KR101999170B1 - 두께 측정 장치 - Google Patents

Abstract

본 발명은 서로 마주하도록 마련되어 사이에 위치하는 시편의 두께를 측정하는 상부 센서 및 하부 센서를 포함하는 두께 측정 장치를 개시한다.

Description

두께 측정 장치{APPARATUS OF MEASURING THICKNESS}

본 발명은 두께 측정 장치에 관한 것으로, 더욱 상세하게는 광학 센서를 이용하여 시편의 두께를 측정하도록 구현한 두께 측정 장치에 관한 것이다.

어떠한 시편의 두께를 측정하는 방식은 매우 다양한데, 크게는 접촉식 및 비접촉식으로 나눌 수 있다.

접촉식 두께 측정 방식은, 버니어 캘리퍼스나 마이크로미터 등과 같은 두께 측정 장치에 직접 시편을 끼우고, 이처럼 시편에 접촉된 장치가 위아래로 벌어진 거리를 측정함으로써 두께를 측정하는 방식을 말하며, 간단하고 개념적으로 명확한 방식이다. 그러나 이러한 접촉식 두께 측정 방식은 정확도 및 정밀도에 한계가 있으며 시편을 파손시킬 위험이 있어, 예를 들어 박막 두께 측정 등과 같은 경우에는 비접촉식 두께 측정 방식을 사용한다.

비접촉식 두께 측정 방식은 빛, 레이저, 초음파 등을 사용하여 시편까지의 거리를 측정함으로써 두께를 산출하는 방식을 통칭하는 것이다. 예를 들어 투명 시편의 경우 빛의 반사 및 굴절 등의 특성을 이용하는 엘립소미터를 사용하기도 하며, 한국특허등록 제1594690호("멀티프로브 기반의 3차원 형상 및 박막두께의 동일위치 측정 장치 및 방법", 2016.02.05)에 엘립소미터를 사용하는 두께 측정 방식의 구체적인 예시가 개시된다. 또는 레이저를 사용하는 구체적인 예시로서 한국특허공개 제2013-0088916호("레이저간섭계를 이용한 두께측정방법", 2013.08.09) 등이 있다. 이러한 비접촉식 두께 측정 방식에 따르면 삼각 측정 방식을 채택하여 투광부 및 수광부의 거리 차이로 인해 측정 불가능한 영역이 발생할 수 있다.

한편, 전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명의 일측면은 서로 마주하도록 마련되어 사이에 위치하는 시편의 두께를 측정하는 상부 센서 및 하부 센서를 포함하는 두께 측정 장치를 제공한다.

본 발명의 다른 측면은 두 센서를 이용한 두께 측정의 정확성을 확보하기 위해 상부 센서 및 하부 센서의 위치를 제어하는 제어부를 포함하는 두께 측정 장치를 제공한다.

본 발명의 또 다른 측면은 상부 센서 및 하부 센서의 위치 제어를 위해 데이터 모니터링을 하는 경우, 데이터 모니터링에 사용되는 파일 저장을 분산화하는 두께 측정 장치를 제공한다.

본 발명의 또 다른 측면은 데이터 모니터링에 사용되는 파일이 저장되는 이력 정보 데이터베이스를 주기적으로 갱신하는 두께 측정 장치를 제공한다.

본 발명의 또 다른 측면은 인공지능을 이용한 데이터 모니터링 결과와 파일 저장을 이용한 데이터 모니터링 결과를 비교 및 분석하는 두께 측정 장치를 제공한다.

본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 두께 측정 장치는 서로 마주하도록 마련되어 사이에 위치하는 시편의 두께를 측정하는 상부 센서 및 하부 센서를 포함한다.

