Series 2. 영상분석을 위한 머신러닝 ‘임베딩(embedding)’

아이브이웍스는 에피텍시 기술에 인공지능(AI)을 접목시켜 차별화된 고품질 에피웨이퍼 파운드리 서비스를 제공합니다. 본 연재에서는 반도체 제조와 AI 시리즈를 데이터, 모델, 플랫폼으로 나눠 각 세편에 걸쳐 발행합니다. DOMM AI Epitaxy System 연구에 직접 참여 중인 연구원 시각에서 전하는 화합물 반도체 제조는 어떤 모습일까요.

지난 모델 탐구 칼럼에서는 이미지 분석에 관하여 살펴보았습니다. 이미지 분석의 최신 알고리즘은 끊임없이 발표되고 있고 성능 또한 개선됨으로 인해 인간의 눈으로 분류하는 수준보다 더 높은 성능에까지 이르렀습니다. 그러나 동영상 분석 모델은 이미지 분석 모델에 비해 성능이 다소 떨어집니다. 첫째, 훈련시킬 데이터의 양이 이미지에 비해 방대하지 않습니다. 둘째, 훈련시키는데 많은 자원이 듭니다. 셋째, 시간의 흐름이나 행동의 흐름을 인식하게 하는 것이 어렵습니다.

하지만 최근에 발표된 알고리즘은 좋은 성능을 이끌어냈는데, 현재 sota^*의 성능으로는 CVPR 2020 AVA-Kinetics Challenge에서 홍콩대학교가 발표한 ACAR Net입니다. 이 알고리즘은 Facebook AI Research(FAIR)에서 만든 SlowFast 모델을 backbone으로 사용하여 좀 더 개선시킨 모델입니다. SlowFast 모델 역시 CVPR 2019 AVA challenge Action 분야에서 1등을 차지한 바 있습니다.

*State-of-the-art의 약자로 '현재 최고 수준'을 의미한다.

SlowFast Network

SlowFast Network에서는 사람의 시각과 비슷한 방법으로 행동을 인식하도록 설계되었습니다. 윗부분을 slow pathway, 아랫부분을 fast pathway라고 합니다. 동일한 시간에서 slow pathway는 frame 간격을 두고 학습시키고 fast pathway는 실시간 흐름을 학습시킵니다. 그렇게 되면 slow pathway는 느리게 변화하는 정보(색깔, 질감, 빛 등)를 인식하게 되고 fast pathway는 빠르게 변화하는 사람의 행동을 인식하게 됩니다.

그러나 영상인식(video recognition)의 알고리즘들은 주로 Kinetics의 데이터 (Deepmind에서 제공하는 데이터로 최대 650,000개 비디오 클립의 대규모 고품질 데이터로 사람의 행동이 라벨링 되어있다.)를 활용한 행동인식 모델로 제조 영상이나 오디오가 결합된 멀티 모달 데이터(Multimodel data) 등 여러 분야의 영상분석은 아직 어려운 과제입니다. 아이브이웍스 또한 영상 데이터를 어떻게 분석할지에 대한 고민이 깊었습니다. SlowFast 모델처럼 동영상 자체의 raw data를 가지고 분석을 하기보다, 영상의 의미를 잘 나타내줄 수 있는 정보가 담긴 embedding layer를 활용해야겠다는 결론에 도달하였습니다.

embedding(임베딩)이란

embedding이라는 표현을 검색해보면, ‘word embedding’이라는 개념이 먼저 나옵니다.

‘어휘의 단어나 구절이 실수 벡터에 매핑되는 자연어 처리의 언어 모델링 및 기능 학습 기술의 집합 중 하나다. 개념적으로 단어 당 많은 차원을 가진 공간에서 훨씬 더 낮은 차원을 가진 연속적인 벡터 공간으로의 수학적 임베딩을 포함한다.’ (위키백과)

이미지와 영상도 이와 같이 고차원에서 저차원으로 정보를 표현한다는 취지에서 ’embedding(임베딩)’이란 용어를 사용합니다. 지난 칼럼에서 살펴본 CNN은 filter와 pooling으로 많은 feature들을 학습합니다. 그리고 그 후에 fully connected layer를 통해 모든 feature의 정보들이 flatten된 데이터를 가지고 주로 임베딩으로 사용합니다.

실제로 구글 Google AI Perception에서 발표한 Collaborative Deep Metric Learning for Video Understading(2018)에서 유튜브의 영상을 임베딩하였습니다. 저자는 비디오 분류, 검색, 개인화된 추천 등 다양한 도메인을 다루기 위해 embedding network를 제안합니다.

샴 네트워크에서도 특징 추출기(CNN)을 활용해 두 데이터와의 거리를 통해 같은 클래스인지 아닌지를 판단하는데 ’embedding’이라는 용어를 사용했습니다. 샴 네트워크는 클래스 종류가 많고, 특정 클래스에 대한 이미지 양이 적을 때 그 클래스를 구분해내기 위해 고안된 네트워크입니다.

아이브이웍스의 영상 ’embedding’

아이브이웍스의 영상 임베딩은 어떨까요. 자사가 사용하는 데이터는 RHEED 영상입니다. RHEED 영상은 에피웨이퍼의 성장 과정을 MBE 장비를 통해 얻을 수 있습니다. 저희는 CNN이 결합된 알고리즘으로 RHEED의 패턴 변화를 효율적으로 임베딩했습니다. 또한 웨이퍼 품질 평가 지표를 예측하고자 할 때, 지표와 RHEED에서 밀접하게 관련 있는 정보를 자체 알고리즘으로 수치화시켰습니다. 그 결과 영상 딥러닝 알고리즘보다 영상 임베딩 알고리즘이 훨씬 더 우수한 성능을 보였습니다!

아이브이웍스의 모델은 영상을 임베딩한 결과만 사용하지는 않습니다. 아이브이웍스가 개발한 크리스탈 결정성 예측 모델은 Basic Model 들과 함께 결합하여 80% 이상의 성능을 이끌어냈습니다. 그리고 각각의 feature들은 설명력 있는 feature들이 되었습니다. 아이브이웍스 AI 팀은 느낀 점이 있습니다. 우수한 딥러닝 알고리즘만으로 해결할 수 있는 것은 현업에서 상당히 어려운 일이며, 그보다 중요한 것은 데이터를 이해하고 목적에 맞게 변환하여 머신러닝 모델을 접목하는 방법이 훨씬 좋은 해결책이 될 수도 있다는 점입니다.

하지만 아이브이웍스는 80%의 정확도에 머물러있지 않고 더욱더 성능을 높일 계획을 가지고 있습니다. 도메인 지식을 갖춘 자사의 우수한 반도체 소재 성장 전문가들과 인공지능 전문가들이 협력해 데이터를 한 차원 더 깊이 이해하고 그 아이디어를 통해 모델을 더욱더 탄탄하게 만들 예정입니다. 다음 칼럼에서는 아이브이웍스의 Basic model 들과 기존 모델에 어떻게 성능을 높일 수 있었는가에 대해 이야기하도록 하겠습니다.

Seul-Lam Kim l Artificial Intelligence team

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”