NOVA SEMI / 01

1. CMP: 예측 개선은 공정 합격인가?

교육용 SiO₂ CMP 대리 공정에서 예측·제어·에이전트를 검증했다.

평균 오차 개선과 공간 균일도 개선은 같지 않았다.

발표 메모·출처

실제 fab 디지털 트윈이나 양산 준비 완료 결과가 아니다. 공정 조건·응답 계수·이벤트 빈도·AFM 텍스처는 교육용 가정이다.

NOVA SEMI / 02

2. 과제 요구사항 5개와 산출물

① 문제 정의와 ② 기존 접근의 한계를 산업 공개 사례와 가상 사건으로 설명한다.

③ AI의 구체적 활용을 구현하고 ④ 분리 시험·오류 수정으로 검증한다.

⑤ 실제 성과·미달 조건·기대 효과를 구분해 공개한다.

발표 메모·출처

과제 원문 5요구사항을 그대로 대응했다. 신소재 관련 가상 기업 노바세미의 산화막 CMP·표면 처리 문제다.

NOVA SEMI / 03

3. 산업 근거: 역사적 공개 사례

SK hynix 2022: CMP APC/MICO 공개 사례.

Applied Materials 2007: CMP 엔드포인트 제어.

STMicroelectronics 관련 2017: VM·R2R 연구.

발표 메모·출처

역사적 참고이며 현재 내부 시스템·회사 레시피의 증거가 아니다. SK: https://news.skhynix.com/en/creating-defectless-wafers-a-look-at-clean-cmp-technology/ ; AMAT: https://ir.appliedmaterials.com/news-releases/news-release-details/applied-materials-takes-cmp-process-control-45nm-and-beyond ; STM 관련 VM/R2R: https://doi.org/10.1016/j.ifacol.2017.08.980 . 문헌 수치로 공정 계수를 피팅했다고 주장하지 않는다.

NOVA SEMI / 04

4. 모델보다 먼저 데이터를 고정

1,440사례=120배치×12웨이퍼; seed 20261117.

배치 단위 학습/검증/테스트 864/288/288.

계약 cc-v2.0.0에서 지표·한계·스트레스를 먼저 선언했다.

발표 메모·출처

등록일 2026-11-17. 배치 구간은 [0,72), [72,96), [96,120). 정답은 60초 9지점 잔여 두께이며 학습에는 공정 후 잡음 계측 라벨만 사용한다. 검증 MAE로 선택하고 테스트 결과로 수정하지 않는다. 테스트 절반 배치에는 사전 선언한 매끄러운 추가 상호작용을 적용하며 nominal/stress를 분리 진단한다. 이 발표의 성능 표는 통합 테스트 결과다.

NOVA SEMI / 05

5. 계측과 AFM의 정보 경계

정상·공급 변동·패드 변동·혼합 이벤트를 포함했다.

AFM 240패치: 매 12번째 웨이퍼의 중심·가장자리.

AFM은 공정 후 정보이며 동일 웨이퍼 실시간 입력이 아니다.

발표 메모·출처

AFM은 120웨이퍼×2패치, 32×32 격자, 5 μm 스캔, 최소제곱 평면 제거, 공정 후 120초 가용이다. 테스트 288웨이퍼×9=2,592지점은 반복 관측이다. 독립 표본 수를 2,592웨이퍼로 해석하지 않는다. 9지점 연결선을 연속 공간 맵이나 AFM 영상으로 오인하지 않는다.

NOVA SEMI / 06

6. 예측: 복잡한 모델의 부정적 결과

60초 잔여 두께를 MAE·RMSE·R²로 평가했다.

HistGradientBoosting은 Ridge보다 테스트 성능이 낮았다.

모델MAE (nm)RMSE (nm)R²
고정 예측67.306581.9397-0.290646
Ridge19.600827.24810.869736
HistGradientBoosting21.637129.74610.844158
발표 메모·출처

단위는 오차 nm, R² 무차원. 모델 선택은 검증 MAE로 수행하며 테스트 표를 보고 모델을 다시 선택·조정하지 않는다. 복잡성 자체가 우수성을 보장하지 않는다는 부정적 결과도 공개한다.

NOVA SEMI / 07

7. 예측 검증을 읽는 방법

검증 표는 선택 근거, 테스트 표는 최종 평가다.

고정 모델 산점도에서 이벤트별 오차를 확인한다.

지점·이벤트·nominal/stress 진단으로 평균의 한계를 본다.

