반도체 공정용 결함 인식과 자율 제조 스케줄링

Semiconductor Defect Recognition and Autonomous Manufacturing Scheduling

연구 내용

SEM 영상에서 결함 위치를 추정해 반지도 학습으로 분류 라벨 비용을 줄이고, 하이브리드 플로우샵 스케줄링을 강화학습으로 최적화하는 연구

반도체 제조에서는 결함 분류가 수율 관리와 사고 예방에 직접적으로 연결됩니다. 이지형 연구실은 스캐닝 전자현미경(SEM) 기반 결함 이미지에서 배경 변동이 분류 성능을 흔드는 문제를 고려해, 객체 탐지 기반 결함 로컬라이제이션 정보를 이용해 분류 모델의 입력 변동 영향을 낮추는 구조를 설계합니다. 또한 라벨 부족 상황에서는 반지도 학습을 통해 학습 부담을 줄입니다. 더불어 스마트팩토리의 혼재 공정 환경에서는 다수 머신의 처리시간과 이송 조건 같은 현실 제약을 반영해 하이디멘셔널 상태·행공간 문제를 다루는 강화학습 접근을 수행하고, 실제 제조 스케줄링에 적용 가능한 학습 절차를 구축합니다.

관련 프로젝트

1건

연구 흐름

초기에는 반도체 결함 분류에서 라벨 부족과 배경 다양성이 성능 적용을 제한한다는 점을 문제로 설정하고, 2023년에는 결함 위치 정보를 제공하는 결함 로컬라이제이션을 결합한 반지도 분류 체계를 제안했습니다. 동시에 제조 현장의 복합 공정 조건을 반영한 스케줄링 문제를 대상으로, 2022년에는 처리시간과 자재 이송 등 실질 제약을 고려하는 강화학습 모델을 구성해 하이차원 환경 학습의 어려움을 완화하는 방향을 제시했습니다. 이후 두 축을 모두 자율 제조 의사결정 파이프라인으로 확장할 수 있도록 데이터 획득 단계(SEM/공정 로그)와 모델 업데이트 단계(반지도·강화학습)를 연결하는 연구 흐름을 유지하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

SEM 기반 결함 자동 분류
결함 로컬라이제이션 기반 분류
라벨 효율 반지도 학습 파이프라인
배경 변동 억제 검사 모델
스마트팩토리 공정 이상 모니터링
하이브리드 플로우샵 스케줄링 최적화
자재 이송·처리시간 제약 반영
상태공간 축소 강화학습
혼재 공정 라인 스케줄러
현장 적용용 최적화 에이전트