에피웨이퍼, 이제는 반도체만의 기술이 아니다

지난 10월, 국회 의원회관 제2소회의실에서 ‘인공 광합성 수소의 산업화 전략 세미나’가 열렸다. 아이브이웍스는 이번 행사에서 기술 세션 발표자로서 대구경 에피웨이퍼 양산 기술을 소개했다. 주로 소비가전과 통신, 방위산업 등에 사용되는 질화갈륨 에피웨이퍼가 수소 경제와 어떤 상관이 있겠냐 싶겠지만, 에피웨이퍼, 이제는 반도체만의 기술이 아니다.

첨단 소재 스타트업에게 시장 확장은 ‘필수’

스타트업은 기술력만으로는 생존할 수 없다. 특히 수요처가 한정되고 산업 특성이 좁을수록 시장의 변동성은 곧 매출의 변동성으로 이어지기 쉽다. 아이브이웍스도 마찬가지다. GaN 에피웨이퍼는 전력, 통신 반도체 산업에 주로 사용된다. 제품 수요의 약 90% 이상은 해외 파운드리 또는 종합 반도체(IDM)로부터 발생한다. 이처럼 특정 산업과 고객에 의존하는 구조는 한 번의 외부 환경 변화만으로 타격을 입을 수 있다. 기술이 뛰어나더라도 반도체 시장의 경기 변동, 특정 대형 고객사의 발주 중단, 정부 과제 방향 변화 등 예상치 못한 리스크에 대비해야 한다. 따라서 기술의 재해석을 통한 시장 다변화는 스타트업의 필수사항이다.

신시장 분야에 독점 기술을 공급하면 다양한 기회 창출 요소를 노릴 수 있다. 새로운 응용처를 확보는 현금 흐름 안정성을 확보하고, 고객과의 관계를 단순 공급자에서 공동 개발자 또는 기술 파트너로 전환할 수 있다. 또한, 장기 공급 계약 기반의 매출 구조를 구축하거나 산업의 형태별로 시장을 확장해 나갈 수 있다는 장점이 있다.

반도체 소재 기업의 성장 전략은 기술의 범용성을 새로운 산업으로 확장하는 것에 있다. 예를 들어, 화합물 반도체 웨이퍼 분야의 선도 기업인 영국 IQE는 기존의 무선(Wireless), 포토닉스(Photonics) 중심이었던 사업분야를 GaN Power와 micro-LED으로 확장했다. 아이브이웍스는 이와 유사한 맥락에서 전통적인 전력 반도체 중심의 수요를 저탄소 시장, 특히 ‘물–수소’ 기반 청정에너지 분야로 확장했다. 다만 기존의 반도체 인접 분야를 넘어 비전통적 산업에서 새로운 수요처를 발굴했다는 점에서 차별화된 성장 전략을 실현하고 있다.

에피웨이퍼, 인공 광합성 수소의 핵심으로

아이브이웍스는 약 2년전부터 미국의 그린 수소 전문 기업의 인공 광합성 패널용 에피웨이퍼 위탁 생산을 진행하고 있다. 인공 광합성 수소는 식물의 광합성 과정을 모방해 햇빛으로 물을 분해하여 수소를 생산하는 차세대 청정에너지 기술이다. 해당 기술에 응용되고 있는 당사의 에피웨이퍼는 나노와이어 구조로 설계되어 있어 햇빛을 받으면 전자와 정공이 효율적으로 이동할 수 있다. 웨이퍼 위에 성장된 InGaN 반도체층과 얇은 광촉매가 전자를 활용해 수소(H₂)를, 정공은 물을 산화시켜 산소(O₂)를 생성한다. 쉽게 말해, 아이브이웍스의 에피웨이퍼가 인공 광합성 패널에서 햇빛만으로 물을 분해해 수소를 만드는 과정의 주요 구성 요소로 작용한다.

그린 수소 (Green Hydrogen Energy)?

수소는 생산 방식에 따라 그레이 수소, 블루 수소, 그린 수소로 나뉜다. 현재 수소 생산량의 약 96%(2015, IEA)를 차지하는 그레이 수소는 화석연료로 생산되며, 수소 1kg을 만들 때 약 10kg의 이산화탄소가 발생한다. 블루 수소는 그레이 수소와 동일한 방식으로 생산되지만, 발생하는 이산화탄소를 포집해 저장한다. 그럼에도 불구하고 화석연료를 사용하기 때문에 이산화탄소를 완전히 제거할 수는 없다. 반면, 그린 수소는 재생에너지로 얻은 전력으로 물을 전기분해하여 생산한다. 이 과정에서는 이산화탄소가 배출되지 않아 친환경적인 에너지 기술로 주목받고 있다.

인공 광합성 패널에 사용되는 에피 웨이퍼의 정식 명칭은 ‘GaN(InGaN/GaN) 나노와이어 에피웨이퍼’다. InGaN과 GaN을 이용한 적층 구조를 가지고 있다. GaN은 가시광 흡수와 광촉매 반응 특성이 뛰어나 InGaN 나노와이어를 효율적으로 구현할 수 있는 튼튼한 기반이 된다. 나노와이어는 단면의 지름이 나노미터 수준인 선형 구조의 물질로, 평면 표면보다 넓은 표면적을 가진다. 그래서 세로로 솟은 나노와이어 구조를 사용해 빛을 여러 번 반사·흡수해 물 분해 반응이 활발히 일어나게 만든다.

하지만 이런 구조적 장점 뒤에는 기술적 난제가 따른다. 나노와이어는 일정한 간격과 높이로 성장해야 빛 흡수와 전하 이동이 균일하게 일어난다. 손바닥 보다 큰 웨이퍼 전면에 수십억 개의 나노와이어를 일정한 간격과 방향을 유지하며 균일하게 성장시키는 것은 세계적으로도 어려운 기술적 과제다. 그래서 품질 균일성을 확보하면서 대량 생산 체제를 구현하기 쉽지 않다. 게다가 GaN이나 InGaN 같은 반도체는 결정격자가 복잡해, 구경이 커질수록 중심과 가장자리의 온도, 압력, 가스 농도 차이로 인해 박막 성장 균일도를 유지하기 더욱 어렵다.

그럼에도 대구경화가 필요한 이유는 무엇일까.

첫째, 넓은 반응 면적을 확보할 수 있다. 인공 광합성 패널은 태양광으로 물을 분해해 수소를 생산하는 구조다. 빛을 받는 면적이 넓을수록 수소 생성 반응이 일어나는 범위가 커진다. 둘째, 효율적인 시스템 설계가 가능하다. 대구경 웨이퍼를 사용하면 하나의 큰 반응 단위로 구성할 수 있다. 만약, 6인치 웨이퍼 한 장으로 2인치 웨이퍼 9장을 대체할 수 있다면, 그만큼 구조는 단순해지고 전기적 손실은 줄어든다. 셋째, 생산성과 경제성이 향상된다. 한 번의 에피 공정으로 생산되는 패널의 반응 면적이 커지기 때문에 면적당 제조비용을 낮추고 생산 효율을 높일 수 있다. 즉, 동일 설비로 더 넓은 패널을 만들거나, 같은 시간 내 더 많은 수소를 생산할 수 있어 인공 광합성 패널의 대면적화와 대량생산에 유리하다. 이는 실험실 수준의 인공 광합성 기술을 산업화 단계로 확장하는데 기술적 발판이 된다. 동시에 반도체와 수소 융합 분야에서 기술적 차별화를 가능하게 하는 경쟁력이 될 수 있다.

이처럼 아이브이웍스가 8인치 나노와이어 에피웨이퍼 대구경화와 상용화에 성공했다는 소식은 업계의 이목을 끌었다. 단순한 구경 확장이 아니라, InGaN/GaN 나노와이어를 균일하게 성장시킬 수 있는 고난도 기술 장벽을 넘어선 결과이기 때문이다.

그린 수소의 시대, 고효율 기술이 필요하다

MBE 공정과 두 단계의 탈 탄소화

그린 수소 시장의 성장과 기술 필요성이 커지는 상황에서, 아이브이웍스는 에피웨이퍼 제조에 가스 배출이 적은 MBE 방식을 활용한다. MBE 장비는 고진공 환경에서 원소를 열로 증발시켜 분자선 형태로 기판에 증착한다. 때문에 화학 반응보다는 물리적 증착에 가까워서 공정 중 메탄(CH₄)나 이산화탄소(CO₂) 같은 온실가스의 직접 배출이 거의 없고, 부산물도 최소화된다. 또한 고진공 환경에서 재료가 효율적으로 증착되기 때문에 원료 낭비가 적고, 공정 효율도 높다. 결과적으로 에너지 사용량과 간접적인 탄소 배출이 감소해, 친환경적이고 지속 가능한 에피웨이퍼 생산이 가능하다. 이렇게 저탄소 공정으로 생산된 에피웨이퍼가 다시 수소 생산 과정에 활용되면서, 생산과 활용 과정 모두에서 탄소를 줄이는 두 단계의 탈 탄소화를 실현한다.

소재에서 설루션으로 : 기술이 여는 새로운 산업

전 세계 에너지 시장은 전력 중심에서 전기·열·수소가 통합된 에너지 체계로 빠르게 전환 중이다. 그린 수소 시장은 연평균 성장률 49.5%로, 2035년까지 약 1,253억 달러 규모까지 성장할 것으로 전망된다. 이러한 급성장은 수소 생산 효율을 극대화할 수 있는 소재 기술의 중요성을 보여준다. 아이브이웍스는 이에 대응해 인공 광합성 수소 생산용 GaN 나노와이어 에피웨이퍼의 대구경화와 양산 안정화를 추진했다. 이를 통해 고효율·저탄소 공정을 구현하며, 반도체 기반 정밀 성장 기술을 에너지 산업으로 확장하는 새로운 성장 축을 마련했다.

아이브이웍스는 단순한 반도체 소재 공급을 넘어, 기술과 시장을 연결하는 설루션 기업으로 진화하고 있다. 웨이퍼 자체가 단순한 소재를 넘어, 기술 적용의 연결고리로 작용하며 새로운 산업 영역에서 가치를 창출한다. 우리는 나노와이어 에피웨이퍼의 대구경화와 상용화를 통해 신에너지 산업과의 접점을 실질적으로 만들어냈다. 앞으로도 이러한 기술 확장은 산업 간 경계를 허물고, 반도체에서 에너지로 이어지는 새로운 설루션 시장을 여는 기반이 될 것이다.

Yoon-Seo Cho l Marketing Manager at IVWorks

Ji-Min Park l Strategy Planning Senior Staff at IVWorks

※ 본 칼럼은 기고자의 주관적인 견해로, 아이브이웍스 공식 입장과 다를 수 있습니다.

에디터 주 : 해당 포스팅은 총 세 편으로 기획된 ‘AI-Agents가 바꾸는 소재 생태계’ 시리즈의 두 번째 글입니다. 지난 글에서는 AI-Agents에 대한 간단한 이해와 반도체 소재 기업에서 에이전트를 빌딩 하려는 이유를 알아봤습니다. 두 번째 글에서는 에피 제조 관점에서 에이전트를 살펴보고 어떻게 이를 적용시켜 나가고 있는지 살펴보려 합니다. 이번 시리즈는 기술적 내용보다 인사이트 관점을 강조하여, 향후 실제 기술 칼럼을 접했을 때 여러분의 이해를 높이기 위한 예고편과 같습니다. 궁금한 내용은 댓글 달아주시고 아이브이웍스의 AI 연구에도 많은 기대와 응원 바랍니다!

전통적인 에피 방식과 한계점

질화갈륨 반도체 수급에 가장 중요한 공정으로 꼽히는 ‘에피택셜 성장(Epitaxial Growth)’

기판 위에 아주 얇은 층을 ‘원자’ 단위로 층층이 쌓는 이 과정은 매우 까다롭고 민감한 공정이다. 고온·고진공 환경에서 일어나는 물리적 반응을 나노 단위로 아주 정밀하게 제어해야 하기 때문인데. 이렇게 복잡한 공정을 함에 있어서, 지금까지 이어지고 있는 전통적인 에피 성장 방식에는 몇가지 한계점이 발견된다. 이는 공정 방식의 오류라기보다는, 대량 생산 체제에 접어들었을 때 발생할 수 있는 상업적 한계로 볼 수 있다.

품질 개선 사이클이 느리다

◇ 반복되는 성장 조건 최적화

에피택시는 병렬적 실험이 어려운 구조다. 통상적으로 성장 → 조건 수정 → 재 성장을 반복하는 형태를 갖는다. 성장된 웨이퍼의 측정 결과가 목표에 미치지 못하면 조건(Flux, 온도, 도핑 농도, 성장 속도 등)을 수정해서 다시 성장을 한다. 이 사이클을 수차례 반복해서 최종적으로 원하는 에피 구조에 도달하게 하는 게 연구, 산업 현장에서 오랜 시간 사용되어오고 있는 방식이다.

