Series 1. 옹스트롱 단위를 나타내는 이미지 데이터

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.

하나의 반도체 제품이 나오려면 수많은 반도체 제조공정이 수반됩니다. 단위 제품 출시를 위해서는 모기판(mother substrate)에 에피텍시(epitaxy), 에칭(etching), 불순물 주입, 식각, 광 노광 등 제품 목적에 맞는 공정 과정을 선택합니다. 공정 과정이 끝나면, 외부 환경에 반도체를 보호하기 위 한 패키지(package) 단계를 거쳐 최종적으로 제품이 출시됩니다. 이렇게 만들어진 반도체 부품들은 5G 이동통신, 군사용 레이더, 전기차(EV), IoT 등 다양한 분야에 널리 사용되고 있습니다.

하나의 반도체 제품이 나오려면 수많은 반도체 제조공정이 수반됩니다. 단위 제품 출시를 위해서는 모기판(mother substrate)에 에피텍시(Epitaxy), 에칭(Etching), 불순물 주입, 식각, 광 노광 등 제품 목적에 맞는 공정 과정을 선택합니다. 공정 과정이 끝나면, 외부 환경에 반도체를 보호하기 위한 패키지(Package) 단계를 거쳐 최종적으로 제품이 출시됩니다. 이렇게 만들어진 반도체 부품들은 5G 이동통신, 군사용 레이더, 전기차(EV), IoT 등 다양한 분야에 널리 사용되고 있습니다.

각 반도체 제조 분야는 기존보다 양질의 반도체 구조 개발에 앞장서고자, ‘단순 자동화’를 넘어 ‘AI 팩토리’를 구현하는 추세입니다. ‘AI 팩토리’를 실현하기 위해서는 ‘비전 데이터’, ‘IoT’가 결합된 각종 센싱 데이터(온도, 제어 가스의 양, 기계적 움직임 등)의 전송, 관리 및 적용이 필수적으로 수반되어야 합니다.

아이브이웍스(IVWorks)는 이에 앞서서, 세계 최초로 에피웨이퍼(Epiwafer) 생산에 AI 기술을 접목시킨 AI 에피텍시 플랫폼 DOMM™을 자체 개발했습니다. 아이브이웍스는 DOMM™과 같은 고도화된 자동화 시스템으로 차별화된 에피웨이퍼 파운드리 서비스를 제공 중입니다. 본 연재에서는 자사 에피텍시 시스템에서 획득하는 이미지 데이터를 비롯하여, 반도체 제조 공정에서 AI를 활용하기 위한 이미지 데이터에 대해서도 알아봅니다.

반도체 제조 기업들의 딥-러닝 이미지 분석 활용 사례는?

현재, 반도체 제조 기업들은 이미지를 딥-러닝(Deep-learning) 학습시켜, 사람이 찾기 어려운 수준의 불량 검출률을 높이는 사례가 널리 적용되고 있습니다. 미국의 ‘VisionPro’ 검사 장비는 15㎛까지의 웨이퍼 결함을 검출할 수 있으며, ‘Cognex’는 태양광 패널 검사 등 각종 기계부품 오류사항 검출에 사용되고 있습니다. 말레이시아 ‘TT Vision’의 Ball Grid Array(BGA) 비전 검사 시스템의 경우, 0.2mm 볼에 대하여 17㎛의 정확도를 가지며 검사 소요 시간은 180㎳ 이내로 매우 빠릅니다. 하지만, 위 사례와 같이 반도체 제조 분야에서 이미지를 활용한 딥-러닝 분석은 반도체 후 공정에 국한되어 있습니다.

옹스트롱 단위 수준의 비전 데이터 분석 작업이 필수적인 화합물 반도체 제조 분야

화합물 반도체 제조는 생산과정에서 수많은 물리적, 화학적 변화가 일어납니다. 그래서, 반드시 이를 실시간으로 관측하고 제어해 줘야 합니다. 제어 시에는 필요한 파라미터들이 많아서, 전문 인력의 숙련도에 따라 제품의 양품 생산 의존도가 매우 높습니다.

AI는 전문 인력의 경험과 직관에 의한 의사결정 한계를 극복하고, 데이터 기반 의사결정을 통한 양질의 반도체 구조 개발에 목적을 둡니다. 효과적인 인공지능 모델 적용을 위해서는 고품질 데이터가 필수인데, 아이브이웍스는 화합물 반도체 소자를 제조하는 과정에서 고품질 이미지 데이터가 확보됩니다.

실시간 이미지 분석이 가능한 ‘RHEED(Reflection High-Energy Electron Diffraction)’는 생산 공정 중 전자 빔을 기판(시료) 표면에 입사하여 형광 스크린에 나타나는 패턴을 의미합니다. 반사(Reflection)와 회절(Diffraction) 특성을 이용하여 화합물 반도체들 사이에서 격자상수의 변화 [GaN(a=3.189 Å), AlN(a=3.112 Å), InN (a=3.544 Å)], 즉 서브-옹스트롱(sub-angstrom, 10^-10 m 이하) 단위^[1]의 변화가 형광 스크린에 나타나고 이 데이터를 관측/수집합니다.

화합물 반도체 소자의 구조는 기본적으로 이종 구조(hetero-structure)입니다. 물리적, 화학적 특성이 서로 다른 물질들이 적층 되는 과정에서 발생되는 격자와 열팽창계수의 변화 정도를 얼마나 정밀하게 제어하느냐에 따라, 화합물 반도체 소자의 품질 (결정성, 웨이퍼 휘어짐 등)과 성능(고속 전자이동도 트랜지스터에서 전자이동도 등)에 영향을 미칩니다.

이러한 변화의 정도는 앞서 언급한 서브-옹스트롱 단위의 변화를 관측해야만 조절이 가능합니다. 격자 상수뿐 아니라 생산 조건에 따른 다양한 패턴의 변화를 관측할 수 있으며 DOMM™은 이러한 이미지 정보들을 학습, 예측하여 생산공정에 적용합니다.

인공지능 이미지 데이터는 가장 효과적으로 학습, 활용할 수 있는 고차원의 데이터이며 다양한 제조업 분야에서 활용도가 높습니다. 하지만 모든 제조공정에서 고품질의 데이터가 확보되는 것은 아닙니다. 이에 비추어 보았을 때, 아이브이웍스는 인공지능을 활용할 수 있는 최적의 제조공정을 갖고 있으며 향후 인공지능 제조 기술의 핵심 분야를 개척해 나갈 것이라 생각됩니다.

[1] 길이 단위 : 밀리미터(mm, 10-3 m), 마이크로미터(μm, 10-6 m), 나노미터(nm, 10-9 m), 옹스트롱(Å, 10-10 m)

Byung-Guon Park / Artificial Intelligence team