# C&C v2 실행 결과 보고서

실행일: 2026-11-17. 범위: 교육용 합성 공정. 기존 v1 결과와 별개이며 실제 SK하이닉스 레시피·팹 실증이 아니다.

## ① 문제 정의

가상 기업 노바세미의 blanket SiO₂ CMP에서 공급·패드 상태 변화로 제거량과 위치별 두께가 달라진다. 60초 후9점 잔막을 예측하고, 허용된3구역 압력과 종료 시점을 골라 목표500nm와 균일도를 관리한다. 사후 AFM형 표본은 표면 수치 검산으로 연결한다.

1440장(학습864/검증288/시험288),120배치, 사건4종, AFM형240패치를 제작했다. 모든 수치 계수와 규격은 교육용 가정이다. 시험 중144장은 사전 선언한 추가 압력-유량 상호작용을 포함한다. 제작·데이터10개 해시를 모델 학습 전에 고정했다. [제작 계약](https://github.com/sdsznzg123/Ai_asignment4/blob/main/docs/cmp/%EC%A0%9C%EC%9E%91%EA%B3%84%EC%95%BD_v2.md)

## ② 기존 접근 방식과 한계

실제 산업에는 APC·종료 검출·VM/R2R가 있다. SK하이닉스2022 공식 인터뷰는 당시 경험 기반 APC 설정의 개인 역량 의존성과 MICO 고도화를 설명한다. Applied Materials2007 발표는 상용 유전체 종료 검출을, STMicroelectronics 공동2017 연구는 미측정 특성의 VM/R2R 연결을 설명한다. 현재 기업 내부 운영이나 기업 시스템 대비 우수성은 주장하지 않는다. [원출처와 범위](https://github.com/sdsznzg123/Ai_asignment4/blob/main/docs/cmp/%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8_%ED%81%B0%EA%B7%B8%EB%A6%BC.md#11-%EC%8B%A4%EC%A0%9C-%EA%B8%B0%EC%97%85%EC%9D%80-%EC%96%B4%EB%96%BB%EA%B2%8C-%EC%A0%91%EA%B7%BC%ED%95%B4-%EC%99%94%EB%8A%94%EA%B0%80)

우리 비교군은 공개 원리를 참고한 교육용 구현이다. 고정 조건·직전 평균 보정·식별 회귀 제어·학습 모형 제어·같은 학습 모형+종료 신호를 비교했다. 고정 방식은 상태 변화에 대응하지 못했고, 평균 보정은 공간 정보를 충분히 다루지 못했다. 그러나 식별 회귀보다 복잡한 모형이 반드시 정확한 것은 아니었다.

## ③ AI를 어디에 어떻게 사용했나

- Timely Astra 응답 모델 ID `openai/gpt-6-astra`를 확인하고 생성기2개와 모델 모듈1개를 실제 응답에서 통합했다. 현재 Codex 자체 모델을 바꾼 것은 아니다. 게이트웨이 응답 ID 확인과 내부 상위 모델 독립 검증은 구분한다.
- Ridge, ExtraTrees, HistGradientBoosting을 동일54개 특성으로 학습했다. 모델은 사후 잡음 계측으로 학습하고, 평가용 참값/사건명/숨은 상태는 입력에서 제외했다.
- 수치 최적화는27개 압력 조합과40~100초 종료 범위에서 예측 잔막의 평균제곱오차를 최소화한다. 종료 신호는3초 지연을 예측 제거율로 보정한다. 이는 제한된 후보 탐색과 선형 시간 환산이며 전역 물리 최적해 보장이 아니다.
- 에이전트는 검증 사례 `CC2-B074-W00`에서 get_case→request_check→compute_plan→보고를 실제 native function calling으로 연결했다. 도구 순서는 제한했고 확인 종류는 Astra가 선택했다. 문헌 조회는 기존 TF-IDF 어휘 검색을 재사용했으며 의미 임베딩이나 웹 챗봇은 아니다.
- 실제 장비 변경은 하지 않는다. 수치 게이트와 검증 코드는 LLM 외부에서 실행한다. API 비용은 과제 성과/최적화 지표에서 제외했다.

