AI가 다시 쓰는 반도체 광학 계측 — OCD·스캐터로메트리에서 하이브리드까지

2026년 7월 · 광학·계측 — 심층

OCD·스캐터로메트리에서 하이브리드 메트롤로지까지 · 원문 링크와 직접 만든 도표로, 과장 없이

오늘의 한 줄 — 노광이 회로를 '그리는' 기술이라면, 계측은 그것이 제대로 그려졌는지 '읽는' 기술. 선폭이 좁아질수록 읽는 쪽의 값어치가 함께 오릅니다.

① 왜 지금 '계측'인가 — 시장이 먼저 말한다

반도체 클린룸 · 출처: Wikimedia Commons (Public Domain)

계측·검사 장비 시장은 2025년 이미 180억 달러를 넘었고, 계측 부문은 2026년 109억 달러 → 2035년 202억 달러(연평균 ~7%)로 전망됩니다. 원동력은 첨단 노드, EUV·하이NA, AI 칩 수요, 3D NAND 고단화, 그리고 GAA입니다. GAA 트랜지스터가 양산에 들어가며 CD 정밀도 0.5nm 이하를 요구하고, 후면전력망·고단 적층은 새 측정 난제를 던집니다. 1위는 KLA(점유율 17.5%+), 뒤로 어플라이드·온투·ASML·노바 — 다만 경쟁의 무게중심이 하드웨어를 넘어 소프트웨어·하이브리드·AI 공정제어로 옮겨가고 있습니다.

그림1. 계측·검사 장비 시장 전망 (시장조사 추정치 · 도표는 본인 작성)

📎 GM Insights · Electronics Weekly (2025 $18B)

② 빛으로 나노를 잰다 — OCD·스캐터로메트리

격자(15,000/inch)를 통과한 백색광의 실제 회절 패턴 · 출처: Wikimedia Commons, Hiannu (CC0)

위 사진이 바로 원리의 핵심입니다. 주기적인 격자에 빛을 쏘면 파장별로 회절이 갈라지는데, 그 무늬(스펙트럼)에는 구조의 치수 정보가 담깁니다. 광학 임계치수(OCD)는 이걸 거꾸로 풉니다 — 웨이퍼 위 주기 구조에 광대역 광을 쏘고, 되돌아온 회절·반사 스펙트럼을 모델로 역산해 CD·높이·측벽각을 얻습니다. 장점은 빠르고 비파괴적이라는 것. 웨이퍼를 자르지 않고 생산 라인에서 잽니다.

그림2. OCD·스캐터로메트리 측정 원리 (본인 작성 도식)

③ 기존 물리 시뮬 vs AI·ML

전통적으로는 RCWA 같은 엄밀 전자기 시뮬레이션을 반복해 라이브러리를 만들고 측정값과 매칭합니다. 정확하지만 느리고 비쌉니다 — 구조가 복잡해지고 고종횡비(HAR)가 되면 계산이 폭증하죠. 그래서 AI·ML이 들어옵니다. 학습된 대리모델(forward surrogate), 역예측(inverse), 물리정보신경망(PINN)으로 순식간에 추정하고, 장비 간 매칭(T2T)과 HAR 대응에서 강합니다. 최근 리뷰는 이 흐름을 forward·inverse·PINN·멀티레벨로 정리하며, 트랜스포머 기반 데이터 증강과 OCD↔TEM을 잇는 생성모델까지 확장되고 있습니다.

그림3. 기존(물리 시뮬) vs AI·ML 접근 (본인 작성 도식)

📎 AI-Powered Semiconductor Optical Metrology: A Review (MDPI, CC-BY) · OCD × 트랜스포머 데이터 증강 (2026)

④ 하이브리드 메트롤로지 — 하나로는 부족하다

딥서브파장(빛 파장보다 훨씬 작은) 영역에선 OCD 하나로 유일한 해를 얻지 못하는 경우가 생깁니다. 그래서 OCD(빠름·비파괴·간접) + CD-SEM(탑다운) + TEM·AFM(정답, 일부 파괴)을 결합하고 사전지식을 주입하는 하이브리드가 표준이 되어갑니다.

그림4. 하이브리드 메트롤로지 개념 (본인 작성 도식)

📎 NIST — Conventional vs Machine Learning (OCD) · Onto Innovation — AI/ML in Inspection & Metrology

계측하는 사람의 관점 — 결국 "물리 모델의 정확성"과 "AI의 속도"를 어떻게 결합하느냐의 싸움입니다. 그리고 이 접점에서 가장 강한 건 물리를 아는 채로 AI를 다루는 사람이에요 — PINN과 불확실성 정량화(UQ)가 정확히 그 지점입니다. 측정값을 국제적으로 신뢰받게 만드는 불확도·트레이서빌리티가 여전히 마지막 관문이고요.

빛·반도체·AI — 데일리 브리핑