feat: PHM 2016 CMP 통합 + 3개 알람 실데이터 동작

.gitignore

@@ -11,3 +11,4 @@ CLAUDE.md
 .claude/
 .mcp.json
 data/secom/raw/*.data
+data/phm2016/raw/

agents/cause.py

@@ -35,7 +35,7 @@ TIER2_SCHEMA = {
     "additionalProperties": False,
 }
 
-SYSTEM_PROMPT = """당신은 반도체 Photo 공정의 원인 분석 전문가입니다.
+SYSTEM_PROMPT = """당신은 반도체 공정 원인 분석 전문가입니다.
 주어진 이상 알람과 탐지 결과, 사내 지식 문서를 근거로 가장 가능성 높은 원인을
 2~3개 추정합니다. 각 원인은 기여도(pct, %)를 가지며 합이 100에 가깝도록 합니다.
 근거(evidence)는 제공된 문서 내용에 기반해 구체적으로 작성하고, citations에는
@@ -45,7 +45,8 @@ SYSTEM_PROMPT = """당신은 반도체 Photo 공정의 원인 분석 전문가
 
 def _build_query(alarm: dict, tier1: Tier1) -> str:
     feature = alarm.get("feature") or ""
-    return f"{alarm['title']} {feature} 원인 CD 산포 렌즈 노광 진동 표면 결함"
+    sensors = " ".join(f["name"] for f in tier1["features"])
+    return f"{alarm['title']} {feature} {sensors} 원인 분석 공정 이상"
 
 
 def run_cause(alarm: dict, tier1: Tier1) -> Tier2:

agents/detection.py

@@ -1,9 +1,12 @@
 """Tier 1 이상 탐지 에이전트
 
-알람을 SECOM 웨이퍼 row에 매핑해 이상 점수와 기여 피처를 계산
-모델: IsolationForest (experiments/tier1_detection 벤치마크에서 PR-AUC 가장 우수)
-이상 점수는 학습 분포 대비 백분위로 0~1 정규화
-기여 피처는 표준화 값의 절대크기 Top-N (정상 분포에서 가장 벗어난 센서)
+알람을 데이터셋의 특정 wafer에 매핑해 이상 점수와 기여 피처를 계산
+- A1, A2: SECOM 공개 데이터셋 (다른 fail row 매핑)
+- A3: PHM 2016 CMP 공개 데이터셋 (CMP step 실측, 25개 명명 센서)
+
+모델: IsolationForest (벤치마크에서 PR-AUC 우수)
+이상 점수: 학습 분포 대비 백분위로 0~1 정규화
+기여 피처: 표준화 값의 절대크기 Top-N (정상 분포에서 가장 벗어난 센서)
 """
 from functools import lru_cache
 
@@ -11,22 +14,25 @@ import numpy as np
 from sklearn.ensemble import IsolationForest
 
 from core.schema import Tier1
+from data.phm2016.loader import load_phm_cmp
 from data.secom.loader import load_secom
 from data.secom.preprocess import SecomPreprocessor
 
 RANDOM_STATE = 42
 TOP_N_FEATURES = 3
 
-# SECOM은 익명화 데이터라 lot/step이 없음, MVP에선 알람을 특정 웨이퍼 row에 수동 매핑
-# secom_row: fail 라벨 row 인덱스, wafers: 데모 컨텍스트상 영향 웨이퍼 수
+# 알람 -> 데이터 소스 매핑
+# wafers: 데모 컨텍스트상 영향 웨이퍼 수
 ALARM_WAFER = {
-    "A1": {"secom_row": 2, "wafers": 25},
+    "A1": {"source": "secom", "row": 2, "wafers": 25},
+    "A2": {"source": "secom", "row": 10, "wafers": 18},
+    "A3": {"source": "phm_cmp", "wafer_id": 2058207580, "stage": "A", "wafers": 30},
 }
 
 
 @lru_cache(maxsize=1)
-def _fit_model():
-    """SECOM 전체로 전처리기와 IsolationForest를 학습, 첫 호출 시 1회만"""
+def _fit_secom():
+    """SECOM 전체로 전처리기와 IsolationForest 학습, 첫 호출 시 1회"""
     X, _ = load_secom()
     pre = SecomPreprocessor().fit(X)
     Xz = pre.transform(X)
@@ -36,28 +42,74 @@ def _fit_model():
     return X, pre, model, train_scores
 
