KLA와 팹 수율: 비용을 낮춘 검사 및 계측

검사와 계측이 팹 결과를 결정하는 이유

검사와 계측은 팹의 “눈”이지만, 보는 목적이 다릅니다.

**검사(Inspection)**는 답합니다: 웨이퍼 어딘가에 뭔가 잘못됐는가? 입자, 긁힘, 패턴 파손, 오염 또는 향후 고장과 상관관계가 있는 미묘한 이상을 스캔합니다.

**계측(Metrology)**은 답합니다: 공정이 우리가 의도한 대로 작동하고 있는가? 임계 치수(CD), 오버레이(층 간 정렬), 박막 두께 등 칩 기능에 결정적 영향을 주는 파라미터를 측정합니다.

속도와 정확성이 출력으로 바로 연결된다

팹은 측정할 수 있는 것만 통제할 수 있지만—측정 자체가 툴 시간, 엔지니어링 주의력, 큐 공간을 소비합니다. 따라서 끊임없는 트레이드오프가 존재합니다:

• 더 빠른 측정은 더 빠른 학습, 더 타이트한 제어, 그리고 ‘블라인드’로 제작되는 웨이퍼 수를 줄입니다.
• 더 정확하고 반복 가능한 측정은 오탐(false alarm)과 미탐(missed problem)을 줄입니다.

검사가 너무 느리면 결함이 로트 전반으로 퍼질 수 있습니다. 계측이 지나치게 노이즈하면 엔지니어는 실제로 드리프트하지 않은 공정을 ‘쫓아다니며(chase ghosts)’ 조정할 위험이 있습니다.

수율과 비용을 형성하는 조용한 결정들

가장 큰 영향을 주는 팹 결정의 대부분은 극적이지 않습니다—측정 데이터를 기반으로 하루에 수십 번 내려지는 일상적 판단들입니다:

• 멈출 것인가 계속할 것인가: 트렌드 라인이 위험해 보이면 툴을 멈출지, 아니면 생산을 계속할지?
• 재작업 vs 폐기: 문제를 클린/에치백/재리소그래피로 고칠 수 있는가, 아니면 추가 사이클 시간이 정당화되지 않는가?
• 출하 vs 보류: 지금 제품을 릴리스할지, 아니면 이스케이프를 피하기 위해 로트를 추가 검토로 묶을지?

이 판단들이 조용히 수율, 사이클 타임, 웨이퍼당 비용을 결정합니다. 최고의 팹은 단순히 “많이 측정”하는 것이 아니라 올바른 것을 적절한 빈도로, 신호에 대한 신뢰를 가지고 측정합니다.

이 글이 다루는 것(그리고 다루지 않는 것)

이 글은 KLA와 같은 벤더가 수율 관리에 어떻게 들어맞는지—어떤 측정이 중요한지, 그것들이 어떻게 행동을 유도하는지, 그리고 경제성에 어떤 영향을 주는지—이해하는 데 도움이 되는 개념에 집중합니다.

모델별 사양이나 독점적 세부 수치는 다루지 않습니다. 대신 검사와 계측 선택 뒤의 실무 논리를 설명하고, 그 선택들이 경쟁력에 어떻게 파급되는지를 보여줍니다.

측정이 팹 플로우에 끼어드는 위치

웨이퍼는 "한 번만 측정"되지 않습니다. 패터닝과 재료 변화 루프를 지나면서 반복적으로 확인됩니다. 단순화한 경로는 다음과 같습니다: 리소그래피(패턴 인쇄) → 에칭(전사) → 증착(박막 추가) → CMP(평탄화) → 수십 개 레이어 반복 → 전기 테스트 및 최종 분류.

측정 삽입 포인트(그리고 그 이유)

측정은 변동을 나중에 고치기 비용이 커지는 지점 바로 뒤에 삽입됩니다:

• 리소그래피 후: CD와 오버레이를 확인해 에칭 전에 패턴 크기와 배치가 맞는지 검증합니다. 여기서 잡으면 오류를 고정(baking in)하는 것을 방지합니다.
• 에칭 후: 검사와 CD로 패턴이 전사되었는지 확인합니다. 에칭 바이어스는 리소그래피가 괜찮아 보여도 특징을 조용히 이동시킬 수 있습니다.
• 증착 후: 박막 두께와 균일성을 확인해 추가된 레이어가 목표에 맞는지 보장합니다. 작은 두께 오차가 스택을 통해 누적될 수 있습니다.
• CMP 후: 평탄도와 잔여 두께를 계측해 과도한 폴리시로 기능성 물질이 제거되거나, 부족한 폴리시로 다음 리소그래피 초점 윈도우가 깨지는 것을 방지합니다.

