WaferVision: 반도체 공정 내 극단적 Class Imbalance 해결 및 DMI 기반 수율 예측 플랫폼

WaferVision은 웨이퍼맵 불량 패턴을 단순 분류하는 데서 끝내지 않고, 희소 불량 검출률(Recall) 개선, DMI(Defect Map Intelligence) 특징 축소, 수율 리스크 시뮬레이션, 장비/챔버 원인 역추적까지 하나의 분석 흐름으로 연결한 반도체 수율 분석 프로젝트입니다.

핵심 질문: 정상 데이터가 압도적으로 많은 양산 환경에서 희귀 불량을 어떻게 놓치지 않고 검출하며, 그 결과를 공정 엔지니어가 바로 해석할 수 있는 수율 의사결정 화면으로 만들 것인가?

이 표는 심사위원이 가장 빠르게 볼 수 있는 핵심 메시지를 담습니다. Accuracy가 아니라 불량을 얼마나 놓치지 않는가(Recall), 그리고 실제 양산 분석으로 이어지는 공정 원인 추적 가능성을 중심으로 모델을 비교했습니다.

• Frontend: React, TypeScript, Vite, Recharts 기반 Spotfire 스타일 분석 워크북
• Backend: FastAPI 기반 예측 API, 특징 추출 API, 시뮬레이터 API
• Persistence: Postgres 기본, SQLite 로컬 폴백, 예측 이력과 시뮬레이션 세션 저장
• Worker Plane: Redis/RQ 기본 백그라운드 작업, Celery/Temporal 어댑터 옵션
• Simulator: 대량 웨이퍼 로트 생성, 수율 손실, P95 리스크, 장비/챔버 위험도, 원인 후보 랭킹
• Privacy Ledger: simulation_runs 테이블에 원본 IP가 아닌 salted ip_hash, user agent, scenario, wafer count, mode, session id 저장
• Public Demo: 브라우저 mock 모드로 실제 팹 데이터 없이 배포 가능

frontend/
 React dashboard
 ├─ wafer-map preview
 ├─ DMI feature panel
 ├─ prediction history
 └─ yield simulator cockpit
backend/
 FastAPI service
 ├─ /api/v1/predict
 ├─ /api/v1/features
 ├─ /api/v1/simulator/run
 ├─ /api/v1/simulator/jobs
 └─ /api/v1/simulator/sessions
data layer
 ├─ Postgres: predictions, sessions, jobs, simulation_runs
 ├─ Redis/RQ: long-running simulator jobs
 └─ local fallback: SQLite + browser mock mode

cd frontend
npm install
cp .env.example .env
npm run dev

브라우저:

http://localhost:5173

공개 데모용 기본 설정:

VITE_USE_MOCKS=true

실제 FastAPI 백엔드 연결:

VITE_API_BASE_URL=http://localhost:8000
VITE_USE_MOCKS=false

cd backend
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
PYTHONPATH=src uvicorn wafer_vision_api.app:app --reload --host 0.0.0.0 --port 8000

Swagger:

http://localhost:8000/docs

docker compose up --build postgres redis api rq-worker

실제 GitHub 기록에서는 update, fix 같은 모호한 메시지 대신, 실험 의도와 날짜가 드러나는 Conventional Commits 형식을 사용합니다.

Frontend:

cd frontend
npm run build
npm test

Backend:

cd backend
PYTHONPATH=src pytest -q

현재 로컬 환경에서는 프론트엔드 빌드와 Vitest를 통과했으며, 백엔드 단위 테스트는 scikit-image 의존성이 설치된 Python 환경에서 실행해야 합니다.

• 제작자: 정순수
• Email: jss5797@naver.com
• Instagram: @sunsunox
• Threads: @sunsunox
• YouTube: Channel