KR102330367B1 - 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서 - Google Patents

플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서 Download PDF

Info

Publication number
KR102330367B1
KR102330367B1 KR1020200104456A KR20200104456A KR102330367B1 KR 102330367 B1 KR102330367 B1 KR 102330367B1 KR 1020200104456 A KR1020200104456 A KR 1020200104456A KR 20200104456 A KR20200104456 A KR 20200104456A KR 102330367 B1 KR102330367 B1 KR 102330367B1
Authority
KR
South Korea
Prior art keywords
data
gas
spectral data
spectrum
spectral
Prior art date
Application number
KR1020200104456A
Other languages
English (en)
Inventor
송중호
송미영
김대철
김종식
김용현
윤정식
김영우
한덕선
조기환
Original Assignee
한국핵융합에너지연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국핵융합에너지연구원 filed Critical 한국핵융합에너지연구원
Priority to KR1020200104456A priority Critical patent/KR102330367B1/ko
Application granted granted Critical
Publication of KR102330367B1 publication Critical patent/KR102330367B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32917—Plasma diagnostics
    • H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
    • H01J37/32972—Spectral analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N2021/3196—Correlating located peaks in spectrum with reference data, e.g. fingerprint data

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

본 발명은 플라즈마 스펙트럼 데이터의 보정 방법 및 장치에 관한 것으로, 플라즈마 공정 시에 발생되는 스펙트럼 데이터와 전기적 특성 데이터를 포함하는 진단데이터를 수집하는 단계, 스펙트럼 데이터를 가스 종별로 분류하는 단계, 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하는 단계 및 기준 스펙트럼을 기반으로 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계를 포함하며 다른 실시 예로도 적용이 가능하다.