샘플링 플랜: 모든 레이어가 동일하지 않다

팹은 모든 것을 같은 빈도로 측정하지 않습니다. 핵심 레이어(타이트한 설계 규칙, 민감한 오버레이 버짓, 신규 공정 단계)는 샘플링을 높이는 경향이 있습니다—로트당 더 많은 웨이퍼, 웨이퍼당 더 많은 사이트, 더 빈번한 검사. 성숙하거나 덜 중요한 레이어는 처리량을 보호하기 위해 더 가벼운 샘플링을 사용합니다.

샘플링 플랜은 기술적 결정만큼이나 비즈니스 결정입니다: 너무 적게 측정하면 이스케이프가 늘고, 너무 많이 측정하면 사이클 타임이 악화됩니다.

인라인 vs 오프라인: 속도 대 깊이

• 인라인 계측/검사는 생산 흐름 안, 결과를 만든 툴에 가깝게 일어나며 제어 루프에 더 빠르고 큐 시간을 제한합니다.
• 오프라인 측정은 전용 구역이나 랩에서 수행되며(종종 더 깊은 분석, 때로는 느림) 문제 해결, 모델링, 근본 원인 확인에 유용하지만 대응이 지연될 수 있습니다.

실무 목표는 균형: 공정을 제때 조정할 충분한 인라인 커버리지와, 데이터가 변화를 시사할 때의 타깃 오프라인 작업.

결함: 무엇이 발견되고 무엇이 놓치며, 왜 중요한가

검사는 종종 "결함을 찾는 것"으로 설명되지만, 실제 업무는 어떤 신호에 대응할 가치가 있는지를 결정하는 것입니다. 현대 팹은 하루에 수백만 건의 결함 '이벤트'를 생성할 수 있고, 그중 극히 일부만 전기적 성능에 영향을 줍니다. 플랫폼과 툴(예: KLA급 시스템)은 원시 이미지를 결정으로 바꾸는 데 도움을 주지만, 항상 트레이드오프가 존재합니다.

흔한 결함 유형(그리고 왜 까다로운가)

결함은 레이어, 패턴, 공정 단계에 따라 다릅니다:

• 입자(Particles): 먼지, 잔류물, 공기 중 오염물이 웨이퍼에 착지해 필름 또는 레지스트에 인쇄됨.
• 패턴 결함: 누락된 피처, 여분 피처, 선 파단, 국소 변형 등 의도한 레이아웃을 변경하는 결함.
• 긁힘 및 취급 자국: 로봇, 캐리어, CMP 상호작용으로 인한 기계적 손상.
• 브리지/쇼트: 레지스크럼(scumming), 에칭 문제, 패턴 붕괴로 인한 의도치 않은 연결.

많은 경우 처음 보기엔 유사하게 보입니다. 밝은 ‘점’은 한 레이어에서는 무해한 레지스트 이물질일 수 있지만, 다른 레이어에서는 수율 킬러일 수 있습니다.

너이선스 vs 키러 결함

키러 결함은 기능적 고장을 유발할 가능성이 높은 결함입니다(오픈, 쇼트, 누설, 파라메트릭 이동). 너이선스 결함은 실제이거나 겉보기로는 존재하더라도 수율에 영향을 주지 않습니다—마진 안의 미관적 거칠기 등.

분류는 중요합니다. 팹은 단순히 감지 비용만 지불하는 것이 아니라, 그 감지가 유발하는 검토 시간, 로트 보류, 재작업, 엔지니어링 분석, 툴 다운타임 등에 대한 비용을 지불합니다. 분류가 좋을수록 불필요한 대응이 줄어듭니다.

결함 밀도와 수율(고수준)

고수준에서 결함 밀도는 단위 면적당 결함 수입니다. 칩이 커지거나 설계 규칙이 타이트해지면, 핵심 영역에 키러가 적어도 하나 떨어질 확률이 올라갑니다. 따라서 키러 결함 밀도를 소폭이라도 줄이면 눈에 띄는 수율 향상을 만들 수 있습니다.

