEPC 매니지먼트 부사장