한편, 상기 상부 센서 및 상기 하부 센서는, 투광부 및 수광부가 동축에 구비된 광학 센서이고, 상기 상부 센서 및 상기 하부 센서로부터 출력되는 광의 스팟(spot) 직경은 2um 이내로 형성되고, 상기 상부 센서 및 상기 하부 센서의 Z축 분해능은 10nm 이내로 형성되며, 상기 상부 센서 및 상기 하부 센서는 각각 3차원적으로 이동 가능하도록 마련되고, 상기 상부 센서 및 상기 하부 센서로부터 각각 거리 측정을 위해 출력되는 광의 스팟(spot) 중심점이 일치하고, 상기 상부 센서 및 상기 하부 센서 각각의 측정 범위가 중첩될 수 있도록 상기 상부 센서 및 상기 하부 센서의 위치를 제어하는 제어부를 더 포함하고, 상기 제어부는, 상기 상부 센서로부터 상기 하부 센서로 광을 출력하도록 제어하고, 소정의 구동 모듈을 제어하여 상기 하부 센서를 이동시키면서 상기 상부 센서로부터 상기 하부 센서로 출력되는 광의 스펙트럼 뷰의 x축에 나타나는 거리(distance) 및 상기 스펙트럼 뷰의 y축에 나타나는 강도(intensity)를 모니터링하고, 상기 제어부는, 스펙트럼 뷰에 나타나는 거리가 스펙트럼 뷰의 x축 중심으로부터 제1 거리 이내에서 관측되는 경우, 상기 하부 센서를 제1 간격으로 상하 이동시키고, 상기 스펙트럼 뷰에 나타나는 거리가 상기 스펙트럼 뷰의 x축 중심으로부터 상기 제1 거리 보다 긴 제2 거리 이내에서 관측되는 경우, 상기 하부 센서를 상기 제1 간격 보다 긴 제2 간격으로 상하 이동시키되, 상기 스펙트럼 뷰에 나타나는 거리가 상기 스펙트럼 뷰의 x축 중심으로부터 기준 거리 이내에서 관측될 때까지 상기 하부 센서의 상하 이동을 제어하고, 상기 제어부는, 상기 스펙트럼 뷰에 나타나는 거리가 상기 스펙트럼 뷰의 x축 중심으로부터 기준 거리 이내에서 관측되는 경우, 상기 하부 센서의 좌우 이동을 제어하되, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 최대값으로부터 제3 거리 이내에서 관측되는 경우, 상기 하부 센서를 제3 간격으로 좌우 이동시키고, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 최대값으로부터 상기 제3 거리 보다 길고, y축 최대값으로부터 y축 중심값까지의 거리 보다는 짧은 제4 거리 이내에서 관측되는 경우, 상기 하부 센서를 상기 제3 간격 보다 긴 제4 간격으로 좌우 이동시키고, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 중심값보다 낮은 값으로 관측되는 경우, 상기 하부 센서의 상하 이동을 다시 제어하며, 상기 제어부는, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 최대값으로부터 기준 거리 이내에서 관측되는 경우, 상기 하부 센서를 상하 및 좌우 이동시키되, 상기 제1 간격 보다 짧은 간격으로 상기 하부 센서를 상하 이동시키고, 상기 제3 간격 보다 짧은 간격으로 상기 하부 센서를 좌우 이동시키면서 상기 스펙트럼 뷰의 변화를 모니터링할 수 있도록 상기 스펙트럼 뷰에 나타나는 강도 및 거리가 변할 때마다 파일로 저장하고, 차례로 생성되는 파일을 비교하여 상기 스펙트럼 뷰의 데이터가 소정의 조건을 만족하는 지점을 추출할 수 있다.

상술한 본 발명의 일측면에 따르면, 두 센서를 이용하여 시편의 정확한 두께 측정이 가능하다.

본 발명의 다른 측면에 따르면, 시편의 동일 지점을 동시에 측정할 수 있도록 하여 거리 측정의 정확도를 확보할 수 있다.

본 발명의 또 다른 측면에 따르면, 해킹 또는 랜섬웨어와 같은 공격형 프로그램이 공격하고자 하는 파일이 위치하는 폴더의 존재 또는 해당 폴더의 위치를 예측하고 용이하게 공격하는 것을 원천적으로 방지함은 물론, 삭제되어서는 안 되는 고객 정보와 같은 중요한 데이터가 사용자의 실수로 삭제되거나 수정되는 것을 방지할 수 있다.

본 발명의 또 다른 측면에 따르면, 효율적인 저장 공간 관리가 가능하여 시스템 성능 저하를 방지할 수 있다.

본 발명의 또 다른 측면에 따르면, 두 결정 간의 인과관계를 분석하여 전체적인 관점에서의 최적해가 도출되는 것을 기대할 수 있으며, 특히, 사용자와 인공지능 상호간의 신뢰할 수 있는 의사결정을 가능케 함으로써, 문제나 오류 발생 시 사용자에 의한 피드백이 적절하게 반영될 수 있고, 인공지능이 제시하는 결과에 대해서 왜 그런 결과가 나오는지에 대한 원인을 명쾌하게 설명할 수 없어 사용자가 인공지능에 가질 수 있는 불신감을 해소할 수 있으며, 과도하게 학습을 진행할 경우 전체적인 관점에서의 최적해가 아닌 지역 내 최적해가 선택될 수 있다는 과적합화(overfitting) 문제를 미연에 방지할 수 있다.

도 1은 본 발명의 일 실시예에 따른 두께 측정 장치를 보여주는 도면이다.
도 2는 도 1에 도시된 상부 센서 및 하부 센서의 위치 제어를 설명하기 위한 도면이다.
도 3은 도 1에 도시된 상부 센서로부터 하부 센서 측으로 광을 출력하는 경우 측정되는 스펙트럼의 일 예이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 두께 측정 장치를 보여주는 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 두께 측정 장치(1)는 상부 센서(10) 및 하부 센서(20)를 포함하여, 상부 센서(10) 및 하부 센서(20) 사이에 위치하는 시편의 두께를 측정할 수 있다.

상부 센서(10) 및 하부 센서(20)는 광학 센서로, 투광부 및 수광부가 동축에 구비되어 시편까지의 거리를 측정할 수 있다. 특히, 상부 센서(10) 및 하부 센서(20)의 스팟(spot) 직경은 일예로, 2um로 형성되어 정밀 측정이 가능하다. 또한 상부 센서(10) 및 하부 센서(20)의 Z축 분해능(Resolution)은 대략 10nm으로 형성되어 거리 측정의 정확도를 확보할 수 있을 것이다.

상부 센서(10) 및 하부 센서(20)는 서로 마주보도록 마련되되, 3차원적으로 이동 가능하도록 마련될 수 있다.

본 발명의 일 실시예에 따른 두께 측정 장치(1)는 이러한 상부 센서(10) 및 하부 센서(20)의 3차원 이동을 제어하는 제어부를 더 포함할 수 있다.

제어부는 시편의 정확한 두께 또는 형상 측정을 위해 상부 센서(10) 및 하부 센서(20)가 시편의 동일 지점을 동시에 측정할 수 있도록 상부 센서(10) 및 하부 센서(20)의 위치를 제어할 수 있다.