놓치는 것: 거짓음성과 거짓양성

완벽한 검사 시스템은 없습니다:

• 거짓음성(true negative)(놓친 키러)은 가장 위험합니다: 더 많은 가치가 붙은 후 나중에 수율 손실로 드러납니다.
• 거짓양성(false positive)(해롭지 않은 것을 결함으로 표시)은 비용을 은밀하게 늘립니다: 추가 검토, 불필요한 이스케이저, 느려진 사이클 타임.

목표는 "모든 것을 찾는 것"이 아니라, 적절한 비용으로 적시에 올바른 것을 찾는 것입니다.

계측 기초: CD, 오버레이, 공정 드리프트

계측은 팹이 "툴이 돌았다"를 "패턴이 실제로 의도한 대로 나왔는가"로 바꾸는 방법입니다. 수율 학습에서 자주 등장하는 세 가지 측정은 임계 치수(CD), 오버레이, 그리고 드리프트입니다.

임계 치수(CD): 소자가 동작을 결정하는 폭

CD는 인쇄된 피처의 측정된 폭입니다—트랜지스터 게이트 길이나 좁은 금속선의 폭을 생각하면 됩니다. CD가 약간만 빗나가도 전기적 거동이 빠르게 바뀝니다: 너무 좁으면 저항이 증가하거나 오픈이 생기고, 너무 넓으면 이웃과 쇼트되거나 트랜지스터 구동 전류가 변합니다. 최신 설계는 마진이 작아서 몇 나노미터의 바이어스가 많은 다이에서 "안전"에서 "체계적 실패"로 이동시킬 수 있습니다.

CD 문제는 종종 포커스/노광 시그니처를 가집니다. 포커스가 어긋나면 선이 둥글어지거나 목이 조여지거나 '핀치'된 것처럼 보일 수 있습니다. 노광량이 어긋나면 피처가 너무 크게 또는 너무 작게 인쇄됩니다. 평균 폭은 괜찮아 보여도 형태(fidelity)가 뒤틀려 있을 수 있습니다.

오버레이: 레이어들이 서로 어긋날 때

오버레이는 한 레이어가 이전 레이어에 얼마나 정확히 쌓였는지를 측정합니다. 정렬 오류가 누적되면 비아가 타깃을 놓치고, 콘택트가 부분적으로 놓이거나 엣지가 잘못 겹쳐져 칩이 실패할 수 있습니다. 각 레이어의 CD가 ‘완벽’해도 레이어들이 정렬되지 않으면 고장이 날 수 있습니다.

팹이 어떻게 측정하는가(개념적으로)

일반적으로 팹은 빠르고 고처리량인 측정에 광학 계측을 사용하고, 더 작은 피처를 날카롭게 보기 위해 SEM 기반 계측을 사용합니다. 벤더는 측정이 실제 드리프트를 얼마나 빨리 포착하는가—로트 전체 수율 손실로 번지기 전에—를 기준으로 선택됩니다.

공정 드리프트는 조용한 적입니다: 온도, 화학, 장비 마모, 리타클 변경이 CD와 오버레이를 서서히 밀어 팹이 갑자기 스펙 밖으로 나가게 만듭니다.

측정에서 행동으로: SPC, 피드백, 피드포워드

측정은 그것이 일관된 결정을 촉발할 때만 비용을 줄입니다. 그 "마지막 마일"이 통계적 공정 관리(SPC)입니다: 검사와 계측 신호를 운영자가 신뢰하는 행동으로 바꾸는 루틴입니다.

피드백 vs 피드포워드(쉬운 예)

에칭 단계 후 CD 측정이 더 넓게 드리프트하는 상황을 상상해보세요.

피드백 제어는 고전적 루프입니다: 결과를 측정하고 에처 레시피를 조정해 다음 로트가 목표로 돌아오게 합니다. 강력하지만 항상 한 스텝 늦습니다.

피드포워드 제어는 업스트림 정보를 사용해 오류가 나중에 나타나지 않게 방지합니다. 예를 들어 리소그래피 오버레이나 포커스 측정이 특정 스캐너에서 알려진 바이어스를 지시하면, 해당 로트를 가공하기 전에 다운스트림 에치나 증착 설정을 자동으로 조정할 수 있습니다.

관리 한계, 예외, 그리고 알람이 신뢰되어야 하는 이유

SPC 차트는 목표 주위에 **관리 한계(control limits)**를 그립니다(종종 공정 변동을 기준으로). 데이터가 그 한계를 넘으면 예외(excursion)—공정이 단순한 노이즈가 아니라 변했다는 신호입니다.

