정확도 99% ML 모델이 반도체 팹(FAB)에서 외면받은 이유

Context

반도체 수율 예측을 위해 최신 ML 모델들이 대거 도입되는 추세. 학술적 정확도는 매우 높으나 실제 생산 현장 적용은 저조한 상태. 모델의 예측 성능과 현장의 의사결정 구조 간의 심각한 괴리가 존재.

Technical Solution

• N-BEATS와 GNN을 결합하여 수천 개의 다변량 시계열 데이터에서 이상 징후 전조 현상을 포착하는 비지도 학습 설계
• Facebook Prophet 기반의 AI-SPC를 도입하여 제어 한계 돌파 전 사전 유지보수가 가능한 예측 체계 구축
• Semi-supervised Learning과 그룹 지향 일관성 제약 조건을 활용해 저대조 이미지 내 결함 세그멘테이션 효율화
• 절대적 기준점(Golden Reference) 대신 도구 간 상대적 차이 점수를 계산하는 Difference Score 방식의 Tool-to-Tool 매칭 구현
• LSTM 모델에 TSMC 분기 보고서 같은 텍스트 감성 분석과 수치 데이터를 결합한 멀티모달 입력 구조 적용
• GNN 노드를 센서로 설정하고 상관관계 임계값 0.7 기반의 엣지를 생성하여 물리적 의존성을 반영한 그래프 구조 설계

Impact

• 모델 정확도 99% 기준, 수율 95% 라인 적용 시 정밀도(Precision) 83.9% 기록
• 17%의 False Positive 발생으로 인해 전체 라인 중단 시 시간당 수백만 달러의 기회비용 손실 초래
• GNN 모델의 VRAM 사용량 약 200MB 수준으로 RTX 4060 환경에서 학습 가능 확인

Key Takeaway

ML 도입의 성패는 모델의 알고리즘 성능이 아닌, 모델 출력값이 현장의 의사결정 비용(Cost Asymmetry)과 어떻게 정렬되는지에 달린 통합의 문제.