이와 관련하여 도 2를 참조하여 설명한다.

도 2는 도 1에 도시된 상부 센서 및 하부 센서의 위치 제어를 설명하기 위한 도면이다.

도 2를 참조하면, 상부 센서(10) 및 하부 센서(20)로부터 각각 거리 측정을 위해 출력되는 광의 스팟 중심점이 일치하고, 상부 센서(10) 및 하부 센서(20) 각각의 측정 범위가 중첩되는 경우, 시편의 동일 지점까지의 거리가 동시에 측정되므로 시편의 정확한 두께 측정이 가능하다.

제어부는 위와 같은 조건을 충족시킬 수 있도록 상부 센서(10) 및 하부 센서(20)의 위치를 제어할 수 있다.

예를 들면, 제어부는 상부 센서(10)로부터 하부 센서(20)로 광을 출력하도록 제어하고, 소정의 구동 모듈을 제어하여 하부 센서(20)를 이동시키면서 상부 센서(10)로부터 하부 센서(20)로 출력되는 광의 스펙트럼 뷰(spectrum view)를 모니터링하여 하부 센서(20)의 최적 위치를 선정할 수 있다.

이와 관련하여 도 3을 예로 들어 설명한다.

도 3은 도 1에 도시된 상부 센서로부터 하부 센서 측으로 광을 출력하는 경우 측정되는 스펙트럼의 일 예이다.

도 3을 참조하면, 상부 센서(10)로부터 하부 센서(20)로 광을 출력하는 경우의 CHRocodile Explorer의 스펙트럼 뷰의 일 예를 확인할 수 있다. 스펙트럼 뷰를 살펴보면 x축은 거리(distance)를 나타내고, y축은 강도(intensity)를 나타낸다.

제어부는 스펙트럼 뷰에서의 거리가 중심에 위치하고, 강도가 상대적으로 높게 측정되도록 하부 센서(20)를 위치시킬 수 있다. 즉 제어부는 스펙트럼 뷰를 모니터링하면서 거리가 중심에 위치하고, 강도가 상대적으로 높게 측정되는 경우, 하부 센서(20)의 이동을 중지하고 해당 위치에 고정시킬 수 있다.

이와 같은 경우, 상부 센서(10) 및 하부 센서(20)로부터 각각 거리 측정을 위해 출력되는 광의 스팟 중심점이 일치하고, 상부 센서(10) 및 하부 센서(20) 각각의 측정 범위가 중첩될 것이다.

예를 들면, 제어부는 스펙트럼 뷰에 나타나는 거리가 스펙트럼 뷰의 x축 중심으로부터 제1 거리 이내에서 관측되는 경우, 하부 센서(20)를 제1 간격으로 상하 이동시킬 수 있다. 제어부는 스펙트럼 뷰에 나타나는 거리가 스펙트럼 뷰의 x축 중심으로부터 제1 거리 보다 긴 제2 거리 이내에서 관측되는 경우, 하부 센서(20)를 제1 간격 보다 긴 제2 간격으로 상하 이동시킬 수 있다. 즉 제어부는 스펙트럼 뷰에 나타나는 거리 측정 값과 추종하는 거리 값(x축 중심) 간의 간격에 비례하여 하부 센서(20)의 상하 이동 간격을 설정할 수 있다.

제어부는 스펙트럼 뷰에 나타나는 거리가 스펙트럼 뷰의 x축 중심으로부터 기준 거리 이내에서 관측될 때까지 하부 센서(20)의 상하 이동을 제어할 수 있다.

제어부는 스펙트럼 뷰에 나타나는 거리가 스펙트럼 뷰의 x축 중심으로부터 기준 거리 이내에서 관측되는 경우, 하부 센서(20)의 좌우 이동을 제어할 수 있다.

제어부는 스펙트럼 뷰에 나타나는 강도가 스펙트럼 뷰의 y축 최대값으로부터 제3 거리 이내에서 관측되는 경우, 하부 센서(20)를 제3 간격으로 좌우 이동시킬 수 있다. 제어부는 스펙트럼 뷰에 나타나는 강도가 스펙트럼 뷰의 y축 최대값으로부터 제3 거리 보다 길고, y축 최대값으로부터 y축 중심값까지의 거리 보다는 짧은 제4 거리 이내에서 관측되는 경우, 하부 센서(20)를 제3 간격 보다 긴 제4 간격으로 좌우 이동시킬 수 있다. 제어부는 스펙트럼 뷰에 나타나는 강도가 스펙트럼 뷰의 y축 중심값보다 낮은 값으로 관측되는 경우, 하부 센서(20)의 상하 이동을 다시 제어할 수 있다. 즉 제어부는 스펙트럼 뷰에 나타나는 강도 측정 값과 추종하는 강도 값(최대 강도 값) 간의 간격에 비례하여 하부 센서(20)의 좌우 이동 간격을 설정할 수 있다.

제어부는 스펙트럼 뷰에 나타나는 강도가 스펙트럼 뷰의 y축 최대값으로부터 기준 거리 이내에서 관측될 때까지, 하부 센서(20)의 좌우 이동을 제어할 수 있다.