 
-def run_detection(alarm: dict) -> Tier1:
-    mapping = ALARM_WAFER.get(alarm["id"])
-    if mapping is None:
-        raise ValueError(f"SECOM 매핑이 없는 알람: {alarm['id']}")
+@lru_cache(maxsize=1)
+def _fit_phm_cmp():
+    """PHM CMP 전체로 표준화 + IsolationForest 학습, 첫 호출 시 1회"""
+    from sklearn.preprocessing import StandardScaler
+
+    features, _ = load_phm_cmp()
+    scaler = StandardScaler().fit(features.values)
+    Xz = scaler.transform(features.values)
+    model = IsolationForest(n_estimators=200, random_state=RANDOM_STATE)
+    model.fit(Xz)
+    train_scores = -model.score_samples(Xz)
+    return features, scaler, model, train_scores
+
 
-    X, pre, model, train_scores = _fit_model()
-    Xz = pre.transform(X.iloc[[mapping["secom_row"]]])
+def _detect_secom(alarm: dict, mapping: dict) -> Tier1:
+    X, pre, model, train_scores = _fit_secom()
+    Xz = pre.transform(X.iloc[[mapping["row"]]])
 
     raw_score = float(-model.score_samples(Xz)[0])
-    # 학습 분포 대비 백분위, 높을수록 이상
     score = float((train_scores < raw_score).mean())
 
-    # 표준화 값의 절대크기 = 정상 분포에서 벗어난 정도, Top-N
     deviations = np.abs(Xz[0])
     top_idx = np.argsort(deviations)[::-1][:TOP_N_FEATURES]
     features = [
         {"name": pre.keep_cols[i], "value": round(float(deviations[i]), 2)}
         for i in top_idx
     ]
-
     return {
         "score": round(score, 2),
         "features": features,
         "lot": {"id": alarm["lot_id"], "wafers": mapping["wafers"]},
     }
+
+
+def _detect_phm_cmp(alarm: dict, mapping: dict) -> Tier1:
+    features, scaler, model, train_scores = _fit_phm_cmp()
+    key = (mapping["wafer_id"], mapping["stage"])
+    if key not in features.index:
+        raise KeyError(f"PHM CMP에 없는 wafer/stage: {key}")
+
+    row = features.loc[[key]].values
+    Xz = scaler.transform(row)
+
+    raw_score = float(-model.score_samples(Xz)[0])
+    score = float((train_scores < raw_score).mean())
+
+    deviations = np.abs(Xz[0])
+    top_idx = np.argsort(deviations)[::-1][:TOP_N_FEATURES]
+    col_names = list(features.columns)
+    out_features = [
+        {"name": col_names[i], "value": round(float(deviations[i]), 2)}
+        for i in top_idx
+    ]
+    return {
+        "score": round(score, 2),
+        "features": out_features,
+        "lot": {"id": alarm["lot_id"], "wafers": mapping["wafers"]},
+    }
+
+
+def run_detection(alarm: dict) -> Tier1:
+    mapping = ALARM_WAFER.get(alarm["id"])
+    if mapping is None:
+        raise ValueError(f"매핑 없는 알람: {alarm['id']}")
+
+    source = mapping["source"]
+    if source == "secom":
+        return _detect_secom(alarm, mapping)
+    if source == "phm_cmp":
+        return _detect_phm_cmp(alarm, mapping)
+    raise ValueError(f"알 수 없는 데이터 소스: {source}")