얼핏 보면, 불량 가능성 있는 웨이퍼를 다 성장될 때까지 기다리는 방식은 비효율적으로 보일 수 있다. 에피는 사용 방식(MBE, MOCVD, HVPE 등)에 따라 차이가 있으나 일반적으로 밀폐된 환경에서 이뤄진다. 수시로 꺼내 육안으로 확인해 보기도 어렵고, 장비 구조 상 다양한 조건을 동시에 실험할 수도 없어서, 각 조건을 정밀하게 조정하며 반복적으로 검증하는 이 방식이 가장 효과적인 것이다.

그러나, 이런 점 때문에 개선 사이클이 매우 느리고 공정 최적화 또한 엔지니어의 경험과 직관에 의존하는 경향이 크다. 성장 중 일부 정보를 실시간으로 확인할 수 있는 방법들(RHEED, Reflectometry, Pyrometer 등)이 있긴 하지만, 이 시그널을 읽고 판단하는 건 여전히 사람의 몫이다. 시그널의 변화가 이상 징후인지, 또는 정상 범주 내의 변화인지를 판단하는데 사람의 주관이 들어가기 때문이다. 그래서 같은 데이터를 두고 사람마다 해석이 다를 수도 있고, 때로 중요한 신호를 놓치기도 한다. 이는 결국, 공정 중에는 실시간 오류 감지가 어렵고, 대부분의 경우 공정이 완료된 후에 조건 설정에 문제가 있었음을 인지할 수 있다는 한계로 이어진다.

◇ 사이클 반복으로 누적되는 실험 비용

이처럼 공정 구조 상 병렬 실험이 어렵고, 사람의 지속적인 모니터링이 요구되기 때문에, 한 번의 실험에 소요되는 시간과 자원은 매우 크다. 런 준비, 조건 설정, 공정, 후처리, 분석까지 전 과정을 포함하면, 하나의 사이클에 최소 수 시간에서 수십 시간이 걸린. 반복 횟수가 늘어날수록 시간과 비용 부담은 누적된다. 실제 양산 환경에서는 이러한 환경을 무한히 반복하는 것이 어렵다. 결과적으로 생산에 제약이 따른다.

재현성과 일관성을 동시에 만족시키기 어렵다

◇ 반복되는 성장 조건 최적화

에피 공정의 또 다른 특징은 변수가 많고, 이 변수들이 비선형적으로 얽혀 있다는 점이다. 때문에 정확한 조건을 사전에 계산해 내기 어렵다. 이 조건들은 대개 숙련자의 경험과 과거 데이터를 바탕으로 설정한다. 그러나, 똑같은 조건이어도 장비 상태나 환경 변화 등으로 예전과 동일한 결과가 재현되지 않을 수 있다. 이처럼 불확실성과 복잡도가 있는 상황에서는 전통적인 실험 방식만으로 최적의 조건을 안정적으로 찾아내기 어렵다. 양산 환경에서는 공정 조건의 재현성과 일관성 역시 중요한데, 소규모 실험 단계에서는 일정 품질을 구현할 수 있지만, 동일한 결과를 양산 환경에서 안정적으로 재현하기란 훨씬 더 까다로운 과제다.

우리는 왜 한계점을 개선해야 할까?

화합물 반도체 산업은 아직 성숙기에 도달하지 않은 시장이다. 실리콘 기반 반도체와 달리 GaN, InP 같은 화합물 반도체는 상용화 역사가 짧고, 기술과 생태계가 빠르게 진화하는 단계에 있다. 이는 곧 기술적 우위를 선점한 기업이 장기적으로 시장을 주도할 가능성이 크다는 의미와 같다.

그러나, ‘품질’만으로는 충분하지 않다.

일정 수준 이상의 품질 확보는 이미 시장에서 당연히 요구되는 기본 조건이다. 고객들은 품질은 유지한 채, 더 짧은 리드타임으로, 더 다양한 맞춤형 사양을 공급할 수 있는 유연성이 있는 파트너를 선호한다. 화합물 반도체는 조성의 까다로움과 공정의 복잡성 때문에 한 번의 실험, 한 번의 생산에서 최대 성과를 내야 하는 압박이 크다. 시장 트렌드는 빠르게 변하고, 개발 속도 자체가 경쟁력으로 평가되고 있는 지금. 이 변화의 환경에서 비효율을 줄이지 못하면 곧 경쟁에서 밀려날 수밖에 없다.

문제는 전통적인 생산 방식만으로는 이 요구를 감당하기 어렵다는 점이다.

제조 환경에서 ‘비용’과 ‘시간’은 매우 중요하다. 앞서 본 것처럼 공정 조건을 하나하나 실험하며 최적화하는 기존의 접근법은 시간과 비용 부담이 크고, 결과적으로 신속한 대응과 안정적인 품질 유지가 어렵다. 또한 수십 개 변수의 복잡한 상호작용을 엔지니어의 경험만으로 예측하거나 재현하기에는 한계가 뚜렷하다. 이는 시장 요구와 정면으로 충돌하는 요소이다.

그래서 아이브이웍스는 에피 공정의 자동화와 지능화를 통한 혁신으로 기술적 우위를 선점하고자 한다.

AI가 단순히 사람의 작업을 대체하는 수준을 넘어서, 데이터를 기반으로 신뢰성 있게 공정을 분석하고, 잠재적인 문제를 사전에 예측하며, 변수 간 상관관계를 학습해 최적의 에피 생산 조건을 제안·수정할 수 있는 체계가 필요하다. 아이브이웍스가 선도한 이 AI 기반 에피 공정 혁신은 이제 후발 기업들이 주목할 정도로 확산되고 있다. 아이브이웍스의 자동화는 업무의 효율화를 위한 것이 아니다. 아직 산업 표준과 시장 주도권이 명확히 정립되지 않은 GaN 시장에서 리딩 컴퍼니의 위치를 다지기 위한 기술적 인프라로서의 의미를 가진다.

앞서 살펴본 한계점을 돌아보면 자연스럽게 다음과 같은 질문이 떠오릅니다.

‘개선 사이클 주기를 더 빠르게 할 방법은 없을까?’

‘조건을 수정할 필요 없게 처음부터 양질의 에피를 성장해 낼 순 없을까?’

‘생산성을 더 높일 수 있는 방법은 없을까?’

만약 엔지니어가 계속 장비를 지키고 있지 않아도 된다면? 판단 실수가 줄어든다면? 최적의 성장 조건을 사전에 계산해낼 수 있다면?’

이런 아이디어들이 현실화된다면 에피 공정이 가진 본래의 구조적 제약을 해결해 나갈 수 있습니다.

AI-Agents로 바꾼 에피 생산성 최적화 사례

지난 글에서 아이브이웍스의 AI 에이전트는 에피 성장에 필요한 다양한 자동화 요소들을 통합·확장시킨 개념이라고 했다. 오늘은 그중 하나인 ‘MRA(MBE Run Automation)’를 살펴보려 한다. MRA는 지난해 AI 엔지니어와 에피 엔지니어들로 구성된 TF를 통해 기획된 프로젝트로, 최근 실제 생산 라인에 적용되기 시작했다. 이 프로젝트는 말 그대로 ‘런 자동화’, 즉 AI가 에피 공정을 자율적으로 MBE 공정을 운용해 내는 무인 자율 생산 시스템을 뜻한다.

핵심은 ‘사람의 부재’다.

엔지니어가 현장에 없어도 에피 공정이 스스로 진행되는 것. 좀 더 구체적으로 알아보자.

에피 공정에는 사람이 필요하다

◇ 공정 리스크를 막기 위한 즉각적 판단과 개입

고품질 에피웨이퍼를 생산하려면, 로딩부터 진공, 런 레디, 성장, 냉각에 이르는 여러 단계에서 일어나는 변수들을 적시에 조정해 주어야 한다. 과거에는 각 단계마다 작업자가 직접 ‘실행’ 버튼을 눌러줘야 했지만, 지금은 시퀀스를 짜서 알아서 단계가 돌아가도록 소프트웨어가 내장되어 있다. 하지만 이는 어디까지나 기계적 흐름에 따라 동작할 뿐, 실제 가동 중 발생하는 물리적 문제나 시스템 이상에는 대응하지 못한다. 예기치 못한 진공 상태 변화, 기계 오작동, 온도차 변화처럼 실시간 판단과 조치가 필요한 상황이 생기면 결국 사람이 개입해야 한다. 그래서 에피 공정이 진행되는 동안에는 반드시 엔지니어가 옆에 있어야만 했다.

한 예로 ‘웨이퍼 로딩 이슈’를 보자.

에피 공정의 첫 단계는 웨이퍼가 실린 홀더를 로딩 챔버에 장착하는 일이다. MBE는 여러 개의 챔버가 연결된 구조로 로봇 암(robot arm)이 이 사이를 다니면서 홀더를 옮긴다. 이때, 만약 홀더가 비뚤게 장착됐다면 어떨까? 이동 중 홀더가 내부 구조물과 충돌하거나, 웨이퍼가 기울어져 파손될 수 있다.

로딩 오류는 다양한 원인으로 발생할 수 있다. 웨이퍼의 오염, 홀더 마모, 좌표의 오차, 장비 내부 온도차나 진동 같은 시스템적 요인은 물론, 초기 세팅이나 물리적 문제에서도 비롯될 수 있다. 이러한 로딩 이슈는 조성 불균형, 결정 결함, 성장 실패 등으로 이어져 양품 생산을 어렵게 만든다.

게다가 시스템 차원의 손실도 크다. 예를 들어 홀더가 챔버 내부에 떨어질 경우, 수 시간에 걸쳐 형성한 진공을 깨고 수습 작업을 해야 한다. 소스를 재증착해야 하고, 전체 일정이 일주일 이상 지연되기도 한다. 소스 비용을 넘어, 생산 차질로 인한 간접 손실도 발생하는 셈이다. 이런 위험들에 대비하기 위해, 작업자는 런이 진행되는 내내 장비 상태를 모니터링하고 이상 징후에 신속히 대응해왔다.

이는 단순히 로딩 단계에만 국한된 이야기가 아니다.​

박막 성장 단계에서도 다양한 변수에 대한 실시간 대응이 필수다. 예를 들어, 성장 조건의 유지와 보정, RHEED 패턴을 통한 결정 상태 감지, 진공계 경고 발생 시 공정 중단 여부 판단, 셀 온도 안정화 등이 있다. 이러한 판단과 조정은 모두 빠르고 정확한 대응을 요구하기 때문에, 기존의 에피 성장 방식에서는 엔지니어가 현장을 떠날 수 없었다.

◇ MRA를 이용하면?​

아래 사진은 웨이퍼가 장착된 홀더가 챔버에 로딩되는 모습이다. MRA는 웨이퍼와 홀더의 움직임을 실시간으로 분석해 이상 예측 스코어를 산정해낸다. 이는 평소 정상적인 상태에 비해 얼마나 다른지를 수치화 한 것이다. AI 모델은 과거 공정 데이터와 장비의 동작 패턴을 학습해, 실시간 장비의 움직임을 비교·분석하고 정상 범주를 벗어날 경우 이를 즉시 감지해낸다. (아래 우측 abnormal 상태)

이 경우 MRA는 자체 판단으로 task를 중지하는 조치를 취한다. 혹은 상황에 따라 작업자에게 선택지를 주면서 새로운 task를 요청하기도 한다. 공정 과정에서 발생한 모든 히스토리는 작업자에게 메시지 형태로 공유된다. 여기에는 실시간 공정 영상과 MRA가 감지한 위험 요소에 대한 원인과 대응 내용이 담겨 있다. 그래서 엔지니어는 장비 옆에서 공정 상태를 지켜보지 않아도 로딩 과정을 실시간으로 확인할 수 있고, 공정 상태에 대한 정보를 빠짐없이 파악할 수 있다.

특히 MRA는 작업자들이 모두 퇴근한 야간이나 주말에도 동일하게​ 작동한다.

로딩을 포함한 공정 단위 작업들은 스케줄 설정을 통해 자동 실행할 수 있으며, 작업자는 각 작업의 순서와 일정을 조합해 필요한 작업을 미리 지시해 둘 수 있다. 이로 인해, 전통적인 방식에서는 작업자의 근로 시간에 맞춰야 했던 공정 시간을 사람이 없는 시간에도 안정적으로 운영할 수 있게 되었고, 이는 생산성 향상에 크게 기여하는 요소이다. 이 방식은 현재 아이브이웍스 팹에 실제로 적용되어 활발히 운영되고 있다.

양산과 판매가 목표인 ‘파운드리’에서 생산성은 매우 중요한 요소이다. 기업은 한정된 업무 시간 내에 의미 있는 런을 많이 돌려야 한다. 이런 상황에서 MRA는 일관된 품질의 작업 결과를 확보하면서도, 한정된 업무 시간 안에 더 많은 고품질 제품을 생산하도록 돕는다.

단편 사례를 들어 소개했지만, MRA는 전체 공정에 걸쳐 마치 숙련된 엔지니어가 24시간 현장을 지켜보듯이 작동한다. 각 단계에서 발생하는 이상 징후를 실시간으로 탐지하고, 상황에 따라 적절한 판단과 조치를 취하며, 필요한 경우 작업자에게 콜을 보내거나 선택지를 제시하는 등 의사결정까지 수행할 수 있다. 이는 단순한 자동화의 차원을 넘어, 판단하고 대응하는 ‘자율 공정’​에 가까운 변화다.

