반도체 에칭 설비의 OES 기반 이상감지는 **플라즈마의 시간-파장 스펙트럼을 정상 상태 모델과 비교**하여, 가스·RF·압력·온도·누설·챔버 상태 변화 등을 공정 중에 탐지하는 FDC 기술입니다. 사용자님처럼 **공정 전 구간 FDC**를 목표로 한다면, `레시피 step 정렬 → 스펙트럼/물리 feature화 → 정상학습 기반 탐지 → 원인 진단(XAI) → RF·압력 등 다센서 융합`의 계층형 구조가 가장 실용적입니다. [1]
기술 지형
| 기술 축 | 대표 방법 | 장점 | 현장 적용 시 유의점 |
|---|---|---|---|
| 규칙·통계 기반 | 관리선, z-score, 정상 sigma matching | 빠르고 설명이 쉬움 | Recipe/step/lot 효과를 분리하지 않으면 오경보가 많음 |
| 다변량 통계 FDC | PCA, $$T^2$$, SPE/Q, PLS | 기준선(PoC) 구축이 용이 | 희소 파장 이상이 PCA 압축 과정에서 묻힐 수 있음 |
| 정상학습 ML | OC-SVM, Isolation Forest, 랜덤포레스트 거리 | 이상 라벨 부족 환경에 적합 | Chamber/PM/seasoning별 정상 분포 분리가 필수 |
| 딥러닝 | CNN/CAE, LSTM/TCN, Transformer-AE | 시간-파장 패턴을 직접 학습 | 데이터 규모, drift, 설명가능성, 운영 MLOps가 관건 |
| 물리·설명형 진단 | Actinometry, 선비(line ratio), XAI | “무슨 종/파장/step이 문제인지” 설명 가능 | 분광 보정과 공정 화학 지식이 요구됨 |
| 멀티모달 FDC | OES + RF + pressure + MFC + ESC | 원인 분리와 신뢰도 향상 | 시간 동기화와 결측·센서 이상 처리가 핵심 |
OES는 비침습 센서이며 시간과 파장에 따른 플라즈마 발광 강도를 취득하므로, 반응종·부산물·전자 상태 변화를 공정 중에 관측할 수 있습니다. 전통적 활용처는 endpoint detection이지만, 최근에는 전 공정 구간의 FDC, 가상계측 및 설명 가능한 진단으로 확장되고 있습니다. [2][3]
## 탐지 대상
OES만으로 또는 다른 trace와 결합해 우선 감시할 이상은 아래와 같습니다.
- **Gas delivery 이상:** MFC drift, 유량 설정 오류, 가스 조성 변화, injector mode 변화
- **RF 이상:** Source/bias RF power shift, reflected-power 이상, match 불안정
- **Pressure·vacuum 이상:** APC 불안정, throttle valve 문제, 펌프 성능 저하
- **Leak·오염:** 외기 유입에 따른 N2/O2 계열 신호 변화, view-port/window contamination, chamber wall condition 변화
- **Thermal/ESC 이상:** ESC 온도 또는 backside He 전달 상태 변화
- **Plasma stability 이상:** ignition delay, transient spike, arc/micro-arc성 변동, step transition 이상
- **장기 drift:** PM 이후 seasoning, kit/part 교체, chamber matching 불량, 누적 polymer 상태 변화
실험 기반 연구에서는 Cl2/HBr/CF4 유량, TCP/bias RF, 압력, gas injection mode, N2 유입(누설 모사), ESC 온도 변화 같은 요인이 OES full-spectrum 정상모델과의 불일치로 검출되었습니다. 누설 진단은 특히 질소 신호를 이용해 누설 위치와 유량 수준을 정량화하려는 접근도 제시되어 있습니다. [4]
## OES 데이터 표현
원시 OES는 보통 wafer별 3차원 텐서로 표현됩니다.
$$
\mathbf{X}_{w} \in \mathbb{R}^{T \times \Lambda}
$$
여기서 $$T$$는 공정 시간 샘플 수, $$\Lambda$$는 파장 채널 수입니다. 즉, 한 wafer는 `시간 x 파장` 행렬이며 FDC는 이를 wafer-level, step-level, window-level로 판단합니다. 산업 사례에서는 wafer당 165개 시간 시점과 200개 파장으로 구성된 OES를 사용했고, wafer 간 비교를 위해 time-wavelength 행렬을 펼친 고차원 representation을 사용했습니다.
