[렛유인 KDC 교육] 반도체 공정설비 데이터분석 1일차 : AI 시대와 반도체 산업 (DIKW 피라미드)

1. 들어가며 : 장비 설계에서 데이터 분석으로

지난 KDC 교육 과정에서 반도체 장비의 기구 설계와 배관 체결(Fitting) 같은 하드웨어(Hardware)의 디테일에 대해 배웠다면, 이번 과정부터는 반도체 산업에서 수많은 숫자를 다루는 데이터 분석에 대해 학습하게 되었습니다.

최근 반도체 공정이 나노 단위로 고도화되면서, 엔지니어에게 데이터 분석 역량은 선택이 아닌 필수가 되었습니다. 1일차 교육에서는 왜 데이터가 중요한지, 그리고 수많은 데이터를 어떻게 바라봐야 하는지에 대한 근본적인 개념을 정리했습니다.

2. AI와 반도체의 공생 관계

AI 산업의 폭발적인 성장은 필연적으로 반도체 산업의 성장을 견인하고 있습니다. 4차 산업혁명 시대에 쏟아지는 방대한 데이터를 저장하고 정제하는 핵심 도구가 바로 반도체이기 때문입니다.

AI 발전의 3대 요소는 다음과 같습니다. 그중 2개가 반도체와 연관이 있습니다.

• 알고리즘 (S/W)
• 빅데이터 (메모리 반도체)
• 컴퓨팅 파워 (시스템 반도체)

즉, 반도체 기술의 고도화가, 곧 AI의 발전으로 이어지게 형성되어 있습니다. 반도체의 발전을 예측해볼 수 있는 무어의 법칙이 AI산업에도 비슷하게 적용할 수 있을 것으로 보입니다. 아니면 무어의 법칙과 같은 법칙이 AI 산업에서 나타날지도 모르는 일입니다. 또한 더 나아가 AI 발전이 반도체의 발전으로도 이어질 수 있는 경우까지도 상상해볼 수 있을 것 같습니다.

 

3. 데이터의 계층화 : DIKW 피라미드

팹(Fab) 내부에서는 칩을 생산하면서 엄청난 양의 데이터가 쏟아집니다. 하지만 숫자를 단순히 모아두기만 한다고 답이 나오는 것은 아닙니다. 데이터가 진정한 가치를 가지려면 DIKW 피라미드의 단계를 거쳐야 합니다.

• Data (데이터): 설비에서 측정된 가공되지 않은 단순한 신호나 수치입니다. Chip을 만들면서 생산된 데이터입니다.
• Information (정보): 수집된 데이터를 카테고리별로 계층화하고 의미를 부여한 상태입니다.
• Knowledge (지식): 정보들 사이의 상관성과 인과성을 분석하여 패턴을 파악한 단계입니다.
• Insight / Wisdom (통찰과 지혜): 분석된 지식을 바탕으로 중요한 정보를 선택하고, 실제 공정 개선이나 전략을 수립(의사결정)하는 최종 단계입니다. 이 두개를 분리해서 DIKIW라고 부르는 경우도 있고 통합하여 DIKW로 부르는 경우도 있습니다. 수업에서는 DIKIW로 다뤘습니다.

DIKW 피라미드

 

적절하지 못한 데이터를 근거로 잘못된 의사결정을 내린다면 공정 전체에 치명적인 결과를 낳을 수 있으므로, 데이터를 제대로 정제하는 것이 무엇보다 중요합니다.

 

4. 엔지니어의 시각 변화 : 인과관계 vs 상관관계

과거의 반도체 엔지니어는 주로 전공 지식(Domain Knowledge)에 기반하여 문제를 해결했습니다. "A를 하니 B 현상이 발생했다"는 명확한 인과관계(Causation)를 추적하는 방식이었습니다.

 

하지만 공정이 극도로 미세화되면서, 기존 지식만으로는 인과성이 모호한 문제들이 빈번하게 발생하고 있습니다. 이때 필요한 것이 데이터 분석을 통한 상관관계(Correlation) 파악입니다. 원인은 정확히 모르더라도, 수많은 변수 간의 통계적 상관성을 분석하여 "C 수치가 흔들릴 때 불량률이 높아진다"는 핵심 인자를 추출해 내는 것입니다.

 

다만 특히 반도체 장비의 경우 뿜어내는 데이터의 수가 너무나 많기 때문에 사용하지 못하고 버리는 데이터도 많습니다. 이에 대한 자세한 내용은 2차시에서 다루도록 하겠습니다.

 

데이터분석에서 인과관계와 상관관,

 

 

5. Insight : 왼손엔 렌치를 오른손엔  파이썬을 쥐어야 할 때

이번 교육을 통해 반도체 공정 엔지니어의 역할이 어떻게 진화하고 있는지 명확히 알 수 있었습니다.

과거의 엔지니어가 렌치를 들고 장비의 하드웨어적 메커니즘을 튜닝하는 데 집중했다면, (물론 하드웨어는 계속해서 중요하겠지만) 미래의 엔지니어는 모니터 앞에서 장비가 뱉어내는 데이터를 해석하여 공정의 숨은 맥락도 찾아낼 수 있어야 합니다. 결국 수많은 인자들 사이에서 유의미한 상관관계를 찾아 수율을 끌어올리는 것, 그것이 현장에서 요구하는 진짜 역량임을 깨달았습니다.

다음 포스팅에서는 실제로 팹 안팎에서 어떤 종류의 데이터들이 쏟아져 나오는지 정리해 보겠습니다.