[인더스트리뉴스 조창현 기자] 반도체 패키지 소형화 및 집적도 향상에 따라 관련 품질검사 과정이 보다 까다로워지고 있다. 공정 정밀도 향상에 따라 반도체 성능에 직접적 영향을 주는 ‘킬러 결함’의 크기가 작아지고, 이미지 속 노이즈와 결함에 대한 구분 난이도가 높아졌기 때문이다. 이에 AI, 빅데이터 같은 다양한 ICT 기술과 접목되며 고도화를 거듭한 머신비전 시장에서는 현재 ‘AI 딥러닝 기술’에 대한 관심도가 높아지고 있다. AI 딥러닝 비전 솔루션 전문기업 뉴로클은 최근 룰베이스 기반 ROI 방식으로 웨이퍼 결함을 검사하던 A사 프로세스를 AI 딥러닝 솔루션으로 대체할 수 있도록 지원했다.

뉴로클 솔루션을 도입한 A사 검출 장면 [자료=뉴로클]

딥러닝, 고속·고정밀 비전검사 지원

딥러닝은 사전에 정해진 규칙이나 조건에 의존하지 않고 이미지나 영상 데이터에서 패턴이나 색상, 형태 등 다양한 특징을 자동 추출한 이후 결함을 학습 및 탐지한다. 이에 전통적인 비전 검사 방식으로는 탐지가 까다로운 특징점까지 구분하고, 변형이 많은 복잡한 패턴 결함을 정확히 검출해낼 수 있다.

뉴로클은 딥러닝이 가진 특성을 통해 사이즈가 작고 밀도가 높은 반도체 분야에서도 빠른 속도로 고정밀 비전 검사가 가능하다고 전했다. 특히 딥러닝 기술 활용시 환경 변화가 많은 공정에서도 유연하게 대처할 수 있고, 신규 자재에 대한 빠른 검사 적용이 가능하다는 장점이 있다. 또 결함 데이터 부족 문제도 해결 가능하다.

뉴로클에 따르면 정상 데이터만을 학습하는 ‘비지도 학습(Unsupervised Learning)’ 방법을 적용하는 경우, 결함 데이터 수집이나 결함 유형 정의 같은 과정이 불필요하다. 정상 데이터만 있어도 양·불 판정이 가능한 모델을 생성할 수 있다는 뜻이다. 이에 딥러닝 기술은 전통적인 머신비전이 가진 한계를 보완 및 대체할 수 있을 것으로 보인다.

뉴로클 AI 딥러닝 비전검사 적용사례 [자료=뉴로클]

반도체 웨이퍼 전문 장비사 공정 지원

뉴로클은 반도체 웨이퍼 전문 장비사인 A사가 기존 룰베이스 기반 프로세스를 AI 딥러닝 솔루션으로 대체할 수 있도록 도와 품질 향상 및 비용 최적화를 성공할 수 있도록 지원했다.

당초 A사는 AOI 설비에서 룰베이스 기반 검사 방식을 통해 반도체 웨이퍼 패턴상 정상(Normal)과 결함(Crack)을 선별해왔다. 뉴로클은 A사 기존 방식은 제조 공정이 복잡하거나 프로그래밍된 기준을 벗어나는 비정형 결함에 대한 검출이 불가하다고 판단했다. 또 기존 방식은 규칙을 추가할 때마다 관련 규칙을 일일이 프로그래밍하는 엔지니어 리소스가 필수적이며, 유지보수 과정에서도 많은 이력과 시간이 소요된다는 한계점을 가지고 있다고 진단했다.

이에 뉴로클은 A사가 반도체 웨이퍼 검사 정확도 및 리소스 절감을 성공적으로 이뤄낼 수 있도록 협업했다. LG와 SK, 현대자동차 등 유수 대기업과 진행한 다양한 산업 특화 프로젝트를 통해 전문성을 확보했왔기에 가능한 성공 사례다. 뉴로클은 대형 장비사 및 협력업체와 함께 업계 최고 수준 토털 솔루션을 제공하고 있다고 밝혔다.

