KR100288456B1

KR100288456B1 - 신경망 이용방법, 프로세스변수세트 제어방법 및 장치, 에칭시간 제어방법 및 장치

Info

Publication number: KR100288456B1
Application number: KR1019930027406A
Authority: KR
Inventors: 로버트챨스프라이에; 토마스리챠드해리; 얼라이안로리; 에드워드알로이스리트만
Original assignee: 죤 제이.키세인; 아메리칸 텔리폰 앤드 텔레그라프 캄파니
Priority date: 1992-12-14
Filing date: 1993-12-13
Publication date: 2001-05-02
Also published as: KR940015894A; TW233370B; US5467883A

Abstract

본 발명은, 집적 회로 가공에 이용되는 플라즈마 글로로부터의 방사 궤적이, 제조 프로세스에서의 변화, 예컨대 플라즈마 반응로의 노화, 플라즈마에 노광된 웨이퍼의 밀도, 플라즈마의 화학성 및 잔존 물질의 농도의 변화를 일으키는 현상에 관한 정보를 포함하고 있다는 사실로 예견된다. 본 발명에 따르면, 집적회로 가공프로세스에서의 플라즈마 에칭 종료 시점을 결정하기 위해 신경망을 이용하는 방법이 공개되어 있다. 종료 시점은 광방사 궤적의 본래 장소의 감시에 근거를 두고 있다. 보다 일반적으로, 소정의 품질 속성으로 최종 제품을 생산하기 위해 제어 변수 및 물질 제조 프로세스를 조절하는데 신경망이 이용될 수 있다. 품질 속성과 프로세스간의 관계를 반영하는 인식형 프로세스 표시가 신경망을 학습시키는데 이용될 수 있다.

Description

신경망 이용 방법, 프로세스 변수 세트 제어 방법 및 장치, 에칭 시간 제어 방법 및 장치

제1도는 집적 회로의 가공에 있어서 플라즈마 에칭 단계를 도시하는 도면.

제2도는 제조 프로세스를 조절하기 위한 신경망 프로세스 감시기를 도시하는 도면.

제3도는 통상의 방사 궤적을 도시하는 도면.

제4도는 신경망 학습용 블럭도 체계를 도시하는 도면.

제5도는 신경망에 대한 학습시도 횟수의 함수로서 평균적으로 산출되는 게이트 두께를 도시하는 도면.

제6도는 데이터 베이스 크기의 함수로서 신경망의 성능을 도시하는 도면.

제7도는 제조 프로세스를 조절하기 위해 입력 제어 변수 및 물질을 감시하는 신경망 제어기를 도시하는 도면.

제8도는 피드포워드 신경망의 개략도.

제9도는 가중치 매트릭스 요소를 조정하기 위한 적응 절차를 도시하는 도면.

제10도는 피드포워드 회로망에서의 일반적인 층(generic layer)의 도면.

제11도는 제조 프로세스를 조절하기 위한 신경망 프로세스 감시기 및 데이터 베이스를 도시하는 도면.

제12도는 데이터 베이스 정보를 이용하여 신경망 학습용 블럭도 체계를 도시하는 도면.

〈도면의 주요부분에 대한 부호의 설명〉

10 : 실리콘 웨이퍼 기판 12 : 산화층

13 : 웰 14 : 폴리실리콘 층

20 : 잔류 산화막 두께

[발명의 목적]

[발명이 속하는 기술분야 및 그 분야의 종래기술]

[기술분야]

본 발명은 플라즈마를 사용하는 프로세스와 같은 제조 프로세스에서 제어 변수 및 물질을 조절하기 위한 신경망(neural network) 이용 방법에 관한 것이다. 본 발명은 플라즈마 에칭(plasma etching)에서 에칭 시간(etch time)을 제어하기 위해서 플라즈마 글로 프로세스(plasma glow process)에 응답하는 신경망이 이용되는 양호한 실시예를 통해 설명될 것이다.

[발명의 배경]

플라즈마 프로세스는 집적회로 및 광전자 디바이스 가공을 위한 전자산업 뿐만 아니라 우주항공, 태양에너지, 제지, 섬유 산업에서도 중요하다. 1991년 워싱턴 D.C. 소재의 국립 아카데미 프레스(National Academy Press)가 발간한 국립연구협의회(National Research Council)의 "물질의 플라즈마 처리(Plasma Processing of Materials)"를 참조하기 바란다. 예컨대, 플라즈마는 집적 회로의 기판 상에 박막층을 에칭하고 침착하기 위하여 이용된다.

플라즈마는 이온 가스로서, 양이온과 음이온의 농도가 거의 같다. 따라서 플라즈마는, 반응성이 크지만 전기적으로 중성인 자유 래디칼(free radicals)을 함유할 수 있다. 플라즈마는, 소정의 가스를 반응로(reactor)나 챔버(chamber)로 유입시키고 상기 챔버에 무선주파수(RF)를 인가함으로써 형성된다. 유입되는 가스는 통상, 예컨대 집적회로의 가공에서 폴리실리콘을 에칭시키는데 있어서의 염소 가스와 같이 소정 프로세스의 화학적 성질에 관여되도록 선택된다. RF 전계는 중성 또는 하전된 입자들과 전자 충돌을 야기시켜서 글로 방전 또는 방사를 일으키는 복사(radiation)를 방사한다.

플라즈마 에칭은 플라즈마내에서 발생된 반응성 자유 래디칼(reactive free radicals) 또는 이온에 의한 물질의 선택적 제거 방법이다. 대개의 경우, 에칭 및 프로세스 제어의 정확도에 있어서 플라즈마 에칭 프로세스가 습식 에칭 기술 (액체 화공약품으로 물질을 에칭하는 기술)보다 우수하다. J. Vac. Sci. Tech. 지의 제14권 제 1 호 266 내지 274 쪽 (1977년 1/2월호)에 실린 R.G. Poulsen 의 논문 "집적 회로 제조에 있어서의 플라즈마 에칭 방법-고찰(Plasma Etching in Integrated Circuit Manufacture- A Review)"를 참조바란다.

