KR20230125401A - 말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템 - Google Patents

Abstract

본 발명에 따른 말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템은 반도체 장비에서 생성된 장비 데이터를 상기 반도체 장비로부터 수신하고, 네트워크를 통해 다른 장치로 상기 장비 데이터를 전송하는 말단 디바이스(Edge Device); 상기 네트워크를 통해 반도체 제조 공정을 전체적으로 관리하는 제조 관리 시스템; 및 상기 말단 디바이스로부터 상기 장비 데이터를 수신하고, 상기 장비 데이터를 이용한 말단 학습 모델을 생성하고, 생성된 말단 학습 모델을 상기 네트워크를 통해 상기 말단 디바이스로 전송하는 지속학습서버(Continual Learning Server)를 포함하는 것을 특징으로 한다.

Description

말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템{Semiconductor manufacturing system using construction of artificial intelligence for edge devices}

본 발명은 수 많은 종류의 장비들이 복합적으로 연계되어 운용되는 반도체 제조 라인에서, 전체 공정 진행이나 생산 현황을 효율적으로 관리하기 위한 반도체 제조라인의 인공지능 시스템에 관한 것이다.

기존의 반도체 팹(제조 라인)에서는 장비 단에서 인공지능을 적용하기 보다는, 상위 단의 팹 차원의 자동화 솔루션에서 인공지능을 이용한 공정개선이나 생산성 향상을 시도하고 있다. 이러한 현상의 이유로는, 먼저 팹 차원의 데이터를 인공지능으로 학습하기에도 아직은 시스템적으로 버거운 측면이 있고, 또한 다양한 종류의 장비에서 서로 다른 형식과 성격, 의미의 데이터들이 쏟아짐으로 인해서 팹 차원의 인공지능 시스템이 그러한 다양성에 일일이 대응하기가 현실적으로 어려운 여건이 존재하기 때문이다. 또한, 반도체 장비는 같은 종류의 장비라고 하더라도 민감한 반도체 공정의 특성 상, 다른 공정이나 레이어(Layer)에 적용될 경우 또는 장비의 부품이 교체되는 등의 변동상황에 따라 장비 특성이 변하므로, 장비 제조회사(Maker)의 생산단계에서 일괄적으로 학습된 인공지능 모델을, 설치/운용단계에서 계속해서 사용하기가 어려운 측면이 있다.

또한, 엄격한 보안지침이 적용되고 있는 첨단 반도체 산업의 특성상, 모든 공정데이터를 포함하고 있는 팹 내 장비의 운용데이터를 외부로 반출하여 추가적인 인공지능 학습을 진행하기가 현실적으로 어려운 상황이다.

본 발명은 반도체 제조 공정의 각 장비 단에서 말단 인공지능(Edge AI) 시스템을 적용할 수 있게 하여, 장비는 인공지능 기능을 쉽게 탑재하게 하고, 상위의 자동화 솔루션은 복잡하고 다양한 말단 장비 수준에 대한 고려없이 전체 팹 차원의 인공지능 솔루션을 효과적으로 적용할 수 있도록 하는 말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템에 관한 것이다.

상기 과제를 해결하기 위한 본 발명에 따른 말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템은 반도체 장비에서 생성된 장비 데이터를 상기 반도체 장비로부터 수신하고, 네트워크를 통해 다른 장치로 상기 장비 데이터를 전송하는 말단 디바이스(Edge Device); 상기 네트워크를 통해 반도체 제조 공정을 전체적으로 관리하는 제조 관리 시스템; 및 상기 말단 디바이스로부터 상기 장비 데이터를 수신하고, 상기 장비 데이터를 이용한 말단 학습 모델을 생성하고, 생성된 말단 학습 모델을 상기 네트워크를 통해 상기 말단 디바이스로 전송하는 지속학습서버(Continual Learning Server)를 포함하는 것을 특징으로 한다.

상기 말단 디바이스는, 상기 장비 데이터를 상기 말단 학습 모델에 적용한 추론 결과값을 생성하고, 상기 생성된 추론 결과값을 상기 제조 관리 시스템 및 상기 반도체 장비 중 적어도 어느 하나로 전송하는 것을 특징으로 한다.

상기 지속학습서버는 지속적으로 상기 말단 학습 모델을 상기 말단 디바이스로 전송하고, 상기 말단 디바이스는 이전에 저장되어 사용된 기존 말단 학습모델과 상기 지속학습서버로부터 새롭게 제공된 신규 말단 학습모델 각각을 이용하여 추론 결과값을 각각 생성하고, 상기 기존 말단 학습모델에 따른 추론 결과값과 상기 신규 말단 학습모델에 의한 추론 결과값을 비교하여, 상기 기존 말단 학습모델과 상기 신규 말단 학습모델 중 보다 우수한 추론 결과를 도출하는 학습모델의 사용을 결정하는 것을 특징으로 한다.