오토딥러닝알고리즘이 가진 장점 [자료=뉴로클]

관건은 고성능 모델 생성…핵심 기술로 ‘오토딥러닝 알고리즘’ 활용

뉴로클이 A사와 협력한 프로젝트는 9,700장에 달하는 학습 이미지를 활용해 정상과 불량(Crack)을 성공적으로 분류하는 Classification 모델 생성을 목표로 진행했다. 뉴로클은 프로젝트를 성공적으로 이끈 주역은 딥러닝 모델 생성용 소프트웨어 ‘뉴로티(Neuro-T)’ 내 탑재된 ‘오토딥러닝 알고리즘(Auto Deep Learning Algorithm)’이라고 설명했다. 오토딥러닝알고리즘은 딥러닝 모델 구조와 학습 파라미터를 자동 최적화해 고성능 검사 모델을 생성하는 기능이다.

일반적인 딥러닝 비전검사는 원하는 성능을 내는 모델이 생성될 때까지 끊임없이 반복 재학습하는 과정을 거치게 되지만, 오토딥러닝 비전검사는 ‘클릭 한 번’으로 고성능 모델을 생성해 딥러닝 전문가가 아닌 비전문가도 검출 정확도가 높은 모델을 만들 수 있다. 뉴로클은 A사 품질관리팀은 오토딥러닝알고리즘을 활용해 최소 학습 횟수로 최적화된 성능을 내는 모델을 생성할 수 있었다고 전했다.

오토레이블은 레이블링 리소스 절감을 지원한다. [자료=뉴로클]

다양한 자동화 기능 바탕 프로젝트 효율 향상

한편 A사 품질관리팀은 AI 딥러닝 프로젝트에서 일반적으로 가장 많은 리소스가 투여되 ‘데이터 레이블링’ 단계에서도 리소스를 획기적으로 절감해냈다. 뉴로클에서 제공하는 ‘오토레이블링(Auto-Labeling)’ 기능을 활용했기 때문이다. 오토레이블링은 적은 이미지만 레이블링하면 나머지 이미지 대한 레이블링 영역을 자동으로 추천해주는 기능이다.

또 뉴로클은 A사가 뉴로티서 제공하는 다양한 기능을 활용해 딥러닝 프로젝트에 대한 편의성과 효율성을 큰 폭으로 높일 수 있었다고 강조했다. 구체적으로 A사는 모델을 다시 생성해야 하는 경우 짧은 추가 학습만으로도 고성능 모델을 생성할 수 있도록 도와주는 ‘빠른 재학습(Fast Retraining)’, 생성한 검사 모델을 현장에 적용하기 이전에 사전 성능 검증 및 평가할 수 있는 ‘인퍼런스 센터(Inference Center)’ 등을 사용했다.

뉴로클은 자동 모델링과 라벨링을 지원하는 혁신 기능으로 A사가 획기적인 리소스 절감과 함께 검사 정확도 극대화라는 ‘두 마리 토끼를 잡은 셈’이라고 평했다. A사 공정에 대해 최소한의 리소스로 효율 최대화를 이끌어냈다는 의미다. 실제로 A사는 뉴로클 솔루션을 활용해 기존 검사 인원을 80% 이상 절감하고 프로젝트 수행 기간도 3분의 1(1/3) 수준으로 단축했다. 또 과검 및 미검율 1% 미만이라는 쾌거를 이뤄낼 수 있었다는 게 뉴로클의 설명이다.

한편 뉴로클이 제공하는 AI 딥러닝 비전검사 솔루션은 웨이퍼 표면 결함 검사와 와이어본드 결함 검사, 집적회로 리드 외관 검사 등에 적용해 외부 오염원과 표면 결함을 탐지할 수 있다.

[조창현 기자 (news@industrynews.co.kr)]

[저작권자 © FA저널 SMART FACTORY, 무단 전재 및 재배포 금지]