플라즈마 프로세스는 대개 제어하기가 곤란하다. 예컨대, 국립연구협의회의 34 내지 35를 참고하기 바란다. 예컨대, 플라즈마 에칭 프로세스는 변형을 보상하기 위해 지속적으로 감시되어야 한다. 프로세스에서의 변형의 한 원인은 반응로의 노화에 있다. 청정 반응로 챔버에 대한 에칭 시간은 한동안 생산에 이용되어온 반응로에 대한 에칭 시간과 상이하다. 또, 상이한 패턴의 밀도를 갖는 웨이퍼는 상이하게 에칭된다. 이러한 변화는 품질 유지를 위해 지속적인 검사를 필요로 한다. 검사 결과를 기초로 하여, 다음 로트(lot)에 대한 에칭 시간이 결정된다. 그러나, 기계의 노화 및 청정화의 효과를 방지하기 위한 인간의 지속적인 개입은 로트 간의 웨이퍼 속성 또는 특성을 순차적으로 변화시킨다. 따라서, 인간의 지속적인 개입없이도 로트간의 에칭 시간을 조정할 수 있는 정밀 제어 장치가 요구된다.

[발명이 이루고자 하는 기술적 과제]

[발명의 개요]

본 발명은 신경망을 이용해서 입력 제어 변수 및 제조 프로세스에 사용된 물질을 통제 또는 조정하여 소정의 품질 속성을 갖는 최종 제품을 생산하는데 있다. 이 방법은 플라즈마 프로세스를 제어하는데 특히 유용하며, 종래 기술의 방법에 관련된 비용 과다, 지연 및 모순을 방지한다. 양호한 실시예에서, 신경망 제어기는 플라즈마 에칭 프로세스 중 광 방사 궤적(optical emission trace)의 일부를 감시하고, 이 관찰을 기초로 하여 플라즈마 에칭 종료 시점을 계산한다. 이 회로망은 역전파(back-propagation) 기술을 이용하여 품질에 관한 생산 데이터 측정값들로 직접 학습된다(trained). 자동 에칭 시간 제어 프로세스는 양호한 균일성, 높은 수율 및 저렴한 비용에 있어서 이점을 제공한다.

[발명의 구성 및 작용]

[상세한 설명]

Ⅰ. 서론

제 1도는 MOS 트랜지스터를 가공하는 한 단계로서의 플라즈마 에칭 프로세스에 관한 통상적인 사용을 도시한다. 실리콘 웨이퍼 기판(10)은 산화층(12)으로 덮여있다. 다음에, 산화층(12)은 폴리실리콘층(14)과 탄탈륨실리콘층(16)으로 덮여있다. 통상 실리콘다이오드인 산화층(12)은 그 안에 웰(well; 13)을 갖는다. 웰(13)의 일부에는 감광 물질로 된 층(18)이 제공되고, 탄탈륨실리콘층(16) 및 폴리실리콘층(14)은 에칭으로 제거된다.

폴리실리콘층(14)의 에칭에서는, 모든 폴리실리콘 층(14)이 제거되는 것이 중요하다. 그러나, 폴리실리콘 층(14)의 에칭에서, 산화층(12)의 일부(21)가 불가피하게 에칭된다. 에칭 프로세스에서, 결정적인 품질 속성은, 소스 영역(22)과 드레인 영역(24)에 있는 잔존 산화막 두께(20)에 있으며, 이 잔존 산화막 두께는 이들 영역의 특성을 결정한다. 잔존 산화막 두께(20)는, 에칭 시간, 즉 웨이퍼가 플라즈마에 노광되는 시간의 함수이다.

제 2도는 본 발명의 예시적인 실시예이며, 여기서 신경망은 최종 제품에 소정의 품질 속성을 만들어내기 위하여 프로세스(204)로 입력되는 물질 및 제어 변수를 조정 또는 통제하는 프로세스 감시기(202)로 유익하게 통합된다. Ⅱ 부에서는 본 발명의 예시적인 실시예를 제공하며, 여기서 집적회로의 가공에 걸리는 플라즈마 에칭 시간은 웨이퍼 상에 소정의 산화막 두께를 만들어내기 위하여 광방사 궤적의 일부를 이용하는 신경망 프로세스 감시기에 의해 제어된다. Ⅲ 부에서는 신경망 동작의 고찰과 양호한 역전파 학습 기술이 설명된다.

Ⅱ. 신경망 제어기

궤적 또는 레코드는 특정 변수 또는 함수의 시간동안의 측정으로 정의될 수 있다. 양호한 실시예에서, 시간의 함수로서 특정 파장에서 측정되는, 플라즈마 글로(plasma glow)로부터의 광방사 스펙트럼의 궤적의 일부가 프로세스 표시(process signature)로서 이용된다. 프로세스 표시는, 프로세스를 제어하기 어렵게 만드는 요인에 관한 정보뿐만 아니라 품질 속성과 프로세스 자체에 관련된 정보를 반영하거나, 또는 그 안에 삽입시킨다. 광방사 궤적은 플라즈마 화학에 직접적으로 연관된 정보 및 에칭된 물질의 농도에 관한 정보를 나타낸다. 궤적의 행동 양태에는 기계의 노화, 웨이퍼의 패턴 밀도, 공기 흐름에 있어서의 이상적이지 못한 변동, 압력, RF 세기 등에 관한 정보를 포함하고 있다. 광궤적에 실려진 이 정보는 신경망 사상(neural network mapping) 또는 학습이 소정의 산화막 두께에 대한 이상적인 에칭 시간을 예측 및 제어하는데 적합하다. 매사츄세츠주, 캠브리지 소재의 MIT 출판사가 출판한 W. T. Miller, R.S.Sutton 및 P.J.Werbos 공동 연구의 제어용 신경망에 관한 논문집인 "제어용 신경망(Neural Networks for Control"(1990)을 참고하기 바란다.

