이 연구 주제는 반도체 제조 공정에서 핵심적인 역할을 수행하는 자동화 테스트 장비(ATE)의 성능, 신뢰성, 유지보수 효율을 높이기 위한 기술 개발에 초점을 둔다. 반도체 소자의 고속화와 고집적화가 진행될수록 테스트 장비의 전송 채널, 드라이버 보드, 인터페이스 부품에서 발생하는 열화와 신호 왜곡이 전체 검사 품질을 좌우하게 된다. 연구실은 이러한 문제를 단순한 고장 대응이 아니라 사전 진단과 예측 중심의 체계로 전환하고자 하며, 테스트 비용 절감과 생산 수율 향상이라는 산업적 요구를 동시에 해결하는 방향으로 연구를 수행하고 있다. 구체적으로는 열화된 부품이 신호 무결성에 미치는 영향을 분석하기 위해 전자기 시뮬레이션, S-파라미터 기반 모델링, 가속수명시험(ALT), 누적열화시간(CDT) 개념 등을 활용한다. 또한 실제 산업 현장에서 확보하기 어려운 희소 데이터를 보완하기 위해 생성형 AI와 딥러닝 기반 데이터 증강 기법을 적용하고, CNN 기반 고장 부품 분류, 이상 탐지, 수명 예측 모델을 구축한다. 이를 통해 ATE 채널 내부에서 어떤 부품이 성능 저하를 유발하는지 자동으로 식별하고, 임계 열화 상태에 도달하기 전에 유지보수를 수행할 수 있는 예지보전 프레임워크를 제안한다. 이 연구의 의의는 반도체 테스트를 단순한 검사 공정이 아니라 데이터 기반 지능형 운영 시스템으로 고도화한다는 데 있다. 장비 고장으로 인한 다운타임을 줄이고, 불필요한 부품 교체를 최소화하며, 검사 정확도와 생산 라인의 안정성을 동시에 확보할 수 있다. 향후에는 비전 검사 장비, 웨이퍼 검사 장비, 다중 센서 기반 장비 상태 모니터링으로 연구 범위를 확장하여 반도체 후공정 전반의 스마트 테스트 인프라 구축에 기여할 수 있을 것으로 기대된다.

이 연구 주제는 반도체 소자와 테스트 시스템, 고속 인터커넥트 환경에서 요구되는 신호 무결성 확보를 위한 회로 및 구조 설계 기술을 다룬다. 최근 반도체 시스템은 높은 데이터 전송 속도와 대역폭을 요구하고 있으며, 이에 따라 PCB, 패키지, 인터포저, TSV, 본딩 구조 등에서 발생하는 손실과 반사, 지터, 왜곡 문제가 더욱 중요해지고 있다. 연구실은 고속 신호 전달 과정에서 발생하는 전기적 손실을 정량적으로 분석하고, 비용 효율성과 성능 개선을 함께 만족하는 구조를 제안하는 데 집중하고 있다. 대표적으로 저손실 유전체를 선택적으로 적용한 하이브리드 평면 PCB 구조를 통해 기존 FR-4 기반 기판 대비 향상된 전기적 특성과 신호 품질을 확보하는 연구를 수행하고 있다. Ansys 기반 전자기 해석, S-파라미터 추출, 아이 다이어그램 분석 등을 통해 구조별 전송 특성을 비교하고, 유전체 두께와 재료 배치에 따른 최적 설계를 도출한다. 더 나아가 3D 패키징, 웨이퍼 레벨 패키지, RDL, Si 인터포저, TSV, 하이브리드 본딩과 같은 차세대 집적 기술에서도 계면 특성, 구조적 안정성, 휨, 신뢰성, 병렬 테스트 가능성까지 통합적으로 검토하는 방향으로 연구가 확장되고 있다. 이 연구는 단순한 회로 설계를 넘어 차세대 반도체 시스템 구현의 기반이 되는 패키징 및 테스트 친화적 구조 설계에 직접 연결된다. 신호 품질이 향상되면 고속 테스트 정확도와 시스템 안정성이 함께 개선되며, 고가 소재의 사용량을 최소화하면서도 성능을 확보할 수 있어 산업 적용성이 높다. 향후 칩렛, 3D IC, 고대역폭 메모리 연계 구조 등으로 응용 범위를 넓히면, 고성능·저전력·고신뢰성 반도체 구현을 위한 핵심 설계 방법론으로 발전할 수 있다.

이 연구 주제는 반도체 제조 및 검사 장비에서 발생하는 복잡한 상태 변화를 인공지능으로 해석하여 실시간 진단과 고장 예측을 수행하는 기술을 중심으로 한다. 반도체 산업에서는 장비의 미세한 이상이 곧바로 수율 저하와 생산 손실로 이어질 수 있기 때문에, 설비 상태를 지속적으로 감시하고 조기에 위험 신호를 포착하는 것이 매우 중요하다. 연구실은 센서 데이터, 신호 데이터, 검사 결과 데이터 등을 통합적으로 활용하여 반도체 장비의 상태를 지능적으로 판단하는 방법을 연구한다. 특히 비전 검사 장비, 웨이퍼 검사 장비, 테스트 장비의 부품 단위 이상 탐지를 위해 다중 센서 융합, 딥러닝 기반 패턴 인식, 조건부 생성 모델, 예측 알고리즘 등을 적용한다. 이는 단일 시점의 고장 판별에 머무르지 않고, 장기간 축적된 장비 운전 이력과 열적 스트레스 정보를 기반으로 남은 수명과 유지보수 시점을 예측하는 방향으로 발전하고 있다. 적응형 테스트와 전환 테스트, 장비 상태 기반의 테스트 시퀀스 최적화 등도 함께 고려함으로써, AI가 검사 장비의 운영 효율과 테스트 전략 자체를 개선하는 도구로 기능하도록 한다. 이러한 연구는 반도체 제조 현장의 스마트 팩토리화와 밀접하게 연결된다. 장비별 고장 특성을 학습한 AI 모델은 유지보수 비용을 줄이고 예기치 않은 라인 중단을 방지하며, 궁극적으로는 생산성과 품질 경쟁력을 동시에 향상시킬 수 있다. 향후에는 공정 장비, 검사 장비, 테스트 장비를 아우르는 통합 예지보전 플랫폼으로 확장하여, 데이터 기반 반도체 제조 운영의 핵심 기술로 자리매김할 가능성이 크다.