[렛유인 KDC 교육] 반도체 공정설비 데이터분석 2차시 : 팹(Fab) 안팎에서 쏟아지는 데이터의 종류

1. 들어가며 : 무엇을 분석할 것인가?

지난 1일차 교육에서는 AI 시대에 왜 엔지니어에게 데이터 역량이 필요한지, 그리고 'DIKW 피라미드'를 통해 데이터를 어떻게 바라봐야 하는지 학습했습니다. 그렇다면 실제 반도체 공장(Fab)에서는 구체적으로 어떤 데이터들이 생성되고 있는지 배웠습니다.

2일차 과정에서는 팹 안팎에서 쏟아지는 방대한 데이터의 종류를 분류하고 그 특징을 알아보았습니다. 현장의 데이터는 그 종류가 너무나 다양하고 방대하기 때문에, 개별 데이터를 따로 보는 것이 아니라 이를 한데 모아 분석하는 Integration 기술이 핵심 역량으로 꼽힙니다.

2. 설비 데이터 (Equipment & FDC)

가장 기본이 되면서도 압도적인 데이터 양을 자랑하는 것이 바로 설비 데이터입니다.

• FDC (Fault Detection and Classification): 장비에 부착된 센서들로부터 실시간으로 수집되는 데이터로, 이를 바탕으로 데이터베이스를 형성합니다.
• 하지만 여기에서 생성되는 데이터의 양이 너무 많아 모든 데이터를 전부 저장하고 관리하기는 어렵습니다. 만약 이 모든 데이터를 분석할 역량이 된다면 공정에서 생기는 여러 문제들을 더 효율적으로 처리할 수 있을지도 모를 일입니다. 다만 현실적으로 모두 핸들링하기 어렵기에 버려지는 데이터가 많습니다.
• 주로 실시간 이상 감지(Interlock)에 활용되며, 데이터를 가공하여 수율 및 불량과의 상관성을 분석하는 기초 자료로 쓰입니다.

3. 소자 및 계측 데이터 (Metrology & Device)

웨이퍼가 의도한 대로 만들어지고 있는지 확인하는 품질 및 특성 데이터입니다. 제가 한국 반도체 교육원에 가서 봤던 장비들이 만들어내는 데이터들입니다.

https://semi-note.tistory.com/8

[반도체 실습] 한국 반도체 교육원(KSTI) 반도체 기초분석 실무 후기

 

• In-FAB (비파괴 검사): 팹 내부에서 웨이퍼를 파괴하지 않고 측정합니다. Ellipsometer나 XRF를 통한 구조와 두께 측정, SEM을 통한 패턴의 폭/사이즈/거리 측정, 이온(Ion) 농도 데이터 등이 포함됩니다. 다만 KSTI에 가서 교육들었던 바로는 몇몇개의 장비는 비파괴임에도 미세하게 칩에 손상이 간다고 합니다.
• Out-FAB (파괴 검사): 정밀 분석을 위해 웨이퍼를 직접 잘라서 확인합니다. TEM이나 Vertical-SEM을 통한 단면 이미지 정보, ICP-MS 및 TXRF를 통한 극미량 이온 농도 정보 등을 확인합니다.
• 전기적 특성: 완성된 칩의 저항(Rs, Rc), 항복 전압(Break-Voltage), 커패시턴스(Cap) 같은 기본 특성부터 문턱 전압(Vth), 누설 전류(Leakage current), 대기 상태(Standby) 불량 특성, 그리고 최종 수율과 신뢰성까지 아우르는 데이터입니다. 반도체소자 전공수업을 들을 때 배웠던 여러 특성이 등장하여 반가웠습니다.

4. 설계, 소재 및 운영 데이터 (Design, Material, Operation)

설비와 소자 외에도 수많은 주변 변수들이 공정에 영향을 미칩니다.

• 설계(Design) 데이터: 개별 Photomask의 Layout, 칩 전체 도면, Design Rule, OPC 등의 정보입니다.
• 소재(Material) 데이터: 초기 실리콘 웨이퍼의 스펙(Dopant, 저항률, 두께, 방향성 등)은 물론, 각 공정에 투입되는 Dry etch gas, PR(Photoresist), Wet etch chemical, CMP Slurry, 증착(Deposition) 가스 등의 정보가 포함됩니다.
• 기타 운영 데이터: 파티클(Particle)이나 잔여물(Residue) 이력, 설비 시간 및 공정 변경 이력, TAT(Turn Around Time) 및 가동률 같은 생산 운영 정보, 그리고 소모품 교체 및 유지보수 이력까지 모두 중요한 분석 대상이 됩니다.

 

5. Insight 

이번 2일차 교육을 통해 FAB 안에서 발생하는 데이터의 종류가 상상을 초월할 정도로 다양하다는 것을 새삼 느꼈습니다.

결국 훌륭한 엔지니어가 되기 위해서는 단순히 데이터를 볼 줄 아는 것을 넘어야 합니다. 예를 들어 "오늘 투입된 특정 가스(소재)가 측정된 박막 두께(In-FAB)와 최종 누설 전류(전기적 특성)에 어떤 영향을 미쳤는가?"를 입체적으로 꿰뚫어 볼 수 있어야 합니다.

이렇게 서로 다른 데이터를 하나로 묶어 유의미한 상관성을 밝혀내는 Data Integration 역량이 앞으로의 공정 엔지니어링에서 가장 강력한 무기가 될 것임을 확신하게 되었습니다.