상기 말단 디바이스는, 상기 장비 데이터에서 양호상태와 불량상태를 판단하기 위한 목표데이터, 목표값 및 제어영역을 설정하고, 상기 목표데이터에 따른 상기 목표값을 추론하기 위한 관련 데이터를 설정하는 것을 특징으로 한다.

본 발명에 따르면, 반도체 제조라는 특수한 환경에서, 다양한 반도체 공정이나 레이어(Layer)에 따른 장비운용 조건의 변경 또는 장비의 부품 교체에 따른 장비 특성의 변화에 맞춰서 지속적으로 인공지능 학습을 진행하여 새로운 모델을 적용할 수 있도록 한다.

또한, 엄격한 보안지침에 저촉됨이 없게 공정데이터의 외부 반출없이 팹 내에서 지속학습을 가능하게 한다.

또한, 장비 시스템의 변화없이 장비 단의 인공지능 기능을 구현하고 팹 자동화 시스템으로 장비단의 인공지능 결과를 공급하는 말단인공지능(Edge AI) 기능을 구현하여 팹 차원의 인공지능 시스템을 효과적으로 구현하게 한다.

도 1은 본 발명에 따른 말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템을 설명하기 위한 일 실시예의 구성 블록도이다.
도 2는 도 1에 도시된 반도체 제조 시스템의 구성 블록 사이의 정보 송수신과 관련한 개념도이다.
도 3은 단말 디바이스와 지속학습서버 사이에 교환하는 정보를 예시하는 참조도이다.
도 4는 목표데이터(Target Data)와 목표값(Target Value) 및 제어영역(Control Range)을 설명하기 위한 참조도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.　

본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.　

본 명세서에서 사용된 용어는 특정 실시예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용된 바와 같이, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.　

본 발명은, 수 많은 종류의 장비들이 복합적으로 연계되어 운용되는 반도체 팹에서, 전체 공정 진행이나 생산 현황을 효율적으로 관리하기 위한 팹 차원의 인공지능 시스템을 수월하게 구축할 수 있도록, 각 장비 단에서 말단 인공지능(Edge AI) 시스템을 구축하고 상위 단의 팹 관리 시스템이나 장비로 분석 결과를 공급하는 시스템에 관한 것이다.

또한, 다양한 첨단 미세공정으로 인해서, 미리 학습하여 고정된 장비의 인공지능 모델로 반도체 팹의 다양한 공정과 장비운용 상황에 대응하기 어려운 실정과, 엄격한 보안지침으로 인해서 팹에서 생성된 장비데이터를 외부로 반출하여 추가 인공지능 학습을 진행하기 어려운 현실적인 난관을 극복하고 지속적인 인공지능 학습을 진행하여 변화하는 상황에 장비가 대처할 수 있도록 하기 위한 것이다.

이와 같은 말단 인공지능(Edge AI) 시스템을 통하여, 반도체 제조회사는 장비 단의 다양한 구성이나 데이터 타입과 종류에 구애받지 않고 팹 차원의 관리 솔루션을 수월하게 구축할 수 있으며, 장비회사는 장비 컨트롤러의 변경이나 인공지능 분석을 위한 장비 제어프로그램의 변경없이 반도체 제조회사의 인공지능 기능 요구에 수월하게 대응할 수 있다.

본 발명은 각 장비 단에 말단 인공지능(Edge AI)을 적용하기 위한 말단 디바이스(Edge Device)를 적용하여, 장비데이터 수신 및 탑재된 인공지능 모델로 추론을 하며 상위 팹 자동화 시스템(Fab Automation System)이나 장비로 추론 결과를 공급하게 하고, 말단 디바이스(Edge Device)로부터 공급되는 장비데이터로 지속적인 학습을 하여 새로 학습된 인공지능 모델을 다시 말단 디바이스(Edge Device)로 내려보내기 위한 지속학습서버(Continual Learning Server)를 구현한다.

말단 디바이스(Edge Device) 내부에서는 기존의 인공지능 모델과 새로 업데이트된 모델의 추론 결과를 비교하여 새로 업데이트된 모델의 결과가 우수할 경우, 기존 모델을 새로운 모델로 업그레이드하는 기능이 구현된다.

말단 디바이스(Edge Device)에서는 지속학습을 수행하기 위한 목표데이터(Target Data)와 목표값(Target Value) 및 제어영역(Control Range)를 선정하는 기능과, 목표데이터의 값을 추론하기 위한 관련데이터(Related Data)들을 선정하는 기능이 구현된다. 목표값과 제어영역은 서로 다른 공정 간에 다른 값을 가질 수 있다.

이하, 본 발명의 구성을 바람직한 실시 예를 들어 첨부된 도면을 참고로 상세히 설명한다.