제어부는 스펙트럼 뷰에 나타나는 강도가 스펙트럼 뷰의 y축 최대값으로부터 기준 거리 이내에서 관측되는 경우, 하부 센서(20)를 상하 및 좌우 이동시키면서 스펙트럼 뷰의 데이터(강도 및 거리)가 변할 때마다 파일로 저장하여 스펙트럼 뷰의 데이터를 모니터링할 수 있다. 이때 제어부는 제1 간격 보다 짧은 간격으로 하부 센서(20)를 상하 이동시키고, 제3 간격 보다 짧은 간격으로 하부 센서(20)를 좌우 이동시키는 것이 바람직하다. 제어부는 차례로 생성되는 파일을 비교하여 거리가 중심에 위치하면서 강도가 상대적으로 높게 측정되는 지점을 추출할 수 있을 것이다.

제어부는 스펙트럼 뷰의 모니터링을 위해 스펙트럼 뷰의 데이터(강도 및 거리)가 변할 때마다 파일로 저장할 수 있다. 제어부는 차례로 생성되는 파일을 비교하여 거리가 중심에 위치하면서 강도가 상대적으로 높게 측정되는 지점을 추출할 수 있을 것이다.

제어부는 이러한 스펙트럼 뷰의 데이터의 파일 저장을 위해 백업파일 분산화 모듈을 포함할 수 있다.

백업 파일 분산화 모듈은, 생성된 파일을 동일한 데이터를 포함하는 1차 백업 파일과 2차 백업 파일로 차례로 생성하여 저장하되, 1차 백업 파일과 2차 백업 파일의 저장 장소를 달리 하여 저장한다.

다만, 백업 파일의 생성은 1차와 2차에 한정되는 것은 아니며, 시스템의 성능 등을 고려하여 3차 이상의 복수 개의 백업 파일을 생성하여도 무방하다.

그리고, 백업 파일 분산화 모듈은, 기 설정된 주기로(예를 들어, 시스템 상 기본적으로 설정된 주기인 3시간 마다 1회 내지 5시간 마다 1회 등, 다만 해당 설정된 주기에 한정되는 것은 아니며 사용자로부터 지정 받은 주기로 설정되어도 무방하다) 저장되었던 1차 백업 파일과 2차 백업 파일의 저장 장소를 시스템 상의 기 설정된 장소 또는 새롭게 생성된 장소로 변경한다.

이때, 백업 파일의 이동 장소는, 시스템 상에서 기 설정되거나 사용자로부터 지정 받은 장소가 아니라, 임의의 랜덤 변수에 따라 생성된 폴더나 서브 폴더로 지정됨이 바람직하다.

이에 따라, 해킹 또는 랜섬웨어와 같은 공격형 프로그램이 공격하고자 하는 파일이 위치하는 폴더의 존재 또는 해당 폴더의 위치를 예측하고 용이하게 공격하는 것을 원천적으로 방지함은 물론, 삭제되어서는 안 되는 고객 정보와 같은 중요한 데이터가 사용자의 실수로 삭제되거나 수정되는 것을 방지할 수 있다.

본 발명에서, 1차 백업 파일과 2차 백업 파일은, 동일한 내용의 데이터를 포함하고 있는 파일들로써, 상호 간에 우열이 존재하는 것은 아니며, 파일의 이동에 있어서도 1차 백업 파일의 이동 후 2차 백업 파일이 이동하거나, 2차 백업 파일의 이동 후 1차 백업 파일이 이동하여도 무방하다.

일 실시예에서, 백업 파일 분산화 모듈은, 외부로부터 침입이 감지될 경우, 기 생성되었던 1차 백업 파일과 2차 백업 파일로부터의 복제를 연속적으로 수행하여 각 백업 파일의 서브 백업 파일들을 다수 개 생성하며, 생성된 다수 개의 서브 백업 파일들을 역시 랜덤 변수에 따라 생성된 서로 다른 장소에 개별적으로 저장할 수 있다.

이에 따라, 시스템 상에서 산발적으로 생성된 다수 개의 백업 파일을 임의의 장소로 나누어 저장함으로써, 일부 백업 파일이 공격에 의해 손실되거나 삭제되는 경우에도 시스템 상에 산발적으로 존재하는 백업 파일을 이용하여 필요한 자료 등을 용이하게 복구하도록 할 수 있다.

다음으로, 백업 파일 분산화 모듈은, 다수 개의 백업 파일 중 현재 공격받고 있는 백업 파일이라고 판단된 파일을 시스템 상에서 영구적으로 삭제하게 된다.

이에 따라, 본 발명에서는, 해킹 또는 랜섬웨어의 공격 등으로 인해 시스템 상에서 정상적인 기능을 수행하지 못하거나, 해당 공격으로 인해 시스템 상에 존재하는 다른 파일까지도 위험에 노출시킬 수 있는 좀비 프로그램으로 변할 수 있는 파일을 미연에 시스템 상에서 삭제시킴으로써, 일부 파일로 인해 시스템 전체가 공격받는 것을 미연에 방지할 수 있다.

일 실시예에서, 백업 파일 분산화 모듈은, 백업 파일을 클라우드 서비스와 연동된 동기화 폴더에 저장한 경우, 해당 동기화 폴더에 백업 파일의 저장이 완료되고 저장한 백업 파일이 클라우드 상에 업로드 되면, 해당 동기화 폴더에 대한 동기화를 해제할 수 있다.

예를 들어, 사용자의 동기화를 위한 클라우드 서비스가 "Dropbox"라고 할 경우, "Dropbox"에서 제공하고 있는 "선택적 동기화 서비스"를 이용하여 상술한 바와 같은 백업 파일 분산화 모듈의 기능을 구현하게 된다.

