반도체 공정 데이터 분석을 통한 수율 개선 프로젝트 (SECOM)

개요

반도체 기업에서 수율 엔지니어에게는 데이터 분석 역량이 필수적이라고 생각했습니다. Pandas와 머신러닝을 학습하는 데 그치지 않고, 실제 반도체 제조 공정 데이터를 활용해 수율 저하의 원인을 분석하는 프로젝트를 진행했습니다.

문제 정의

• 1,500개 이상의 공정 변수 중 수율(Pass/Fail)에 실질적인 영향을 주는 변수를 특정해야 했음
• 변수 다수에 결측치가 포함되어 있어 그대로 분석에 사용할 수 없었음
• 단순 상관관계만으로는 다변량 공정 데이터에서 핵심 원인을 짚어내기 어려웠음

접근 방법

전처리

• Pandas를 활용해 1,500개 이상의 변수 중 결측치가 다수 포함된 변수를 선별적으로 제거
• 남은 변수의 결측치는 평균값으로 대체하는 등 데이터 정제 수행

분석

• 정상/불량(Pass/Fail) 그룹 간 데이터 분포 비교
• Random Forest 모델을 활용해 수율에 가장 큰 영향을 미치는 핵심 변수(Feature Importance) Top 5 도출

Random Forest 기반 공정 변수 Feature Importance Top 5 (변수 ID: 59, 103, 348, 130, 33)

결과 및 기여

분석 결과, 특정 'Sensor' 값이 수율 저하와 가장 높은 상관관계를 보임을 확인했습니다. 이를 바탕으로 해당 공정 변수의 관리 한계선(Control Limit)을 강화하는 엔지니어링 솔루션을 제안했습니다.

한 줄 소개

"제조 공정 데이터(SECOM)를 활용, Pandas 기반의 데이터 전처리 및 머신러닝(Random Forest)을 통해 수율 저하의 핵심 원인(공정 변수)을 규명하고 개선 방안을 도출한 프로젝트"

배운 점 & 향후 계획

• 결측치를 처리하고, 머신러닝 모델로 핵심 불량 원인을 특정하며, 공정 개선점을 도출하는 엔지니어의 문제 해결 전 과정을 경험함
• 단일 변수 상관관계가 아닌 모델 기반 변수 중요도로 접근해야 다변량 공정 데이터의 원인을 더 신뢰성 있게 짚어낼 수 있음을 체득
• 다음에는 XGBoost·LightGBM 등 다른 분류 모델과 성능을 비교하고, 도출한 핵심 변수를 실제 공정 관리도(SPC)와 연동해 실시간 이상 탐지로 확장해보고 싶습니다