도 1은 본 발명에 따른 말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템(100)(이하, 반도체 제조 시스템이라 칭함)을 설명하기 위한 일 실시예의 구성 블록도이다. 도 2는 도 1에 도시된 반도체 제조 시스템(100)의 구성 블록 사이의 정보 송수신과 관련한 개념도이다.

도 1을 참조하면, 말단 디바이스의 인공지능 구축을 이용한 반도체 제조 시스템(100)은 말단 디바이스(Edge Device)(110), 제조 관리 시스템(120) 및 지속학습서버(Continual Learning Server)(130)을 포함한다.

말단 디바이스(110)는 반도체 장비에서 생성된 장비 데이터를 상기 반도체 장비로부터 수신하고, 네트워크를 통해 다른 장치로 상기 장비 데이터를 전송한다. 여기서, 다른 장치는 제조 관리 시스템(120) 및 지속학습서버(1390)를 포함할 수 있다.

말단 디바이스(110)는 상기 장비 데이터를 상기 말단 학습 모델에 적용한 추론 결과값을 생성하고, 상기 생성된 추론 결과값을 상기 제조 관리 시스템(120) 및 상기 반도체 장비 중 적어도 어느 하나로 전송할 수 있다.

말단 디바이스(110)는 장비데이터를 수신한다. 데이터는 장비로부터 직접 수신할 수도 있고, 장비가 데이터를 제조 관리 시스템(120)으로 공급하는 팹 네트워크를 통해서 수신할 수도 있다. 말단 디바이스(110)는 수신된 데이터를 인공지능 모델을 통해서 추론하여 결과값을 제조 관리 시스템(120)(예를 들어, 팹 자동화 시스템(Fab Automation System))이나 장비로 공급한다. 말단 디바이스(110)는 수신된 데이터를 버퍼(buffer)에 축적하여 정해진 주기로, 예를 들어 일별, 지속학습서버(130)로 공급한다.

제조 관리 시스템(120)은 상기 네트워크를 통해 반도체 제조 공정을 전체적으로 관리한다.

지속학습서버(130)는 말단 디바이스(110)로부터 상기 장비 데이터를 수신하고, 상기 장비 데이터를 이용한 말단 학습 모델을 생성하고, 생성된 말단 학습 모델을 상기 네트워크를 통해 상기 말단 디바이스(110)로 전송한다.

지속학습서버(130)는 지속적으로 상기 말단 학습 모델을 상기 말단 디바이스(110)로 전송한다.

이에 따라, 상기 말단 디바이스(110)는 이전에 저장되어 사용된 기존 말단 학습모델과 상기 지속학습서버(130)로부터 새롭게 제공된 신규 말단 학습모델 각각을 이용하여 추론 결과값을 각각 생성하고, 상기 기존 말단 학습모델에 따른 추론 결과값과 상기 신규 말단 학습모델에 의한 추론 결과값을 비교하여, 상기 기존 말단 학습모델과 상기 신규 말단 학습모델 중 보다 우수한 추론 결과를 도출하는 학습모델의 사용을 결정한다.

말단 디바이스(110)는 상기 장비 데이터에서 양호상태와 불량상태를 판단하기 위한 목표데이터, 목표값 및 제어영역을 설정하고, 상기 목표데이터에 따른 상기 목표값을 추론하기 위한 관련 데이터를 설정할 수 있다.

도 3은 단말 디바이스(110)와 지속학습서버(130) 사이에 교환하는 정보를 예시하는 참조도이다.

지속학습서버(130)는 새로 공급된 데이터를 학습하여 업데이트된 모델을 생성하고, 새로운 모델을 말단 디바이스(110)로 전송한다. 말단 디바이스(110)는 기존 모델과 병행하여 업데이트된 모델로도 추론을 진행한다. 다만, 업그레이드된 모델로 추론된 결과는 제조 관리 시스템(120)이나 장비로 공급되지 않고, 기존 모델의 결과값과 비교하는 용도로만 사용된다.

말단 디바이스(110)는 기존 모델로 산출된 결과와 업데이트된 모델로 산출된 결과를 비교하여, 업데이트된 모델의 결과가 더 우수할 경우, 업데이트된 모델로 기존 모델을 업그레이드 한다.

말단 디바이스(110)는 공급되는 장비데이터에서, 양호상태와 불량상태를 판단(Labeling)하기 위한 목표데이터(Target Data)와 목표값(Target Value) 및 제어영역(Control Range)을 선정하는 기능과, 목표데이터의 값을 추론하기 위한 관련데이터(Related Data)들을 선정하는 기능이 구현된다.

도 4는 목표데이터(Target Data)와 목표값(Target Value) 및 제어영역(Control Range)을 설명하기 위한 참조도이다.

