From Metrology to Autonomy: Why Intel Foundry’s Manufacturing Roadmap Matters
Semiconductor manufacturing has always depended on precise measurement. As devices become more complex and packaging integrates more components, however, measuring individual process steps is no longer enough. Manufacturers need to understand how decisions across fabrication, assembly, and test affect the finished product. Intel Foundry’s SEMICON West 2026 presentations describe an effort to build that connected intelligence, with implications for yield, quality, and factory autonomy.
반도체 제조는 언제나 정밀한 측원에 의존해 왔습니다. 그러나 소자가 더욱 복잡해지고 패키징에 더 많은 부품이 통합됨에 따라, 개별 공정 단계를 측정하는 것만으로는 더 이상 충분하지 않습니다. 제조업체들은 제조(fabrication), 조립(assembly), 테스트(test) 전반의 의사결정이 완제품에 어떤 영향을 미치는지 이해해야 합니다. 인텔 파운드리(Intel Foundry)의 'SEMICON West 2026' 발표는 수율, 품질, 그리고 팹 자율성에 시사점을 던지는 이러한 연결된 지능(connected intelligence) 구축 노력을 설명하고 있습니다.
Lori Scott, Intel Foundry’s senior director of business operations and marketing, recently outlined research spanning metrology, defect classification, thermal modeling, automation, and standards. The central argument is practical: autonomous manufacturing requires trustworthy measurements, connected infrastructure, and clear engineering oversight. Adding AI to disconnected systems cannot provide those foundations.
인텔 파운드리의 비즈니스 운영 및 마케팅 수석 디렉터인 로리 스콧(Lori Scott)은 최근 계측(metrology), 결함 분류, 열 모델링, 자동화, 그리고 표준을 아우르는 연구 개요를 설명했습니다. 핵심 주장은 실용적입니다. 자율 제조에는 신뢰할 수 있는 측정, 연결된 인프라, 그리고 명확한 엔지니어링 감독이 필요하다는 것입니다. 단절된 시스템에 단순히 AI를 더한다고 해서 그러한 기반이 마련되지는 않습니다.
Metrology’s expanding role is especially important. Traditionally, measurements help determine whether a manufacturing step meets specifications. Connected metrology can also help engineers investigate relationships among materials, equipment conditions, contamination, and downstream defects. Earlier detection could prevent additional processing of compromised material, reducing wasted capacity and shortening investigations. Achieving that benefit requires reliable links between measurements and the production conditions that generated them.
계측의 역할 확대는 특히 중요합니다. 전통적으로 측정은 제조 단계가 사양을 충족하는지 판단하는 데 도움을 줍니다. 여기에 연결된 계측을 더하면 엔지니어들이 소재, 장비 상태, 오염, 그리고 후속 공정 결함 간의 상관관계조차 조사할 수 있습니다. 더 빠른 감지를 통해 문제가 발생한 소재의 추가 가공을 방지함으로써 낭비되는 생산 용량을 줄이고 조사 시간을 단축할 수 있습니다. 이러한 이점을 얻으려면 측정값과 이를 발생시킨 생산 조건 간의 신뢰할 수 있는 연계가 필요합니다.
Advanced packaging increases the stakes. Chiplets, hybrid bonding, and stacked devices bring manufacturing stages into closer technical and economic dependence. A defective component discovered after assembly can undermine the value of other components already integrated into the package. Consequently, identifying suitable die before assembly and connecting test results with manufacturing history become increasingly consequential.
첨단 패키징은 판을 더욱 키웁니다. 칩렛, 하이브리드 본딩, 적층 소자는 제조 단계 간의 기술적·경제적 상호 의존성을 높입니다. 조립 후에 발견된 결함 부품은 패키지에 이미 통합된 다른 부품들의 가치까지 훼손할 수 있습니다. 결과적으로 조립 전에 적합한 다이를 식별하고, 테스트 결과를 제조 이력과 연결하는 것이 점차 중요해지고 있습니다.
Intel Foundry describes its Advanced Chiplet Test services as part of this broader measurement strategy. Capabilities including predictive die classification, intelligent die pairing, optical testing, and yield analytics are intended to inform manufacturing decisions. Their importance lies in the potential to make test information useful earlier, when engineers have more opportunities to prevent expensive downstream issues.
인텔 파운ڈ리는 이러한 광범위한 측정 전략의 일환으로 '첨단 칩렛 테스트(Advanced Chiplet Test)' 서비스를 소개합니다. 예측형 다이 분류, 지능형 다이 페어링, 광학 테스트, 수율 분석 등의 기능은 제조 의사결정에 정보를 제공하기 위한 것입니다. 이들의 중요성은 엔지니어들이 비용이 많이 드는 후속 문제를 예방할 기회가 더 많을 때, 테스트 정보를 더 이른 시점에 유용하게 활용할 수 있는 잠재력에 있습니다.
AI could accelerate that learning, but its authority needs boundaries. Intel Foundry’s automatic defect classification research uses an agentic workflow to assist engineers with logs, knowledge retrieval, investigations, and recipe reviews. Human approval checkpoints preserve oversight. This distinction matters because identifying a statistical association does not establish its cause or justify changing a production recipe.
AI는 그러한 학습을 가속화할 수 있지만, 그 권한에는 경계가 필요합니다. 인텔 파운드리의 자동 결함 분류 연구는 에이전틱 워크플로우를 사용하여 엔지니어들의 로그, 지식 검색, 조사, 레시피 검토를 지원합니다. 인간의 승인 체크포인트는 감독 기능을 유지합니다. 이러한 구분이 중요한 이유는 통계적 연관성을 찾아냈다고 해서 그 원인이 규명되거나 생산 레시피 변경이 정당화되는 것은 아니기 때문입니다.