팀이 "아마 괜찮겠지"라며 알람을 자주 무시하면 두 가지가 발생합니다:

• 진짜 예외가 배경 노이즈로 섞입니다.
• 공장은 예방에서 화재 진압 모드(보류, 회의, 재작업)로 이동합니다.

신뢰할 수 있는 알람은 적절한 이유로 빠르고 반복 가능하게 라인을 멈추게 합니다.

측정 지연이 보정 품질을 바꾸는 이유

지연(latency)은 가공과 사용 가능한 측정 사이의 시간입니다. CD 결과가 여러 로트가 이미 처리된 뒤에 도착하면, 피드백 보정은 미래만 고치고 현재에는 결함이 쌓입니다. 지연이 작을수록(또는 샘플링이 스마트할수록) 위험에 처한 소재가 줄어들고 피드백/피드포워드 모두 개선됩니다.

SPC 규율은 보류와 재작업을 줄인다

한계, 대응 계획, 책임이 명확하면 "혹시 몰라" 보류되는 로트가 줄고 비용 큰 재작업이 줄어듭니다. 그 보상은 더 조용한 운영: 더 적은 변동, 더 적은 놀람, 더 빠른 수율 학습입니다.

경제학: 측정 선택이 웨이퍼당 비용을 어떻게 바꾸는가

측정은 팹에서 단순한 "간접비"가 아니라—비싼 실수를 예방하거나 비싼 바쁜 일을 만들 수 있는 선택의 집합입니다. 비용 영향은 예측 가능한 버킷에 나타납니다:

• 스크랩: 폐기해야 하는 웨이퍼나 다이
• 재작업: 리소그래피/에칭/클린 반복, 추가 계측, 추가 취급 위험
• 툴 시간: 보류, 큐잉, 재처리로 잃는 용량
• WIP 및 지연: 엔지니어가 디버깅하는 동안 대기하는 재고와 사이클 타임 패널티
• 긴급 처리 및 로트 분할: 운영적 혼선으로 가변성과 오류 증가

감도가 우선순위화와 짝지어지지 않으면 비용이 올라간다

검사의 감도를 올리면(예: 더 작은 결함 사이즈까지 탐지) 이스케이프는 줄어들 수 있지만, 엔지니어링이 너이선스 신호로 넘쳐나 비용이 증가할 수 있습니다. 모든 "가능한 결함"이 보류로 이어지면, 팹은 툴 유휴 시간, 큐 증가, 분석 노동에서 비용을 치릅니다.

경제적 질문은 "도구가 그것을 볼 수 있는가?"가 아니라 "그것에 대응함으로써 생성되는 이득이 만든 비용보다 큰가?"입니다.

샘플링 전략은 직접적인 비용 레버다

어디를 더 측정하느냐(또는 덜 측정하느냐)는 어떤 도구를 사느냐만큼 중요합니다. 고위험 레이어(신규 공정 단계, 타이트한 오버레이 레이어, 알려진 예외 포인트)는 보통 더 촘촘한 샘플링을 받을 자격이 있습니다. 안정된 레이어는 더 가벼운 샘플링과 강한 SPC 가드레일에 의해 더 잘 봉사됩니다.

많은 팹은 검사/계측 출력을 사용해 레이어별로 커버리지를 조정합니다: 예외가 자주 발생하는 곳에서 커버리지를 늘리고, 신호가 거의 행동을 유발하지 않는 곳에서는 줄입니다.

“좋은 포착” vs 비용을 유발하는 노이즈

좋은 포착: 전체 로트를 손상시킬 포커스 드리프트를 조기에 감지해 빠른 보정을 가능하게 하고 다운스트림 리소그래피/에칭 단계를 절약.

비용을 유발하는 노이즈: 수율과 전기적 결과는 변하지 않는데도 반복적으로 무해한 패터닝 아티팩트를 플래그해 보류와 검토를 트리거—사이클 타임을 태우면서 스크랩은 줄지 않음.

처리량과 사이클 타임: 측정은 공장의 제약이다

수율 학습은 "공짜"로 일어나지 않습니다. 모든 검사 스캔, 계측 샘플, 결함 리뷰는 희소한 툴 시간을 소비하고—그 용량이 빡빡할 때 측정은 사이클 타임을 늘리는 공장 제약이 됩니다.

