나노 시대의 제조 과제
메모리 기술의 소형화가 지속됨에 따라 제조 공정은 더욱 복잡해지고 있으며, 추가적인 제조 단계와 좁은 공정 마진은 수용 가능한 수율(Yield)을 달성하는 데 큰 도전 과제가 되고 있다. 특히 제조 스케일업 단계에서는 기존의 무작위 결함과는 달리 다양한 제조 단위 간의 복잡한 상호작용으로 인해 발생하는 시스템적 결함이 주요 장애물로 부상하고 있다.
디지털 트윈과 머신러닝의 역할
최근 연구에 따르면 (SEMulator3D)와 같은 가상 제조 모델을 지원하는 디지털 트윈(Virtual Twins)과 머신러닝(ML) 알고리즘을 사용하는 것이 결함의 근본 원인을 파악하는 데 있어 게임 체인저가 될 수 있음을 보여주었다. 이 기술을 통해 엔지니어는 보정된 디지털 환경 내에서 제조 공정의 변화를 시뮬레이션할 수 있으며, 이를 통해 실리콘 웨이퍼 상에서 수행되는 비용이 많이 들고 느린 물리적 실험의 필요성을 줄일 수 있다.
생산성 향상의 구체적인 결과
DRAM 메모리 제조 공정에 적용된 사례 연구에서 쇼트(Shorts), 오픈(Opens) 및 민감한 구조 사이의 기하학적 결함을 포함한 8가지 시스템적 실패 패턴이 식별되었다. 머신러닝을 사용하여 연구진은 다음과 같은 성과를 거두었다:
- 실제 실리콘 데이터와 비교하여 가상 모델을 보정함.
- 각 결함을 개별적으로 처리하는 대신 여러 공정 변화의 영향을 동시에 평가함.
- 결함률을 집단적으로 감소시키는 최적의 제조 목표를 식별함.
이러한 개선은 예상 수율의 획기적인 도약을 이끌어냈으며, AI 기반 개선 사항을 적용한 후 수율은 명목 제조 조건에서의 0.1%에서 78.5%로 상승했다.
이 뉴스가 중요한 이유
이러한 발전은 반도체 제조 공장이 제조 복잡성에 대처하는 방식의 변화를 의미한다. 막대한 시간과 자원을 소모하는 물리적 실험에 전적으로 의존하는 대신, 디지털 트윈은 엔지니어가 결함을 디지털 방식으로 예측하고 수정할 수 있는 광범위한 솔루션 공간을 제공한다. 이는 제품 개발 속도를 높일 뿐만 아니라 연구 개발 비용을 직접적으로 절감하여 첨단 메모리 기술이 시장에 더 빠르게 출시될 수 있도록 한다.