오늘은 전통적인 에피 방식의 한계와 양산 시점에서 이를 개선하기 위한 MRA의 단편적인 활용 사례를 살펴보았다. 다음 시리즈에서는 앞서 살펴본 ‘전통적인 에피 방식의 한계점’에서 도출된 아이디어들에 대해, 현재 아이브이웍스가 어떤 방식으로 이를 개선해 나가고 있는지 구체적으로 살펴보겠다.

Yoon-Seo Cho l Marketing Manager at IVWorks

※ 본 칼럼은 기고자의 주관적인 견해로, 아이브이웍스 공식 입장과 다를 수 있습니다.

아이브이웍스의 n⁺-GaN regrowth는 high performance GaN HEMT 구현을 원하는 고객들에게 최선의 선택입니다. 최고 수준의 연구결과를 필요로 하는 대학 연구팀뿐 아니라, 차별화된 퍼포먼스의 GaN HEMT를 시장에 공급하고자 하는 GaN foundry/IDM에게도 최소 리소스 투입으로 최대 효과를 얻을 수 있는 서비스입니다.

이번 케이스는 아시아 지역의 대학으로부터 의뢰받은 n⁺-GaN regrowth입니다.

700도 수준의 낮은 온도에서 Source/Drain 영역에만 n⁺-GaN을 selective area growth 하는 ‘n+-GaN regrowth’는 약 1/10 수준으로 Rc를 낮출 수 있고, ohmic metal RTA 없이 non-annealed ohmic contact이 되어 RTA로 기인되는 여러 가지 degradation 문제를 해결할 수 있습니다.

아이브이웍스에서는 고객에게 패턴 웨이퍼를 받은 후, 가장 먼저 SEM 측정을 이용해 selective regrowth 될 Source/Drain 영역의 etching 표면을 확인합니다.

전달받은 패턴 웨이퍼는 mask 영역이 SiO₂로 패터닝 되었습니다. SiO₂와 SiN 모두 당사의 selective area regrowth에 최적의 mask 물질이기에 regrowth 후 mask 영역에는 아무것도 성장되지 않고, 오직 Source/Drain 영역에만 n⁺-GaN이 성장됩니다. 이번 고객의 패턴 웨이퍼는 Source/Drain 영역의 etching 표면이 아주 깨끗해서 regrowth가 쉽게 될 것 같습니다.

의뢰 케이스 중에는 종종 러프한 etching 표면으로 패터닝된 웨이퍼가 입고될 때도 있습니다. 하지만, 저희는 etching 표면 영향을 최소화하기 위한 ex-situ/in-situ cleaning 조건과 regrowth 초기에 리커버리가 최대한 될 수 있는 초기 성장 조건을 확보하고 있기 때문에 대부분 리커버리가 가능하고, 원하고자 하는 source/drain n⁺-GaN 특성을 확보할 수 있습니다.

(*러프한 etching 표면 위 regrowth 공정 케이스 : 4″ GaN HEMT with n⁺-GaN S/D Selective Regrowth for Asian University)

아이브이웍스에서는 실제 공정 전, n-doping 조건을 확인하기 위한 n-GaN Test 웨이퍼를 고객이 제공한 웨이퍼와 동일한 물질, 동일한 구경의 웨이퍼를 이용해 n⁺-GaN regrowth에 적용할 동일한 성장 조건에서 성장시켜 결과를 확인합니다. 그 후, 고객의 실제 웨이퍼를 성장하기 때문에 공정의 정확도가 매우 높습니다. 이번 의뢰에서는 고객의 요청으로 n⁺-GaN doping 농도를 더 높일 수 있는 성장 조건을 추가로 개발하여 적용하였습니다.

고객이 제공한 패턴 웨이퍼와 동일하게 4인치 SI-SiC 웨이퍼를 사용하여 새로 개발한 성장 조건으로 n-GaN test 진행한 결과, 정확한 growth rate과 n-type doping 특성이 확인되었습니다. n-doping 1.77e20 cm^-3으로 매우 높은 도핑이 확인되었고 면저항 37ohm/sq.로 기존 성장 조건 대비, 면저항이 약 1/2으로 감소하였습니다. 이 조건 그대로 고객의 패턴 웨이퍼에 성장을 진행합니다.

아이브이웍스에서는 자체 개발한 Hybrid-MBE를 이용해 n⁺-GaN을 성장합니다. 현재 4세대 Hybrid-MBE까지 개발되어 2인치, 4인치, 6인치, 8인치, 12인치 구경까지 n⁺-GaN regrowth를 대응할 수 있습니다. 또한, 에피웨이퍼의 전 생산 과정을 자체 개발한 인공지능 에이전트 시스템 Domm 프레임워크에 통합함으로써 완전한 자율 생산 체계를 구축하고 있습니다.

아이브이웍스의 Hybrid-MBE와 regrowth 기술로 n⁺-GaN regrowth가 완벽하게 완료되었습니다. Mask 영역에는 아무것도 성장 안되도록 selective area growth가 완벽하게 구현되었으며, Source/Drain 영역에만 성장된 n⁺-GaN은 100㎚ 두께에 맞춰 2D-mode 성장이 되어, 2DEG side-wall과 epitaxial contact 되도록 마무리 되었습니다.

4인치 GaN HEMT on SiC의 Source/Drain 영역에 n⁺-GaN을 selective regrowth 완료한 웨이퍼를 진공 포장한 후에 고객에게 발송 완료했습니다.

새로 개발된 n⁺-GaN regrowth 성장조건에서 매우 우수한 R_c 결과를 확인할 수 있었습니다. Ohmic metal과 n⁺-GaN 사이의 접촉저항 R_c (Metal-nGaN)는 0.032 ohm-mm, n⁺-GaN과 2DEG 사이의 접촉저항 R_c (nGaN-2DEG)는 0.033 ohm-mm로 확인되었고 고객측에서 매우 만족하는 결과라는 피드백을 받았습니다.

문의 │아이브이웍스 홈페이지 QNA 또는 www.domm.ai/contact

아이브이웍스가 이번에는 미국 기업으로 부터 p-GaN regrowth 공정 주문을 받았습니다.

당사는 인공지능으로 자율 생산하는 대형 Hybrid-MBE를 이용해 GaN HEMT 또는 microLED 에피웨이퍼 뿐만 아니라 다양한 selective area growth 서비스에 전문성을 가지고 있습니다. 저희의 p-GaN regrowth 서비스와 n+-GaN regrowth 서비스 등 다양한 구조의 에피웨이퍼 서비스는 이곳에서 실시간으로 디자인하고 바로 견적을 조회할 수 있습니다.

이번 의뢰와 같이 700도 수준의 낮은 온도에서 Gate 영역에만 p-GaN을 selective area growth하는 ‘p-GaN regrowth’ 서비스는 normally-off 동작하는 GaN HEMT를 구현하는 효과적인 기술입니다. 특히, 최근 통신 시장에서 매우 각광받는 RF-GaN HEMT on Si 기술은 모바일 디바이스에 적용하기 위해 대기전력 소모를 최소화하여 저전력으로 동작할 수 있어야 합니다. 이런 저전력 동작을 위해서는 normally-off RF-GaN HEMT 기술이 필요합니다.

Normally-off RF-GaN HEMT를 구현하는 기술 중 대표적인 기술은 gate recess etching을 통해 gate 하부 barrier layer를 얇게 만들어 2DEG 발생을 억제하거나 p-GaN layer를 gate 하부에 위치시켜 2DEG를 deplete하는 기술입니다. Gate recess 방식은 gate length scale-down을 병행해서 뛰어난 RF 성능을 확보할 수 있지만 공정의 복잡성이 존재하고 문턱전압의 안정성과 균일도 확보가 어렵고 gate 누설전류도 다소 높습니다.

p-GaN gate 방식은 p-GaN layer의 두께 때문에 필연적으로 gate와 2DEG 사이 거리가 멀어지고 p-GaN layer에 대한 etching damage로 인해 gate length scale-down에 제한이 있어 RF 성능은 다소 떨어집니다. 하지만 에피웨이퍼 성장 시에는 p-GaN layer까지 성장하고 패터닝 공정으로 gate 영역만 남기고 etching 하는 방법으로 공정의 편의성을 확보할 수 있고, 에피택시 성장으로 p-type 농도와 두께를 정밀제어할 수 있기 때문에 문턱전압 특성과 gate 누설전류 특성을 안정적으로 확보할 수 있습니다. 따라서 RF 특성을 높게 확보하려는 경우에는 gate recess 방식을 사용하고, 안정적인 normally-off 특성과 공정의 편의성이 필요한 경우에는 p-GaN gate 방식을 사용합니다.

아이브이웍스에서 제공하는 p-GaN regrowth 서비스는 p-GaN을 gate 영역에만 regrowth 할 수 있기 때문에 p-GaN layer의 etching damage 없이 narrow 한 p-GaN gate를 형성할 수 있어 p-GaN gate 방식의 RF 특성 저하를 보완할 수 있습니다. 또한, MBE 챔버의 초고진공 환경에서 성장하기 때문에 Mg-doped GaN의 Hydrogen compensation 현상이 거의 발생하지 않습니다. 따라서, 추가적인 Activation 공정 없이 적은 Mg-doping만으로 높은 hole 농도를 확보할 수 있습니다. 그리고 MBE를 이용한 정교한 성장 모드 제어를 통해 3D gate 구조에도 regrowth가 가능합니다.

이번 고객이 제공한 패턴 웨이퍼는 8인치 GaN HEMT on Si으로서 최종적인 소자 구조를 3D gate 구조로 구현하고자 하였습니다. 따라서 p-GaN이 selective growth 되는 영역이 3D FIN 구조로 형성되어 있습니다.

3D FIN channel이 형성된 패턴 웨이퍼는 mask 영역을 SiO₂로 패터닝 하였습니다. SiO₂와 SiN 모두 아이브이웍스의 selective area regrowth에 최적의 mask 물질이라 regrowth 후 mask 영역에는 아무것도 성장되지 않고 오직 mask open 영역에만 p-GaN이 성장됩니다.

3D FIN channel이 narrow 하게 multi-channel로 형성되어 있고 channel 간 간격도 상당히 narrow 한 것으로 확인됩니다. 하지만 저희의 regrowth 경험으로 봤을 때 100㎚ 수준까지는 쉽게 selective aera growth가 가능하고 mask etching이 충분하다면 그 이하 수십㎚에서 수 ㎚ 까지도 growth가 가능할 것으로 생각합니다.

저희는 고객 웨이퍼에 p-GaN regrowth를 하기 전에 p-doping 조건을 확인하기 위한 p-GaN Test 웨이퍼를 고객이 제공한 웨이퍼와 동일한 물질, 동일한 구경의 웨이퍼를 이용해 성장해 결과를 확인한 후 고객 웨이퍼를 성장하기 때문에 공정의 정확도가 매우 높습니다.

이번 고객이 제공한 패턴 웨이퍼와 동일하게 8인치 Si(111) 웨이퍼를 사용해 p-GaN test 구조를 성장했습니다. p-GaN test 구조는 Hall 측정을 위해 p-GaN의 두께를 580 nm로 두껍게 성장하고 하부에 절연 특성의 버퍼 구조를 Si 웨이퍼 위에 성장했습니다.

Si 웨이퍼에 GaN을 성장하는 것은 다른 웨이퍼(SiC, Sapphire, GaN 등) 위에 성장하는 것보다 매우 까다롭습니다. Si 웨이퍼와 III-N 박막 사이의 격자상수 차이와 결정구조 차이를 극복해야 하고 열팽창 특성과 박막 스트레스를 정교하게 제어하면서도 버퍼 구조의 절연 특성도 유지해야 합니다. 그리고 Si 웨이퍼에 Gallium이 접촉되면 melt-back etching 현상이 발생하기 때문에 Si 웨이퍼가 Gallium에 노출되지 않도록 시스템을 운영해야 합니다.

당사는 GaN on Si epitaxy 플랫폼에 독창적인 특허기술 InAlN/AlN 초격자 버퍼 기술을 적용해 서비스하고 있습니다. InAlN/AlN 초격자 버퍼는 초격자 밴드갭 에너지를 높게 유지해 절연 특성을 높이면서 InAlN와 AlN의 격자상수 차이를 이용해 박막의 스트레스를 정교하게 제어할 수 있습니다. 이를 통해서 RF GaN HEMT on Si 및 DC Power GaN HEMT on Si 에피웨이퍼 구조에 다양하게 적용할 수 있습니다.

p-GaN test 구조를 성장한 결과 정확한 growth rate과 p-type doping 특성이 확인되었습니다. SIMS 측정에서 Mg가 약 5e19 cm^-3으로 충분히 doping 되었고, 앞에서 설명했듯이 Hybrid-MBE 환경이기 때문에 Hydrogen 양이 매우 낮은 것을 볼 수 있습니다. Hall 측정에서 hole 농도 1.0e18 cm^-3이 확인되어 고객이 원하는 충분한 doping 특성이 확인되어 고객의 패턴 웨이퍼에 같은 조건으로 p-GaN regrowth 50㎚ 성장을 진행합니다.