사이클 타임이 실제로 늘어나는 곳

대부분의 사이클 타임 영향은 스캔 자체가 아니라 기다림입니다. 팹은 주로 다음에서 큐가 쌓이는 것을 봅니다:

• 계측 툴들(CD, 오버레이, 박막 두께)에서 공정 변화 후 샘플링이 급증할 때
• 검사 리뷰 스테이션에서 고결함 로트가 추가 분류와 수동 체크를 요구할 때
• 엔지니어링 보류 동안 팀이 상충하는 신호(툴 A는 “예외”, 툴 B는 “스펙 내”)를 조정할 때

그 큐들이 라인 전반의 로트를 느리게 하고 WIP를 늘리며, 재확인을 건너뛰고 단지 소재를 움직이게 하는 비최적 결정을 강요할 수 있습니다.

용량 계획: 처리량, 레시피 믹스, 활용도

측정 용량을 계획하는 것은 단지 "충분한 도구를 사는 것"이 아닙니다. 그것은 레시피 믹스에 용량을 맞추는 것입니다. 긴 민감한 검사 레시피는 가벼운 모니터보다 툴 시간을 여러 배 소비할 수 있습니다.

팹이 사용하는 주요 수단:

• 리스크 기반으로 샘플링 플랜 정의(신규 툴, 신규 재료, 약한 단계에 샘플링 증가)
• 예외 및 공정 확대를 위한 여유 서지 용량 예약
• 활용도 여유 보전; 검사/계측을 거의 100% 활용도로 운용하면 큐가 불안정해집니다.

자동화는 숨겨진 대기를 줄인다

자동화는 "사이의" 작업을 줄일 때 사이클 타임을 개선합니다:

• 자동 웨이퍼 핸들링과 팹 스케줄러와의 긴밀한 통합은 유휴 갭을 줄입니다.
• 제품/레이어/컨텍스트별 레시피 자동 선택은 잘못된 레시피로 인한 재작업을 방지합니다.
• 스마트 라우팅은 사용 가능한 툴로 부하를 분산시키고 단일 병목을 피합니다.

빠른 근본원인 분석은 반복 예외를 막는다

속도의 가장 큰 보상은 학습입니다. 검사와 계측 결과가 빠르게 명확하고 실행 가능한 진단으로 흐르면 팹은 동일한 예외를 여러 로트에 걸쳐 반복하는 것을 피합니다. 이는 재작업, 스크랩 위험, "우려 때문에 샘플링을 늘리는" 누적된 사이클 타임 피해를 줄입니다.

고급 공정 과제: EUV, 복잡성, 좁아지는 허용치

피처 축소는 단지 칩을 빠르게 하는 것뿐만 아니라, 측정을 더 어렵게 만듭니다. 첨단 노드에서 허용 오차 창이 매우 작아져 검사 감도와 계측 정밀도가 동시에 향상되어야 합니다. 결과는 단순합니다: 이전에 무해하던 결함이나 몇 나노미터의 드리프트가 갑자기 웨이퍼를 "양호"에서 "한계"로 뒤집을 수 있습니다.

EUV: 새로운 실패 모드, 평균으로 상쇄할 공간 감소

EUV는 결함 및 계측 문제를 몇 가지 중요한 방식으로 바꿉니다:

• 확률적(stochastic) 결함: 랜덤하고 샷 노이즈 같은 사건(재료 누락/여분, 마이크로 브리지, 마이크로 브레이크)이 공정이 정상이더라도 발생할 수 있습니다. 그러므로 스팟 체크로 잡기 어렵습니다.
• 마스크 관련 위험: EUV 마스크는 반사형이며 복잡합니다. 마스크 스택의 결함이 비직관적으로 인쇄될 수 있고, 어떤 마스크 이슈는 필드에 따라 다르게 행동할 수 있습니다.

이것은 팹을 더 민감한 검사, 스마트 샘플링, 측정과 조정 간의 더 타이트한 연결로 밀어냅니다.

복잡성: 다중 패터닝과 높은 스택이 타깃을 압박한다

EUV가 있더라도 많은 레이어는 다중 패터닝 단계와 복잡한 3D 스택을 포함합니다(더 많은 박막, 더 많은 인터페이스, 더 많은 지형). 이것은 다음 가능성을 높입니다:

• 단계 간 오버레이 누적
• "측정된 에지"가 전기적 에지가 아닌 경우 CD 타깃이 이동
• 재료와 프로파일이 변하면서 신호 모델링이 어려워짐

계측 타깃이 덜 대표적이 될 수 있고 레시피는 수율과의 상관성을 유지하기 위해 자주 튜닝되어야 합니다.