신경망을 학습시키고 프로세스를 제어하기 위해 다른 프로세스 표시들이 식별되거나 사용될 수도 있다. 어떤 경우에, 예컨대, 전력, 온도, 압력 등과 같은 입력 제어 변수 및 물질의 궤적이 프로세스 표시일 수 있다. 이들 경우에 있어서, 설정 포인트, 즉 희망하는 또는 고정된 값이 각각의 입력에 대해 일반적으로 선택된다. 상기 입력은 이들 절정된 포인트 근처에서 변동할 것이다. 상기 변화는 특정의 품질 속성을 갖는 출력물을 생산함에 있어서 프로세스의 진행 상황을 반영하고, 따라서 이들 궤적은 신경망을 학습시키고 프로세스를 제어하기 위해 사용될 수 있는 프로세스 표시가 될 수 있다.

제 3도는, 양호한 실시예에서, 플라즈마에 있는 염소가스의 양을 나타내는 통상의 방사 궤적을 도시한다. 이 염소가스 방사는 837 나노미터의 파장에서 측정되었다. 시간 단위들은, 이 경우 단위당 약 1.9 초인 데이터 세트의 빈도수에 근거되어 있다. 이 궤적(trace)은 두 단계의 게이트 에칭에 대한 것이며, 여기서 제 1 에칭(t = 25 내지 t = 115)은 TaSi 에칭이고 제 2 에칭은 폴리실리콘 에칭에 대한 것이다. 폴리실리콘 에칭 단계 중 노광된 소스 및 드레인 영역에 있는 하부층의 산화막이 필연적으로 에칭된다. 에칭되는 양은 산화막에 대한 폴리실리콘 에칭 조건의 선택도에 달려있으며, 디바이스 가공에서의 초미의 관심사가 되는 파라미터이다. 시간 단위(t = 52)에서, 계기는 자동으로 0 이 되고, 궤적 데이터를 표준화한다. 자동 제로(auto-zeroing) 또는 표준화 단계는, 궤적이 방사 강도에 관해서 뿐만 아니라 챔버의 마지막 청정에 관한 정보를 갖고 있기 때문에 중요하다. 따라서, 자동 제로 단계는 기계 노화로서 광학 윈도우(optical window)를 흐리게 하는 신호를 조정한다. TaSi 에칭 후, 웨이퍼는 다른 화학 프로세스 하에 있는 폴리실리콘 에칭을 위해 제 2 챔버로 이송된다. 폴리실리콘 에칭을 위해 RF 전원을 켤 때 t115에서 스파이크(spike)가 일어난다. 에칭 종료점 검출의 한가지 현대적 방법은 궤적이 임계값을 지날 때의 시간을 관찰하여 초기 에칭 시간의 소정 부분인 부가 시간 동안 에칭하는 것이다. 제 3도에 도시된 예에는, 약 82 시간 단위에서 임계점이 있다. 이것은 TaSi 에칭의 종료점을 표시하며, 82 에서 115 까지의 시간은 TaSi 과에칭 시간(TaSi over-etch time)이다. 약 145 에서의 임계점은 폴리실리콘 에칭의 종료점을 나타내며 145 에서 170 까지의 시간은 폴리실리콘 에칭에 대한 과에칭 시간이다.

프로세스의 주요 품질 파라미터는 에칭 후 소스 및 드레인 영역에 잔존하는 산화막의 두께이기 때문에, 폴리실리콘 에칭에 대한 궤적 데이터는 프로세스에 대한 이상적 에칭 시간을 계산하는데 이용된다. 신경망 제어기는 도식적으로 폴리실리콘 에칭의 방사 궤적의 24 개의 측정값을 입력으로서 이용한다. 처음 7 개의 측정값은 통상 시동시에 스파이크를 피하기 위해 건너뛴다. 다음 24 개의 데이터 점은 통상적으로 총 에칭 시간의 처음 1/3을 구성한다. 이는 에칭이 완료되기 전에 입력 데이터가 잘 제어될 수 있게 해준다. 이 입력 데이터는, 소스 및 드레인 영역에 있는 목표 산화막 두께를 획득하기 위해 최적의 총 에칭 시간을 계산하는 신경망을 학습시키는데 이용된다.

제 4도는 신경망을 학습시키는 방법의 예시도이다. 이 양호한 실시예에서, 신경망(402)은 24 × 5 × 1 구조(즉, 24 개의 입력 노드, 5 개의 잠복 노드 및 1개의 출력 노드)이며 역전파기술(하기의 Ⅲ 부 참조)로 학습된다. 생산 데이터 베이스로부터의 결과는 학습에 이용될 수 있다. 이러한 결과는 관찰된 산화막 두께에서의 확산을 나타내므로, 최적의 결과를 달성하는데 필요한 시간을 데이터 베이스에 있는 각 실행에 대해 계산할 필요가 있게 된다. 각 실행으로부터의 산화막 두께와 에칭 시간은, 폴리실리콘 에칭 챔버에서 에칭시키는 공지의 산화율을 이용하여 정정되어, 에칭 시간에 관한 1 차 정정(a first-order correction)을 계산할 수 있다. 이어서, 이 정정된 에칭 시간은 신경망을 학습시키는 목표로서 이용된다. 따라서, 이 회로망은 품질을 결정하는 속성의 측정값으로 직접 학습된다.

