1. 지원 분야 및 직무 역량과 관련된 프로젝트/공모전/논문/연구/학습/활동/경험 등을 작성해 주세요.
예상과 다른 데이터가 나왔을 때 메커니즘 관점으로 원인을 재검토하여 공정 최적 임계점을 도출하는 역량을 갖추었습니다.
미세공정이 고도화될수록 1nm 단위의 변수와 미세한 화학 반응 차이가 반도체 전체 수율을 좌우합니다.
이러한 미세화 현장에서 공정 변수를 구조적으로 제어하고 수율 저하 인자를 선제 방지하는 양산기술 엔지니어로
성장하고자 지원했습니다.
[말론산 1:3 비율 도출로 알칼리성 텅스텐 CMP 철 촉매 침전 억제 및 조건 최적화]
[경험] 나노입자공학연구실 학부 연구생 / [기간] 2024.09-2024.12
대학교 4학년 1학기 나노입자공학연구실 학부연구생으로 참여해 알칼리성 텅스텐 CMP 공정의 촉매 침전 문제를 해결했습니다.
염기성 환경에서 철 이온이 복합물로 침전되어 슬러리 반응성과 연마율이 떨어지는 현상이 발생했습니다.
전공 수업에서 배운 표면 반응 메커니즘을 바탕으로 유기산 도입을 제안했습니다.
초기에는 말론산 투입량을 늘리면 침전이 억제될 것으로 판단했으나, pH 2, 6, 10 조건별 반복 실험 결과 특정 농도 이상에서 연마 성능이 오히려 저하되었습니다. UV-Vis 분광 분석과 PNDA 흡광도 피크 변화를 대조하여 반응을 재분석했습니다.
분석 결과, 철 이온과 말론산의 비율이 1:3일 때 OH 라디칼 생성이 가장 활발하며 1:6을 넘으면 말론산이 촉매를 과도하게 붙잡아 반응을 방해함을 확인했습니다. 단순 투입량 증가가 아닌 1:3 최적 반응 임계점을 찾아내어 공정 조건을 안정화했습니다.
단순 양적 확대가 아닌 최적의 반응을 이끌어내는 임계점을 도출해 낸 이 경험은,
양산 공정에서 인자 간 Trade-off 관계를 분석하고 레시피 최적화를 이끌어내는 밑거름이 되었습니다.
[PCM기반 이중 필러 조합을 통한 코팅 불균일 해결 및 시뮬레이션 데이터 연계]
[경험] 마이크로나노시스템입문 프로젝트 / [기간] 2024.09-2024.12
대학교 3학년 2학기 마이크로나노시스템입문 수업에서 PCM 기반 4가지의 세라믹 필러(AlN, BN, SiC, MgO) 복합소재의 열물성을 분석했습니다.
LFA로 열확산율을 측정하고 ASTM D5470 기준으로 총열저항을 구하는 과정에서, 단일 필러 사용 시 코팅 두께가 불균일해지는 문제가 나타났습니다. 필러 함량을 변경해도 문제는 개선되지 않았습니다.
단순 함량 조정 대신 입자 충전 메커니즘으로 접근했습니다.
입자 크기가 서로 다른 필러 두 종류를 혼합하는 이중 필러 조합을 직접 설계하여 적용했고, 코팅 두께 균일성을 확보했습니다.
이후 동일 학기에 수강한 '열유체공학설계실습' 프로젝트에서 Ansys Workbench를 활용해 '온열 버스의자' 시뮬레이션을 진행했습니다. 직접 도출한 물리적 데이터를 접촉 열저항 경계조건으로 입력한 결과, 기존 대비 열효율이 8% 개선됨을 확인했습니다.
소재 실험실 데이터가 실제 구조 설계 및 열 성능으로 연결되는 전체 과정을 직접 검증할 수 있었습니다.
양산 현장에서는 기존 레시피나 단순 수치 증량이 오히려 부작용을 일으키는 경우가 발생합니다.
저는 두 경험에서 단편적인 현상 수습이 아닌 데이터 기반의 구조적 원인 규명이 수율 개선의 핵심임을 배웠습니다.
두 번의 연구 및 프로젝트 경험을 통해 공정 변수 및 소재 특성이 최종 제품의 성능과 신뢰성에 미치는 메커니즘을 정밀하게 파악하는 감각을 익혔습니다.
SK하이닉스 양산기술 직무에 입사하여, 예상과 다른 공정 데이터가 발생했을 때 설비와 메커니즘, 조건 단위까지 깊이 있게 파고들겠습니다. 이를 통해 불량 인자를 선제적으로 제어하고 수율을 극대화하는 양산기술 엔지니어가 되겠습니다.
2. AI를 활용한 프로젝트/공모전/논문/연구/문제 해결 경험 등을 작성해 주세요
[스펙트로그램 변환 및 2D CNN 기반 베어링 고장 진단 모델 최적화]
[경험] ‘빅데이터와인공지능을활용한시스템강건설계’ 수업 프로젝트 / [기간] 2025.07-2025.08
대학교 4학년 여름방학 수업 프로젝트로 베어링 진동 데이터를 활용해 2D CNN 기반 고장 진단 모델을 설계했습니다.
XYZ 가속도 센서로 20,000Hz 주파수에서 3초간 수집한 정상 베어링 200개, 케이지 고장 베어링 200개 등 총 400개의 데이터를 분석 대상으로 사용했습니다.
1차원 시계열 원시 수치 데이터를 입력했을 때는 시간 경과에 따른 주파수 변화 패턴을 감지하지 못했습니다. 이를 해결하고자 단시간 푸리에 변환(STFT)을 적용했습니다.
신호를 시간과 주파수 정보가 공존하는 스펙트로그램 이미지로 변환해 진동 데이터를 2D 이미지 분류 문제로 전환했습니다. 변환한 스펙트로그램을 클래스별 학습 150개, 검증 50개로 구분해 2D CNN 입력 데이터로 정형화했습니다.
합성곱 블록과 풀링 레이어를 반복 배치하고 과적합 방지를 위해 배치 정규화와 드롭아웃을 적용했습니다.
또한 학습률 감소 및 조기 종료 콜백 기능을 추가해 학습 안정성을 확보했습니다. 하이퍼파라미터와 구조 변경에 따른 검증 정확도 변화를 반복 측정하여 최적 모델 구조를 도출했습니다.
이 경험으로 정형화되지 않은 비선형 계측 데이터를 AI가 학습가능한 형태로 변환하고 모델 구조를 다듬는 분석 역량을 키웠습니다. 이는 반도체 공정 내에서 장비 센서 데이터의 이상 반응을 자동 감지하는 데 적용할 수 있다고 생각합니다.
이 경험은 정해진 모델이나 알고리즘을 그대로 쓰지 않고, 데이터 특성에 맞추어 전처리 알고리즘과 AI 모델을 직접 설계하고 개선하는 능력을 검증했습니다.
이러한 역량을 SK하이닉스 양산기술 직무에서 계측 데이터의 결측이나 이상 신호를 처리하는 데 적용해,
데이터 특성에 맞는 전처리와 모델을 직접 설계 및 검증하며 공정 이상을 조기에 감지하고 개선하는 엔지니어가 되겠습니다.