### 권장 전처리
1. **데이터 정합:** run ID, chamber ID, recipe version, step ID, lot/wafer sequence, PM 이벤트, OES timestamp를 함께 저장합니다.
2. **Step·phase alignment:** ignition, stabilization, main etch, over-etch, purge 등 단계별로 분할하고, 고정 시간축 또는 DTW 기반 정렬을 적용합니다.
3. **분광 보정:** dark subtraction, saturation 제거, cosmic spike 제거, 파장축 보정, smoothing을 수행합니다.
4. **강도 정규화:** total intensity, 기준 피크 또는 actinometry reference 기반으로 정규화하여 광학창 오염·광량 변동 영향을 낮춥니다.
5. **정상군 분리:** recipe, chamber, PM cycle, wafer position, product/layer별 정상 baseline을 분리합니다.
6. **품질 제외:** plasma off, recipe abort, trace drop, OES saturation, 센서 교체 직후 데이터는 별도 태깅합니다.
특히 정상 wafer라도 lot 초반 seasoning wafer는 안정 구간 wafer와 다른 거동을 보일 수 있으므로, wafer position과 PM 이후 경과 wafer 수를 모델 입력 또는 분리 기준으로 두는 것이 중요합니다.
## Feature 설계
### 물리·공정 기반 Feature
| Feature 군 | 예시 | 진단적 의미 |
|---|---|---|
| Peak intensity | 특정 원자·분자선 세기 | 반응종/부산물 밀도 변화 |
| Peak area·FWHM | 피크 적분값, 폭 | 노이즈 강건성, plasma condition 변화 |
| Peak ratio | $$I_{\lambda_1}/I_{\lambda_2}$$ | 절대 광량 drift 완화, 상대 조성 변화 |
| Actinometry | 반응종선/기준 가스선 비 | 라디칼 농도 변화의 상대 추정 |
| Line-ratio 물성 | 전자온도·전자밀도 proxy | plasma energy/state 이상 해석 |
| 시간 변화 | slope, derivative, change point, settling time | ignition·transition·불안정 검출 |
| 구간 통계 | mean, std, max, AUC, quantile | step별 wafer fingerprint |
| 스펙트럼 형상 | spectral centroid, band energy, PCA score | 전체 plasma chemistry 변화 |
최근 FDC 연구는 OES에서 O·F 라디칼 관련 변수, line-ratio 기반 전자온도·전자밀도 등을 도출하고 XAI로 bias power, pressure, SF6/O2 유량 이상과의 관계를 해석했습니다. [3] 물리 feature는 단순히 모델 정확도를 높이는 것보다, 알람 발생 후 공정·설비 엔지니어가 원인을 신속히 좁히는 데 가치가 큽니다. [3][2]
### 데이터 기반 Feature
- **PCA/PLS scores 및 residual:** 전통적 FDC 기준선
- **파장 band energy:** UV/VIS/NIR band별 적분 intensity
- **Wavelet/STFT feature:** arc, spike, transition과 같은 국부 시간 이상
- **Autoencoder latent vector 및 reconstruction error:** 정상 plasma manifold 이탈도
- **CNN embedding:** time-wavelength map의 국소 패턴
- **TCN/LSTM/Transformer embedding:** 장기 시간 의존성과 step 전후 문맥
- **OES-RF cross feature:** OES 변화와 V/I, impedance, reflected power 변화의 상관·lag
고차원 OES에서 단순 PCA는 큰 분산을 설명하는 파장을 우선하기 때문에, 실제 이상이 적은 수의 독립적·희소 파장에서 나타날 경우 놓칠 수 있습니다. FSIV는 기존 feature로 잘 복원되지 않는 변수를 추가 선택하는 방식이며, 산업 OES 사례에서 OC-SVM과 결합 시 PCA 및 FSCA보다 높은 AUC를 보였습니다.