1 차 선형 정정 프로세스(405)는 이상적인 에칭 시간을 계산한다. 만일 어떤 실세계 관찰로부터의 산화막 두께(T_obs) 및 에칭 시간(t_obs)이 공지되어 있고, 에칭율(E_R) 및 소정의 두께(T_des)가 주어지면, 하기의 수학식으로부터 소정 두께에 대한 이상적 에칭 시간을 계산할 수 있다.

이상적 에칭 시간과 신경망의 추정 혹은 산정 에칭 시간간의 차는 오차 신호로서 신경망에 다시 공급되고, 상기 신경망은 상기 에러 신호로부터 가중 매트릭스에서 새로운 값을 계산할 수 있다. 데이터 베이스에 있는 모든 예에서, 관찰된 에칭 시간은 이상적인 시간에 가깝고, 1 차 정정은 작은 값이다. 그러나, 이러한 선형 정정은 에칭 프로세스 말미에 소폭 정정을 하는데 유효할 뿐임을 알아야 한다. 시동시에 상이한 층 및 지연 효과에 직면하는 에칭 순차에서의 초기 단계는 매우 비선형적이며 질도 낮다. 이들 단계들은 실제의 실험적 데이터 베이스에서 설명될 것이다.

신경망을 학습시키는데 있어서, 통계적 학습 도구에서와 같이. 데이터 세트가 두 부분으로 구분될 수 있다. 한 부분은 학습용으로, 다른 부분은 검사용으로 이용된다. 양호한 실시예는 650 개의 표본으로 시작하였으며, 그 중 50개는 검사용으로 분리되었고, 600 개는 회로망을 학습시키는데 이용되었다. 이 650 개의 표본중 에칭되고 있는 제품의 패턴 밀도는 약 50% 까지 변화했다. 물론, 이 패턴 밀도 정보도 궤적 화일(trace file)에 또한 삽입되고, 그래서 명시적으로 고려되지는 않았다. 이러한 방법에서, 정정 에칭 시간을 정밀히 예측하기에 충분한 정보가 궤적 화일에 존재하고 패턴 밀도가 신경망의 입력에 명백히 포함되어 있을 필요가 없는 것으로 가정된다. 학습은 연결 매트릭스를 갱신하기 위해 학습 세트로부터의 예제들의 반복적인 임의적 선택과 결과 오차를 역전파하는 것으로 이루어졌다.

양호한 실시예에서, 학습은 매 1000회 시도 후에 정지되었고, 회로망의 성능은 테스트 세트로 검사되었다. 이 결과가 제 5도에 도시되어 있다. 에칭 전의 산화막 두께는 208Å이었다. 학습 전의 회로망은 가중치가 매우 적기 때문에, 그 초기 출력은 거의 제로 에칭 시간이었다. 따라서 테스트 데이터에서의 결과적인 산화막은 에칭되지 않았다. 반복 학습 후, 회로망은 개선된 것으로 추정되고, 50,OOO 학습 싸이클 후까지, 계산된 에칭 시간은, 151Å의 인간 조력 방식에 대한 값과 동일한 목표 값과 비교하여, 145Å의 평균 산화막 두께로 되었다. 보다 중요하게는, 현재의 인간이 조력한 방법은 산화막 두께에서 15.1Å의 표준 편차를 낳는다. 신경망은 15.OÅ의 등가 확산을 나타냈다.

신경망 학습 성능을 향상하는데는 여러 가지 방법이 있다. 콤플렉스 시스템지의 1987년 제 1권 877 내지 922쪽에 실린 J. Denker 등의 "대량 자동학습, 규칙 추출 및 일반화 방법(Large Automatic Learning, Rule Extraction, and General ization)"을 참고하기 바란다. 회로망의 복잡성을 조정하는 것이 가장 일반적이다. 그러나 회로망의 복잡성과 오차에는 상극관계가 있다. 너무 복잡한 회로망은 근본적으로 학습 데이터를 갖는 룩업 테이블(lookup table)을 작성하여 조악하게 검사 데이터(testing data)를 실행한다. 예시적인 실시예의 회로망은 최소 한도의 복잡성으로 최적화 해왔으나 아직도 적은 오차가 발생한다. 학습 데이터량이 증가하면, 검사 오차(testing error)는 줄어야 한다는 것은 분명하다. 제 6도는 이를 예시하는 도면이다. 이 도면은, 학습 세트 크기가 늘어나면, 회로망 오차의 표준편차가 감소함을 나타내고 있다. 따라서, 플라즈마 에칭 후에 잔존하는 산화막 두께에 관한 보다 밀접한 프로세스 제어가 예상될 수 있다.

제 7도는 본 발명의 다른 실시예를 도시한다. 이 실시예에서, 신경망은 다시 품질 속성의 생산 데이터 측정값으로 학습된다. 이 실시예에서, 신경망에 의해 감시된 프로세스 표시는 다수의 입력 제어 변수 및 물질의 궤적의 부분일 수 있다. 예컨대, RF 전원, 기체 흐름 및 압력은 총 에칭 시간을 계산하는데 유리하게 이용될 수 있다. 양호한 실시예에서와 같이, 신경망은 완전한 제조 프로세스의 어떤 물리적 특성이나 현상 발현을 감시하고, 이 특성 또는 현상 발현은 최종 제품의 속성에 측정된 프로세스의 질을 충분히 확신케 할 정보를 그 안에 반영 즉 삽입하는 것을 필요로 할뿐이다.

