최근 몇 년 동안 반도체 제품의 수요 대비 과 공급의 여파로, 제조 현상에서 는 최소의 비용으로 목표를 달성하고자 많은 연구가 이루어지고 있다. 더 적 은 비용으로 공정 개발과 장비의 수율을 개선하기 위해 빅데이터와 머신러 닝에 대한 논의와 연구가 진행되고 있으나, 개발 단계가 아닌 제조 현장에서 의 활용은 미비했다. 본 논문에서는 기존의 전통적 방식의 FDC (Fault Detection and Classification) 관리 방식을 대체하여, 반도체 제조 식각 공정에서 생성되는 설비 센서 데이터를 활용하여 고가의 부품인 정전 척(Electrostatic chuck, ESC)의 기대 수명을 예측하는 AI 기반 모델을 제안한다. 과거 데이터 분석 결과, FDC 관리 방식으로 예상할 수 없는 비정기 장비 점 검 비율은 10%에 달하였다. 그중, 정전 척과 관련된 사유가 약 7%를 차지하 였고, He 가스의 이상 발생 비율이 70% 이상으로 확인되었다. 본 논문에서 는 데이터 변환 기법인 차분 방식을 활용하여 전체 점검 비율의 7%를 감소 시켰으며, ESC 관련 연관 에러 발생률은 0%로 개선되었다. 그러나 차분 방식은 장기적으로 봤을 때 정합성이 떨어질 가능성이 있어, 이 를 보완하기 위해 LSTM (Long-short term memory) 기반의 예측 모델링 을 도입하였다. 제안된 LSTM 모델의 F1 score 성능이 기존 FDC 시스템보 다 우수하며, 제안된 차분 방식과 비슷한 수준의 결과를 확인하였다. 본 연구에서 제시된 LSTM을 이용한 방법론은 아직 실제 환경에서의 테스 트가 이루어지지 않아, 추가적인 연구와 현장에서의 테스트가 필요함을 언 급하고자 한다.