레이어와 디바이스에 따라 요구사항이 다르다

모든 레이어가 동일한 감도나 정밀도를 필요로 하진 않습니다. 로직, 메모리, 전력 소자는 서로 다른 실패 메커니즘에 초점을 맞추고, 하나의 칩 내에서도 게이트, 콘택트, 비아, 금속 레이어는 매우 다른 검사 임계값과 계측 불확실성을 요구할 수 있습니다. 이기는 팹은 측정 전략을 레이어별 엔지니어링으로 다루고 일괄 설정을 피합니다.

운영 현실: 레시피, 매칭, 일상적 안정성

검사와 계측은 결과가 교대마다 그리고 툴마다 반복 가능할 때만 수율에 도움이 됩니다. 실제로 이는 측정 물리학보다 운영 규율(레시피, 툴 매칭, 보정, 통제된 변경)에 더 많이 달려 있습니다.

레시피 관리 = 반복성

"레시피"는 특정 레이어/제품에 사용되는 측정 위치, 광학/빔 설정, 포커스 전략, 임계값, 샘플링 플랜, 분류 규칙의 저장된 집합입니다. 좋은 레시피 관리는 복잡한 툴을 일관된 생산 장비로 바꿉니다.

작은 레시피 차이는 "가짜" 예외를 만들 수 있습니다—민감도가 바뀌었기 때문에 한 교대가 더 많은 결함을 본다고 느낄 수 있습니다. 많은 팹은 레시피를 버전 관리하고 접근을 통제하며 제품/레이어 ID에 연동해 같은 웨이퍼가 항상 동일하게 측정되도록 합니다.

보정과 툴 간 매칭

대량 생산 팹은 용량과 중복성을 위해 여러 대의 툴(종종 여러 세대)을 운용합니다. 툴 A가 CD를 툴 B보다 3 nm 높게 읽는다면, 두 개의 공정이 아니라 두 개의 자(ruler)가 있는 것입니다.

보정은 자를 기준에 고정시키고, 매칭은 서로 다른 자를 정렬합니다. 여기에는 주기적 게이지 체크, 기준 웨이퍼, 오프셋과 드리프트의 통계적 모니터링이 포함됩니다. 벤더는 매칭 워크플로를 제공하지만, 누가 오프셋을 승인하는지, 얼마나 자주 재매칭할지, 어떤 한계가 정지를 유발하는지에 대한 명확한 소유권이 필요합니다.

변경 통제와 검증

재료, 패턴, 목표가 바뀔 때 레시피도 바뀌어야 하지만 모든 변경은 검증이 필요합니다. 일반적 관행은 "섀도 모드": 업데이트된 레시피를 병렬로 실행해 델타를 비교하고, 상관성을 유지하고 다운스트림 SPC 한계를 깨지 않을 때만 승격(promote)합니다.

작업자 워크플로: 리뷰 → 분류 → 처리 결정

일상적 안정성은 빠르고 일관된 결정에 달려 있습니다:

• 리뷰: 신호 품질 확인 및 툴/취급 문제 배제
• 분류: 너이선스 신호와 체계적 결함 분리
• 처리 결정: 재작업, 보류, 엔지니어링 로트, 계속 진행 결정

이 워크플로가 표준화되면 측정은 변동의 원인이 아니라 신뢰할 수 있는 제어 루프가 됩니다.

추적할 항목: 측정을 경쟁력과 연결하는 KPI

측정은 공정이 드리프트하기 전에 결정을 바꿀 때만 경쟁력을 향상시킵니다. 아래 KPI는 검사/계측 성능을 수율, 사이클 타임, 비용과 연결합니다—주간 리뷰를 데이터 덤프로 만들지 않으면서요.

검사 KPI(우리가 올바른 결함을 보고 있는가?)

캡처율(Capture rate): 검사가 찾아내는 "실제" 수율 제한 결함의 비율입니다. 단일 수치가 아니라 결함 유형과 레이어별로 추적하세요.

결함 추가자(Defect adder): 측정 단계 자체가 도입한 결함(취급, 추가 큐 시간으로 인한 WIP 위험, 재작업). 추가자가 상승하면 "더 많은 샘플링"이 오히려 역효과일 수 있습니다.

너이선스 비율(Nuisance rate): 탐지된 이벤트 중 행동을 유발하지 않는 비율(노이즈, 무해한 패턴 아티팩트). 높은 너이선스 비율은 리뷰 용량을 소모하고 근본원인 조사 지연을 만듭니다.