agents/rag/knowledge/FLOW-CMP-DOWN-001.md

@@ -0,0 +1,26 @@
+# FLOW-CMP-DOWN-001 — CMP 하류 공정 의존성과 수율 영향
+
+## 공정 흐름
+
+CMP (현재) → Diffusion → Implant → Metal Deposition
+
+## CMP 이상이 하류에 미치는 영향
+
+CMP의 재료 제거율(MRR) 이상은 wafer 두께 편차로 직결되며 후공정 전반에 영향을
+미칩니다. 일반적으로:
+
+- **Diffusion**: 두께 편차에 따라 도핑 깊이 균일도 저하, 약 10~15% 변동
+- **Implant**: 표면 위치 오차로 도핑 농도 편차 발생, 약 5~10% 변동
+- **Metal Deposition**: 표면 평탄도 손상 시 단차 피복성 저하
+
+## 수율 영향
+
+CMP MRR 이탈이 1σ 이상 발생할 때 수율 손실은 통상 1.5~3.0 %p로 보고됩니다.
+특히 동일 chamber 처리 로트 전체에 영향이 미치므로 후공정 진입 보류 후 두께
+재측정이 우선 조치입니다.
+
+## 의존성 분류 기준
+
+- current: 이상이 발생한 현재 공정
+- impacted: 직접 영향을 받는 후공정 (delta 두 자리수 이상)
+- minor: 영향이 경미한 후공정 (delta 한 자리수)

agents/rag/knowledge/FMEA-CMP-003.md

@@ -0,0 +1,31 @@
+# FMEA-CMP-003 — CMP 공정 실패 모드 분석
+
+## 대상
+
+CMP(Chemical Mechanical Planarization) 공정의 주요 실패 모드와 원인, 영향, 검출
+방법을 정리합니다.
+
+## 실패 모드
+
+### 1. 재료 제거율(MRR) 폭주 또는 부족
+
+- 잠재 원인: 슬러리 유량 이상, 패드 마모, 압력 설정 오류
+- 영향: 두께 편차 → 후공정 패턴 결함, 수율 손실
+- 검출: AVG_REMOVAL_RATE 모니터링, SLURRY_FLOW_LINE 유량 SPC
+
+### 2. 표면 균일도 저하
+
+- 잠재 원인: RETAINER_RING_PRESSURE 편차, MAIN_OUTER_AIR_BAG_PRESSURE 불균형
+- 영향: 후공정 Photo 단계의 포커스 편차 유발
+- 검출: 두께 매핑, 압력 센서 SPC
+
+### 3. 패드 컨디션 악화
+
+- 잠재 원인: 드레서 사용량(USAGE_OF_DRESSER) 한계 초과, DRESSING_WATER_STATUS 비정상
+- 영향: MRR 변동성 증가, 스크래치 발생
+- 검출: 드레서 사용량 추적, 시각 검사
+
+## 우선순위
+
+MRR 폭주는 즉시 후공정 영향이 크고 회수가 어려워 최우선 관리 대상입니다. 원인
+중 슬러리 라인 이상은 펌프 제어와 직접 연관되어 자동 인터록 적용이 효과적입니다.

agents/rag/knowledge/FMEA-ET-004.md

@@ -0,0 +1,30 @@
+# FMEA-ET-004 — Etch 공정 실패 모드 분석
+
+## 대상
+
+Etch(식각) 공정의 주요 실패 모드와 원인, 영향, 검출 방법을 정리합니다.
+
+## 실패 모드
+
+### 1. 트렌치 깊이 부족 또는 과식각
+
+- 잠재 원인: 식각 가스 유량 이상, 플라즈마 밀도 저하, 전극 오염
+- 영향: 후공정 CMP·Metal Deposition 단계의 단차 균일도 악화, 수율 손실
+- 검출: 두께 SEM 계측, 가스 유량 SPC
+
+### 2. 측벽 프로파일 이상
+
+- 잠재 원인: 챔버 압력 편차, 가스 비율 오류
+- 영향: 패턴 정합 불량, CD 산포 증가
+- 검출: 단면 SEM, 챔버 압력 SPC
+
+### 3. 표면 결함(미세 입자 부착)
+
+- 잠재 원인: 챔버 클리닝 주기 초과, 전극 마모
+- 영향: 후공정 결함 전파
+- 검출: 결함 검사 장비, 챔버 클리닝 이력 추적
+
+## 우선순위
+
+트렌치 깊이 부족은 후공정 영향 범위가 가장 커 최우선 관리 대상입니다. 가스 유량
+이상은 자동 알람과 챔버 인터록을 통해 조기 차단이 가능합니다.