## 이상감지 알고리즘
### 1단계: 통계 기준선 FDC
가장 먼저 추천할 모델은 `step별 PCA + \(T^2\) + SPE/Q` 또는 `full-spectrum sigma matching`입니다.
$$
T^2 = \mathbf{t}^{\top}\mathbf{\Lambda}^{-1}\mathbf{t}
$$
$$
Q = \left\| \mathbf{x} - \hat{\mathbf{x}} \right\|_2^2
$$
- $$T^2$$: 정상 latent 공간 안에서의 비정상 위치
- $$Q$$/SPE: 정상 PCA 모델로 복원되지 않는 잔차 이상
- 장점: 빠른 구축, 온디바이스/edge 구현 용이, 기여도 분석 가능
- 한계: 비선형 plasma 변화와 recipe/PM drift에 취약할 수 있음
Sigma matching은 time-wavelength 정상 범위 내에 들어오는 비율을 score로 사용합니다. 한 연구에서는 정상 OES run으로 건강 모델을 만들고, test run의 spectrum-time points 중 정상 범위를 벗어난 비율로 이상을 판별했습니다.
### 2단계: 정상학습 기반 ML
라벨이 적은 현장에서는 **정상 데이터만으로 학습하는 one-class 방식**이 주력입니다.
| 모델 | 입력 형태 | 적합한 상황 | 운영 포인트 |
|---|---|---|---|
| OC-SVM | Wafer-level flattened feature | 정상 데이터가 중간 규모일 때 | Scaling과 kernel parameter 민감 |
| Isolation Forest | 통계/peak/latent feature | 빠른 PoC, mixed feature | Online/adaptive 확장 가능 |
| Robust covariance/Mahalanobis | PCA/latent feature | 비교적 Gaussian 정상군 | 다봉 분포에는 cluster 분리 필요 |
| Autoencoder | Full spectrum 또는 engineered feature | 비선형 정상 패턴 | 재구성 오차와 OOD gate 병행 |
| Conv-AE | Time-wavelength image | 스펙트럼 국소 패턴이 중요할 때 | 파장축 정렬과 데이터량 필요 |
| TCN/LSTM-AE | Sequence | transient/step 변화가 핵심일 때 | latency와 sequence length 관리 |
| Transformer-AE | Long sequence + context | 복수 step과 장기 문맥 | 규모 대비 효과를 검증 후 도입 |
OES 산업 사례에서 정상 wafer만으로 학습한 OC-SVM은 선택된 파장들의 시간 trace를 이용해 wafer별 anomaly score를 산출했으며, 고차원 데이터를 그대로 사용하는 것보다 적절한 파장 선택이 성능과 해석성을 높였습니다.
### 3단계: 지도·준지도 FDC
고장 라벨이 확보되면 `정상/이상` 탐지와 함께 `fault mode classification`을 병행합니다.
- **Supervised:** XGBoost, Random Forest, SVM, CNN/TCN classifier
- **Semi-supervised:** pseudo-labeling, label propagation, contrastive learning
- **Few-shot:** metric learning, prototype network, fault library retrieval
- **계층 분류:** 정상/이상 → subsystem(RF/gas/pressure/thermal) → 구체 fault mode
OES와 SVID를 사용한 식각 설비 준지도 FDC 연구에서는 라벨링 부담을 줄이면서 약 95.2% 수준의 라벨링 정확도를 보고했습니다. [5] 다만 실제 양산 FDC의 모델 평가는 accuracy보다 **false alarm rate, missed-detection rate, 검출 lead time, 조치 후 재발률**로 관리하는 것이 적절합니다.
## 딥러닝 구조
AI 기반 별도 FDC 라인이라면, 다음의 **계층형 멀티모달 구조**를 권장합니다.
```text
OES raw spectrum ──> Spectral preprocessing ──> OES encoder
├─> Anomaly score
RF V/I, power, match ─> Trace feature / TCN encoder ┤
Pressure, MFC, ESC ─> Tabular/context encoder ──────┤
Recipe step, chamber, PM age ─> Context embedding ──┤
└─> Root-cause ranking + XAI
```
- **OES encoder:** 2D Conv-AE 또는 spectral 1D-CNN + TCN
- **Trace encoder:** RF·pressure·MFC 시계열을 TCN으로 encoding
- **Context encoder:** chamber ID, recipe, wafer position, PM age, kit state
- **Fusion:** attention 또는 gated fusion
- **Detection head:** reconstruction error + latent one-class score + classifier score
- **Diagnosis head:** subsystem/fault 분류와 SHAP·attention 기반 근거 출력
- **Confidence gate:** OOD, missing sensor, saturation, recipe mismatch 시 자동 action 차단
2차원 OES를 입력으로 convolutional autoencoder 기반 반지도 feature extraction을 적용한 DeepVM 연구는, OES가 단순 파장 vector가 아니라 시간-파장 구조를 갖는 데이터임을 활용했습니다. [6] FDC에서는 이를 정상 재구성 학습으로 전환해 reconstruction error를 anomaly score로 쓰고, RF·pressure 등과 fusion하여 원인 구분 성능을 강화할 수 있습니다.
