신뢰도 기반 CMP 공정의 재료 제거율 조기 예측을 위한 머신러닝 활용 방안 연구 = A Study on the Application of Machine Learning for Reliable EarlyPrediction of Material Removal Rate in the CMP Proces

국문 초록 (Abstract)

본 연구는 화학 기계 연마(Chemical Mechanical Polishing, CMP) 공정의 품질 지표인 재료제거율(Removal Rate, RR)을 공정 초기에 예측하고, 그 예측의 신뢰도를 정량화할 수 있는 가상 계측 프레임워크를 개발하였다. 반도체 소자가 다층 구조로 형성되면서 CMP 공정을 통한 평탄화 작업은 반도체 제조에 수율을 결정짓는 필수 단계가 되면서, RR을 목표 범위 내로 유지 하는 것이 중요해졌다. RR이 목표보다 높으면 과연마로 인해 하층 손상이나 디싱이 발생하고, 낮으면 잔류 물질이나 단차가 남아 후속 공정에 영향을 준다. 그러나 RR은 온도, 압력, 슬러리 유량, 플레튼 속도, 토크, 패드 상태 등 여러 인자의 영향을 받아 변동하는데 양산 환경에서는 수율 확보를 위해 검증된 레시피 위주로 운용되므로 수집 가능한 데이터의 양이 제한적이고, 정상 조건에 비해 비정상 조건의 데이터가 부족하다. 또한 기존 예측 모델은 단일 값만 출력하여 그 값의 오차 범위를 알 수 없어, 공정의 조정이 필요한지 판단하기 어렵다. 이러한 문제를 해결하기 위해 공정 지식 기반의 데이터 증강 기법과 Conformal Prediction을 결합한 가상 계측 프레임워크를 제안하였다. 별도의 장비 개조 없이 기존 센서 데이터 데이터만으로 RR을 예측하는 프레임워크는 총 70초의 공정 시간 중 1초, 10초, 30초, 50초, 70초 시점에서 각각 해당 시점까지 누적된 센서 데이터를 입력으로 최종 RR을 예측하는 모델을 구축하였다. 원본 데이터의 샘플 수가 통계적 검증에 부족하여 공정을 모사한 증강 데이터를 생성하였다. 데이터 증강은 인접 압력 간 선형 보간으로 센서 시계열을 생성하고, 장비별 온도-RR 스플라인 회귀와 공정 편차를 반영하여 RR 값을 추정하였다. Conformal Prediction의 CMP 공정 적용 가능성을 검증하였다. 10.34 kPa(1.5psi) ~ 20.68kPa(3.0psi) 압력 조건으로 수집된 52개 데이터를 활용하여 CatBoost, LightGBM, Random Forest, XGBoost 4개 모델의 예측 성능을 비교 평가하였다. 이를 기반으로 Global과 Local Conformal Prediction을 적용하여 90%와 70% 신뢰 수준에서 예측 구간의 유효성을 검증하였다. 실험 결과, 두 방식 모두 목표 신뢰 수준을 충족하였으며, 공정 초기 단계에서 조기 예측이 가능함을 확인하였다.

다국어 초록 (Multilingual Abstract)