계측 KPI(숫자를 시간과 툴 간에 신뢰할 수 있는가?)

정밀도(Precision): 동일한 피처에서 툴의 반복성; 관리 한계를 얼마나 좁힐 수 있는지와 직접 연관됩니다.

정확도(Accuracy): 진짜 값(또는 합의된 기준)에 얼마나 가까운가. 정밀도만 있고 정확도가 없으면 체계적 오조정이 발생합니다.

TMU(총 계측 불확실성): 반복성, 매칭, 샘플링 효과, 레시피 민감도를 합친 실무적 롤업.

툴 매칭: 동일 레시피를 운용하는 툴 간의 일치도. 매칭이 나쁘면 겉보기 공정 변동이 커지고 디스패칭이 복잡해집니다.

팹 대응 KPI(수율 손실 전에 행동하는가?)

예외 발생률(Excursion rate): 공정이 정상 윈도우를 벗어나는 빈도(모듈, 레이어, 교대별). **이스케이프 비율(escape rate)**과 짝지어 보세요(다운스트림 영향이 발생하기 전에 포착되지 않은 예외).

평균 탐지 시간(MTTD): 예외 시작부터 탐지까지 시간. MTTD 단축은 종종 원시 툴 사양의 소폭 개선보다 큰 이득을 줍니다.

보류 로트 수: 계측/검사 신호로 보류된 로트의 양과 경과 시간. 너무 낮으면 문제를 놓치고, 너무 높으면 사이클 타임에 타격입니다.

비즈니스 KPI(측정 투자가 회수되는가?)

수율 학습 속도: 주요 변경(신규 노드, 신규 툴셋, 대규모 레시피 수정) 후 주/월 단위의 수율 향상 속도.

품질 비용(COPQ): 스크랩 + 재작업 + 긴급 처리 + 늦게 발견된 비용(이스케이프에 기인).

사이클 타임 영향: 측정으로 인한 큐 시간과 재작업 루프. 유용한 관점은 제어 단계별 "로트당 추가되는 사이클 타임 분"입니다.

시작하기 쉬운 세트로는 각 그룹에서 KPI 하나씩 골라 SPC 신호와 함께 동일 회의에서 검토하는 것입니다. 지표를 행동 루프로 바꾸는 방법에 관해서는 /blog/from-measurements-to-action-spc-feedback-feedforward를 참조하세요.

팹이 툴과 벤더(예: KLA)를 평가하는 방법

팹에서 툴 선택은 독립형 기기를 사는 것과 다르게 공장 신경계의 일부를 고르는 것과 비슷합니다. 팀은 하드웨어뿐 아니라 주변 측정 프로그램(무엇을 찾을 수 있는지, 얼마나 빠르게 실행되는지, 데이터가 의사결정을 얼마나 신뢰성 있게 구동하는지)을 평가합니다.

핵심 평가 기준

우선 팹은 감도(툴이 신뢰성 있게 감지할 수 있는 최소 결함/공정 변화)와 너이선스 비율(무해한 신호를 얼마나 자주 플래그하는지)를 봅니다. 더 많은 이슈를 찾는 툴이 항상 더 좋은 것은 아닙니다—엔지니어를 오탐으로 압도하면 안 됩니다.

두 번째는 처리량(throughput): 요구되는 레시피 설정에서 시간당 웨이퍼 수. 느린 모드에서만 사양을 충족하는 툴은 병목을 야기할 수 있습니다.

세 번째는 **총 소유 비용(Cost of ownership)**인데, 구매가만이 아닙니다:

• 가동 시간과 안정성(얼마나 자주 개입해야 하는지)
• 소모품과 서비스 계약
• 레시피, 매칭, 알람 유지에 필요한 엔지니어링 시간
• 바닥 면적과 유틸리티

통합과 워크플로 적합성

팹은 툴이 기존 시스템(MES/SPC), 표준 팹 통신 인터페이스, 자동 차트 작성, 예외 감지, 로트 폐기 연계 가능한 데이터 포맷으로 얼마나 매끈하게 들어맞는지 평가합니다. 동등하게 중요한 것은 리뷰 워크플로—결함 분류 방식, 샘플링 관리, 결과가 공정 모듈로 얼마나 빨리 돌아오는가입니다.