예를 들어서, 레이저장비를 가정한다면, 레이저 출력파워 데이터가 목표데이터(Target Data)가 되고, 정상 출력값이 10[w]에 정상영역이 9.9[w] ~ 10.1[w]라고 한다면, 목표값(Target Value)은 10[w]에 제어영역(Control Range)은 9.9[w] ~ 10.1[w]가 된다.

목표데이터의 값을 추론하기 위한 관련데이터(Related Data)들은, 레이저 출력을 위한 장비내부의 전압, 전류, 압력, 회전수 등과 같은 센서값들이 된다.

지속학습서버(Continual Learning Server)는 목표값이 제어영역 이내일 때의 관련데이터를 양호상태의 데이터로 학습하고, 제어영역을 벗어났을 때의 관련데이터를 불량상태의 데이터로 학습하게 된다.

목표값과 제어영역은 반도체 공정에 따라 다른 값을 가질 수도 있다. 예를 들어서, A 공정에서는 레이저 출력값 10[W]를 사용하고, B 공정에서는 9[W]를 사용할 수 있으므로, 공정 별로 설정된 목표값과 제어영역을 이용하여 학습을 진행한다. 양호상태와 불량상태를 판단(Labeling)하기 위한 방법은 목표값과 제어영역 외에도 다양한 방법론을 적용할 수 있다.

이와 같이, 본 발명은 반도체 팹이라는 특수한 환경에서, 다양한 반도체 공정이나 레이어(Layer)에 따른 장비운용 조건의 변경 또는 장비의 부품 교체에 따른 장비 특성의 변화에 맞춰서 지속적으로 인공지능 학습을 진행하여 새로운 모델을 적용할 수 있게 하고, 엄격한 보안지침에 저촉됨이 없게 공정데이터의 외부 반출없이 팹 내에서 지속학습을 가능하게 한다. 또한, 장비 시스템의 변화없이 장비 단의 인공지능 기능을 구현하고 팹 자동화 시스템으로 장비단의 인공지능 결과를 공급하는 말단인공지능(Edge AI) 기능을 구현하여 팹 차원의 인공지능 시스템을 효과적으로 구현할 수 있다.

이제까지 본 발명에 대하여 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허청구범위에 기재된 내용 및 그와 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

100: 반도체 제조 시스템
110: 말단 디바이스
120: 제조 관리 시스템
130: 지속학습서버

Claims (4)

1. 반도체 장비에서 생성된 장비 데이터를 상기 반도체 장비로부터 수신하고, 네트워크를 통해 다른 장치로 상기 장비 데이터를 전송하는 말단 디바이스(Edge Device);
   상기 네트워크를 통해 반도체 제조 공정을 전체적으로 관리하는 제조 관리 시스템; 및
   상기 말단 디바이스로부터 상기 장비 데이터를 수신하고, 상기 장비 데이터를 이용한 말단 학습 모델을 생성하고, 생성된 말단 학습 모델을 상기 네트워크를 통해 상기 말단 디바이스로 전송하는 지속학습서버(Continual Learning Server)를 포함하는 것을 특징으로 하는 말단 디바이스의 인공지능 구축을 이용한 반도제 제조 시스템.
2. 청구항 1에 있어서,
   상기 말단 디바이스는,
   상기 장비 데이터를 상기 말단 학습 모델에 적용한 추론 결과값을 생성하고, 상기 생성된 추론 결과값을 상기 제조 관리 시스템 및 상기 반도체 장비 중 적어도 어느 하나로 전송하는 것을 특징으로 하는 말단 디바이스의 인공지능 구축을 이용한 반도제 제조 시스템.
3. 청구항 1에 있어서,
   상기 지속학습서버는 지속적으로 상기 말단 학습 모델을 상기 말단 디바이스로 전송하고,
   상기 말단 디바이스는 이전에 저장되어 사용된 기존 말단 학습모델과 상기 지속학습서버로부터 새롭게 제공된 신규 말단 학습모델 각각을 이용하여 추론 결과값을 각각 생성하고, 상기 기존 말단 학습모델에 따른 추론 결과값과 상기 신규 말단 학습모델에 의한 추론 결과값을 비교하여, 상기 기존 말단 학습모델과 상기 신규 말단 학습모델 중 보다 우수한 추론 결과를 도출하는 학습모델의 사용을 결정하는 것을 특징으로 하는 말단 디바이스의 인공지능 구축을 이용한 반도제 제조 시스템.
4. 청구항 1에 있어서,
   상기 말단 디바이스는,
   상기 장비 데이터에서 양호상태와 불량상태를 판단하기 위한 목표데이터, 목표값 및 제어영역을 설정하고, 상기 목표데이터에 따른 상기 목표값을 추론하기 위한 관련 데이터를 설정하는 것을 특징으로 하는 말단 디바이스의 인공지능 구축을 이용한 반도제 제조 시스템.