# AI를 활용한 문제 해결 경험 답변 초안

성명: [사용자 입력] · 학번: [사용자 입력]

홈페이지: https://nova-semi-cmp.pages.dev/

가상 반도체 소재·공정 기업 노바세미를 설정하고, 산화막 CMP의 공급·패드 상태 변화로 제거량과 위치별 두께가 달라지는 문제를 다뤘습니다. 실제 기업의 APC·종료 검출·가상 계측 공개 사례를 조사해 고정 조건만 비교하는 단순화를 피했습니다.

AI를 활용하는 과정에서 문제와 데이터를 해결 모델에 맞추지 않는 것을 원칙으로 삼았습니다. 재료·관측 시점·허용 압력·평가 기준을 먼저 고정하고, Timely Astra가 작성한 생성 코드를 검토해 1,440장의 가상 데이터를 만들었습니다. 배치 단위로 학습864장·검증288장·시험288장을 분리하고, 숨은 참값과 사후 계측이 예측 입력에 섞이지 않도록 했습니다.

Astra가 작성한 회귀·앙상블 모델을 기존 conda에서 학습하고, 미사용 시험의 MAE·RMSE·R²를 비교했습니다. 식별 회귀는 MAE19.60nm·R²0.870으로 복잡한 학습 모형보다 정확했습니다. 같은 가상 공정에 압력·종료 선택을 적용한 결과, 종료 신호를 활용하면 평균 두께의 목표 오차는 고정 조건50.10nm에서8.37nm로 줄었지만, 위치별 균일도까지 충족한 비율은6.60%에 그쳤습니다. 높은 예측 성능이 전체 품질 확보를 뜻하지 않는다는 한계를 확인했습니다.

에이전트는 기록 조회·추가 점검 선택·계산 도구 호출·보고를 연결했습니다. 검토 과정에서 AI 보고의 압력 단위 오류를 발견해 psi를 명시하고 문서 검색 범위를 현재 버전으로 제한했으며, 수정 보고의 수치와 근거를 검사했습니다. 실제 호출·원문·수정 이력을 보존해 AI 출력을 검증 가능한 결과로 전환했습니다.

이번 경험을 통해 AI 활용 역량은 모델을 크게 만드는 것보다, 문제를 명확히 정의하고 비교 조건과 데이터 경계를 지키며 실패를 드러내는 데 있다고 배웠습니다. 다음 단계로는 공간 응답을 식별할 추가 관측과 독립적인 새 시험이 필요합니다. 결과는 교육용 합성 공정의 성과이며 실제 팹 수율이나 생산 적용을 입증한 것은 아닙니다.

※ 제출 전 본인이 실제 수행·이해한 내용으로 확인하고 문항의 분량 조건에 맞춰 편집하세요.