agents/rag/knowledge/INC-CMP-2025-0142.md

@@ -0,0 +1,31 @@
+# INC-CMP-2025-0142 — CMP 슬러리 유량 이상에 의한 재료 제거율 폭주
+
+## 분류
+
+- 유형: 공정 인시던트
+- 공정: CMP (Chemical Mechanical Planarization)
+- 사업부: 메모리 1동
+- 발생일: 2025-01-14
+
+## 증상
+
+CMP 공정에서 평균 재료 제거율(AVG_REMOVAL_RATE)이 정상 범위(70~90 nm/min)를 크게
+벗어나 4,000 nm/min 이상으로 측정되었습니다. 동일 chamber에서 처리된 연속 로트
+대부분이 영향을 받았습니다.
+
+## 원인
+
+슬러리 공급 라인(SLURRY_FLOW_LINE_A/B/C) 유량이 정상치 대비 비정상적으로 높게
+유지되었음이 확인되었습니다. 정확히는 슬러리 공급 펌프 제어 신호 오류로 인해
+세 라인 모두 동시에 과공급된 사례입니다.
+
+## 조치
+
+- 슬러리 공급 펌프 즉시 정지 및 교체
+- 영향 로트 후공정 진입 보류 및 두께 계측으로 재작업 여부 판단
+- 펌프 제어 로직 펌웨어 업데이트
+
+## 재발 방지
+
+슬러리 유량 임계값을 신설하고, 임계 초과 시 자동 알람 + 챔버 인터록이 작동하도록
+모니터링 체계를 강화하였습니다.

agents/rag/knowledge/INC-ET-2024-0301.md

@@ -0,0 +1,30 @@
+# INC-ET-2024-0301 — Etch 트렌치 깊이 부족에 의한 결함 발생
+
+## 분류
+
+- 유형: 공정 인시던트
+- 공정: Etch (식각)
+- 사업부: 메모리 2동
+- 발생일: 2024-08-12
+
+## 증상
+
+Etch 공정에서 Trench Depth가 목표치 대비 약 12% 부족한 상태로 측정되었습니다.
+동일 chamber에서 처리된 로트에서 일관되게 관측되어 chamber 단위 이상으로
+판단되었습니다.
+
+## 원인
+
+식각 가스(SF6/CHF3) 유량 제어 밸브의 부분 고장으로 가스 공급량이 정상 대비 약
+8% 감소했음이 확인되었습니다. 추가로 전극 표면 부착물 누적으로 플라즈마 밀도가
+저하된 것이 복합 원인이었습니다.
+
+## 조치
+
+- chamber 즉시 정지 및 가스 공급 밸브 교체
+- 전극 표면 세정(약 4시간 소요)
+- 영향 로트 후공정 진입 보류 후 두께 재측정으로 재작업 여부 판단
+
+## 재발 방지
+
+가스 유량 SPC를 강화하고, 전극 세정 주기를 30일에서 21일로 단축 적용하였습니다.

agents/rag/knowledge/SOP-CMP-SLURRY-001.md

@@ -0,0 +1,29 @@
+# SOP-CMP-SLURRY-001 — CMP 슬러리 관리 표준 절차
+
+## 목적
+
+CMP 공정의 슬러리 공급 시스템 점검과 이상 발생 시 대응 절차를 표준화합니다.
+
+## 적용 범위
+
+전 사업부 CMP 설비의 SLURRY_FLOW_LINE_A/B/C 공급 시스템.
+
+## 정기 점검 주기
+
+- 슬러리 유량 캘리브레이션: 7일
+- 펌프 동작 점검: 14일
+- 슬러리 농도 측정: 매 로트
+
+## 이상 발생 시 대응 절차
+
+1. 챔버 정지 및 후공정 진입 차단
+2. SLURRY_FLOW_LINE_A/B/C 측정값 확인 후 정상 범위 이탈 여부 판단
+3. 펌프 제어 신호 점검 및 펌웨어 버전 확인
+4. 필요 시 펌프 교체 (예상 3시간)
+5. 시험 wafer로 MRR 정상 범위 재현 확인
+6. 챔버 재가동 및 로트 진입 재개
+
+## 기록
+
+이상 사례는 인시던트 DB에 기록하며, 슬러리 유량 추세는 일일 SPC 리포트에
+포함합니다.