IVWorks는 자체 개발한 Hybrid-MBE를 이용해 p-GaN을 성장합니다. 현재 4세대 Hybrid-MBE까지 개발되어 2인치, 4인치, 6인치, 8인치, 12인치 구경까지 에피택시 서비스를 제공할 수 있습니다. 또한 IVWorks는 에피웨이퍼 생산 전 과정을 자체 개발한 인공지능 에이전트 시스템 Domm 프레임워크에 통합함으로써 완전한 자율 생산 체계를 구축하고 있습니다.

고객에게 제공받은 패턴 웨이퍼의 p-GaN gate 영역과 그 외 selective area growth 검증용 패턴 영역에 완벽하게 p-GaN regrowth가 완료되었습니다. Mask 영역에는 아무것도 성장이 안되는 selective area growth가 완벽하게 구현되었고 3D FIN channel 영역에 성장된 p-GaN은 50nm 두께로 3D FIN 구조에 맞춰 side-wall과 top surface에 epitaxial contact 되도록 성장이 완료되었습니다.

8인치 RF GaN HEMT on Si의 3D FIN channel 영역에 p-GaN을 selective regrowth 완료한 웨이퍼를 진공 포장한 후에 고객에게 발송 완료했습니다. 아이브이웍스의 p-GaN regrowth는 2인치 웨이퍼부터 12인치 웨이퍼까지 GaN HEMT on Si, SiC, GaN, Sapphire 모두 대응이 가능합니다.

문의 │아이브이웍스 홈페이지 QNA 또는 www.domm.ai/contact

아시아 지역 기업으로부터 n⁺-GaN regrowth 공정주문을 받았습니다.

이번에 고객이 제공해준 패턴 웨이퍼는 6인치 GaN HEMT on Si입니다. RF GaN HEMT on Si 기술은 차세대 모바일 통신 응용과 관련해 시장의 관심이 매우 높은 분야입니다. 특히 모바일 디바이스 응용을 위해서는 기본적으로 가격 경쟁력이 있어야 하기 때문에 GaN HEMT on Si 기술을 이용해 6인치-8인치-12인치 대구경화 로드맵을 통해 경제성을 확보하는 것이 필수입니다. 또한 차세대 모바일 통신의 주파수 대역이 FR3(7~24GHz) 대역과 위성통신(1~2GHz) 대역을 통합하여 사용하는 것이 핵심이기 때문에 GaN HEMT on Si 기술로 퍼포먼스와 효율을 높이는 것이 중요합니다.

아이브이웍스의 n⁺-GaN regrowth 공정 서비스는 6인치 GaN HEMT on Si 뿐만 아니라 8인치 12인치까지 모두 대응이 가능하고 GaN on SiC, GaN on GaN, GaN on Sapphire 모두 n⁺-GaN regrowth가 가능합니다. 아이브이웍스는 n⁺-GaN를 700도 수준으로 낮은 온도에서 Source/Drain 영역에만 selective area growth하여 ohmic metal RTA 없이 non-annealed ohmic contact이 가능하고 contact resistivity를 0.1 ohm-mm 이하로 쉽게 낮출 수 있는 당사만의 special epitaxy 서비스입니다. n⁺-GaN regrowth와 pGaN regrowth 등 다양한 구조의 GaN 에피웨이퍼 서비스를 https://www.domm.ai/epidesign 에서 실시간으로 디자인하고 바로 견적을 조회할 수 있습니다.

아이브이웍스에서는 고객에게 패턴 웨이퍼를 받으면 가장 먼저 SEM 측정을 이용해 selective regrowth 될 Source/Drain 영역의 etching 표면을 확인합니다.

이번에 공정의뢰 받은 패턴 웨이퍼는 mask 영역을 SiO₂로 패터닝 하였습니다. SiO₂와 SiN 모두 IVWorks의 selective area regrowth에 최적의 mask 물질이라 regrowth 후 mask 영역에는 아무것도 성장되지 않고 오직 Source/Drain 영역에만 n⁺-GaN이 성장됩니다.

이번 고객의 패턴 웨이퍼는 양산 기업 고객답게 Source/Drain 영역의 etching 표면이 상당히 깨끗합니다. 앞선 게시글에서 언급했듯이 Etching 공정은 고객들마다 다양하기 때문에 etching 표면상태가 조금씩 다를 수 있습니다. 특히 양산 기업들 보다는 연구소나 대학 실험실 고객들의 etching 표면 특성들이 균일하지 않고 러프한 경우가 많습니다. 그래서 아이브이웍스는 etching 표면 영향을 최소화하기 위해 regrowth 초기에 리커버리가 최대한 될 수 있는 초기 성장 조건을 적용합니다. 아이브이웍스의 경험으로는 etching 표면에 mask 물질(SiO₂ or SiN)이 남아있는 경우를 제외하고 대부분 리커버리가 가능합니다. 때문에 etching 조건에 대해 부담없이 n⁺-GaN regrowth 공정 적용을 시도해보시길 바랍니다.

아이브이웍스에서는 고객 웨이퍼에 n⁺-GaN regrowth를 하기 전에 n-doping 조건을 확인하기 위한 n-GaN Test 웨이퍼를 고객이 제공한 웨이퍼와 동일한 물질, 동일한 구경의 웨이퍼를 이용해 n⁺-GaN regrowth에 적용할 동일한 성장조건에서 성장해 결과를 확인한 후 고객 웨이퍼를 성장하기 때문에 공정의 정확도가 매우 높습니다.

이번 고객이 제공한 패턴 웨이퍼와 동일하게 6인치 Si(111) 웨이퍼를 사용해 n-GaN test 구조를 성장했습니다.

Si 웨이퍼에 GaN을 성장하는 것은 다른 웨이퍼(SiC, Sapphire, GaN 등) 위에 성장하는 것보다 매우 까다롭습니다. Si 웨이퍼와 III-N 박막 사이의 격자상수차이와 결정구조 차이를 극복해야 하고 열팽창 특성과 박막 스트레스를 정교하게 매니징 하면서도 버퍼구조의 절연특성도 유지해야 합니다. 그리고 Si 웨이퍼에 Gallium이 접촉되면 melt-back etching 현상이 발생하기 때문에 Si 웨이퍼가 Gallium에 노출되지 않도록 시스템을 운영해야 합니다.

아이브이웍스는 독창적인 특허기술 InAlN/AlN 초격자 버퍼 기술을 이용해 GaN on Si epitaxy 플랫폼을 서비스하고 있습니다. InAlN/AlN 초격자 버퍼는 초격자 밴드갭 에너지를 높게 유지해 절연특성을 높이면서 InAlN와 AlN의 격자상수차이를 이용해 박막의 스트레스를 정교하게 제어할 수 있습니다. 이를 통해서 RF GaN HEMT on Si 및 DC Power GaN HEMT on Si 에피웨이퍼 구조에 다양하게 적용할 수 있습니다. n-GaN test 구조를 성장한 결과 정확한 growth rate과 n-type doping 특성이 확인되었습니다. n-doping 1.24e20 cm^-3으로 충분한 도핑이 확인되어 이 조건 그대로 고객의 패턴 웨이퍼에 성장을 진행합니다.

당사에서는 자체 개발한 Hybrid-MBE를 이용해 n⁺-GaN을 성장합니다. 현재 4세대 Hybrid-MBE까지 개발되어 2인치, 4인치, 6인치, 8인치, 12인치 구경까지 n⁺-GaN regrowth를 대응할 수 있습니다. (Hybrid-MBE에 대한 소개는 4″ GaN HEMT with n⁺-GaN S/D Selective Regrowth for Asian University를 참조해주세요)

아이브이웍스의 Hybrid-MBE는 자체 개발한 인공지능 에이전트 시스템 Domm-ai Level 4 (Automation-Monitoring-Real time Pass/Fail Prediction & Alerting) 단계가 적용되어 자율생산으로 진행됩니다.

오퍼레이터가 없는 상황에서 연속적인 생산이 이루어질 수 있도록 웨이퍼의 Loading-Growing-Unloading 과정은 머신러닝으로 학습된 MBE Run Automation (MRA) 기능이 적용되어 있고 에피웨이퍼 성장 전 과정에서 결정 성장 표면의 전자회절패턴을 실시간으로 분석해 Pass/Fail 예측모델로 품질을 스코어링 합니다. 품질 예측의 양품 스코어가 떨어지거나 Hybrid-MBE의 진공도, 소스셀 온도, 매니퓰레이터 온도 및 각종 센싱 데이터의 이상 동작이 예측되면 엔지니어에게 instant notification을 수행하고 피드백 되도록 조치합니다.

이번 n⁺-GaN regrowth는 SiO₂ mask로 패터닝 되어있기 때문에 전자회절패턴이 약하게 보이지만 Domm-ai 가 실시간 분석하는데는 충분한 전자회절패턴을 보여줍니다. 전체 성장 과정에 대해 전자회절패턴의 세기(intensity)와 성장모드(PDM)의 변화 그리고 Strain의 변화를 실시간 분석하고 품질을 예측하여 최종적으로 0.87 이라는 높은 스코어를 보여줬습니다. Dommai의 예측 결과만으로도 n⁺-GaN의 selective area growth가 성공적으로 완료되었고 n⁺-GaN이 2D-mode로 성장되었다는 것을 알 수 있습니다.

아이브이웍스는 자체개발한 Hybrid-MBE 기술을 이용해 Source/Drain 영역에만 완벽하게 n⁺-GaN을 selective area growth 할 수 있고 Domm-ai 시스템을 통해 생산성을 극대화 하고 있습니다.

고객이 요청한 n⁺-GaN regrowth를 IVWorks의 Hybrid-MBE와 regrowth 기술로 완벽하게 완료하였습니다. Mask 영역에는 아무것도 성장이 안되는 selective area growth가 완벽하게 구현되었고 Source/Drain 영역에만 성장된 n⁺-GaN은 80nm 두께에 맞춰 2D-mode 성장이 되어 2DEG side-wall과 epitaxial contact 되도록 성장이 완료되었습니다.

SiO₂ mask와 etched 영역의 계면에 형성된 미세한 Step에도 n⁺-GaN이 정상적으로 덮여 성장되었습니다.

6인치 전면에 균일하게 n⁺-GaN regrowth가 되었는지 6인치 웨이퍼의 여러 부분을 위치별로 정밀 측정한 후 고객에게 납품하기 위해 포장을 준비합니다.

6인치 GaN HEMT on Si의 Source/Drain 영역에 n⁺-GaN을 selective regrowth 완료한 웨이퍼를 진공 포장한 후에 고객에게 발송 완료했습니다. IVWorks의 n⁺-GaN regrowth는 2인치 웨이퍼부터 12인치 웨이퍼까지 GaN HEMT on Si, SiC, Sapphire, GaN 모두 대응이 가능합니다.

문의 │아이브이웍스 홈페이지 QNA 또는 www.domm.ai/contact

아시아 지역 대학으로부터 n⁺-GaN regrowth 공정 주문을 받았습니다. 700도 수준으로 낮은 온도에서 Source/Drain 영역에만 n⁺-GaN을 selective area growth 하는 n⁺-GaN regrowth는 ohmic metal RTA 없이 non-annealed ohmic contact이 가능하고 contact resistivity를 0.1 Ω-mm 이하로 낮출 수 있는 아이브이웍스만의 special epitaxy 서비스입니다. 아이브이웍스는 기업고객만이 아니라 대학 연구실의 소량 공정 의뢰에도 빠르게 대응합니다. n⁺-GaN regrowth와 p-GaN regrowth 등 다양한 구조의 에피웨이퍼 서비스를 https://www.domm.ai/epidesign 에서 실시간으로 디자인하고 바로 견적을 조회할 수 있습니다.

아이브이웍스에서는 고객에게 패턴 웨이퍼를 받으면 가장 먼저 SEM 측정을 이용해 selective regrowth 될 Source/Drain 영역의 etching 표면을 확인합니다.

Can n⁺-GaN Regrowth on a Rough Etched Surface?

이번에 공정 의뢰 받은 패턴 웨이퍼는 mask 영역을 SiO₂로 패터닝 하였습니다. SiO₂와 SiN 모두 아이브이웍스의 selective area regrowth에 최적의 mask 물질이라 regrowth 후 mask 영역에는 아무것도 성장 되지 않고 오직 Source/Drain 영역에만 n⁺-GaN이 성장됩니다.

이번 고객의 패턴 웨이퍼는 Source/Drain 영역의 etching 표면이 타 고객들의 웨이퍼 보다 좀 더 러프한 것으로 확인됩니다. Etching 공정은 고객들마다 다양하기 때문에 etching 표면 상태가 조금씩 다를 수 있습니다. 그래서 저희는 etching 표면 영향을 최소화하기 위해 regrowth 초기에 리커버리가 최대한 될 수 있는 초기 성장 조건을 적용합니다. 아이브이웍스의 경험으로는 etching 표면에 mask 물질(SiO₂ or SiN)이 남아있는 경우를 제외하고 대부분 리커버리가 가능합니다.