For fab managers, the operational question is therefore specific: which recommendations may proceed automatically, and which require review? A useful deployment should preserve the underlying evidence, identify affected tools and lots, record uncertainty, and document approval. Otherwise, faster recommendations could simply transfer verification work to engineers while making accountability harder to establish.
따라서 팹 관리자들에게 운영상의 질문은 구체적입니다. 즉, 어떤 권고사항이 자동으로 진행될 수 있고, 어떤 것이 검토를 거쳐야 하는가 하는 점입니다. 유용한 배포라면 기반이 되는 증거를 보존하고, 영향을 받은 장비와 로트를 식별하며, 불확실성을 기록하고, 승인을 문서화해야 합니다. 그렇지 않으면 더 빠른 권고사항 제시는 단순히 검증 업무를 엔지니어에게 전가하는 동시에 책임 소재를 파악하기만 더 어렵게 만들 뿐입니다.
Physics-informed thermal modeling offers another potentially valuable direction. Intel Foundry reports research combining AI with heat-transfer physics to improve predictions while requiring less training data. For power-dense devices and heterogeneous packages, better thermal understanding could support design, test, and reliability decisions. Production value, however, depends on validation across relevant materials, architectures, workloads, and operating conditions.
물리 기반 열 모델링(Physics-informed thermal modeling)은 잠재적으로 유용한 또 다른 방향을 제시합니다. 인텔 파운드리는 AI와 열전달 물리학을 결합하여 더 적은 훈련 데이터로도 예측 성능을 향상시키는 연구를 보고하고 있습니다. 전력 밀도가 높은 소자와 이종 패키지의 경우, 향상된 열 분석은 설계, 테스트, 신뢰성 관련 의사결정을 뒷받침할 수 있습니다. 그러나 생산 현장에서의 가치는 관련 소재, 아키텍처, 워크로드, 그리고 작동 조건 전반에 걸친 검증에 달려 있습니다.
Infrastructure determines whether these capabilities scale. Data trapped inside incompatible equipment platforms limits visibility and complicates deployment across factories. Hardware-independent automation, connected systems, and edge computing could make information easier to exchange and act upon. Open standards may also reduce the integration burden when manufacturers introduce new equipment or extend automation into assembly and test.
인프라는 이러한 기능들이 확장될 수 있는지를 결정합니다. 호환되지 않는 장비 플랫폼 내부에 갇힌 데이터는 가시성을 제한하고 팹 전반의 배포를 복잡하게 만듭니다. 하드웨어 독립적 자동화, 연결된 시스템, 그리고 엣지 컴퓨팅은 정보를 쉽게 교환하고 이에 따라 조치할 수 있도록 만들어 줍니다. 개방형 표준은 또한 제조업체가 새 장비를 도입하거나 자동화를 조립 및 테스트 공정으로 확장할 때 통합 부담을 줄여줄 수 있습니다.
Intel Foundry highlights SATAS, an industry consortium developing interoperable architectures and automation frameworks, as one route toward that coordination. Shared interfaces and material-handling standards matter because factory autonomy involves interactions among many suppliers. Progress requires those systems to exchange information consistently and respond predictably when conditions change.
인텔 파운드리는 상호 운용 가능한 아키텍처와 자동화 프레임워크를 개발하는 산업 컨소시엄인 SATAS를 그러한 조율을 향한 경로 중 하나로 강조합니다. 공유 인터페이스와 자재 취급 표준이 중요한 이유는 팹 자율성이 수많은 공급업체 간의 상호작용을 수반하기 때문입니다. 진전을 이루려면 이러한 시스템이 정보를 일관되게 교환하고 조건이 변경될 때 예측 가능한 방식으로 대응해야 합니다.
Why does this matter? Semiconductor competitiveness depends partly on turning complex processes into repeatable, economically viable production. Connected measurement and analysis could help manufacturers learn faster, protect valuable assemblies, and use engineering resources more effectively.
이것이 왜 중요할까요? 반도체 경쟁력은 부분적으로 복잡한 공정을 반복 가능하고 경제적으로 실현 가능한 생산으로 전환하는 데 달려 있습니다. 연결된 측정과 분석은 제조업체들이 더 빠르게 학습하고, 가치 있는 조립품을 보호하며, 엔지니어링 자원을 더 효과적으로 사용하는 데 도움을 줄 수 있습니다.
The evidence presented remains a roadmap of research and emerging capabilities, rather than proof of factory-wide autonomous performance. Customers should ultimately judge success through demonstrated improvements in yield, scrap, cycle time, reliability, and engineering workload. Intel Foundry’s broader message is nevertheless significant: scalable autonomy begins with dependable evidence and coordinated systems, with explicit responsibility for every consequential manufacturing decision.
제시된 증거는 팹 전반의 자율 성능을 입증하는 증거라기보다는 연구 및 신흥 역량의 로드맵에 가깝습니다. 고객들은 궁극적으로 수율, 불량(scrap), 사이클 타임, 신뢰성, 그리고 엔지니어링 업무량 측면에서 입증된 개선을 통해 성공을 평가해야 합니다. 그럼에도 불구하고 인텔 파운드리의 더 넓은 메시지는 의미가 큽니다. 확장 가능한 자율성은 신뢰할 수 있는 증거와 조율된 시스템에서 시작되며, 모든 중대한 제조 결정에 대해 명시적인 책임을 수반한다는 점입니다.