core/pipeline.py

@@ -10,7 +10,7 @@ from core.schema import TierData
 from data import demo
 
 # LLM 멀티에이전트로 처리할 알람
-REAL_AGENT_ALARMS = {"A1"}
+REAL_AGENT_ALARMS = {"A1", "A2", "A3"}
 
 
 def get_tier_data(alarm_id: str) -> TierData | None:

data/demo.py

@@ -27,11 +27,12 @@ DEFAULT_ALARMS = [
     },
     {
         "id": "A3",
-        "status": "done",
+        "status": "warn",
         "title": "CMP Step 이상",
         "lot_id": "L20240510-N-08",
-        "feature": None,
-        "time": "2시간 전",
+        "feature": "재료 제거율(MRR)",
+        "feature_arrow": "↑",
+        "time": "1시간 전",
     },
 ]
 

data/phm2016/README.md

@@ -0,0 +1,53 @@
+# PHM 2016 CMP Dataset
+
+CMP(Chemical Mechanical Planarization, 화학 기계적 연마) 공정 실측 데이터셋입니다.
+A3 알람(CMP Step 이상)의 Tier 1 이상 탐지에서 사용합니다.
+
+## 개요
+
+- 출처: PHM Society Data Challenge 2016
+- 1,981 wafer × 2 stage(A/B), 25개 센서 실측값 + 평균 재료 제거율(MRR) 라벨
+- 센서 이름이 모두 공개되어 있어 도메인 해석이 가능합니다 (SECOM의 익명성과 대조)
+
+## 주요 센서
+
+- 압력: `PRESSURIZED_CHAMBER_PRESSURE`, `RETAINER_RING_PRESSURE`, `MAIN_OUTER_AIR_BAG_PRESSURE` 등
+- 회전: `WAFER_ROTATION`, `STAGE_ROTATION`, `HEAD_ROTATION`
+- 슬러리 유량: `SLURRY_FLOW_LINE_A/B/C`
+- 사용량: `USAGE_OF_BACKING_FILM`, `USAGE_OF_DRESSER`, `USAGE_OF_POLISHING_TABLE` 등
+
+## 준비 방법
+
+원본 ZIP을 `data/phm2016/raw/`에 풀어두세요. 압축 해제 후 다음 구조가 되어야 합니다.
+
+```
+data/phm2016/raw/
+├── CMP-training-removalrate.csv       # 학습용 정답 라벨
+├── CMP-test-removalrate.csv
+└── CMP-data/
+    ├── training/CMP-training-NNN.csv  # trajectory 시계열 (185개)
+    └── test/CMP-test-NNN.csv
+```
+
+raw 데이터는 약 160MB로 git에 포함되지 않습니다(`.gitignore`).
+
+## 로더 사용
+
+```python
+from data.phm2016.loader import load_phm_cmp
+
+features, labels = load_phm_cmp()
+# features: (N, 19) — wafer-stage 단위 센서 평균
+# labels: (N,) — AVG_REMOVAL_RATE
+# index: MultiIndex (WAFER_ID, STAGE)
+```
+
+trajectory 전체를 (WAFER_ID, STAGE)별로 평균 집계하여 wafer-stage 단위 feature
+vector를 만듭니다. 첫 호출 시 약 10~30초가 소요되며 이후는 `lru_cache`로 즉시
+응답합니다.
+
+## 알람 매핑
+
+A3(CMP Step 이상) 알람이 이 데이터의 특정 wafer에 매핑됩니다 (`agents/detection.py`의
+`ALARM_WAFER`). MRR이 평균에서 크게 벗어난 wafer를 선택하여 이상 시나리오로
+사용합니다.