아이브이웍스에서는 고객 웨이퍼에 n⁺-GaN regrowth를 하기 전에 n-doping 조건을 확인하기 위한 n-GaN Test 웨이퍼를 고객이 제공한 웨이퍼와 동일한 물질, 동일한 구경의 웨이퍼를 이용해 n⁺-GaN regrowth에 적용할 동일한 성장 조건에서 성장해 결과를 확인한 후 고객 웨이퍼를 성장하기 때문에 공정의 정확도가 매우 높습니다.

이번 고객이 제공한 패턴 웨이퍼와 동일하게 4인치 SI-SiC 웨이퍼를 사용해 n-GaN test 성장한 결과 정확한 growth rate과 n-type doping 특성이 확인되었습니다. n-doping 1.26e20 cm^-3으로 충분한 도핑이 확인되어 이 조건 그대로 고객의 패턴 웨이퍼에 성장을 진행합니다. 아이브이웍스는 자체 개발한 Hybrid-MBE를 이용해 n⁺-GaN을 성장합니다. 현재 4세대 Hybrid-MBE까지 개발되어 2인치, 4인치, 6인치, 8인치, 12인치 구경까지 n⁺-GaN regrowth를 대응할 수 있습니다.

Hybrid-MBE는 N source를 N₂ plasma source와 NH₃ gas injection source를 Hybrid로 사용할 수 있는 시스템입니다. N₂ plasma를 사용하면 atomic N을 직접 공급할 수 있어서 정교한 V/III 비율 조절이 가능하고 Hydrogen 부산물이 발생하지 않아 박막 내 Hydrogen 침투 양을 최소화할 수 있습니다. 하지만 atomic N 발생 효율에 한계가 있어 성장 속도를 빠르게 할 수 없고 넓은 면적에 대한 균일도 확보가 어렵습니다. NH₃ Gas injection을 이용하면 대량의 N을 넓은 면적에 균일하게 공급할 수 있어 N-rich 성장 조건으로 성장 속도를 빠르게 하고 넓은 구경에서 균일한 박막을 성장할 수 있습니다. 그리고 Hybrid-MBE의 NH₃ gas injection 조건에서 최고의 장점은 바로 selective area growth가 완벽하게 구현된다는 점입니다.

Source/Drain 영역에만 완벽하게 n⁺-GaN이 selective area growth 되는 Hybrid-MBE는 고객들의 후속 공정을 단순화해 주는 최고의 기술입니다.

고객에게 제공받은 패턴 웨이퍼의 etch 영역이 러프했지만 아이브이웍스의 Hybrid-MBE와 regrowth 기술로 완벽하게 n⁺-GaN regrowth가 완료되었습니다. Mask 영역에는 아무것도 성장이 안되는 selective area growth가 완벽하게 구현되었고 Source/Drain 영역에만 성장된 n⁺-GaN은 80nm 두께에 맞춰 2D-mode 성장이 되어 2DEG side-wall과 epitaxial contact 되도록 성장이 완료되었습니다.

균일하게 성장되었는지 n⁺-GaN regrowth 완료된 4인치 웨이퍼의 여러 부분을 위치별로 정밀 측정한 후 고객에게 납품하기 위해 포장을 준비합니다.

4인치 GaN HEMT on SiC의 Source/Drain 영역에 n⁺-GaN을 selective regrowth 완료한 웨이퍼를 진공 포장한 후에 고객에게 발송 완료했습니다. 아이브이의 n⁺-GaN regrowth는 2인치 웨이퍼부터 12인치 웨이퍼까지 GaN HEMT on Si, SiC, Sapphire 모두 대응이 가능합니다.

문의 │아이브이웍스 홈페이지 QNA 또는 www.domm.ai/contact

반도체 제조는 공정이 복잡하고 정밀도가 요구되는 산업으로, 숙련된 엔지니어의 판단과 정교한 제어작업이 필수적이다. 자사는 최근 자사가 개발한 인공지능 플랫폼 DOMM에 AI 기반 생산자동화 에이전트(MBE Run Automation) 서비스를 배포했다. 이 서비스는 기존 장비 제어 시스템에서, 분석·판단이 가능한 AI 모델과 결합되어 Fab 엔지니어의 작업을 자동화한다. 이 서비스는 생산성 향상과 비용 절감을 실현 중이며, 특히 팹 및 장비 수 증가에도 유연하게 확장 가능한 SW 아키텍처 설계로, 대규모 제조 환경에 효과적으로 적용될 수 있다. 본 문서는 이러한 기술이 실제 공정에서 어떻게 구현되고 있는지, 그리고 반도체 제조 산업의 아이브이웍스에서 AI 에이전트가 어떻게 진화하고 있는지 소개하는 실제 사례 중심의 글이다.

1. Fab 엔지니어에서 AI 시스템으로

글로벌 제조 산업은 지금 전례 없는 전환을 겪고 있다. 자동차 산업에서 휴머노이드 로봇과 스마트 팩토리가 조립 라인에 도입된 것처럼, 반도체 제조 역시 이러한 흐름 속에서 점점 더 복잡하고 정밀한 공정 영역까지 AI 기술의 적용이 확대되고 있다. 우리 회사가 전문으로 하는 에피웨이퍼 생산 공정은 반도체 기판 위에 단결정 박막을 원자 단위로 정밀 증착·성장해 LED·레이저 다이오드·RF·전력 반도체 등 차세대 소자의 성능과 신뢰성을 결정짓는 반도체의 핵심 공정이다. 우리는 공정에 대한 깊은 이해와 축적된 실무 경험을 바탕으로 자체적으로 인공지능 DOMM 플랫폼을 개발해왔다. 초기에는 데이터 분석과 공정 해석 중심의 모델링에 집중 했으나, 최근에는 엔지니어를 대신해 실제 판단과 실행을 수행할 수 있는 생산 자동화 AI 에이전트 (이하 DOMM Agent)를 개발하여 적용하였다.

2. 에피 생산의 실제 흐름을 따라가다

에피웨이퍼를 생산 즉 성장시키는 반도체 제조 공정은 초기 기판 준비부터 박막 형성, 이후의 후속 공정까지 순차적으로 누적되는 흐름을 가진다. 기판을 장비의 메인 챔버로 옮기는 로딩/언로딩 과정외에, 박막성장을 최적의 상태로 준비하는 과정 그리고 원자단위의 수준에서 결정을 쌓아올리거나, 레이어간 발생하는 스트레인을 제어하는 공정 중 어느 하나라도 문제가 발생하면 전체 제품 품질에 치명적인 영향을 줄 수 있으며, 생산성과 품질 확보에 있어 각 공정 단계의 정밀한 분석과 실시간 모니터링이 특히 중요하다. DOMM Agent 는 이러한 생산 흐름을 따라 실제 공정을 통합 제어하며, 장비의 기계적인 조작 과정인 웨이퍼 로딩과 언로딩, 챔버 상태 초기화 등을 자동으로 수행한다.

예를 들어, 웨이퍼 로딩 중 정렬 오류 발생 시 자동 중단 및 재정렬, 웨이퍼 ID 불일치 탐지, 진공 안정화 실패 시 경고 알림, 소스 셔터 이상 시 셧다운 등 다양한 상황에 실시간으로 대응한다. 공정 단계별로 수집되는 로그는 분석되어 이후 작업 태스크에 반영되고, 반복 학습을 통해 공정 최적화로 이어진다. 또한 DOMM Agent는 성장 전후의 챔버 상태, 온도 히스토리, RHEED 패턴 이력 등 주요 데이터를 실시간으로 분석하여 품질 예측에 활용한다.

3. AI 작업자, 에피웨이퍼 박막 성장과정을 더 이해하다

MBE는 전력 반도체, 고주파 소자, 양자 소자 등 차세대 소자 생산에 필수적인 고정밀 공정이지만, 고도의 전문지식과 경험을 요구한다. 이 공정에서는 원자 단위로 박막이 형성되는 표면 상태를 RHEED(Reflection High-Energy Electron Diffraction) 로 실시간 관측할 수 있는데, 우리는 이러한 RHEED 데이터가 AI 접근에 매우 결정적이며, 잠재력이 있다는 점에 주목 했고, 이를 활용한 다양한 분석 모델을 개발해 왔다. RHEED의 패턴은 박막 표면 상태를 전자빔 회절로 얻은 것으로, 역격자 공간이 투영된 스크린 상의 이미지이다. 이를 통해 결정의 성장 상태가 2D, 3D 또는 비정질(Amorphous) 구조인지뿐만 아니라, 표면의 평탄도, 결정성, 격자 간격 변화와 같은 정보까지 실시간으로 파악할 수 있어 공정 중 상태 분석에 매우 중요한 데이터로 활용된다.

예를들면, Epi Growth Analysis Model 중의 하나인 RHEED 기반의 패턴 인식 모델(Pattern Detection Model)은 실시간 개별, 상호 비교 서비스를 제공하며, 제품 개발과 생산에서 중요한 역할을 하고 있고 시점별 데이터를 분석해 박막의 상태를 평가하는 데 효과적으로 활용되고 있다. 다만, 시리즈 데이터의 복잡한 성장 과정을 고차원적으로 해석하는 데에는 한계가 있었다. 반도체 박막 성장은 기판 단계부터 끝까지 연속적이고 복잡한 과정이기 때문에, 이를 이해하고 제어하기 위해서는 보다 정교한 시계열 해석과 모델링이 필요하다. 이에 우리는 RHEED 데이터를 고차원적 임베딩 포맷인 ARHEED로 변환하고, 박막 성장의 물리적 조건과 실측 데이터를 통합적으로 이해할 수 있도록 트랜스포머 기반의 Large EPI Growth Model을 추가적으로 연구·개발하였다. 이 모델은 EPI 성장 조건(EPI Growth Condition)을 전체 시퀀스로 임베딩함으로써, AI Agent의 해석력과 판단 능력을 획기적으로 끌어올릴 수 있게 된다.

4. 엔지니어를 보완하는 AI

DOMM Agent는 단순한 반복 작업을 자동화하는 수준을 넘어, 숙련된 엔지니어의 직관과 판단을 데이터 기반하에 MBE장비의 컨트롤 PC로 직접 제어 할 수 있게 설계되었다. DOMM Space (DOMM 생산 포탈)에 스케줄을 등록하는것 만으로, 야간이나 휴일에도 작업을 수행 하며, 에피웨이퍼 성장 상황을 실시간으로 분석하고, 장비의 제어 상태 또한 인지, 판단 하여 작업을 수행한다. 결과적으로 팹 엔지니어는 반복적인 모니터링과 조정 작업에서 벗어나 고부가가치 연구 개발에 집중할 수 있게 되었고, 한 명의 엔지니어가 더 많은 장비를 동시에 관리할 수 있게 되면서, 인력 효율성과 생산 비용 측면에서도 긍정적인 효과를 기대할 수 있게 되었다.

5. 에피웨이퍼를 깊이 이해하여 여러가지 역할을 수행하는 다양한 AI 에이전트로

DOMM 플랫폼과 기반 AI 에이전트의 도입은 반도체 제조 분야에서 AI 적용의 새로운 패러다임을 제시한다. 이번에 우리는 제어 PC를 직접 운용하는 생산 자동화 AI 에이전트를 성공적으로 개발·적용하여, 공정을 깊이 이해하고 자율적으로 판단·실행하는 데 의미 있는 성과를 거두었다. 아울러, 현재 LLM 디코더 및 멀티모달 모델에 대한 연구도 활발히 진행 중이며, 향후 이들 모델을 AI 에이전트 구현에 접목함으로써, 인간 엔지니어를 능가하는 정밀도와 안정적인 품질·생산성을 더욱 강화해 나갈 예정이다. 이제는 단순히 데이터를 분석·시각화하는 AI를 넘어, 공정을 스스로 이해하고 판단하여 적절한 실행을 수행하는 역할별 AI 에이전트를 개발·운영하는 단계로 나아가고 있다. 이들 에이전트가 유기적으로 협업할 때, 반도체 제조의 정밀성과 효율성은 더욱 개선될 것이다. 이러한 실질적인 시스템과 사례는 반도체 제조 분야에서 지능형 제조 플랫폼의 발전 방향을 제시하는 중요한 이정표가 될 것이다.

Hong Kyun Noh ㅣ Artificial Intelligence Team leader & CIO at IVWorks

“데이터에서 가치를 전달합니다”

에디터 주 : 해당 포스팅은 총 세 편으로 기획된 ‘AI-Agents가 바꾸는 소재 생태계’ 시리즈의 첫 번째 글입니다. 첫 번째 글에서는 아이브이웍스의 DOMM AI-Agents를 소개하기 전, 여러분에게 전반적인 에이전트에 대한 이해와 기업과 에이전트의 관계를 정리합니다. 이번 시리즈는 기술적 내용보다 인사이트 관점을 강조하여, 향후 실제 기술 칼럼을 접했을 때 여러분의 이해를 높이기 위한 예고편과 같습니다. 궁금한 내용은 댓글 달아주시고 아이브이웍스의 AI 연구에도 많은 기대와 응원 바랍니다!

