다크 불확실성, 하이브리드 메트롤로지를 뒤흔들다

초록

본 논문은 반도체 제조에서 라인폭(critical dimension) 측정에 하이브리드 메트롤로지를 적용할 때, 서로 일관되지 않은 결과가 발생하는 “다크 불확실성(dark uncertainty)”을 간과하면 실제 불확실성이 크게 과소평가될 수 있음을 경고한다. 저자는 영상법과 산란법을 13 nm 라인폭에 적용한 사례를 통해, 일관성을 전제로 하는 공통 평균 모델은 불확실성을 최대 5배까지 낮게 추정하는 반면, 랜덤 효과 모델은 비일관성을 허용하고 총 불확실성을 ±0.8 nm(95 % 신뢰구간)으로 정확히 평가한다. 논문은 다크 불확실성을 감소시키는 실천 방안을 제시하고, 결과 결합 시 적절한 통계 모델 선택의 중요성을 강조한다.

상세 분석

이 연구는 반도체 제조 공정에서 라인폭(LCD) 측정의 정확도가 공정 수율과 비용에 직접적인 영향을 미치는 점에 착안한다. IEEE 로드맵이 제시한 ±0.17 nm(95 % 커버리지) 목표는 단일 측정 기법으로는 달성하기 어려워, 서로 다른 원리를 가진 측정법을 결합하는 ‘하이브리드 메트롤로지’를 권장한다. 그러나 기존 문헌에서 사용된 통계 모델은 측정값 간 일관성을 전제로 하며, 실제 현장에서는 서로 다른 도구·방법·실험실 간에 비일관적인 결과가 빈번히 보고된다. 이러한 비일관성은 ‘다크 불확실성’이라 명명된, 표면적으로는 드러나지 않지만 전체 불확실성을 크게 확대시키는 요인이다.

논문은 두 가지 통계 모델을 비교한다. 첫 번째는 ‘공통 평균 모델(common mean model)’로, 모든 측정값이 동일한 참값을 공유한다는 가정 하에 가중 평균을 구한다. 이 모델은 각 측정값의 보고된 불확실성만을 합산하므로, 다크 불확실성을 무시하고 전체 불확실성을 크게 과소평가한다. 실제 데이터에 적용했을 때, 총 불확실성이 ±0.16 nm 수준으로 추정돼 목표치에 근접하지만, 실제 변동성은 그보다 훨씬 크다.

두 번째는 ‘랜덤 효과 모델(random effects model)’이다. 이 모델은 각 측정값이 고유의 평균을 가질 수 있음을 인정하고, 측정값 간의 초과 변동성을 추가적인 분산(다크 불확실성)으로 모델링한다. 베이즈 혹은 제한 최대우도(Likelihood) 방법을 통해 전체 평균과 다크 불확실성(σ_dark≈0.5 nm)을 동시에 추정한다. 결과적으로 95 % 커버리지를 기준으로 ±0.8 nm의 총 불확실성이 도출되며, 이는 공통 평균 모델이 제시한 값보다 약 5배 큰 값이다.

핵심 인사이트는 다음과 같다.

1. 다크 불확실성의 존재: 측정 도구·방법·실험실 간의 미세한 차이(예: 전자빔 기울기, 광학 비대칭, 환경 온도 등)가 명시적 보정 없이 남아 있을 경우, 결과 간 비일관성이 발생하고 이는 표준 불확실성 평가에 포함되지 않는다.
2. 통계 모델 선택의 중요성: 일관성을 전제로 하는 모델은 목표 달성을 위한 과신을 초래한다. 반면, 랜덤 효과 모델은 비일관성을 자연스럽게 포괄해 보다 보수적인 불확실성 추정이 가능하다.
3. 실무적 권고: 측정 프로세스에서 ‘다크 불확실성’ 원인을 최소화하기 위해(가) 측정 정의를 명확히 하고, (나) 도구 교정 및 환경 모니터링을 강화하며, (다) 동일한 샘플에 대한 복수 측정·복제 실험을 수행해 반복성 데이터를 확보한다. 또한, 결과 결합 시에는 ‘다크 불확실성’ 추정이 가능한 메타분석 프레임워크(예: 메타-분산 분석, 베이즈 계층 모델)를 적용하도록 권고한다.

결과적으로, 하이브리드 메트롤로지를 실제 공정에 도입하려면 ‘다크 불확실성’을 인식하고 이를 정량화·보정하는 절차가 필수이며, 이를 무시하면 목표 불확실성보다 훨씬 높은 위험을 감수하게 된다.