즉, 백업 파일 분산화 모듈은, 백업 파일을 저장하기 위한 공간으로서 "백업 폴더"를 시스템 상에 생성하면, 클라우드 서비스는 새롭게 생성된 "백업 폴더"를 클라우드 상에서 역시 동일하게 생성하게 된다.

다음으로, 백업 파일 분산화 모듈은, 해당 폴더에 백업 파일을 저장하게 될 것이고, 이에 따라 클라우드 상에도 해당 백업 파일이 업로드 된다.

마지막으로, 클라우드 상에 해당 백업 파일의 업로드가 완료되면, 백업 파일 분산화 모듈은, 백업 파일 업로드에 사용되었던 "백업 폴더"에 대한 동기화만을 선택적으로 해제하고, "백업 폴더"를 시스템 상에서 삭제한다.

이 경우, 시스템 전체에 대한 동기화를 해제하는 것이 아니라, 백업 파일의 업로드에 사용하기 위해 임시적으로 생성되었던 "백업 폴더"만에 대한 동기화를 해제함으로써, 클라우드 서비스와의 안정적인 동기화 서비스는 지속적으로 수행하는 반면, 백업 파일은 클라우드 상에 업로드시킨 후 시스템 상에서는 삭제함에 따라 클라우드 상에서 백업 파일은 안전하게 저장하는 한편 시스템을 침투한 공격에 지속적으로 노출되는 것은 원천적으로 방지할 수 있게 된다.

일 실시예에서, 백업 파일 분산화 모듈은, 클라우드 상에 업로드 하였던 백업 파일의 저장 장소를 변경할 순서가 된 경우, 선택적 동기화를 해제하였던 폴더의 동기화를 다시 수행하여 클라우드 서비스에 업로드 하였던 백업 파일을 다운받은 후, 다운받은 백업 파일을 상술한 바와 같이 랜덤 변수에 따라 새롭게 생성된 장소로 이동시킬 수 있다.

한편 제어부는 스펙트럼 뷰의 모니터링을 위해 스펙트럼 뷰의 데이터(강도 및 거리)가 변할 때마다 파일로 저장할 수 있는데 각 파일에 인덱스를 부여하여 이력 정보 데이터베이스에 저장할 수 있다.

이때, 제어부는 각 파일의 생성 시간 별로 이력 정보 데이터베이스를 구축할 수 있다. 즉, 제어부는 각 파일의 생성 시간 별로 중요도를 부여하고, 중요도에 따라 이력 정보 데이터베이스를 구축할 수 있으며, 중요도가 가장 높은 종류에 해당하는 파일은 후술하는 바와 같이 저장 공간 관리를 위한 데이터베이스 갱신 대상에서 제외될 수 있을 것이다.

제어부는 효율적인 저장 공간 관리를 위해 이력 정보 데이터베이스를 갱신할 수 있다.

구체적으로는, 제어부는 이력 정보 데이터베이스의 인덱스가 미리 설정된 인덱스에 도달하면 이력 정보 데이터베이스 갱신을 수행할 수 있다.

예를 들면, 제어부는 이력 정보 데이터베이스의 전체 인덱스를 오름차순으로 하여 3 개의 구간으로 나눌 수 있다.

제어부는 3 개의 구간 중 가장 낮은 인덱스를 포함하는 구간에 해당하는 파일을 조건 없이 삭제할 수 있다. 해당 구간에 해당하는 파일은 생성/수정 일자가 오랜 시간이 경과한 것으로 간주할 수 있으며, 이에 해당 파일이 다시 참조될 가능성은 낮으므로 조건 없이 삭제할 수 있다.

제어부는 3 개의 구간 중 가운데 구간에 해당하는 파일을 파일에 부여된 중요도에 따라 삭제 또는 유지 여부를 결정하여 갱신할 수 있다. 즉, 제어부는 파일의 생성 시간에 따라 중요도를 부여할 수 있으며, 3 개의 구간 중 가운데 구간에 해당하는 파일 중 중요도가 가장 높은 파일의 종류에 해당하는 파일만을 유지하고 나머지 파일은 모두 삭제하는 방식으로 이력 정보 데이터베이스를 갱신할 수 있다.

제어부는 3 개의 구간 중 가장 높은 인덱스를 포함하는 구간에 해당하는 파일을 그대로 유지할 수 있다. 해당 구간에 해당하는 파일은 생성/수정 일자가 비교적 최근의 것으로 간주할 수 있으며, 이에 해당 파일이 다시 참조될 가능성은 높으므로 그대로 유지할 수 있다.

또는 제어부의 일부는 인공지능에 의해 구현될 수 있으며, 의사결정 이유 제시 모듈을 더 포함할 수 있다.

의사결정 이유 제시 모듈은, 주어지거나 사용자에 의해 입력된 데이터에 대해서 분류·예측할 뿐만 아니라 결정에 대한 인과관계를 분석하여 적절한 근거를 찾아, 인공지능이 제시한 결과에 대해서 왜 그런 결과가 나오는지에 대한 이유를 사용자 레벨에서 설명할 수 있다. 의사결정 이유 제시 모듈을 통해 사용자와 인공지능 상호간의 신뢰할 수 있는 의사결정을 가능케 함으로써, 문제나 오류 발생 시 사용자에 의한 피드백이 적절하게 반영될 수 있다. 또한, 의사결정 이유 제시 모듈을 둠으로써, 인공지능이 제시하는 결과에 대해서 왜 그런 결과가 나오는지에 대한 원인을 명쾌하게 설명할 수 없어 사용자가 인공지능에 가질 수 있는 불신감을 해소할 수 있으며, 과도하게 학습을 진행할 경우 전체적인 관점에서의 최적해가 아닌 지역 내 최적해가 선택될 수 있다는 과적합화(overfitting) 문제를 미연에 방지할 수 있다.