## 원인진단과 XAI
알람만 제공하면 현장 수용성이 낮으므로, 이상점수와 함께 다음을 반드시 출력하는 구조가 바람직합니다.
- **언제:** 최초 이상 발생 시점, 지속시간, 해당 recipe step
- **어디서:** 파장 또는 파장 band, RF/pressure/MFC 등 기여 센서
- **어떤 방향:** 정상 대비 intensity 증가/감소, slope/settling 변화
- **무슨 원인 후보:** gas delivery, RF/match, APC/vacuum, leak, thermal, chamber condition
- **신뢰도:** score, threshold 대비 여유, OOD 여부, 유사 과거 사례
- **권장 조치:** 재측정, trace 확인, leak check, MFC verification, PM/cleaning 확인
XAI 기반 plasma etch FDC는 OES-derived plasma information과 공정 상태 변수를 함께 사용해 fault 판정 근거를 해석하는 방향으로 발전하고 있습니다. [3] 단, SHAP 값만 제시하기보다 “파장-시간 heatmap + 정상 envelope + 관련 RF/pressure trace”를 동시 표시해야 엔지니어가 조치 가능한 진단 화면이 됩니다.
## 운영 설계
### 알람 로직
단일 score threshold보다 아래 조합이 안정적입니다.
$$
S_{\text{total}} =
w_1 S_{\text{PCA}}
+ w_2 S_{\text{AE}}
+ w_3 S_{\text{trace}}
+ w_4 S_{\text{rule}}
$$
- **Warning:** 단발성 경미 이상, 추적 강화
- **Hold/Review:** 일정 window 이상 지속, 다중 모델 합의
- **Stop 또는 engineer call:** critical step에서 고신뢰 이상, 다센서 동시 이상
- **Suppress:** recipe mismatch, PM 직후 seasoning, OES saturation, sensor fault 상태
권장 조건은 `threshold 초과 + 연속 N window + step별 최소 지속시간 + 데이터 품질 정상 + OOD 미검출`입니다. 이 방식이 transient noise와 정상적인 step transition을 이상으로 오인하는 문제를 줄입니다.
### Drift 관리
- **Baseline 버전 관리:** chamber, recipe, product, PM cycle별 별도 버전
- **Shadow mode:** 최소 4~8주간 알람만 생성하고 엔지니어 판정과 비교
- **재학습 승인:** 자동 재학습 대신 품질 계측과 FDC review를 거친 승인형 갱신
- **Reference wafer:** 센서 감도·window contamination 변화를 분리하기 위한 주기 기준 run
- **Concept drift 감시:** anomaly score 분포, latent distribution, false alarm 추세 모니터링
- **PM 연계:** PM 전후 모델 분리 또는 PM age를 context 변수로 적용
광학창 오염, sampling time, fiber 상태 등은 OES intensity에 직접 영향을 줄 수 있으므로, 센서 상태 자체를 별도 health-monitoring 대상으로 관리해야 합니다.
## 구축 우선순위
사용자님의 **별도 AI-FDC 라인**과 전 구간 분석 목표에는 다음 순서가 현실적입니다.
1. **데이터 계약:** OES raw spectrum, RF VI/probe, pressure, MFC, ESC, recipe step, chamber/PM/history, MES lot·wafer 정보의 timestamp 및 ID 정합 규격을 정의합니다.
2. **Baseline FDC:** step별 normalized spectrum + selected wavelength/ratio + PCA $$T^2$$/Q + sigma matching을 구축합니다.
3. **정상학습 ML:** FSIV 또는 물리 기반 파장 선택 후 OC-SVM/Isolation Forest를 wafer·step 단위로 적용합니다.
4. **시계열 딥러닝:** Conv-AE 또는 TCN-AE를 도입하고, reconstruction score를 기존 통계 score와 ensemble합니다.