## ④ 검증과 개선 과정

### 데이터와 모델 검증

배치 단위로 분리했으며 시험의 같은 웨이퍼·위치·시계열이 학습에 섞이지 않는다. 현재 잔막 예측에는 같은 웨이퍼의 사후 계측을 넣지 않는다. 들어오는 막 두께는 정확히 관측된다는 교육용 가정이며 실제 계측 오차까지 실증한 것은 아니다.

독립 검산으로 t=0 입고 두께, 연마량 단조성, 압력/시간 범위, 정책 간 공통 센서 잡음, AFM 평면 제거, 숨은 열 무시, MAE/RMSE/R² 직접 계산을 확인했다. 실제 시험 성적을 성공 기준으로 쓰는 단위시험은 만들지 않았다.

검증288장의 잡음 있는 사후 라벨과 비교:

| 후보 | MAE nm | R² |
|---|---:|---:|
| fixed_prediction | 68.09 | -0.540 |
| identified_ridge | 16.30 | 0.901 |
| extra_trees | 20.09 | 0.854 |
| hist_gradient | 17.83 | 0.882 |

고정 제거량에서 학습된 응답 모형으로 옮기며 오차를 줄였고, 복잡한 후보 중 `hist_gradient`를 검증 MAE로 선택했다. 하지만 식별 Ridge가 더 좋았으므로 복잡도만 높이면 좋아진다는 가설은 채택하지 않는다. 시험 결과를 본 뒤 생성기·모델·압력 정책을 조정하지 않았다.

### 미사용 시험288장 · 60초 예측

| 방식 | MAE nm | RMSE nm | R²(위치별 평균) |
|---|---:|---:|---:|
| 고정 제거량 | 67.31 | 81.94 | -0.291 |
| 식별 회귀 | 19.60 | 27.25 | 0.870 |
| 학습 모형 | 21.64 | 29.75 | 0.844 |

![참값과 예측값](figures/prediction.png)

R²는 위치별9개를 평균한 값이다. 모든 위치를 한 벡터로 합친 R²와 다르다. 제거량 예측 지표·위치별 MAE/R²·위험 혼동행렬은 `dist/lab/summary.json`에 제공한다. 높은 R²가 ±15nm 규격 충족을 뜻하지 않는다.

| 선택 학습 모형 · 사건 | MAE nm | R² |
|---|---:|---:|
| normal | 12.37 | 0.930 |
| supply | 20.18 | 0.859 |
| pad_profile | 25.03 | 0.790 |
| mixed | 28.97 | 0.790 |

| 시험 함수형 | MAE nm | R² |
|---|---:|---:|
| 기본 함수형 | 17.62 | 0.876 |
| 추가 함수형 변화 | 25.65 | 0.821 |

### 행동을 실제 적용한 제어 재생

동일 초기 상태·외부 사건에서 각 정책을 따로 재생했다. 직전 평균 보정은 자신의 직전 처리 결과에 잡음을 더한 계측을 사용하며 다음 웨이퍼 시작 전 계측이 도착하는 순차 교정 실험이다. 종료 정책은 같은 경우/시각의 센서 잡음을 공유한다.

| 정책 | 평균 두께 목표 오차 절댓값 nm | 평균9점 범위 nm | 동시 충족률 | 평균 종료 초 |
|---|---:|---:|---:|---:|
| 고정 조건 | 50.10 | 50.31 | 0.35% | 60.00 |
| 직전 평균 보정 | 36.89 | 54.97 | 2.08% | 68.45 |
| 식별 모형 제어 | 18.05 | 57.02 | 5.21% | 68.99 |
| 학습 모형 제어 | 17.93 | 60.28 | 4.17% | 68.79 |
| 학습+종료 신호 | 8.37 | 61.37 | 6.60% | 70.32 |

동시 충족은 모든 측정점이500±15nm이고9점 범위≤30nm인 경우다. 전 정책288장 모두 완료했으며 보류를 제외해 비율을 높이지 않았다. 보류 정책의 전 시험 성능은 이번 평가 범위에 없다.