제어부는 차례로 생성되는 파일을 비교하여 추출하는 거리가 중심에 위치하면서 강도가 상대적으로 높게 측정되는 지점에 대해 의사결정 이유 제시 모듈을 이용하여 평가할 수 있다. 즉 제어부는 거리가 중심에 위치하면서 강도가 상대적으로 높게 측정되는 지점을 차례로 생성되는 파일을 비교하여 추출하거나 또는, 인공지능을 이용하여 추출할 수 있으며, 그 결정에 대한 인과관계를 분석하여 전체적인 관점에서의 최적해가 도출되는 것을 기대할 수 있다.

일 실시 예에서, 의사결정 이유 제시 모듈은 모델 구축 모듈 및 이유 설명 인터페이스 모듈을 더 포함할 수 있다. 모델 구축 모듈은 심층 설명 학습 모듈, 해석 가능한 모델 생성 모듈 및 모델 귀납 모듈로 구현될 수 있다.

심층 설명 학습 모듈은 변형된 딥러닝 기술로서 심층 신경망이 설명 가능한 특징들을 학습하도록 할 수 있다. 은닉계층의 노드가 의미 있는 속성을 나타내도록 학습할 수 있으며, 예를 들어 팔과 다리의 이미지를 구분하는 모델을 학습한다면, 각 은닉 노드가 손톱이나 발톱 모양, 손가락이나 발가락 모양, 손바닥이나 발바닥의 위치 등을 나타내도록 학습해서 모델이 어떤 이미지를 손이라고 판단했을 때 활성화된 은닉 노드를 통해 판단의 근거를 알 수 있다. 이러한 판단의 근거는 예를 들어 RNN(순환신경망, Recurrent Neural Network) 등의 자연어 생성 모델을 통해 언어적으로 나타낼 수도 있다. RNN은 딥러닝의 모델이며 인공신경망의 한 종류로서, 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 것으로서, 입력조절벡터와 망각벡터 그리고 출력조절벡터를 이용하여 입력과 출력데이터를 얻는다. 입력조절벡터에서는 입력신호가 활성화함수와의 연결계층을 거친 후에 값을 받아들이며 망각 벡터는 과거 입력의 일부를 현재 입력에 반영하는 역할을 한다. 그리고 출력조절벡터는 과거의 값과 수정된 입력값을 고려하여 활성화 함수를 이용해 값을 받아들인다. 그리고 그 최종결과는 다시 입력으로 되돌아가게 된다. 이러한 순환신경망은 문서 감정을 분류하거나 필기체를 인식하는데 주로 활용되며, 음성 인식, 시계열 예측이나 파형생성을 할 때에도 주로 활용될 수 있다. 이는 입력데이터가 순서가 없는 고정된 모양 이어도 적절할 순서에 따라 처리할 수 있기 때문이다.

또한, 일 실시 예에서, 심층 설명 학습 모듈은 이미지에 근거가 되는 부분을 표시하여 시각적으로 나타낼 수도 있다. 예를 들어 인공지능 시스템이 고양이 이미지를 분류할 경우, 기존 시스템은 입력된 이미지의 고양이 여부만을 도출하지만, 심층 설명 학습 모듈은 고양이 여부를 도출하고, 이것의 근거(털, 수염 등) 이미지를 사용자에게 제공할 수 있다.

해석 가능한 모델 생성 모듈은, 구조화된 데이터를 해석 가능한 인과관계 모델로 구축할 수 있다. 일 실시 예에 따르면, BPL(bayesian program learning)을 이용하여 해석 가능한 모델 생성 모듈을 구축할 수 있으며, BPL은 작은 조각들의 조합으로 표현하도록 학습하는 방법으로서, 예를 들어 글자를 생성하는 모델을 학습할 때 글자를 획으로 나누어서 가장 합리적인 획의 조합으로 생성하도록 한다. BPL은 대량의 데이터가 없이도 사람과 같이 한 번 보면 그대로 모방할 수 있으며, Neural Network(신경망 모델)를 진화시킨 것으로서 새로운 사건이 주어졌을 때 그 사건을 바탕으로 확률값을 변화시킬 수 있다. 즉, BPL은 가상 변수들에 들어가는 가중치만 바꾸는 방식이 아니라, 중간에 다른 가상 변수를 생성하는 내용까지 포함된다. 새로운 환경이 주어지면 다른 방식으로 현상을 이해하는 것으로서 예를 들어, 동전을 100번 던져서 앞면이 60번, 뒷면이 40번 나와서 앞 면이 나올 확률을 60%로 잡은 다음, 다음번에 뒷면이 나오게 되면 앞면이 나올 확률을 59.4%로 내리는 방식이다.

또한, 일 실시 예에서, 해석 가능한 모델 생성 모듈은 확률론적 접근 방법을 통해 구현될 수 있다. 확률론적 접근 방법은 몇 가지 샘플만으로도 학습 효과를 낼 수 있으며, 예를 들면 길이가 긴 의자와 짧은 의자를 보여주면 중간 길이의 의자도 있다는 것을 배우는 것과 비슷하다. 즉, 부족한 데이터를 스스로 채워 나가며 학습하는 기술이다. 실시 예에 따라서는 확률론적 접근 방법은 수학적 계산을 통해 스스로 확률과 프로그램을 보정하는 기능을 포함할 수 있다.

