콘텐츠로 건너뛰기

AI-GDD


Generalized Defect Detection


AI-GDD는 최첨단 VLM(Vision Language Model) 기술을 기반으로, 인간의 언어직 이해와 시각적 인지 능력을 결합하여

제조 현장의 이상 탐지 패러다임을 재정의합니다.
단일화된 AI 모델을 통해 거의 모든 종류의 제품과 결함을 실시간으로, 그리고 최소한의 데이터만으로 탐지할 수 있는 범용성과 강건성을 제공합니다.

일부 복잡하거나 미묘한 결함에 대해 단 몇 개의 예시 이미지만으로 모델 성능을 특정 도메인에 맞게 극대화하는 Few-Shot 학습 적요잉 가능합니다.
이를 통해 최소한의 데이터로 최고의 성능을 이끌어내는, 데이터 효율성과 성능 간의 최적 균형점을 제공합니다.
더 나아가 신제품 라인업을 위한 AI 검사 시스템 배포 기간을 단 며칠, 혹은 몇 시간으로 획기적으로 단축합니다.


 

  


신규 제품 및 결함 유형 대응

기존 딥러닝 비전 검사는 신규 제품이 출시되거나 새로운 유형의 결함이 발견되었을 때의 대응
방식의 유연함이 부족합니다. 전체 데이터셋 재구축 및 모델 재학습이 필수적인데, 이는 대량의 데이터 확보가 필요해 탐지 불가 기간이 수 주에서 수 개월로 길어집니다. 반면 AI-GDD는 few-shot 학습이 가능하기 때문에 탐지 불가 기간 없이 빠르고 유연한 대처가 가능합니다.


 

 

유지보수 비용 절약

AI-GDD는 한 번 학습된 모델이 다양한 제품군이나 검사 조건에 대해서도 높은 일반화 성능을    유지하기 때문에, 새로운 데이터가 들어올 때마다 다시 학습(retraining)을 수행할 필요가 거의    없습니다. 이는 기존의 규칙 기반 혹은 전통적인 머신러닝 검사 시스템처럼 매번 파라미터를      조정하거나 모델을 갱신해야 하는 절차를 대폭 줄여줍니다.

VLM(Vision-Language Model)의 의미론적 이해 능력은 단순히 개별 다이(die)의 결함을 식별하는 수준을 넘어, 웨이퍼 맵 전체에 분포하는 결함의 공간적·통계적 패턴을 포괄적으로 분석할 수 있습니다.
예를 들어, 링형(ring-type), 에지(edge), 클러스터(cluster) 등 공정 이상을 시사하는 거시적 결함 패턴을 이미지 수준에서 직관적으로 해석하고, 이를 공정 단계별 이상 유형(노광, 식각, 증착 등)과 의미적으로 연결할 수 있습니다.

특히, VLM은 짧은 자연어 프롬프트(예: “정상 웨이퍼 패턴”)와 소량의 정상 이미지 샘플만으로도 공정 장비의 이상 징후를 빠르게 탐지할 수 있습니다. 이는 기존의 웨이퍼 결함 탐지 모델처럼 대규모 라벨링 데이터나 반복적인 재학습 없이도, 새로운 장비나 제품에 대한 일반화된 이상 탐지를 가능하게 합니다.