제 11도는 본 발명의 또 다른 실시예로서, 신경 망 프로세스 감시기(202)는 프로세스 표시로부터의 입력뿐만 아니라 데이터 베이스(1106)로부터의 입력 정보도 유익하게 이용하여, 프로세스(204)로 입력된 물질 및 제어 변수를 조절해서 최종 제품을 소정의 품질 속성으로 만들어낸다. 데이터 베이스(1106)는 임의의 정보 기억 시스템일 수도 있지만, 바람직하게는 임의의 이러한 시스템이 신경망 프로세스 감시기(202)로부터의 검색에 응답하여 실시간으로 정보에 동적으로 접근할 수 있어야 한다. 데이터 베이스(1106)의 부가 정보는 개선된 회로망 학습 및 프로세스 변수의 제어로 나타날 수 있다. 전술의 플라즈마 에칭 프로세스의 내용에서, 데이터 베이스(1106)는 (광방사 궤적 이외에) 프로세스 표시에 관한 정보 및 파라미터(예컨대, 웨이퍼 당 칩의 갯수; RF 전원, DC 바이어스 및 선행 로트로부터의 에칭 시간; 및 이전 로트에서의 관찰된 산화막 두께와 관련있는 통계 데이터)를 포함할 수 있다. 더욱 일반적으로, 데이터 베이스(1106)의 정보형태는, 주어진 프로세스에 이용된 프로세스 표시 및 프로세스 변수는 물론, 입력 물질 및 제어 변수의 형태 및 다양성에 따라서 변화한다.

전술한 바와 같이, 데이터 베이스(1106)의 정보는 도시하는 바와 같이 신경망을 학습시키는데 이용될 수 있다. 학습 프로세스는 제 4도에 설명되고 도시된 것과 유사하다. 제 12도는, 이전 및 현재의 로트의 관찰 및 통계는 물론 다른 프로세스 표시도 신경망을 학습시키는데 이용될 수 있음을 도시하고 있다.

플라즈마 에칭용의 보다 우수한 에칭 최종점 검출기를 만드는 실용적인 면은 별 문제로 하더라도, 이 기술은 신경망의 능력을 예시하여 복잡한 데이터로부터 유용한 정보를 추출한다. 광방사 궤적에 근거하여 플라즈마 에칭 절차의 진행을 감시하는데 필요한 물리학은 아마도 상당히 어려울 것이다. 그러나, 신경망은 시도 및 오차로 간단히 학습하여 적당한 정보를 추출한다. 본 기술의 숙련자들은 프로세스 감시기의 데이터가 그 내부에 필요한 정보를 포함하고 있다면 이 기술이 많은 유사한 제어 문제에 적용될 수 있음을 인식할 것이다.

Ⅲ. 신경망

신경망은 막연히 생물학적 신경망(biological neural network)을 기준으로 삼았다. 이들 회로망에 대한 기초가 되는 물리적 모델은 그의 생체학적 상대역의 행동 양태를 모델로 하려는 초기의 시도들로부터 발전되어왔다. 이들 회로망은 대개 생체 회로망으로 알려진 시냅스(synapses)를 자극하는 가변 강도 연결 매트릭스에 의해 상호 결합되는 능동 소자. 즉 뉴런으로 이루어져 있다. 상호 연결된 비선형 뉴런의 계층형 회로망(layered networks)은 여러 문제점, 예컨대 패턴 인식, 신호 처리, 시스템 식별, 음성 처리와 로보트 공학 및 기계 제어에서의 이용이 증가되고 있다. 그들의 최대 이점은 다른 비선형 시스템의 행동 양태의 우열을 가리도록 적응적으로 학습시키는 능력이다. 이 적응 학습 프로세스는, 소정의 특성을 나타낼 때까지 회로망이 점차로 변형되는 시도 및 오차 접근 방식에 기초를 두고 있다. 신경망 기술의 역사적 고찰에 대하여는, Proc. IEEE지가 1990년 9월에 간행한 제 78권 제 9호 1415 내지 1442쪽에 B.Widrow 및 M.A.Lehr가 발표한 "적응 신경망의 30년: 지각, 마달린 및 역전파 작용(3O Years of Adaptive Neural Networks: Perception, Madaline, and Backpropagation)" 을 참고하기 바란다.

제 8도는 통상의 피드포워드 신경망의 구성도이며, 여기서 뉴런(805 내지 811; 노드라고도 함)은 사각형으로 표시되어 있고, 시냅스 연결(815 내지 816)은 각 노드를 연결하는 선으로 표시되어 있다. 이들 회로망의 뚜렷한 특징은 피드백이 없다는 것이다. 신호는 이들을 통해 병렬 경로로 전송되어, 더 아래쪽의 노드에만 연결된다. 이들 회로망의 아날로그 전자 하드웨어 버젼에서, 이러한 고도의 병렬구조는 고속의 등가 계산 속도(high equivalent computational rate)로 실행할 수 있다. 이러한 물리 모델에 근거한 소프트웨어망은 병행론(parallelism)과 같은 이득을 실현하지는 않지만, 여전히 적응적으로 학습하는 이들 회로망의 능력을 계발할 수 있다. 특정 계산 임무를 수행하는 신경망을 설계하도록 발전되어온 알고리즘은, 하드웨어망 및 소프트웨어망 모두에 똑같이 잘 적용된다.