5. **다센서 융합:** OES 단독 이상과 OES+RF+pressure 이상을 구분해 원인 후보를 subsystem 단위로 진단합니다.
6. **설명형 화면:** 파장-시간 이상맵, 기여도, 정상 대비 trace, 유사 과거 event, 조치 checklist를 제공합니다.
7. **VM/APC 연계:** FDC gate를 통과한 wafer에 한해서만 CD/depth/ER VM 및 R2R 권고 제어로 확장합니다.
## PoC 평가 지표
| 구분 | 권장 KPI |
|---|---|
| 탐지 성능 | Recall, precision, PR-AUC, false alarm per wafer/lot |
| 조기성 | 이상 주입 또는 실제 event 대비 detection lead time |
| 강건성 | recipe/chamber/PM cycle/seasoning 구간별 성능 편차 |
| 진단성 | subsystem·fault mode top-k accuracy, engineer 수용률 |
| 운영성 | inference latency, data loss 처리율, 알람 처리시간 |
| 사업 가치 | scrap 방지 wafer 수, 엔지니어 분석시간 감소, MTBF/MTTR 개선 |
초기 목표는 최고 정확도보다 **정상 wafer 불필요 알람을 통제하면서도 critical abnormal을 조기에 검출하고, 엔지니어가 이해 가능한 근거를 제공하는 것**으로 잡는 것이 좋습니다. 실시간 full-spectrum 기반 정상모델 방식은 gas, RF, pressure, gas distribution, leak, ESC 온도 변화를 대상으로 실험적 검출 가능성을 보였지만, 일부 단일 가스 변화에는 민감도가 제한될 수 있어 물리 feature와 다센서 융합이 필요합니다.
인용:
[1] Real-Time Plasma Process Condition Sensing and ... https://pmc.ncbi.nlm.nih.gov/articles/PMC3247728/
[2] Actinometric Investigation of In-Situ Optical Emission ... https://oak.go.kr/central/journallist/journaldetail.do?article_seq=11405
[3] Explainable artificial intelligence-based evidential inferencing on process faults in plasma etching https://ui.adsabs.harvard.edu/abs/2024JPhD...57r5201C/abstract
[4] Use of In-Situ Optical Emission Spectroscopy for Leak Fault Detection and Classification in Plasma Etching https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART001793338
[5] Semi-Supervised Learning for Fault Detection and Classification of Plasma Etch Equipment https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002662829
[6] DeepVM: A Deep Learning-based Approach with ... https://pureadmin.qub.ac.uk/ws/files/183901440/Final_accepted_paper.pdf
[7] Feature Selection for Anomaly Detection Using Optical Emission https://pureadmin.qub.ac.uk/ws/portalfiles/portal/121128504/ICONS2016_anomaly_detection.pdf
[8] Real-Time Fault Classification for Plasma Processes https://pmc.ncbi.nlm.nih.gov/articles/PMC3231656/
[9] [PDF] Anomaly Detection through on-line Isolation Forest: An application to plasma etching | Semantic Scholar https://www.semanticscholar.org/paper/Anomaly-Detection-through-on-line-Isolation-Forest:-Susto-Beghi/c321685dd03fa1a54e99b4c046950b96c3b0f040
[10] [PDF] In-situ monitoring of etch uniformity using plasma emission ... https://www.chee.uh.edu/sites/chbe/files/faculty/economou/situ-monitoring-etch-uniformity.pdf
[11] untitled https://koreascience.or.kr/article/CFKO201230533387046.pdf
[12] Multivariate endpoint detection of plasma etching processes https://dspace.mit.edu/entities/publication/f440b92b-15dc-4c17-b711-fa4a30e16331
[13] Method for improving dry etching end point detection based on change in time accumulation correlation of plasma emitting wavelengths https://pubs.aip.org/avs/jvb/article/41/5/052204/2909700/Method-for-improving-dry-etching-end-point
[14] Improvement of Plasma Etching Endpoint Detection With Data-Driven Wavelength Selection and Gaussian Mixture Model | Semantic Scholar https://www.semanticscholar.org/paper/Improvement-of-Plasma-Etching-Endpoint-Detection-Kim-Lee/4d00615501ad9f8607669531dad5ee107492e8fb
[15] d:\ https://www.columbia.edu/~iph1/Download/111.%20VinceRevPSST11-A26-2003.pdf