![예측과 제어 비교](figures/comparison.png)

**평균 두께 개선이 공간 품질 개선을 보장하지 않았다.** 종료 신호로 평균 오차는 줄었지만 위치별 범위는 악화됐고 동시 충족률도 낮다. 현재 관측에는 개별 웨이퍼의 숨은 패드 공간 응답을 충분히 식별할 정보가 없고,3구역 압력·선형 시간 근사는 이를 완전히 보상하지 못한다. 시험에 맞춰 생성 조건을 완화하지 않는다.

![사전 순서로 선택한 첫 시험 사례](figures/profile.png)

### AFM형 표본 검증

평면 제거 후 각32×32패치의 Sa=mean(abs(z)), Sq=sqrt(mean(z²))를 계산했다. 표본은120장 각2개 위치다. AFM은 처리 이후 가용하며 현재 웨이퍼 종료 입력에 사용하지 않았다. 국부 지도를 반경9점 두께에서 역산하지 않았다.

![합성 AFM 높이 표본](figures/afm.png)

AFM 생성은 압력·시간 제어 결과에 연동된 손상 모형이 아니다. 따라서 조건 최적화로 거칠기를 개선했다는 인과 주장은 하지 않는다. 이 표본만으로 전체 웨이퍼 표면을 보증할 수도 없다.

### 에이전트 실행 검증

도구 시연 상태: **구조화 보고 검증 통과**. 검증 결과와 보고 원문은 홈페이지 자동화 탭과 공개 실행 요약에 제공한다. 확인1회·30초 반환·계측 시점·압력/시간 숫자·근거 ID 일치를 검사했다. 흐름과 숫자 검증은 모든 문장 정확성이나 원인 확정을 보증하지 않는다. 한 사례 시연은 전체 시험에서 에이전트가 규칙보다 우수하다는 근거가 아니다.

## ⑤ 최종 결과와 기대 효과

구현 결과는 재현 가능한 가상 공정·분리된 시험 평가·예측 모델·압력/종료 재생·AFM 수치 검산·실제 LLM 도구 호출·정적 결과 사이트다. 평균 두께 오차를 줄이는 효과와 복잡한 모델/공간 제어의 실패를 함께 확인했다. **생산 적용 가능한 균일도 성능을 달성했다고 결론 내리지 않는다.**

기대 효과는 분산된 공정 데이터의 일관된 확인과 예측 기반 조건 검토 지원이다. 실제 팹 수율·원가·작업시간 절감으로 환산하지 않는다. 다음 개선은 모델 확대보다 추가 공간 관측/독립 모니터의 정보 가치 검증, 식별 가능한 상태를 반영한 새 계약, 별도 미사용 시험이 우선이다. 기존 시험을 새 미사용 시험으로 재사용하지 않는다.

사이트: https://nova-semi-cmp.pages.dev/lab/ · 소스: https://github.com/sdsznzg123/Ai_asignment4

## 실행·산출물

[재현 안내](https://github.com/sdsznzg123/Ai_asignment4/blob/main/docs/cmp/%EC%8B%A4%ED%96%89%EC%95%88%EB%82%B4_v2.md), [큰그림](https://github.com/sdsznzg123/Ai_asignment4/blob/main/docs/cmp/%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8_%ED%81%B0%EA%B7%B8%EB%A6%BC.md), [수업 기술 연결](https://github.com/sdsznzg123/Ai_asignment4/blob/main/docs/cmp/%EC%88%98%EC%97%85%EA%B8%B0%EC%88%A0_%EC%A0%81%EC%9A%A9%ED%91%9C.md). 발표자료와 자소서 초안은 저장소 `deliverables/` 및 홈페이지 자료실에 있다. 이름·학번은 사용자가 입력한다.