Description

플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서{Method for Calibrating of Plasma Spectrum Data and Smart Sensor Therefor}
본 발명은 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서에 관한 것이다.
일반적으로 반도체 소자의 제조 공정 시에 고주파 전력을 통해 발생된 플라즈마를 이용하여 반도체 기판의 식각, 증착 등을 수행하는 플라즈마 장비가 널리 사용되고 있다. 플라즈마 공정 시에 플라즈마 내 원소의 전자는 외부로부터 에너지를 받아 불안정한 상태인 여기된 상태(excited state)가 되고, 기저상태로 돌아가고자 하는 속성이 있다. 원소의 전자는 여기된 상태로부터 기저상태로 돌아갈 때 외부로부터 받은 에너지를 빛으로 방출하게 되는데, 상기 빛은 원소 및 여기된 상태에 따라 고유의 파장 혹은 파장 범위를 갖게 된다. 이러한 파장을 통해서 플라즈마 내에 존재하는 원소를 추정할 수 있고, 파장의 강도 변화로부터 원소의 양을 추정할 수 있다. 이때, 상기와 같은 빛을 측정 및 진단하는 장치 및 센서를 광학발광분석(OES; optical emission spectroscopy) 센서라 하고, OES센서를 통해 획득되는 데이터는 파장(wavelength)값과 세기(intensity)값의 쌍으로 구성된다.
아울러, 광학 진단 데이터와 전기적 특성 데이터를 다양한 통계기법으로 처리하여 식각 공정의 종료시점을 예측하거나 박막 두께를 예측하는 등의 플라즈마 공정의 모니터링을 수행한다.
그러나, 플라즈마 공정을 지속적으로 수행하는 경우 빛을 수집하는 창에 오염물이 쌓여 일부 구간 또는 특정 파장의 데이터 세기가 감소되는 현상이 발생함으로써 식각 종료시점을 정확하게 예측하지 못하는 문제가 발생한다. 또한, 식각 공정이 복잡해지고 다양한 가스 종을 입력하여 플라즈마를 생성하기 때문에 플라즈마 상태 및 공정 예측 시에 예측 정확도가 저하되어 플라즈마 공정의 모니터링 결과가 정확하지 않은 문제점이 발생한다.
이러한 종래의 문제점을 해결하기 위한 본 발명의 실시 예들은 플라즈마 공정 시에 발생되는 플라즈마 스펙트럼 데이터와 플라즈마 전기적 특성 데이터의 수집 및 분석을 통해 스펙트럼 데이터를 보정하는 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서를 제공하는 것이다.
본 발명의 실시 예에 따른 플라즈마 스펙트럼 데이터의 보정 방법은, 플라즈마 공정 시에 발생되는 스펙트럼 데이터와 전기적 특성 데이터를 포함하는 진단데이터를 수집하는 단계, 상기 스펙트럼 데이터를 가스 종별로 분류하는 단계, 상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하는 단계 및 상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계를 포함하는 것을 특징으로 한다.
또한, 스펙트럼 데이터의 보정을 수행하는 단계 이후에, 상기 보정이 완료된 상기 제1 가스에 대한 스펙트럼 데이터의 검증을 수행하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 가스 종별로 분류하는 단계는, 상기 스펙트럼 데이터와 관련된 적어도 하나의 가스 종을 확인하여 상기 스펙트럼 데이터를 상기 가스 종별로 분류하는 단계인 것을 특징으로 한다.
또한, 가스 종별로 분류하는 단계는, 제1 알고리즘 및 제2 알고리즘 중 적어도 하나의 알고리즘을 적용하여 상기 스펙트럼 데이터를 상기 가스 종별로 분류하는 단계인 것을 특징으로 한다.
또한, 기준 스펙트럼을 선별하는 단계는, 상기 제1 가스에 대한 기준 스펙트럼 선별을 위한 필터를 호출하는 단계 및 상기 필터에 상기 제1 가스에 대한 스펙트럼 데이터를 적용하여 상기 기준 스펙트럼을 선별하는 단계를 포함하는 것을 특징으로 한다.
또한, 보정을 수행하는 단계는, 상기 진단데이터에서 상기 제1 가스에 대한 전기적 특성 데이터를 확인하는 단계, 상기 기준 스펙트럼과 상기 전기적 특성 데이터의 상관관계를 분석하는 단계 및 상기 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 단계를 포함하는 것을 특징으로 한다.
또한, 보정을 수행하는 단계는, 상기 진단데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하는 단계, 상기 제1 가스와 상기 제2 가스에 대한 스펙트럼 데이터를 비교하는 단계 및 비교결과를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 단계를 포함하는 것을 특징으로 한다.
또한, 스펙트럼 데이터의 검증을 수행하는 단계는, 보정 이전의 스펙트럼 데이터와 보정 이후의 스펙트럼 데이터를 기반으로 각각 플라즈마 관련 정보를 확인하는 단계 및 상기 확인된 플라즈마 관련 정보가 동일 및 임계범위 내에서 유사하면 상기 스펙트럼 데이터의 검증을 완료하는 단계를 포함하는 것을 특징으로 한다.
또한, 검증이 완료된 스펙트럼 데이터로 레퍼런스 데이터를 갱신하는 단계를 더 포함하는 것을 특징으로 한다.