지브리 스타일로 만들어줘! 계속되는 AI 열풍

요 며칠 지브리 스타일 이미지에 대한 의견이 뜨거웠다. 챗 GPT가 특정 화풍대로 이미지를 생성해 주면서 많은 이들이 나만의 지브리를 만들어 날랐다. 하나하나 디테일하게 명령하지 않고 간단한 요청만으로 사용자 의도를 파악해 주니 정말 편리한데, 이 유행이 어느정도 저물자 이번에는 장난감 피규어처럼 자신을 표현하는 바비코어 스타일이 등장했다. 현재 특정 필터에 대한 관심은 줄었지만 AI 기반 유행은 SNS를 타고 완벽히 자리를 잡은 듯하다. 창작의 가치와 저작권 문제 등 비판적 의견이 있음에도 지난 3월 챗 GPT는 세계에서 가장 많이 다운로드 된 모바일 앱이 됐다.

그런데 이제는 AI가 단순히 사진을 변환하는 정도를 넘어, 사용자의 목표를 파악하고 스스로 행동하는 AI 에이전트(AI-Agents)로 발전하고 있다. 지난달, 세계 최대 전자상거래 기업 아마존이 차세대 AI 에이전트 모델 ‘Nova Act’를 출시했다. 설명에 따르면, 이 모델은 단순 반복 작업을 넘어 사용자의 숨겨진 니즈나 선호를 파악하는 수준까지 발전할 수 있다고 한다. Nova Act가 공개되자 빅 테크 경쟁 구도에 대한 기사가 줄줄이 쏟아졌다. 치열한 AI 에이전트 시장의 분위기를 엿볼 수 있었다. 30년 전통의 애니메이션 스튜디오 화풍을 단 30초 만에 생성해 내는 지금. 눈을 뜨면 좋은 툴과 오픈 소스가 매일같이 쏟아진다. 기술 대중화로 낮아진 AI 진입 장벽과 더불어, 엄청난 속도로 등장하고 사장되는 AI 산업의 트렌드 사이클. 이 사이에서 빅 테크부터 스타트업까지 기술 선점을 위해 경쟁 가속화에 매달린 ‘AI 에이전트’란 도대체 무엇일까?

AI 에이전트, 어떻게 다를까?

AI 에이전트는 자율성과 권한을 갖춘 존재다. 컴퓨터에게 자유와 권한이라니? 조금 이질적이게 느껴진다.
그들에게 ‘자율성’이란, 우리(인간)가 지속적으로 개입하지 않아도 AI가 독립적으로 운영하고 결정을 내릴 수 있는 능력이다. ‘권한’은 특정 작업을 수행할 수 있도록 인간이 부여한 힘을 말한다. 즉, AI 에이전트는 달성해야 할 적절한 목표가 주어졌을 때 인간의 개입 없이 독립적으로 행동할 수 있다. 혼자 워크플로우를 설계하고 실행, 최적화가 가능하다. 그래서 ‘인지’, ‘판단’, ‘행동’ 세 가지를 혼자 할 수 있어야만 AI 에이전트라 불릴 수 있다.

우리가 알고 있는 일반 AI와 AI 에이전트를 비교해 보면 둘은 밀접하지만 개념적 차이가 있다. 기존 AI는 특정 작업을 수행하는 ‘도구’에 가깝다. 그러나 AI 에이전트는 환경과 상호작용하며 목표 달성을 위해 스스로 결정하고 행동하는 존재라는 점에서 기존 AI를 포함한다.

참고 : What’s the difference between agentic AI and traditional AI?

그렇다면 우리는 어디까지 AI 에이전트라 부를 수 있을까?
많은 이들이 지능적인 자동화 시스템이라는 점에서 AI 에이전트와 어시스턴트, 봇(Bot)을 동일시한다. AI 어시스턴트는 사용자의 요청을 이해하고 정보를 제공하거나 작업을 도와주는 비서 같은 존재다. AI 에이전트는 어시스턴트보다 좀 더 능동적이고 최적의 해결책을 찾아 실행하는 전략가 같은 존재다.

금융 서비스로 예로 들어보자. 봇은 “영업시간은 몇 시까지인가요?”, “계좌개설은 어떻게 하죠?” 같은 고객 질문에 자동 응답을 제공할 수 있다. AI 어시스턴트는 잔액 조회, 사기 경고, 대출 신청 등 은행원의 업무를 돕는다. 그리고 고객의 지출 습관을 토대로 개인화된 조언을 해줌으로써 고객의 안전한 재정 관리를 도울 수 있다. AI 에이전트는 실시간 거래 현황을 모니터링, 의심스러운 활동을 감지한다. 의심되는 사항에 대해서는 위협이 확산되기 전 차단하여 사기를 사전에 방지한다. 또한, 보안 프로토콜을 조정하고 위험 모델을 개선하는가 하면, 스스로 시장 동향을 분석해 거래를 실행할 수도 있다.

참고 : AI agents vs. AI assistants, Cloud What is an AI agent?

요구사항을 AI 에이전트가 처리하는 법

고도화된 AI 에이전트는 단순한 입, 출력 시스템이 아니라 환경과 상호작용하며 판단하고 학습하고 실행하는 자율적인 지능 체계를 갖는다. AI 에이전트는 어떻게 외부의 정보를 받아들이고 처리하며 동작하는 걸까?

[외부 세계로부터의 입력 : 사용자 입력, 환경]

AI 에이전트는 기본적으로 외부 환경에 대한 반응을 기반으로 작동한다. 이 입력은 크게 두 가지로 볼 수 있다.

1. 사용자 입력 (User input) : AI 에이전트의 작동을 촉발시키는 외부 신호

2. 환경 (Environment) : AI 에이전트가 작동하는 범위

· 디지털 인프라 : 웹, 소프트웨어, 데이터베이스, API 등 디지털 공간

· 물리적 인프라 : 로봇, 센서, IoT 디바이스 등 실제 공간과 연관된 공간

[지각 인터페이스 : 센서]

센서는 외부 세계로부터 정보를 수집하고 감지한다. 사용자의 명령이나 웹 데이터, 이미지·음성 등 다양한 입력을 받아들이고, 이를 내부 처리 시스템이 이해할 수 있도록 정제, 변환한다. 단순한 데이터 수신을 넘어서, 외부 자극을 의미 있는 내부 정보로 바꾸는 첫 단계다.

1. 센서 (Sensors) : AI 에이전트가 환경을 인식하는 메커니즘

[내부 처리와 실행 : 제어센터, 모델, 실행, 학습]

센서를 통해 들어온 데이터는 AI 에이전트의 내부 시스템으로 넘어와 본격적인 지능 작용을 한다. 이 영역은 다양한 기능 블록으로 구성되어 있는데 각각의 요소가 유기적으로 연결돼서 의미 있는 행동이나 응답을 만들어낸다.

1. 제어 센터 (Control Centre) : AI 에이전트 내 정보 흐름과 작업을 총괄

· 모델 (Model) : 추론, 생성, 판단, 응답 등의 작업 수행

– 계획 및 의사 결정 : 다단계 추론, 플래닝 로직 등 단계적 사고를 통해 복잡한 과제를 해결

– 메모리 관리 : 대화 기록, 맥락, 사용자 정보 기억 등으로 연속성, 일관성 있는 의사결정 가능

– 도구 : 웹 검색, 계산기, 데이터베이스 쿼리, 외부 API 호출 등으로 기능 확장

2. 실행기 (Effectors) : 실제로 행동을 수행하거나 사용자에게 피드백 제공

3. 학습기 (Learning) : 수행 결과와 피드백, 실패 사례를 바탕으로 시스템 업데이트

다음은 AI 에이전트와 사용자 간의 가상의 대화다. 위 아키텍처가 어떻게 반영되었는지 살펴보자!

👩 : 아마존에서 노트북을 사려고 해.
🤖 : 어떤 노트북을 원하시나요? 가격대, 브랜드, 기능을 알려주시면 최적의 제품을 추천해 드릴게요.
👩 : 가격은 100만 원 이하, 화면은 15인치 정도면 적당할 듯.
🤖 : 네, 100만 원 이하의 15인치 노트북을 찾아볼게요.

(AI 에이전트가 아마존에서 노트북을 검색하고 결과를 분석하는 중…)
(가격, 스펙, 사용자 리뷰 데이터를 분석하는 중…)

🤖 : 다음과 같은 추천 제품이 있어요!
첫 번째는 A 브랜드의 15인치 노트북, 가격 95만 원, 16GB RAM, 배터리 10시간, 평점 4.5점입니다.
두 번째는 B 브랜드의 15.6인치 노트북, 가격 99만 원, 8GB RAM, 초경량 디자인, 평점 4.8점입니다.
세 번째는 C 브랜드 15.5인치 노트북, 가격 89만 원, 16GB RAM, 고해상도 디스플레이, 평점 4.3점입니다.
어떤 제품이 가장 마음에 드시나요?

👩 : 가장 리뷰가 많은 제품은?
🤖 : 가장 리뷰가 많은 제품은 B입니다.
가격 99만 원, 8GB RAM, 초경량 디자인, 평점 4.8점 (리뷰 2,000개 이상)입니다.
👩 : 좋다! B 브랜드 노트북을 살게.
🤖 : 훌륭한 선택이예요! (장바구니에 추가하고 결제 진행 중···)
다음 중 결제 방법을 선택해 주세요.
1.기존카드 사용, 2.새로운 카드 추가, 3.다른 결제 방법 선택

👩 : 기존 카드로 결제할게.
🤖 : 확인했습니다. 배송 주소는 기존 주소 (서울 강남구 테헤란로 123)으로 할까요?
👩 : 좋아.
(AI 에이전트가 결제 처리 중 ···)

🤖 : 구매가 완료되었어요! 배송 예정일은 3일입니다. 주문 내역이 이메일로 발송되었습니다.

이번 대화는 물건 구매를 하는 상황을 예시로 하였지만, AI 에이전트는 이 밖에도 다양한 역할을 수행할 수 있다. 어떤 AI는 검색을 잘하고, 어떤 AI는 추천을 잘 한다. 때로는 여러 AI가 협력해서 더 강력한 기능을 수행할 수도 있다. AI 에이전트에게는 전문 분야가 존재할 수 있다.

다양한 관점에서 바라본 AI 에이전트

AI 에이전트는 스스로 환경을 분석하고 목표를 달성하는 지능형 시스템이다. 업무 자동화, 프로세스 최적화, 맞춤형 서비스 등을 통해 다양한 산업 군에서 활용될 수 있으나 그에 따른 한계도 존재한다. 예를 들어, AI 에이전트는 동적 환경에서 적응이 뛰어나고 복잡한 의사결정에 최적화되어있다. 하지만, 이는 반대로 정교한 프로그래밍과 데이터가 필요하다는 말이 된다.

기술적 관점에서 바라보면,

· 효율성 향상 : 많은 기업이 반복적이고 단순한 업무들로 인해 운영 병목 현상과 휴먼 에러에 지속적으로 노출된다. AI 에이전트는 이런 작업들을 스스로 재구성하여 실시간 의사결정 및 워크플로우를 자동화 시킨다. 이는 기업 입장에서 운 ㅡ영 비용 절감과 동시에 더 중요한 작업에 인력을 집중시킬 수 있는 기회가 된다.

· 데이터 기반 의사결정 : 데이터양이 방대하면 정보에 입각한 의사 결정을 적시에 내리기 쉽지 않다. AI 에이전트는 대량의 실시간 데이터를 수집, 처리하여 근거가 명확한 인사이트를 제공해 준다. 이를 통해 기업은 데이터에 근거한 결정을 신속하게 내릴 수 있다. 다만, AI 에이전트의 효과는 데이터의 품질에 크게 의존하므로 데이터 품질 관리가 필수적이다.

· 높은 기술 장벽 : AI 에이전트는 단순한 챗봇 수준을 넘어 지각, 판단, 행동을 통합한 시스템이다. 이를 설계하려면 에이전트 아키텍처, 적절한 LLM 구성, 프롬프트 설계, API 통합, 상태 관리 메커니즘 등 다양한 기술적 요소가 필요하다. 또 이것을 효과적으로 구현하고 관리하려면 전문 경험이 있는 인력이 필요하다. 게다가 현재로서는 에이전트 구축에 필한 도구가 무엇인지, 어떻게 사용하는지에 대한 기술적 정보 파악이 쉽지 않다.

· 보안 위험성 : AI 에이전트는 새로운 보안 위협을 경계해야 한다. 예를 들어, 악의적인 공격자가 모델을 재학습시켜서 악성코드를 삽입하거나, 가짜 정보로 모델을 오염시킬 수 있다. 보안 로깅, 입력 검증, AI 방화벽 등의 기술적 대안이 시급히 발전하고 있지만, 실시간 대응 역량까지 포함한 종합적 보안 체계가 필요하다.

사회경제적 관점에서 바라보면,

· 비용 절감 : 높은 운영 비용은 기업의 수익성을 저해한다. 기업은 AI 에이전트를 사용해서 비효율적인 프로세스, 직원의 실수로 지출되는 불필요한 비용을 줄이고 생산성을 향상시킴과 동시에 민첩한 비즈니스를 수행할 수 있다.

· 개인화 서비스 : AI 에이전트는 고객의 구매 이력, 행동 패턴, 실시간 피드백 등을 분석해 고객 맞춤형 제품 추천과 상호작용을 제공한다. 이는 고객과 기업 간의 브랜드 충성도를 높이고 구매 전환율에도 영향을 미칠 수 있다.