출력과 직접 연결되어 있지 않은 뉴런층은 종종 잠복층(hidden layer)이라고 한다. 제 8도에는 잠복층이 1 개만(노드 805 내지 809) 도시되어 있다. 각 뉴런은, 이전 층에 있는 모든 신호의 가중된 합을 모으는 합산 노드로서의 기능을 한다. 또한, 각 뉴런은 활성 함수(activation function)라고 하는 응답 곡선(820)과 연관되었다. 잠복 뉴런은 대개 S자 모양 또는 단계형 활성 함수를 갖도록 선택된다. 소프트웨어망에 공통으로 이용되는 수학 함수의 예로는 하이퍼볼릭탄젠트, 아크탄젠트 및 페르미 함수가 있으며, 그 모든 함수는 정형을 갖고 있고 비교 가능한 결과를 제공한다. S 자 형상은 중요하다. 비선형 출력 응답을 조성하기 위해 비선형성이 적응적 회로망에 의해 이용될 수 있다. 그러나, 그들의 포화 성질(saturating nature)은 전체 회로망의 응답을 정밀하게 제한되도록 하여. 폴리노미얼 곡선형(polynomial curve fitting)과 같은 다른 비선형 방식으로부터 발생할 수 있는 비제어된 행동을 방지한다. 양호한 실시예에서는 하이퍼볼릭탄젠트 함수가 예시적으로 이용된다. 반면에, 최종층에 있는 출력 뉴런(810 내지 811)에 대한 활성 함수는 대개 비선형이다. 이것은 회로망이 임의의 대형 출력 신호를 발생시키도록 하는 비제한적 동적 영역을 제공한다.

뉴런층들 간의 교점은 가중 매트릭스에서의 가변 연결 강도 계수이다. 소프트웨어망에서, 제 8도에 도시된 물리 구조는 하기의 수학식 1로 표현된다.

이 관계는 입력 세트(i_i)에 대한, 출력층에서의 k 번째 뉴런의 선형 출력(o_k)을 나타낸다. 더 많은 잠복층을 갖는 회로망에 대한 방정식은 각 추가층에 대한 추가 합산 및 비선형 활성 함수를 포함한다. 매트릭스(W1)는 입력 대 잠복층 행렬이고, W2 매트릭스는 잠복 대 출력 행렬이다.

각 층에서의 층수와 뉴런수는 별도로 하더라도, 회로망 내의 기본 구조 및 구성요소는 일반적이다. 이런 종류의 한 회로망은 다른 회로망과 다소 유사하게 보인다. 회로망의 기능은 능동소자, 즉 뉴런으로 결정되는 것이라기보다는 오히려 그들간의 교점에 의해서 결정된다. 제 9도에 도시적으로 나타낸 기본 개념은 개별 연결(W1_ij및 W2_jk)의 값들을 조정하여 출력단에서 제곱평균 제곱근(root mean square; rms) 오차를 최소화하는 것이다. 이 프로세스는 점진적으로 실행된다. 즉, 각 개별적인 시도 후에 연결에 대한 변화는 작다. 그러나, 각각의 변화로, 회로망은 소정의 응답을 매우 근접하게 근사시킨다.

연결 매트릭스에서의 변화를 계산하는데 폭넓게 이용되는 방법은 오차의 역전파 기술이다. 매사츄세츠주 캠브리지 소재의 MIT 출판사가 1986년에 발간한 병렬 분산 프로세스(Parallel Distributed Processing)지의 제 1권 318 내지 330쪽에 게재된 D. E. Rumelhart, J.L.'s ＆ the PDP 연구단의 D.E.Rumelhart, G.E.Hinton 및 R.J.Williams 연구의 "오차전파에 의한 내부 표현 학습(Learning Internal Representations by Error Propagation)"을 참조하기 바란다. 또한, 알고리즘지가 1990년에 발간한 5/6월 호 제 1.4권 17쪽에 게재된 E.A.Rietman 과 R.C.Frye 연구의 "신경망을 위한 역전파 알고리즘(The Back Propagation Algorithm for Neural Networks)"를 참고하기 바란다. 역전파 기술에 의한 신경망의 학습은, 회로망 출력 및 목표 응답간의 오차를 최소화하도록 하기 위하여 몇 개의 매트릭스의 요소를 조정하는 것으로서 이루어져 있다. 이 방법은 델타 규칙의 일반화이며(Rumelhart supra 321 참고), 기울기 감소 최적화 기술에 근거를 두고있다. 이는 소정의 응답과 비교해서 회로망의 출력에서 평균 제곱 오차(mean-squared error)를 최소화를 시도한다. 다중 출력을 구비하는 회로망에 있어서. rms 오차는 하기의 수학식 2에 의해 주어진다.

여기서 t_k와 o_k는 벡터의 k 번째 구성 요소에 대한 목표값 및 출력값이다. 만일 회로망이 시간 불변(time invariant)이라면, 그 출력은, 수학식 1에서와 같이, 입력(i_i)과 연결가중 매트릭스(W1_ij및 W2_ij)의 현재 값에만 의존한다. 적응 절차(adaptive procedure)에 사용된 방법은 가중 공간에 있는 오차의 기울기에 비례하는 양, 즉 주어진 가중 계수(W_ij)만큼 이 연결을 변경시키는 것이며 주어진 가중계수(w_ij)는 하기의 수학식 3과 같다.

이 기술은, 회로망에서의 가중 매트릭스가 진전됨에 따라. 평균 오차를 낮추는 결과를 낳는다. 고려된 종류의 계층형 회로망에서, 각 시도 후의 가중값의 변화는 오차 자체에 비례한다. 이에 의해, 오차가 적어짐으로써, 시스템이 안정한 가중구조로 정착되게 된다. 그러나, 이 변화는 가중 공간에서 오차의 0 기울기인 경우에만 0 이 된다. 이 0 은 실제의 거시적 최소 또는 국소적 최소 중 어느 하나를 표시할 수 있지만, 실제적 관점에서 보면, 이 기울기 감소 알고리즘은 일반적으로 유용한 해법으로 된다.