또한, 일 실시 예에서, 해석 가능한 모델 생성 모듈은 And-Or-Graph를 이용하여 구현된 수 있다. And-Or-Graph는 AND/OR 그래프란 rule의 조건 및 결론관계와 AND/OR 관계를 그래프 형태로 나타내는 것으로서, 인공지능에 의해 도출되는 중간 및 최종 데이터가 구조화 되어있어 모델의 결정과정을 논리적으로 설명하기 쉬운 장점이 있다. 즉, AND 노드와 OR 노드로 그래프를 나타내는데, AND 노드는 모두 처리되어야 하며 OR 노드는 하나만 처리되면 끝낼 수 있다. AND/OR 그래프를 이용하면 서로 산재해 있는 rule들의 집합을 하나의 구조로 조감할 수 있으며 각 문장간의 논리적인 관계를 쉽게 파악할 수 있다.

모델 귀납 모듈은 임의의 블랙박스 모델을 설명가능한 모델로 추론할 수 있다. 일 실시 예에서, 모델 귀납 모듈은 LIME(local interpretable model-agnostic explanations)로 구현될 수 있으며, LIME은 임의의 블랙박스 모델을 이미 설명이 가능한 데이터 주변에서 희소 선형 결합을 통해 국부적으로 설명 가능하게 만들 수 있다. 예를 들어, 이미지를 분류하는 블랙박스 모델이 어떤 이미지를 심장이라고 판단했다면 이미 설명 가능한 다른 모델의 심장에 대한 설명 즉, 심장을 표현하는 픽셀들을 주어진 이미지와 대조하여 어느 부분이 심장이라고 판단한 근거인지 제시할 수 있다.

또한, 일 실시 예에서 모델 귀납 모듈은 모델을 일련의 if-then 조건문으로 표현하는 BRL(bayesian rule lists)로 구현될 수 있다. BRL은 고차원, 다변수인 특징공간을 간단하고 이미 해석 가능한 조건문으로 나누어 복잡한 모델을 이해할 수 있게 한다.

상술한 심층 설명 학습 모듈, 해석 가능한 모델 생성 모듈 및 모델 귀납 모듈은 서로 독립적으로 또는 서로 결합되어 작용될 수 있으며, 그 구현 순서도 실시 예에 따라 달라질 수 있다.

다음으로, 이유 설명 인터페이스 모듈은 인공지능의 의사결정에 대한 설명을 사용자가 이해할 수 있는 방식으로 표현할 수 있다. 이유 설명 인터페이스 모듈은 제시한 설명이 반복적일 것, 필요한 설명을 모두 포함하고 있을 것, 불필요한 설명을 포함하지 않을 것, 양이 적절할 것 등을 필수 항목으로 포함할 수 있다. 즉, 사용자가 용이하게 인공지능이 어떠한 과정과 이유로 최종 결과를 도출했는지와 각 단계별로 영향을 미친 요소나 데이터가 무엇인지 언어, 표, 이미지, 그래프, 수식 등을 포함하여 사용자에게 제공할 수 있다.

또한, 이유 설명 인터페이스 모듈은 사용자의 정정 명령을 입력받을 수 있다. 이를 위해 이유 설명 인터페이스 모듈은 정정가능성은 설명이 유동적일 것, 사용자의 피드백을 존중할 것, 점진적인 변화를 주시할 것 등을 필수 항목으로 포함할 수 있다. 이렇게 제시된 설명에 대해서 사용자에게 설명의 명확도와 활용도 등에 대한 피드백을 받아 이유 설명 인터페이스 모듈의 효과를 평가하고 발전시킬 수 있다.

다른 실시 예에서, 의사결정 이유 제시 모듈은, 인과관계 모델로 형성될 수 있다. 인과과계 모델은 딥러닝과 마르코브 랜덤 필드를 결합하는 형태로 형성될 수 있다. 먼저 학습 데이터로부터 심층 마르코브 랜덤 필드 모델의 확률 분포를 모델링하고, 확률 변수들 사이의 조건부 독립성을 나타내는 마르코브 랜덤 필드의 구조를 학습한다. 구조가 학습된 마르코브 랜덤 필드의 잠재 함수를 심층 신경망으로 추론하여 입력 변수의 수가 증가함에 따라 잠재 함수에 필요한 매개 변수의 수가 기하급수적으로 증가하는 문제를 완화하고, 변수 연관관계에 대한 제약 없이 복잡한 연관관계를 학습할 수 있다. 실시예에 따라 클래스 분류 문제를 보조태스크인 속성, 슈퍼카테고리와 같이 학습한 후, 출력 단계에서 선형 결합하여 효과적인 표현이 가능하도록 할 수 있다. 또한 인과관계가 정확히 학습되었는지 사람이 확인하고 피드백을 주어 수정할 수 있도록 하는 상호작용 학습 알고리즘을 포함할 수 있다.