data/phm2016/loader.py

@@ -0,0 +1,74 @@
+"""PHM 2016 Data Challenge CMP 데이터셋 로더
+
+CMP(Chemical Mechanical Planarization) 공정 센서 데이터, 25개 실 센서 이름 공개
+- 1981 wafer × 2 stage(A/B)
+- target: 평균 재료 제거율(AVG_REMOVAL_RATE)
+출처: https://phmsociety.org PHM Data Challenge 2016
+
+raw/CMP-data/training/CMP-training-NNN.csv: trajectory 시계열 (wafer 다수)
+raw/CMP-training-removalrate.csv: (WAFER_ID, STAGE, AVG_REMOVAL_RATE) 라벨
+
+per-wafer feature vector를 만들기 위해 trajectory를 평균으로 집계
+A3 알람(CMP step 이상)이 이 데이터로 Tier 1 이상 탐지 수행
+"""
+from functools import lru_cache
+from pathlib import Path
+
+import pandas as pd
+
+RAW_DIR = Path(__file__).parent / "raw"
+TRAIN_TRAJ_DIR = RAW_DIR / "CMP-data" / "training"
+TRAIN_LABEL = RAW_DIR / "CMP-training-removalrate.csv"
+
+# 집계 대상 센서 컬럼, 진짜 의미 있는 이름들
+SENSOR_COLS = [
+    "USAGE_OF_BACKING_FILM",
+    "USAGE_OF_DRESSER",
+    "USAGE_OF_POLISHING_TABLE",
+    "USAGE_OF_DRESSER_TABLE",
+    "PRESSURIZED_CHAMBER_PRESSURE",
+    "MAIN_OUTER_AIR_BAG_PRESSURE",
+    "CENTER_AIR_BAG_PRESSURE",
+    "RETAINER_RING_PRESSURE",
+    "RIPPLE_AIR_BAG_PRESSURE",
+    "USAGE_OF_MEMBRANE",
+    "USAGE_OF_PRESSURIZED_SHEET",
+    "SLURRY_FLOW_LINE_A",
+    "SLURRY_FLOW_LINE_B",
+    "SLURRY_FLOW_LINE_C",
+    "WAFER_ROTATION",
+    "STAGE_ROTATION",
+    "HEAD_ROTATION",
+    "DRESSING_WATER_STATUS",
+    "EDGE_AIR_BAG_PRESSURE",
+]
+
+
+@lru_cache(maxsize=1)
+def load_phm_cmp() -> tuple[pd.DataFrame, pd.Series]:
+    """trajectory 전체를 (WAFER_ID, STAGE)별로 평균 집계해 wafer-stage 단위 feature 반환
+
+    features: (N, 19) - 센서 평균값
+    labels: (N,) - AVG_REMOVAL_RATE
+    index: MultiIndex (WAFER_ID, STAGE)
+    """
+    if not TRAIN_TRAJ_DIR.exists() or not TRAIN_LABEL.exists():
+        raise FileNotFoundError(
+            f"PHM 2016 CMP 데이터가 없음, {RAW_DIR}에 데이터셋을 두세요 "
+            "(data/phm2016/README.md 참고)"
+        )
+
+    # trajectory 파일 전체 로드 후 (WAFER_ID, STAGE)별 평균
+    frames = []
+    for path in sorted(TRAIN_TRAJ_DIR.glob("CMP-training-*.csv")):
+        df = pd.read_csv(path, usecols=["WAFER_ID", "STAGE"] + SENSOR_COLS)
+        frames.append(df)
+    all_traj = pd.concat(frames, ignore_index=True)
+    features = all_traj.groupby(["WAFER_ID", "STAGE"])[SENSOR_COLS].mean()
+
+    labels_df = pd.read_csv(TRAIN_LABEL)
+    labels_df = labels_df.set_index(["WAFER_ID", "STAGE"])["AVG_REMOVAL_RATE"]
+
+    # feature와 label 인덱스 정합
+    common = features.index.intersection(labels_df.index)
+    return features.loc[common], labels_df.loc[common]

data/wip.py

@@ -11,6 +11,14 @@ WIP_BY_ALARM: dict[str, list[ImpactLot]] = {
         {"label": "가공 중", "lots": 3, "wafers": 75},
         {"label": "대기 중", "lots": 5, "wafers": 125},
     ],
+    "A2": [
+        {"label": "가공 중", "lots": 2, "wafers": 50},
+        {"label": "대기 중", "lots": 4, "wafers": 100},
+    ],
+    "A3": [
+        {"label": "가공 중", "lots": 4, "wafers": 100},
+        {"label": "대기 중", "lots": 6, "wafers": 150},
+    ],
 }