파일럿 운영 방식

일반적인 파일럿 전략은 스플릿 로트(다른 측정 접근을 통해 매치된 웨이퍼 전송)와 골든 웨이퍼를 사용해 툴 간 일관성을 시간 경과로 확인합니다. 결과는 기준(현재 수율, 현재 감지 한계, 보정 속도)에 대해 비교됩니다.

KLA의 위치

많은 팹에서 KLA와 같은 벤더는 동일한 카테고리(능력, 공장 적합성, 경제성)로 다른 검사·계측 공급자와 함께 평가됩니다—승자는 웨이퍼당 의사결정을 개선하는 쪽이지 단순히 웨이퍼당 측정을 더 많이 하는 쪽이 아닙니다.

실무적 시사점과 더 나은 수율 학습을 위한 체크리스트

수율 학습은 단순한 인과 사슬입니다: 감지 → 진단 → 교정.

검사는 어디서와 언제를 결함이 나타나는지 찾고, 계측은 공정이 얼마나 벗어났는지 설명합니다(CD, 오버레이, 박막 두께 등). 공정 제어는 그 증거를 레시피 조정, 스캐너/에처 튜닝, 유지보수 강화, 샘플링 플랜 변경 같은 행동으로 바꿉니다.

측정 ROI를 개선하기 위한 체크리스트

다음 목록을 사용해 단순히 "더 많은 측정"을 사지 않고 수율 영향력을 키우세요.

• 도구가 아니라 결정에서 시작하라: 측정이 어떤 결정을 촉발할 것인가(로트 보류, 재작업, 레시피 조정, 툴 유지보수)? 명확한 행동이 없다면 ROI는 약합니다.
• 샘플링을 적정화하라: 변동성이 큰 곳(신규 공정 단계, 유지보수 직후 툴)을 더 측정하고 안정된 곳은 덜 측정하라.
• 지연을 줄여라: 완벽한 측정이라도 2–3 로트 후에 도착하면 비싸다. 고위험 단계에 대해 빠른 라우팅, 큐 규율, 자동화를 우선시하라.
• 감지와 처리 결정을 분리하라: 주요 결함 유형을 빠르게 분류할 리뷰 용량을 확보하라(키러 vs 너이선스). 그렇지 않으면 문제를 "찾기만" 하고 학습하지 못한다.
• 오탐을 주시하라: 너이선스가 너무 많거나 계측이 불안정하면 불필요한 보류가 생긴다. 임계값을 조정하고 툴 매칭을 유지하라.
• 루프를 닫아라: 피드백/피드포워드가 실제로 예외를 줄이는지 확인하라(전후 차트, SPC 규칙 히트, 스크랩률 변화).
• 측정을 측정하라: 반복성, 매칭, 보정 상태를 추적하라. 잘못된 계측은 측정하지 않는 것보다 더 해롭다—잘못된 행동을 유발하기 때문이다.

긴 소프트웨어 프로젝트 없이 측정 데이터를 내부 도구로 전환하기

한 가지 과소평가된 레버는 팀이 측정 데이터를 얼마나 빨리 운영화하느냐입니다—SPC 신호, 툴 매칭 상태, 보류 로트 노화, MTTD/이스케이프율 트렌드를 결합한 대시보드가 그 예입니다.

이 지점에서 Koder.ai 같은 vibe-coding 플랫폼이 도움이 될 수 있습니다: 팀이 채팅으로 원하는 워크플로를 설명하면 가벼운 내부 웹앱(예: SPC 리뷰 콘솔, 예외 분류 큐, KPI 대시보드)을 생성하고 프로세스가 진화함에 따라 반복할 수 있습니다. Koder.ai는 React 기반 웹앱과 Go + PostgreSQL 백엔드를 지원하고 소스 코드 내보내기를 제공하므로 빠른 파일럿과 공식 인수 모두에 맞출 수 있습니다.

다음 읽을거리

이 조각들이 어떻게 연결되는지 복습하려면 /blog/yield-management-basics를 보세요. 비용과 도입 관련 질문은 /pricing이 "좋다"는 ROI의 기준을 잡는 데 도움이 됩니다.

비기술 이해관계자를 위한 실무 요약

• 빠르고 실행 가능한 측정은 숨겨진 비용(스크랩, 재작업, 사이클 타임 지연)을 줄입니다.
• 최상 프로그램은 원시 데이터량이 아니라 결정 속도와 명확성에 집중합니다.
• 측정이 어떤 행동을 촉발하는지 설명할 수 없다면, 수율 개선에 기여하기 어려울 것입니다.