· 고용 축소 영향 : AI 에이전트의 도입은 기존 일자리 구조에 영향을 미칠 수 있다. 반복적이고 규칙적인 업무는 점차 자동화되고, 그에 따라 일부 직무가 사라질 수 있다. 따라서, 직무 재설계와 인력 재교육에 대한 고려가 함께 필요하다.

· 큰 초기 도입 비용 : AI 에이전트는 초기 도입 시 상당한 인프라와 사이버 위협에 대비한 보안 투자가 필요하다. 시스템을 도입하고 유지 보수하기 위해 지속적인 관리 비용이 필요하므로 도입 비용에 대한 부담이 있을 수 있다.

윤리적 관점에서 바라보면,

· 의사결정 투명성 부족 : AI 에이전트는 윤리적 판단을 내리는 능력이 부족하다. 블랙박스처럼 복잡하고 불투명한 상태로 결정을 내리니 사용자는 그 속에서 어떻게 결정을 했는지 이해하기 어렵다. 투명성 부족은 에이전트의 의사결정 능력에서 발생할 수 있는 많은 오류나 편향에 대한 의심을 불러일으킬 수 있다.

참고 : AI Agents: Definition, Types, Benefits & Use Cases, 생성형 AI 에이전트 ‘에이전틱 AI’에 거는 기대

반도체 소재 산업과 AI 에이전트

지금까지 살펴본 바에 따르면, AI 에이전트는 복잡한 의사결정과 실시간 제어가 요구되는 산업 현장에서 좋은 수단이 될 수 있다. 특히, 정밀한 데이터 기반 운영이 중요한 분야에서는 AI 에이전트 도입이 기존 시스템만으로는 해결하기 힘들었던 병목과 비효율을 해소할 수 있는 대안이 될 수 있다. 그 대표적인 예가 반도체 산업이다. 반도체 산업은 공정의 복잡성, 장비의 다양성, 품질 기준의 엄격함 등의 업무 특징을 갖는다. 이 가운데에서도 산업의 기초가 되는 ‘소재’ 분야는 아직 자동화 수준이 상대적으로 낮고, 연구자의 경험에 크게 의존하는 경향이 높다. 특히, 화합물 반도체는 그중에서도 공정 제어가 가장 까다로운 분야 중 하나로 꼽힌다. 최근 실리콘을 대체할 차세대 반도체 소재인 ‘질화갈륨(GaN)’의 에피택시(epiaxy) 공정은 기술 난이도가 매우 높고 반복 실험을 통한 양산 최적화에 많은 자원과 시간이 소모된다. 이런 이유로 질화갈륨 에피택시 소재 분야는 AI 에이전트의 잠재력이 가장 극대화될 수 있는 영역 중 하나가 될 수 있다.

AI 에이전트, 왜 지금일까?



1. 산업 구조의 전환과 AI 에이전트 도입의 시기성

질화갈륨을 포함한 화합물 반도체 시장은 고주파, 고 전력, 고효율 특성으로 고속 충전, 우주항공, 5G, 전기차 등 미래 산업 분야를 책임지는 핵심 반도체 소재다. 그러나 기술이 주도하는 분야라 해도 해당 분야에서의 성공 여부는 기술 자체보다 ‘누가 빠르고 유연하게 대응하는가’에 달려있다. 최근 소재 산업은 단순한 제조 경쟁을 넘어 공급망 회복력, 운영 민첩성, 고객 맞춤형 기술 적용 능력이 기업의 경쟁력을 좌우한다. 특히, 글로벌 공급망이 정치, 경제적 변수에 크게 좌우되는 지금, 기업들은 ‘기술력’과 ‘운영 역량’을 동시에 요구받는다. 바로 이 지점에서 AI 에이전트는 기업의 전략적 전환을 견인하는 핵심 인프라가 될 수 있다.

2. 전통적인 제조 방법에서 지능형 운영 체제로 변환

지금까지 화합물 반도체 소재 분야 공정 시스템은 대부분 숙련자 중심의 경험 기반으로 이뤄져왔다. 공정 조건은 연구자들의 지식 판단하에 결정됐고 반복적인 테스트와 수작업을 통한 조정으로 점진적인 최적화를 추구해왔다. 하지만 오늘날의 시장은 속도가 다르다. 늘어난 수요에 대응하기 위해서는 다양한 조건 데이터 실험과, 계속 바뀌는 고객의 요구를 반영해야 한다. 게다가 공정 조건은 복잡다변하다. 이제는 지속적인 정답을 찾는 게 아니라 끊임없이 ‘유효한 조합’을 실험하고, 가장 빠르게 반영하는 체계가 필요하다. AI 에이전트는 이런 운영 방식을 디지털화하고 지능화하는 존재이므로 전통적인 시스템에서는 수행하지 못했던 것들을 가능하게 한다.

3. AI 에이전트를 바라보는 기업 전략 관점의 변화

챗봇, RPA 등 기업은 시대를 거쳐 AI의 점진적인 업무 변화를 겪으며, AI를 단지 로봇의 개념이 아닌 운영 동반자이자, 전략적인 자산의 존재로 인식하게 됐다. 보조자 역할에서 멈추지 않고, 스스로 생산 계획 수립, 분석 리포트 자동 완성, 원재료 재고 변화 대응 등 회사 전체를 유기적으로 연결할 수 있는 힘이 있기 때문이다. 덕분에 기업은 인간 중심의 운영 체계에서 지능 중심의 하이브리드 운영 체계로 전환이 가능하게 됐다. 장기적으로 보면 개발 속도의 향상, 고객 대응 민첩성 강화, 고급 인력의 창의적 업무 집중, 제조 데이터 기반의 신규 인사이트 도출 등 복합적 가치 창출 구조를 만들어 낼 수 있다.

AI 에이전트, 아이브이웍스가 나선 까닭은?

지금 화합물 반도체 소재 산업은 ‘전환’이라는 시작점에 서 있다. 특히 수요가 정말 빠르게 확대되고 있는 만큼 생산성과 품질 제어, 기술 내재화 수준이 따라와야 함에도 불구하고 이는 여전히 쉽지 않다. 단순한 기계식 자동화 기술 만으로는 더 이상 수율과 양산 최적화의 한계를 넘기가 어렵고, 특히 질화갈륨처럼 선제 기술 사례가 적은 분야일수록 공정에 대한 불확실성과 경험 기반의 운영 편차는 쉽게 해결할 수 없다. 이런 상황에서 AI 에이전트 경쟁이 심화되며 드디어 제조업에서도 ‘행동하는 AI’를 동료로 맞이할 수 있는 시대가 됐다. 그러나 실제로 AI 에이전트를 아이브이웍스에서와 같은 특수 공정에 적용하는 것은 굉장히 복잡하며 도전적인 일이다. 공정 변수와 장비 간 상호작용이 복잡한 이 영역에서 도메인에 대한 깊은 이해 없이 AI 시스템을 현실에서 구동시키기란 어렵다. 게다가 우리에게 필요한 것은 세상의 모든 지식을 다 물어볼 수 있는 만능꾼이 아니라, 에피택시를 잘하는 에이전트다.

여기서 아이브이웍스의 역할이 분명해진다.

당사는 질화갈륨 에피택시 분야에서 오랜 연구와 기술 개발, 양산 최적화를 병행해왔다. 10년 이상 누적해온 공정 환경과 실험 결과에 대한 방대한 내부 데이터가 있다. 여기에 자체적으로 AI 에이전트를 설계하고 프로토타이핑할 수 있는 인적 자원과 기술력을 갖추고 있으며, 홈메이드 장비 기술로 인해 장비 커스텀에도 한계가 적은 편이다. 이는 대부분의 소재 기업들이 갖추지 못한 차별점이며, AI 에이전트 설계, 학습, 실증을 위한 최적의 조건이라는 뜻이 된다. 즉, 아이브이웍스는 단순한 기술 수용자가 아니라, ‘질화갈륨’ 소재 분야의 AI 설계자(Architect)이자 실천자(Builder)로서 참여하고 있다.

아이브이웍스의 AI 에이전트는 에피 성장에 필요한 각종 자동화 요소들과 지능화 경험을 통합, 확장시킨 개념이다. DOMM AI 에이전트에는 장비를 움직여 직접 장비를 가동하는 에이전트 A, 생산 스케줄을 관리하는 에이전트 B, 에이전트들을 지휘하는 에이전트 C 등 에피 생산에 필요한 카테고리에 맞게 전문 에이전트들이 각각 배치되어 있다. 각 에이전트들은 유기적으로 연결되어 최적의 에피웨이퍼 생산 시스템을 만든다. AI 연구진과 엔지니어들은 각 에이전트에 필요한 요소(데이터, 부품, 모델 등)들을 수급, 개발하여 양산 장비에 다양한 에이전트들을 하나씩 순차적으로 적용해 나가고 있다. 가장 최근에는 엔지니어 없이 런(장비 가동)을 준비하고 성장해 주는 에이전트가 성공적으로 적용되어 Domm AI 에이전트의 전체적인 완성률을 높였다.

아이브이웍스는 Domm AI 에이전트의 핵심을 다음과 같이 두고, 에이전트가 회사 전체의 생산성을 확장하는 양산 시스템의 일부로써 기능하도록 설계했다.

· End-to-End 최적화 : 구조 디자인 → 레시피 생성 → 생산 → 분석 → 학습까지 모든 흐름에 관여 가능

· 협업 중심 설계 : 다른 장비, 다른 공정에도 엔지니어들이 함께 설계하고 공유할 수 있는 플랫폼 구축

· 설명 가능한 의사결정 : 판단 근거(과거 런, 측정값 등)를 엔지니어가 납득할 수 있게 투명하게 설계

· 에이전트 내재화 : 특정 벤더의 툴에 의존하지 않고 자체 개발하여 에이전트를 고도화 할 수 있는 체계 구축

지금까지 AI 에이전트의 개념과 구조, 그리고 이점과 한계에 대해 살펴보았다. 나아가 반도체 소재라는 극도로 복잡한 영역에서의 에이전트 도입이 필요한 이유에 대해서도 간단히 짚어보았다. AI 에이전트에 대해 구체적인 실현이 계속되고 있는 지금, 아이브이웍스의 DOMM AI 에이전트도 전체적인 완성에 가까워지고 있다. 다음 편에서는 아이브이웍스가 AI 에이전트를 구축하여 과거 전통적인 방식의 에피 생산과 비교해 보며, 생산자 입장에서 어떤 방식으로 활용하고 있는지 좀 더 디테일하게 살펴보도록 하겠다.

Yoon-Seo Cho l Marketing Assistant at IVWorks

※ 본 칼럼은 기고자의 주관적인 견해로, 아이브이웍스 공식 입장과 다를 수 있습니다.

어릴 적 오락실에 가면 빨, 노, 파 버튼을 연타하는 게임이 있었다. 버튼을 빨리 누를수록 캐릭터의 달리기 속도가 빨라지는데, 늘 대결 상대는 ‘컴 vs 나’여서 손에 불이 나게 버튼을 눌러도 당최 이길 수 없었다. 사람이 프로그램을 어찌 이기겠냐만, 내 동작이 그렇게 더딘가 하고 빨개진 손을 보며 허무한 기분을 느꼈던 기억이 종종 있다. 눈 깜빡하면 지나는 1초 동안 전력반도체는 약 1,000번 이상 스위칭 동작을 한다. 이때 전기를 전환하는 부분에서는 전압, 전류, 주파수, 직류/교류 등 전기의 형태를 변환한다. 스위칭 동작이 빠르면 전기 신호를 변환하는 속도와 정밀도가 높아져 더 효율적인 전력 변환이 가능하다.

전력반도체의 약 95%는 Si(실리콘)을 재료로 삼는다. 가격이 저렴한 데다 전기 전도와 형태 제어가 용이해서 사실상 반도체의 표준인 소재다. 그러나 현대에 들어 전기차, 전력 그리드, 5G 인프라, 공정 자동화 등 고부가 가치 산업이 가속화되면서 고전압, 고전류, 고압 등 극단적인 수준의 효율성이 강조되고 있다. Si이 물리적 한계에 봉착하자 이를 보완하고자 GaN(질화갈륨)과 SiC(탄화규소)가 대표적인 대안으로 떠올랐고, Ga2O3(산화 갈륨), AlN(질화알루미늄)와 같은 소재들도 뒤를 이었다.

Si은 열팽창계수가 커 고온의 환경에서는 안정성과 내구성이 떨어진다. 그래서 대략 150℃가 넘으면 반도체 성질을 잃어버린다. SiC는 이를 보완하고자 Si에 C(탄소)를 1:1로 결합한 물질이다. 물리화학적으로 매우 안정적이면서 단단하다. 다이아몬드 모스 경도가 10이면 SiC는 9.2~9.3에 달한다. Si과 달리 온도에 상관없이 반도체 성질을 유지하고, 절연 파괴전계(Breakdown Voltage)가 Si(0.3MV/cm) 보다 10배나 높다. 이는 높은 전압을 걸어도 반도체에 문제가 생기지 않고 적절한 동작을 하게 한다. GaN은 Ga(갈륨)과 N(질소)로 구성된 화합물이다. 1990년대 후반, 청색 발광다이오드(LED)에 사용되면서 유명해졌다. 하지만 최근 높은 전자 이동성과 강한 파괴 전압, 우수한 열전도 특성으로 높은 주파수 효율이 필요한 RF 소자나 고속 충전에 가장 이상적인 소재로 평가받고 있다.