일반화된 델타 규칙은 하기의 수학식 5로부터 유도되는 간단한 계산 알고리즘이다. 제 10도는 회로망 내의 일반층을 도시한다. 이 표시에서는, 층의 출력은 신호의 벡터(o_j)이다. 그 입력 벡터(o_i)는 이전 층으로부터의 출력 그 자체일 수도 있다. 출력 벡터(o_j)는 차례로 다음 층에 입력을 공급할 수도 있다. 뉴런(1001 내지 1004)은 활성 함수(f_j)를 구비하고 가중 매트릭스(W_ij)에 의해 입력 벡터에 결합되어 있다. 각 뉴런으로의 순입력은 하기의 수학식 4에 의해 주어진다.

상기 출력 벡터는 하기의 수학식 5에 의해 주어진다.

도면에 있는 층에 대하여, 가중값 변화분은 하기의 수학식 6과 같다.

이 관계식에서 , η는 학습율이며, 수학식 6에서 암시적으로 비례 상수이다. 만일 해당 층이 출력층이라면, δ_j는 하기의 수학식 7에 의해 주어진다.

여기서 t_j는 목표 또는 요구되는 출력 벡터이고, f_j'는 입력 신호에 관한 뉴렌의 활성 함수의 미분 함수를 나타낸다. 선형 출력 뉴런에 관하여, f_j'는 상수(일반적으로 1)이다. 그러나, 만일 층이 회로망 내부에 잠복되어 있다면, 목표 응답이무엇으로 되어야할지는 바로 명확하게 되지 않는다. 이 경우, δ_j는 하기의 수학식 8을 사용하여 반복적으로 계산된다.

여기서 δ_k와 W_jk는 해당층의 바로 다음에 오는 층(즉, 제 7도에서 층의 우측)을 일컫는다. 따라서, 예컨대, 수학식 1에 의해 설명되는 회로망에서, 잠복층은 출력층으로부터의 δ_k, 매트릭스(W2_jk) 및 f_j' = sech²를 이용하여 계산된다. 실제로, 입력이 회로망을 통해서 순방향으로 우선 전파된다. 가중값 변화분은 수학식 7 및 수학식 8을 이용하여 최종층에서 우선 계산되고, 그 다음 수학식 6 및 수학식 8을 이용하여 회로망을 통해 층마다 역방향으로 작용한다.

따라서, 근본적으로 신경망은 파라미터가 없는 비선형 알고리즘이다. 변수의 밀도(population)에 관하여 아무 가정도 없으며, 변수의 기능적 관계에 관하여도 아무 가정이 없다. 유일한 가정은, 신경망에 의해 학습될 수 있는 입력과 출력간에 인과 관계가 있다는 것이다. 1991년, 캘리포니아주 산마테오 소재의 모르간 카우프 만사가 출간한 S.W.Weiss 와 C.A.Kulokowski 의 공저 "학습용 컴퓨터 시스템 : 통계, 신경망, 기계 학습 및 전문가 시스템용 구분 및 예측방법(Computer Systems That Learn; Classification and Prediction Methods for Statistics, Neural Nets, Machine Learning, and Expert Systems)"와, 1990년 신경 회로망지의 제 3권 551 내지 560쪽에 게재된 K.Hornick, M.Stinchcombe 및 H.White 공동 연구의 "다층 피드포워드 회로망을 이용한 미지맵핑의 다목적 접근방식 및 그 미분법(Universal Approximation of Unknown Mapping and its Derivatives Using Multilayer Feedforward Networks)"을 참조하기 바란다.

사실, 산화막 두께의 검사운용과 다음 에칭에 대한 에칭 시간 조정간의 이러한 인과관계가 있기 때문에, 신경망은 집적회로 가공 프로세스에서 임무를 수행할 수 있다. 산화막 두께와 과에칭 시간간의 관계를 반영하는 프로세스 표시를 인식함으로써, 신경망을 학습시키고 전술한 Ⅱ 부의 양호한 실시예의 설명에서 예시된 바와 같이 에칭 시간에 관하여 예측하기 위해 프로세스 표시에 관한 정보가 이용될 수 있다. 전술한 바와 같은 신경망 제어기는 인간 조력형 방법(human assisted method)과 필적할 만한 산화막 두께의 표준편차를 만들어낸다. 따라서, 신경망 제어기는 품질의 높은 균일성을 제공하여 제조 프로세스에서 높은 수율과 저비용을 실현하는 이점을 제공한다.

Claims

하나 이상의 품질 속성의 세트에 의해 특징지어진 제품을 생산하기 위한 프로세스에서 하나 이상의 변수의 세트를 제어하는 신경망(neural network)을 이용하기 위한 방법에 있어서,

a. 상기 하나 이상의 품질 속성 세트와 상기 하나 이상의 변수 세트 사이의 관계에 의해 나타나는 상기 프로세스 표시(process signatures)의 레코드를 형성하기 위해 상기 프로세스동안 하나 이상의 프로세스 표시 세트를 측정하는 단계와;

b. 상기 레코드로부터의 데이터를 상기 신경망에 공급하는 단계; 및

c. 상기 데이터에 기초하여 상기 프로세스로부터 발생하는 상기 제품을 생산하도록 상기 프로세스에서 상기 하나 이상의 변수 세트를 제어하기 위해 상기 신경망을 이용하는 단계를 포함하는 신경망 이용 방법.
제1항에 있어서, 상기 신경망은 상기 하나 이상의 품질 속성 세트의 측정과 상기 하나 이상의 프로세스 표시 세트의 이전 데이터로 학습되는 신경망 이용 방법.
제1항에 있어서, 상기 신경망은 역전파 기술(back-propagation technique)로 학습되는 신경망 이용 방법.
제1항에 있어서, 상기 하나 이상의 변수 세트를 데이터 베이스로부터의 정보에 근거하여 제어하기 위해 상기 신경망을 이용하는 단계를 더 포함하는 신경망 이용 방법.
하나 이상의 품질 속성 세트에 의하여 특징지어진 제품을 생산하기 위해 플라즈마 에칭 프로세스에서 하나 이상의 프로세스 변수 세트를 제어하는 방법에 있어서,