또 다른 실시 예에서, 의사결정 이유 제시 모듈은, 분석 모듈로 구현될 수 있다. 시계열 함수를 다양한 커널을 바탕으로 다변수 가우시안으로 회귀분석 하는 기술로서, 가우시안 프로세스에서 커널을 표현하는 최적의 커널 조합을 학습하여 주어진 시계열 데이터를 위에서 찾은 커널 조합을 바탕으로 설명할 수 있다. 더 나아가서 여러 개의 시계열 데이터가 있을 때에도 공통적으로 표현되는 커널 및 각 시계열 데이터의 특성을 표현하는 커널의 조합을 학습하여 여러 개의 시계열 데이터에서 공통적으로 나타나는 특징을 설명할 수 있다. 시계열 데이터 분석 모델을 통해 찾은 커널의 조합을 자연어로 작성함으로써 사용자에게 인공지능에 의해 도출된 의사결정의 도출과정 및 그 이유를 자연어로 설명해 줄 수 있다.

이와 같은 의사결정 이유 제시 모듈을 통해, 인공지능의 의사결정 과정을 사용자의 입장에서 시각화 및 문자화함으로써, 의사결정에 과정에 관여한 구성요소를 설명할 수 있으며 동시에 복잡한 모델의 상관관계를 분석하여 원인요소와 결과요소로 나누어 설명할 수 있다. 특히 사용자가 용이하게 이해할 수 있는 자동 보고서의 형식으로 작성됨으로써, 데이터를 분석한 결과뿐만 아니라 이유를 제공하여 인공지능이 보다 정밀하게 인간과 상호 작용하게 할 수 있다.

상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 명세서를 통해 보호받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.

1: 두께 측정 장치
10: 상부 센서
20: 하부 센서

Claims (2)

1. 서로 마주하도록 마련되어 사이에 위치하는 시편의 두께를 측정하는 상부 센서 및 하부 센서를 포함하되,
   상기 상부 센서 및 상기 하부 센서는, 투광부 및 수광부가 동축에 구비된 광학 센서이고, 상기 상부 센서 및 상기 하부 센서로부터 출력되는 광의 스팟(spot) 직경은 2um 이내로 형성되고, 상기 상부 센서 및 상기 하부 센서의 Z축 분해능은 10nm 이내로 형성되며, 상기 상부 센서 및 상기 하부 센서는 각각 3차원적으로 이동 가능하도록 마련되고,
   상기 상부 센서 및 상기 하부 센서로부터 각각 거리 측정을 위해 출력되는 광의 스팟(spot) 중심점이 일치하고, 상기 상부 센서 및 상기 하부 센서 각각의 측정 범위가 중첩될 수 있도록 상기 상부 센서 및 상기 하부 센서의 위치를 제어하는 제어부를 더 포함하고,
   상기 제어부는, 상기 상부 센서로부터 상기 하부 센서로 광을 출력하도록 제어하고, 소정의 구동 모듈을 제어하여 상기 하부 센서를 이동시키면서 상기 상부 센서로부터 상기 하부 센서로 출력되는 광의 스펙트럼 뷰의 x축에 나타나는 거리(distance) 및 상기 스펙트럼 뷰의 y축에 나타나는 강도(intensity)를 모니터링하고,
   상기 제어부는, 스펙트럼 뷰에 나타나는 거리가 스펙트럼 뷰의 x축 중심으로부터 제1 거리 이내에서 관측되는 경우, 상기 하부 센서를 제1 간격으로 상하 이동시키고, 상기 스펙트럼 뷰에 나타나는 거리가 상기 스펙트럼 뷰의 x축 중심으로부터 상기 제1 거리 보다 긴 제2 거리 이내에서 관측되는 경우, 상기 하부 센서를 상기 제1 간격 보다 긴 제2 간격으로 상하 이동시키되, 상기 스펙트럼 뷰에 나타나는 거리가 상기 스펙트럼 뷰의 x축 중심으로부터 기준 거리 이내에서 관측될 때까지 상기 하부 센서의 상하 이동을 제어하고,
   상기 제어부는, 상기 스펙트럼 뷰에 나타나는 거리가 상기 스펙트럼 뷰의 x축 중심으로부터 기준 거리 이내에서 관측되는 경우, 상기 하부 센서의 좌우 이동을 제어하되, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 최대값으로부터 제3 거리 이내에서 관측되는 경우, 상기 하부 센서를 제3 간격으로 좌우 이동시키고, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 최대값으로부터 상기 제3 거리 보다 길고, y축 최대값으로부터 y축 중심값까지의 거리 보다는 짧은 제4 거리 이내에서 관측되는 경우, 상기 하부 센서를 상기 제3 간격 보다 긴 제4 간격으로 좌우 이동시키고, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 중심값보다 낮은 값으로 관측되는 경우, 상기 하부 센서의 상하 이동을 다시 제어하며,
   상기 제어부는, 상기 스펙트럼 뷰에 나타나는 강도가 상기 스펙트럼 뷰의 y축 최대값으로부터 기준 거리 이내에서 관측되는 경우, 상기 하부 센서를 상하 및 좌우 이동시키되, 상기 제1 간격 보다 짧은 간격으로 상기 하부 센서를 상하 이동시키고, 상기 제3 간격 보다 짧은 간격으로 상기 하부 센서를 좌우 이동시키면서 상기 스펙트럼 뷰의 변화를 모니터링할 수 있도록 상기 스펙트럼 뷰에 나타나는 강도 및 거리가 변할 때마다 파일로 저장하고, 차례로 생성되는 파일을 비교하여 상기 스펙트럼 뷰의 데이터가 소정의 조건을 만족하는 지점을 추출하는, 두께 측정 장치.
2. 삭제

Images