반도체 산업이 SiC과 GaN에게 기대하는 점 중 하나는 ‘적은 전력손실’이다.

두 소재가 Si에 비해 전력 손실이 적은 비결은 ‘와이드 밴드갭(Wide Band-Gap)’ 이다. 밴드갭은 전도대와 가전자대 사이의 틈(거리)을 말한다. 전자는 이 사이를 넘나들며 전기에너지를 통하게 한다. 모든 물질은 고유한 밴드갭을 갖는데, 실리콘은 1.2eV, SiC는 3.3eV 그리고 GaN은 3.4eV로 이 중 가장 높다. 에너지(전류, 열 등)가 물질에 가해지면 가전자대에 있던 전자가 전도대로 올라온다. 우리는 이때 ‘전류가 흐른다’고 인식한다. 그렇다고 밴드가 너무 넓으면(4eV 이상) 전자가 전도대까지 도달하기 힘들다. 그래서 0.1eV~4eV 사이는 반도체, 그 이상은 부도체로 본다.

밴드갭이 좁으면 전자가 전도대에 닿기 쉽다. 전도대까지 올라간 전자는 자유롭게 이동할 수 있는 ‘자유전자’가 된다. 즉, 밴드갭이 좁으면 자유전자 생성이 많아진다. 전자의 이동량이 많아지면 격자와 충돌이 잦아지면서 열에너지가 생긴다. 만약 100W의 전력을 공급했는데 30W가 열로 손실됐다면 70%의 효율만 얻게 된다. 게다가 과도한 열은 전자이동도를 감소시키거나 누설 전류를 증가시켜 더 많은 전력을 소모한다. 반면, 밴드갭이 넓으면 전자가 전도대에 닿기 위해 훨씬 많은 에너지가 필요하다. 에너지가 부족하면 전자 대부분이 가전자대에 머물러있기 때문에 자유전자가 줄어 전력 손실을 방지할 수 있다.

그러나, 밴드갭이 넓으면 더 많은 에너지가 필요하니 낮은 전압에서 작동하는 시스템에서는 에너지 효율이 떨어진다. 그래서 고전압, 고주파 환경에서 사용하는 전력반도체에 주로 쓰인다. 고온의 환경은 밴드갭을 좁아지게 하는 경향이 있어서 처음부터 밴드갭이 넓다면 고온에서도 여전히 넓은 밴드갭을 유지하며 자유전자의 이동을 제어할 수 있다. 그래서 SiC와 GaN은 와이드 밴드갭(WBG) 반도체라 불리며 높은 주파수와 전압, 고온 환경에 적합한 소재로 주목받는다.

이런 장점으로 GaN과 SiC 전력반도체의 시장 규모는 2032년 약 150억 달러를 넘을 것(global market)으로 예측됐다. 사용된 기간이 짧고, Si에 비해 2~3배가량 비싸서 상대적으로 규모는 작지만 각국 정부들이 전력반도체 산업의 성장세와 안보상 중요성을 고려해 자국 내 WBG 전력반도체 생산 역량을 갖추기 위해 발 빠르게 움직이고 있다.

두 소재 중 전력반도체 시장에서 먼저 주목받은 것은 SiC다. SiC는 전력 송배전, 산업용 인버터, 풍력 및 태양광 발전과 같은 산업용 장비에서 오래전부터 기술적 신뢰성을 입증받아왔다. 특히 현대에 들어 유명 전기차 제조업체들이 SiC를 채택하면서 시장이 빠르게 확대됐다. 전기차 속에는 약 60~80개가량의 전력반도체가 들어간다. 높은 전압의 배터리를 한정된 공간에 배치해야 하는 특성상 초고전압과 초고열에 견딜 수 있어야 한다. 전기차용 전력반도체는 에너지 변환과 제어를 담당하며 인버터, 컨버터, 온보드 충전기, 배터리 관리 시스템 등에 사용된다. SiC 전력반도체가 적용된 전기차 인버터는 Si 반도체 인버터보다 에너지 효율이 최대 10% 높아지고 부피와 무게도 줄어든다. 전력손실을 줄이면서 차체의 중량도 줄일 수 있으니 e-모빌리티 용 최적의 소재라 평가받는다. 프랑스 시장조사업체 Yole Group 자료에 따르면, 2022년 SiC 전력반도체 시장은 1,794M 달러, GaN 전력반도체 시장은 184.9M 달러 규모였으니 SiC 전력반도체 시장 규모가 확연히 컸던 것을 알 수 있다.

반면 GaN은 2000년대 중반부터 본격적으로 전력반도체 분야에서 사용되기 시작했다. 초기에는 주로 통신, 레이저 및 LED 분야에 사용되다가, 이후 전력반도체로서의 가능성을 점차 인정받기 시작하면서 최근 몇 년 사이 시장이 활발해졌다. 사용이 늦었던 데에는 기술적 한계가 컸다. GaN은 그 자체를 기판으로 쓰기보다 Si, SiC, Sapphire(사파이어) 등 다른 재료로 만든 기판 위에 GaN 박막을 성장시키는 것이 일반적이다. 그런데 서로 다른 물성을 가진 두 개의 층을 성장시켜야 하므로 제조 난이도가 매우 높아 수율을 끌어올리기가 어려웠다. 그래서 SiC가 6에서 8인치 대량 생산 기술로 전환되었을 때도 GaN은 4에서 6인치로 전환된 작은 사이즈를 쓰고 있다.

그렇다면 GaN 시장은 언제 커지는 걸까. GaN은 전력반도체 시장에서 상대적으로 늦게 채택되긴 했지만 최근 들어 그 적용 범위가 크게 확장된 흐름을 보인다. 소재를 생산에 적용하기까지 기술 난도가 높아 상용화에 어려움을 겪었으나, 아이브이웍스(IVWorks)와 같은 전문 에피 하우스의 등장은 GaN 시장의 활발한 전개를 가능케 만들었다.

그럼 SiC가 GaN 보다 나은 물질인가?

전도대에 도달한 전자들의 이동 특성인 ‘전자이동성’을 살펴보면 실리콘은 1,450cm2/Vs, GaN은 1,500cm2/Vs다. 그러나 SiC는 900cm2/Vs 정도로 작아서, 고속 스위칭 애플리케이션에는 그다지 적합하지 않다. SiC는 Si보다 더 단단하고 복잡한 결정구조를 갖고 있는데, 전자와 격자 진동(phonon)의 상호작용이 강해서 전자가 움직이는 동안 산란되어 이동 속도가 느리다. 그리고 SiC의 유효 질량이 Si보다 크기 때문에, 전자의 이동이 상대적으로 둔하다.

전자 이동도가 높으면 빠른 스위칭이 가능해 저 전력 전자 장치에서 효율적인 전력 제어와 고속 스위칭이 가능하다. 그러나 전자가 빠르게 이동하는 만큼 충돌과 발열이 증가한다. 반대로, 전자 이동도가 낮으면 발열 관리에 용이하다. 그리고 보통 구조적으로 안정적이기 때문에 높은 내구성을 가진 경우가 많다. 그래서 고온이나 거친 환경(산업용)에서 작동하는 전자 장치에 유리하다. 하지만 스위칭 속도가 낮고 고속 데이터 전송 같은 속도와 대역폭을 제한하기에 고속 통신 시스템이나 RF 응용에서는 불리할 수 있다.

두 소재는 모두 밴드갭이 넓어 전력 손실이 적다는 공통적인 장점으로 고온 및 고전압 환경에서 유리한 소재다. 하지만 어떤 소재가 더 좋다고 명확하게 말하기 어렵다. GaN은 높은 전자이동도와 고속 스위칭 특성 덕분에, 고주파나 고속 통신 시스템, 소형화와 고효율이 중요한 애플리케이션에 적합하다. SiC는 고온, 고전압, 고 내구성이 요구되는 시스템에서 안정성과 효율을 발휘하며 전기차, 재생 에너지 시스템, 전력 변환기 등에 유리하다. 소재의 특성에 따라 특화된 애플리케이션으로 전력반도체 시장에서 공존하는 구조를 갖는다.

하지만, 두 소재의 경쟁 영역이 아예 없는 것은 아니다. 주로 산업, 고성능 전자기기에 쓰이는 650~1200V 중간 전압 영역에서는 대체 가능성이 있다. 전기차의 온보드차저(OBC), DC-DC 컨버터, 고속 충전기, 5G 기지국의 전력 공급 장치 등이 해당된다. 이 범위는 저전압에서 고전압 애플리케이션으로 넘어가는 중간 단계로 산업과 소비자 시장을 잇는 부분이다. 때문에 전력반도체 소재 경쟁이 가장 치열한 곳 중 하나다. 그래서 두 소재의 관계에 대한 정의는 업계 전반에 걸쳐 논의되는 큰 논쟁 포인트다.

전문가들의 관점은 다양하다. 다만, 공통적인 시각은 SiC와 GaN의 단순한 기술적 우위보다, 각 소재가 가진 강점이 어떻게 활용되어 미래 산업에 영향을 미칠지 주목한다는 점이다. 이 두 소재가 전력반도체 시장에서 어떤 방식으로 공존하며, 기술 발전과 시장의 요구를 어떻게 충족해 나갈지는 앞으로도 주목할 만한 중요한 논쟁의 주제가 될 것이다.

Yoon-Seo Cho l Marketing Manager at IVWorks

※ 본 칼럼은 기고자의 주관적인 견해로, 아이브이웍스의 공식 입장과 다를 수 있습니다.

“접촉 저항 낮추고 전기적 특성을 개선하여 디바이스 성능 극대화”

작년 9월, 아이브이웍스(IVWorks)는 업계 최초로 MBE 장비를 활용한 n⁺-GaN Selective Regrowth 서비스를 선보였다. 해당 서비스는 GaN 에피웨이퍼의 Source 및 Drain 영역을 선택적으로 etching한 후 n⁺-GaN을 정밀하게 재성장시키는 공정으로, 접촉 저항을 효과적으로 낮추고 전기적 특성을 개선하여 반도체 디바이스 성능을 대폭 향상시킬 수 있다.

Regrowth 공정에서 높은 온도는 에피 계면의 품질을 저하시켜 디바이스 성능을 떨어뜨릴 수 있다. 그러나 IVWorks의 Hybrid-MBE 공정은 이 문제를 효과적으로 해결한다.

불순물이 거의 없는 고진공 환경에서 이루어지며 700℃ 이하의 저온 공정이 가능하다. 특히, In-situ surface cleaning 기술로 웨이퍼 표면의 불순물을 제거함으로써 Regrowth 과정에서 발생할 수 있는 HEMT 소자의 성능 저하를 방지한다.

이러한 기술적 우수성 덕분에 IVWorks의 Regrowth 서비스는 반도체 소자 제조에서 뛰어난 정밀도와 높은 재현성을 제공한다.

n⁺-GaN Selective Regrowth 기술은 반도체 소자의 Ohmic Contact 저항을 기존 대비 최대 1/10 수준으로 감소시킨다. 접촉 저항이 낮아지면 전류 흐름 시 발생하는 저항이 줄어들어, 파워 손실을 최소화하고 디바이스의 효율을 극대화할 수 있다. 이러한 성능 향상은 고사양 디바이스 설계와 소형화에 크게 기여한다. 특히 고주파 환경에서 안정적 신호 처리가 요구되는 RF 디바이스에 적용하면 전력 효율과 전력 밀도를 개선할 수 있다.

IVWorks의 Regrowth 서비스는 다양한 기판에 적용할 수 있다. 4인치, 6인치, 8인치 실리콘(Si) 기판 과 4인치, 6인치 실리콘 카바이드(SiC) 기판에서 적용 가능하다.

이 기술은 고객 사례를 통해 우수한 성능이 지속적으로 입증되고 있으며 글로벌 반도체 기업과 연구 기관으로부터 높은 신뢰를 받고 있다.

또한, 지난 2월에는 p-GaN gate Selective Regrowth 기술을 새롭게 출시하여 고객에게 폭 넓은 선택지를 제공하며 IVWorks의 기술력을 다시 한번 입증했다.

IVWorks의 Selective Regrowth 서비스는 WIZDOMM 플랫폼(▶https://www.domm.ai/epidesign)을 통해 쉽고 빠르게 맞춤형 견적을 확인할 수 있다.

Etch Depth와 Mask를 간단히 조정할 수 있다. 이를 통해 최적의 공정을 설계하고 견적을 즉시 확인할 수 있어 시간과 비용을 절감할 수 있다. 지금 바로 IVWorks의 Regrowth 기술을 경험해보자.

Soo-Jeong Choe l Marketing Assistant Manager at IVWorks

※ 본 칼럼은 기고자의 주관적인 견해로, 아이브이웍스 공식 입장과 다를 수 있습니다.