LLM 기반 인터페이스를 활용한 반도체 불량 검출 공정의 AI 시스템 설계 및 구현

Design and Implementation of an AI System for Semiconductor Defect Detection Processes Using an LLM-Based Interface

본 논문에서는 반도체 불량 검출 시스템에 대규모 언어 모델(large language model, LLM) 기반 챗봇 인터페이스를 적용한 AI 시스템을 제시하고 구현하였다. 설계된 4계층 서비스 프레임워크는 사용자의 자연어 입력을 API 통신을 거쳐 언어 모델에서 추론한 후, URL을 매핑하고하드웨어 제어 함수를 호출하여 공정 동작을 자동화한다. 언어모델 Exaone-2.4B, Exaone-7.8B, Trillion-7B를 비교 평가하였으며, 5-fold 교차 검증을 통해 복합 의도 및 오타 변형 명령에 대한 응답 정확도를 측정하였다. 프롬프트 엔지니어링을 적용한 결과, 다중 의도 및 형태 변형질의에서 30–35%p의 정확도 향상을 확인하였다. 모델별 비교에서는 Exaone-7.8B가 86.7%의 전체 정확도와 평균 0.28초의 응답 시간을 기록하여, 제한된 운용 환경에서 균형 잡힌 성능을 보였다. 본 연구는 자연어 기반 인터페이스를 통해 GUI (graphical user interface) 의존도를낮추고, 반도체 제조 현장의 사용자 접근성과 작업 효율성을 높일 수 있음을 시사한다.

This paper presents and implements a AI system that applies a large language model (LLM)-based chatbot interface to semiconductor defect detection. The proposed four-layer service framework processes natural language inputs from users through API communication, performs inference using a large language model, maps the output to predefined URLs, and triggers hardware control functions to automate process operations. We comparatively evaluated sLLM models Exaone-2.4B, Exaone-7.8B, and Trillion-7B, measuring response accuracy on complex intents and misspelled commands using 5-fold cross-validation. With prompt engineering, we observed a 30–35 percentage point improvement in accuracy for multi-intent and morphologically altered queries. Among the models, Exaone-7.8B demonstrated the most balanced performance, achieving an overall accuracy of 86.7% with an average response time of 0.28 seconds under constrained operating conditions. This study suggests that natural language interfaces can reduce dependence on graphical user interface (GUI) while improving user accessibility and operational efficiency in semiconductor manufacturing environments.