현대 반도체 실험은 통계적 제약 외에도 여러 제약 조건에 직면합니다. 생산 배치 크기, 검토 주기, 운영 위험 등은 생산 현장에서 실제로 수행할 수 있는 실험의 범위를 제한합니다. 동시에 실무자들은 효율적이지만 모델에 의존적인 실험 설계(DOE)와 유연하지만 자원 소모가 많은 베이지안 최적화라는 두 가지 강력하지만 완벽하지 않은 접근 방식 중에서 선택해야 하는 경우가 많습니다.
이 발표에서는 선택을 멈추고 조합을 시작할 때 어떤 일이 발생하는지 살펴봅니다. 본 연구는 베이지안 최적화를 위한 고품질 훈련 데이터로 확정적 스크리닝 설계(DSD)를 활용하는 하이브리드 실험 전략을 제시합니다. 아이디어는 간단합니다. 요인 공간을 광범위하고 구조적으로 포괄하는 실험 설계(DOE)를 먼저 수행한 다음, 베이지안 최적화를 통해 그 기반 위에 효율적으로 정제하고 최적화하는 것입니다.
드라이 에칭, PECVD 및 CMP 공정의 시뮬레이션 및 기존 연구 결과를 활용하여, 본 연구에서는 하이브리드 접근 방식이 학습 속도를 향상시키고 실험 비용을 절감하며, 경우에 따라서는 기존 방식보다 더 나은 작동 조건을 찾아낼 수 있음을 보여줍니다. 공간 채움 학습 데이터를 사용하는 베이지안 최적화 방식과 비교했을 때, DSD 기반 접근 방식은 더 빠른 수렴 속도와 훨씬 적은 실행 횟수를 보이며, 이는 자원이 제한된 반도체 제조 환경에서 중요한 이점입니다.
참가자들은 최신 실험 설계(DOE) 개념이 JMP의 능동 학습 워크플로우를 어떻게 직접적으로 향상시킬 수 있는지, 이 접근 방식이 가장 효과적인 시점은 언제인지, 그리고 실제 제조 환경에 어떻게 적용할지 실질적으로 고민하는 방법을 배우게 됩니다. 베이지안 최적화에 관심은 있었지만 실제 적용에 주저했던 분들이라면, 이 세션이 그 격차를 해소하는 데 도움이 될 것입니다.
