본 논문은 반도체 제조 공정에서 핵심적인 역할을 하는 클러스터 도구의 생산성 최적화를 목표로 하고 있습니다. 반도체 식각 장비 중에서도 특히 클러스터 도구는 웨이퍼 생산량 증가에 큰 영향을 미치며, 공정의 다양성 증가로 인해 이의 최적화 과정은 점점 더 복잡해지고 있습니다. 이러한 복잡성에 대응하기 위해, 최근에는 KNN 및 DNN 같은 기계 학습 알고리즘이 도입되었으며, 이들은 웨이퍼 처리량 예측에 중요한 역할을 수행하고 있습니다. 이 연구는 기존 연구들의 결과를 재현하는 데 집중하면서, 그 과정에서 발생하는 어려움을 탐구합니다. 특히, 복잡한 비선형 관계를 모델링하고 예측하는 능력을 갖춘 1D CNN과 Semantic segmentation을 기반으로 하는 Two stage 알고리즘을 실험합니다. 이 알고리즘들은 기존의 단순한 선형 모델을 넘어서는 예측 능력을 보여주며, 특히 1D CNN은 JIT1 설정에 대한 연속적인 처리량 예측에 매우 효과적입니다. 그러나 실제 반도체 산업 환경에서의 클러스터 도구 운영은 이론적 모델과 항상 일치하지 않는 경우가 많으며, 이는 불규칙한 웨이퍼 흐름 패턴과 시퀀스 인터럽트 등의 문제로 인해 더욱 복잡해집니다. 이 연구는 기계 학습 모델을 통한 실제 데이터 기반의 더 현실적인 처리량 예측을 제시하며, 이를 위해 다양한 선형 및 비선형 기계 학습 알고리즘을 실험합니다. 연구 과정에서, 현장 데이터에 대한 정교한 클러스터링 기법들이 더 정확한 예측 가능성을 제시한다는 것을 발견했습니다. 그래서 발견된 최적의 클러스터링 기법으로 데이터를 재가공하고 그 정확도를 높이는데, 연구의 주요한 목적이 있습니다. 이는 반도체 제조 공정에서 클러스터 도구의 생산량 최적화에 대한 새로운 접근 방식을 제시하는 것으로, 이는 공정의 효율성을 높이는 데 중요한 기여를 할 수 있습니다. 이 연구는 또한 기계 학습 기술의 발전과 그 적용 가능성을 보여주며, 반도체 제조 공정의 미래에 대한 새로운 비전을 제공합니다.