This study develops a machine learning-based virtual metrology framework for early prediction of Removal Rate (RR) in Chemical Mechanical Polishing (CMP) processes with quantified reliability. As semiconductor devices adopt multi-layer structures, CMP-based planarization has become a critical process determining manufacturing yield. Maintaining RR within the target range is essential, as excessive RR causes over-polishing leading to underlayer damage or dishing, while insufficient RR results in residual material or step height affecting subsequent processes. However, RR is subject to variations influenced by multiple factors including temperature, pressure, slurry flow rate, platen speed, torque, and pad condition. In production environments, the amount of collectible data is limited due to the predominant use of verified recipes for yield assurance, resulting in insufficient data for abnormal conditions compared to normal conditions. Furthermore, existing prediction models only provide point estimates without information about the error range, making it difficult for engineers to determine whether process adjustment is necessary.
To address these challenges, this study proposes a virtual metrology framework combining process knowledge-based data augmentation with Conformal Prediction. The framework predicts RR at multiple time points during the 70-second process using only existing sensor data without equipment modification. To compensate for the statistical insufficiency of the original 52 samples, augmented data were generated by mimicking the process through linear interpolation of sensor time-series between adjacent pressure levels and estimating RR values based on equipment-specific temperature-RR spline regression with process variability. The applicability of Conformal Prediction to CMP processes was validated using data collected under pressure conditions ranging from 10.34 kPa to 20.68 kPa, comparing four tree-based models: CatBoost, LightGBM, Random Forest, and XGBoost.
Experimental results demonstrated that the proposed framework achieves practical prediction accuracy from the early stages of the process, with prediction reliability improving as more sensor data accumulates over time. Both Global and Local Conformal Prediction satisfied the target coverage probabilities at 90% and 70% confidence levels, confirming the statistical validity of the prediction intervals. The prediction interval width decreased systematically as the process progressed, quantitatively capturing the reduction in uncertainty with information accumulation. This study demonstrates that reliable virtual metrology with uncertainty quantification can be implemented in limited data environments, providing a foundation for proactive quality control and early anomaly detection in semiconductor manufacturing.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구배경 1
• 1.2 연구목적 4
• Ⅱ. 이론적 배경 5
• 2.1 CMP 공정의 이해 5
• 2.1.1 CMP 공정의 원리 및 목적 5
• 2.1.2 재료제거율(RR)의 주요 영향 인자 7
• 2.1.3 CMP 공정의 복잡성과 데이터 기반 접근의 필요성 9
• 2.2 가상 계측 기술 11
• 2.2.1 가상 계측의 개념과 산업적 중요성 11
• 2.2.2 선행 연구 12
• 2.2.3 기존 연구의 한계점 14
• 2.3 데이터 증강 기법 15
• 2.3.1 데이터 증강 기법의 원리 및 종류 15
• 2.3.2 제조 공정 시계열 데이터 증강 연구 동향 17
• 2.4 신뢰성 있는 예측 방법론 19
• 2.4.1 재료 제거율 예측을 위한 트리 기반 모델 19
• 2.4.2 예측 불확실성 정량화를 위한 Conformal Prediction 23
• Ⅲ. 공정 지식을 이용한 데이터 증강과 불확실성 정량화 방법론 28
• 3.1 실험 데이터 28
• 3.1.1 실험 데이터 출처 및 수집 환경 28
• 3.1.2 데이터 특성 및 구성 31
• 3.2 공정 지식 기반 데이터 증강 36
• 3.2.1 데이터 증강 방법론 개요 36
• 3.2.2 압력별 시계열 데이터 생성 38
• 3.2.3 공정의 특성을 고려한 RR 값 추정 41
• 3.3 신뢰 구간 예측 모듈 49
• 3.3.1 조기 예측을 위한 시점별 특징 벡터화 49
• 3.3.2 신뢰 구간을 갖춘 조기 예측 프레임워크 51
• Ⅳ. 실험 및 결과 분석 54
• 4.1 실험 설계 및 평가 지표 54
• 4.1.1 실험 시나리오 설계 54
• 4.1.2 평가 지표 55
• 4.1.3 비교 모델 및 설정 57
• 4.2 실험 결과 및 분석 58
• 4.2.1 기본 점 예측 모델 성능 비교 58
• 4.2.2 데이터 증강 기법 효과 검증 60
• 4.2.3 시점별 조기 예측 성능 분석 64
• 4.2.4 최종 프레임워크의 신뢰 구간 유효성 평가 67
• Ⅴ. 결론 72
• 5.1 연구 결과 요약 72
• 5.2 연구의 의의 및 향후 과제 74
• Ⅵ. 부록 75
• 6.1 부록 A 75
• 6.2 부록 B 76
• 6.3 부록 C 77
• 참고문헌 79
• Abstract 85