a. 상기 하나 이상의 프로세스 변수 세트와 상기 하나 이상의 품질 속성 세트 사이의 관계에 의해 반영된 하나 이상의 프로세스 표시의 세트를 식별하는 단계와;

b. 레코드를 형성하기 위해 상기 하나 이상의 프로세스 표시 세트를 측정하는 단계와:

c. 상기 레코드로부터의 데이터를 신경망에 공급하는 단계와;

d. 하나 이상의 프로세스 표시의 세트의 레코드로부터의 이전 데이터와 하나이상의 품질 속성 세트의 이전 데이터로 상기 신경망을 학습시키는 단계 및;

e. 상기 레코드로부터의 상기 데이터와 상기 학습에 근거하여 상기 하나 이상의 프로세스 변수 세트를 제어하는 단계를 포함하는 프로세스 변수 세트 제어 방법.
제5항에 있어서, 상기 하나 이상의 프로세스 변수 세트는 에칭 시간인 프로세스 변수 세트 제어 방법.
제5항에 있어서, 상기 신경망은 역전파 기술로 학습되는 프로세스 변수 세트 제어 방법.
플라즈마 에칭 프로세스에서 에칭 시간을 제어하기 위한 방법으로서, 상기 에칭 프로세스는 하부의 제 2의 물질 층을 노출시키기 위해 제 1의 물질 층을 선택적으로 제거하고, 상기 하부의 제 2의 물질 층은 에칭 시간과 관련된 두께를 갖는 에칭 시간 제어 방법에 있어서,

a. 레코드를 형성하기 위해 상기 플라즈마 에칭 프로세스로부터 플라즈마 방사를 측정하는 단계와;

b. 상기 레코드로부터의 데이터를 신경망에 공급하는 단계와;

c. 상기 신경망을 학습시키는 단계; 및

d. 상기 레코드로부터의 데이터와 상기 학습에 기초하여 상기 에칭 시간을 제어하는 단계를 포함하고, 상기 신경망 학습 단계는에 따라 상기 에칭 시간을 제어하기 위해 1차 선형 정정(a first order linear correction)을 계산하는 단계를 포함하며, 여기서 t_ideal은 상기 하부의 제 2의 물질 층의 희망하는 두께를 위한 이상적인 에칭 시간이고, t_obs는 실제 에칭 시간이고, T_obs는 상기 플라즈마 에칭 프로세스의 종료에서 상기 하부의 제 2의 물질 층의 관측된 두께이며, T_des는 상기 플라즈마 에칭 프로세스의 종료에서 상기 하부의 제 2의 물질 층의 희망하는 두께이며, E_R은 상기 플라즈마 에칭 프로세스의 에칭율을 나타내는 상수인 에칭 시간 제어 방법.
하나 이상의 품질 속성 세트에 의해 특징지어진 제품을 생산하기 위한 플라즈마 에칭 프로세스에서 하나 이상의 변수 세트를 제어하는 장치에 있어서.

a. 상기 하나 이상의 프로세스 변수 세트와 상기 하나 이상의 품질 속성 세트 사이의 관계에 의해 반영된 하나 이상의 프로세스 표시 세트를 식별하기 위한 수단과;

b. 레코드를 형성하기 위해 상기 하나 이상의 프로세스 표시 세트를 측정하기 위한 수단과;

c. 상기 레코드로부터의 데이터를 신경망에 공급하기 위한 수단과;

d. 하나 이상의 프로세스 표시 세트의 레코드로부터의 이전 데이터와 하나 이상의 품질 속성 세트의 이전 데이터로 상기 신경망을 학습시키기 위한 수단; 및

e. 상기 레코드로부터의 데이터와 상기 학습에 기초하여 상기 하나 이상의 프로세스 변수 세트를 제어하기 위한 수단을 포함하는 변수 세트 제어 장치.
플라즈마 에칭 프로세스에서 에칭 시간을 제어하기 위한 장치로서, 상기 에칭 프로세스는 하부의 제 2의 물질 층을 노출시키기 위해 제 1의 물질 층을 선택적으로 제거하고, 상기 하부의 제 2의 물질 층은 에칭 시간과 관련된 두께를 갖는 에칭 시간 제어 장치에 있어서,

a. 레코드를 형성하기 위해 상기 플라즈마 에칭 프로세스로부터 플라즈마 방사를 측정하기 위한 수단과;

b. 상기 레코드로부터의 데이터를 신경망에 공급하기 위한 수단과;

c. 상기 신경망을 학습시키기 위한 수단; 및

d. 상기 레코드로부터의 데이터와 상기 학습에 기초하여 상기 에칭 시간을 제어하기 위한 수단을 포함하고, 상기 신경망 학습 수단은에 따라 상기 에칭 시간을 제어하기 위해 1차 선형 정정을 계산하며, 여기서 t_ideal은 상기 하부의 제 2의 물질 층의 희망하는 두께를 위한 이상적인 에칭 시간이고, t_obs는 실제 에칭 시간이고, T_obs는 상기 플라즈마 에칭 프로세스의 종료에서 상기 하부의 제 2의 물질 층의 관측된 두께이며, T_des는 상기 플라즈마 에칭 프로세스의 종료에서 상기 하부의 제 2의 물질 층의 희망하는 두께이며, E_R은 상기 플라즈마 에칭 프로세스의 에칭율을 나타내는 상수인 에칭 시간 제어 장치.
제1항에 있어서, 상기 신경망은 역전파 기술로 학습되는 신경망 이용 방법.