발표 메모·출처

사이트 산점도는 모델 드롭다운이 아니라 저장된 선택 모델의 정답 대 예측이다. 이벤트만 필터링하며 축 범위는 전체 데이터 기준으로 유지한다. R²만으로 제어 합격을 판단하지 않는다. 검증 수치는 summary.json을 표시하며 제공되지 않은 수치나 신뢰구간을 만들어 넣지 않는다.

NOVA SEMI / 08

8. 제어 실험과 공동 합격 정의

3구역 압력 2/2.5/3 psi의 27후보를 탐색한다.

정지는 40–100초, 2초 간격; 목표는 500 nm.

평균 두께 ±15 nm와 공간 범위 ≤30 nm를 함께 만족해야 한다.

발표 메모·출처

목적함수는 지점별 예측 목표 오차 제곱의 평균이며 행동 한계를 적용한다. 엔드포인트는 3초 지연·2 nm 잡음 신호를 예측 제거율로 보정한다. 계측 잡음은 1.2 nm다. 고정, 평균 피드백, 식별 Ridge, 학습 모델, 학습+엔드포인트의 다섯 정책을 같은 평가 조건에서 비교한다. 장비에 명령하지 않는 시뮬레이션이다.

NOVA SEMI / 09

9. 제어: 평균 개선, 공간 범위 악화

평균 절대 목표 오차는 50.10→8.37 nm로 감소했다.

평균 공간 범위는 50.31→61.37 nm로 악화됐다.

최고 공동 합격률도 6.60%에 그쳤다.

정책평균 오차 nm9점 범위 nm충족률 %종료 s
고정50.101450.30860.347260.00
평균 피드백36.885854.96592.083368.45
식별 Ridge18.046857.01545.208368.99
학습 모델17.925960.27914.166768.79
학습+엔드포인트8.374561.36766.597270.32
발표 메모·출처

평균 오차 약 83.3% 개선과 공간 균일도 악화를 함께 보고한다. 공동 합격률은 각각 1/288, 6/288, 15/288, 12/288, 19/288이다. 낮은 합격률 때문에 생산 적합성을 주장할 수 없다.

NOVA SEMI / 10

10. 에이전트: 실제 3도구 실행

get_case → request_check(pad_reference) → compute_plan 후 보고했다.

압력 단위를 psi로 수정하고 v2 검색 근거를 반영했다.

실제 수정 보고서를 캐시 표시하며 가짜 대화를 만들지 않는다.

발표 메모·출처

계약은 search_evidence/write_report도 정의하지만 실제 native 실행으로 설명하는 것은 위 세 도구다. v2 검색 근거 수정과 실제 native 호출 목록을 혼동하지 않는다. 보고서의 case_id, action, pressure_unit, pressures, seconds, evidence_ids, summary, limitations 및 validation.valid/checked를 표시한다. 검증 사례당 추가 확인 1회 예산, 시간·근거·수치 일관성을 점검하며 장비 변경이나 미관측 테스트 튜닝은 하지 않는다.

NOVA SEMI / 11

11. 재현 가능한 공개 결과

사이트에서 표·KPI·이벤트 산점도·사례별 9지점을 확인한다.

사례를 바꾸면 정책, 정책을 바꾸면 프로파일이 갱신된다.

저장 JSON과 소스로 평가 결과를 추적한다.

발표 메모·출처

사이트 https://nova-semi-cmp.pages.dev/ ; GitHub sdsznzg123/Ai_asignment4. 데이터 로드 실패·비200 응답·JSON 오류는 load-status에 표시한다. 보고서는 저장된 실제 산출물이며 사이트 방문 시 새 에이전트를 실행한 것처럼 표현하지 않는다. AFM 수와 분할 수, 예측·검증·제어 표를 summary.json과 대조한다.

NOVA SEMI / 12

12. 결론: 성과와 실패를 함께 공개

Ridge보다 복잡한 모델이 나빴고 평균 제어 개선도 균일도를 보장하지 않았다.

다음 단계는 공간 제약·배치 강건성·독립 실측 검증이다.

교육용 결과이며 fab-ready나 에이전트의 일반적 우월성을 주장하지 않는다.

발표 메모·출처

향후 목적함수와 공간 제약을 바꿀 경우 새 계약과 새 평가 데이터로 검증해야 한다. 기존 테스트에 맞춘 재조정은 하지 않는다. 패턴 dishing, STI stop-on, 화학 조성 최적화, 이미지 분류는 범위 밖이다. 작은 검증 사례 시연은 통계적 일반화 증거가 아니며 실제 장비 적용 전 안전·계측·현장 검증이 필요하다.