아울러, 본 발명의 실시 예에 따른 스마트센서는, 플라즈마 공정 시에 발생되는 스펙트럼 데이터와 전기적 특성 데이터를 포함하는 진단데이터를 수집하는 수집부, 상기 스펙트럼 데이터를 가스 종별로 분류하고, 상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하는 분류부 및 상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 보정부를 포함하는 것을 특징으로 한다.
또한, 보정부에서 보정이 완료된 상기 제1 가스에 대한 스펙트럼 데이터의 검증을 수행하는 검증부를 더 포함하는 것을 특징으로 한다.
또한, 분류부는, 상기 스펙트럼 데이터를 발생시킨 적어도 하나의 가스 종을 확인하고, 상기 스펙트럼 데이터를 상기 가스 종별로 분류하기 위한 적어도 하나의 필터를 포함하는 CNN기반 알고리즘을 포함하는 것을 특징으로 한다.
또한, 분류부는, 상기 제1 가스에 대한 기준 스펙트럼 선별을 위한 필터를 호출하고, 상기 필터에 상기 제1 가스에 대한 스펙트럼 데이터를 적용하여 상기 기준 스펙트럼을 선별하는 것을 특징으로 한다.
또한, 보정부는, 상기 진단데이터에서 확인된 상기 제1 가스에 대한 전기적 특성 데이터와 상기 기준 스펙트럼의 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 한다.
또한, 보정부는, 상기 진단데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하고, 상기 제1 가스 및 상기 제2 가스에 대한 스펙트럼 데이터의 비교를 통해 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 한다.
또한, 검증부는, 보정 이전의 스펙트럼 데이터와 보정 이후의 스펙트럼 데이터를 기반으로 각각 확인된 플라즈마 관련 정보가 동일 및 임계범위 내에서 유사하면 상기 스펙트럼 데이터의 검증을 완료하는 것을 특징으로 한다.
또한, 검증부는, 상기 검증이 완료된 상기 제1 가스의 스펙트럼 데이터로 레퍼런스 데이터를 갱신하는 것을 특징으로 한다.
상술한 바와 같이 본 발명에 따른 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서는, 플라즈마 공정 시에 발생되는 플라즈마 스펙트럼 데이터를 보다 정확하게 보정할 수 있는 효과가 있다.
아울러, 본 발명에 따른 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서는, 플라즈마 공정 시에 발생되는 플라즈마 스펙트럼 데이터의 보정을 통해 보다 정확하게 플라즈마 공정의 모니터링을 할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 스펙트럼 데이터를 보정하는 시스템을 나타낸 도면이다.
도 2는 본 발명의 실시 예에 따른 스펙트럼 데이터를 보정하는 방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 실시 예에 따른 레퍼런스 데이터를 생성하는 방법을 설명하기 위한 상세순서도이다.
도 4a 및 도 4b는 본 발명의 실시 예에 따른 스펙트럼 데이터를 분류하는 방법을 설명하기 위한 화면예시도이다.
도 5는 본 발명의 실시 예에 따른 스펙트럼 데이터와 필터의 합성곱 계산을 설명하기 위한 화면예시도이다.
도 6a 및 도 6b는 본 발명의 실시 예에 따른 기준 스펙트럼을 선별하는 방법을 설명하기 위한 화면예시도이다.
도 7a 및 도 7b는 본 발명의 실시 예에 따른 스펙트럼 데이터를 보정하는 방법을 설명하기 위한 화면예시도이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.
본 발명의 일 실시 예에서, “또는”, “적어도 하나” 등의 표현은 함께 나열된 단어들 중 하나를 나타내거나, 또는 둘 이상의 조합을 나타낼 수 있다. 예를 들어, “A 또는 B”, “A 및 B 중 적어도 하나”는 A 또는 B 중 하나만을 포함할 수 있고, A와 B를 모두 포함할 수도 있다.
도 1은 본 발명의 실시 예에 따른 스펙트럼 데이터를 보정하는 시스템을 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 시스템(10)은 데이터베이스(100) 및 스마트센서(200)를 포함한다.
데이터베이스(100)는 레퍼런스DB(110), 특성DB(120), 이력DB(130) 및 데이터종류DB(140)를 포함할 수 있고, 스마트센서(200)는 수집부(210), 분류부(220), 보정부(230) 및 검증부(240)를 포함할 수 있다.
데이터베이스(100)의 레퍼런스DB(110)는 레퍼런스 데이터 및 레퍼런스 데이터를 기반으로 진단데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류할 수 있는 알고리즘 및 필터 등을 저장한다. 이때, 레퍼런스 데이터는 가스 종(species)별 파장 정보, 가스 종별 밀도 및 온도와 매칭되는 스펙트럼 정보, 가스 종별 왜곡 보정 파장을 포함할 수 있다.
데이터베이스(100)의 특성DB(120)는 플라즈마 공정 시에 발생되는 스펙트럼 데이터와 전기적 특성 데이터를 포함하는 진단데이터를 저장한다.
데이터베이스(100)의 이력DB(130)는 스마트센서(200)에 의해 보정된 스펙트럼 데이터의 이력정보를 저장한다.
데이터베이스(100)의 데이터종류DB(140)는 스펙트럼 데이터 및 전기적 특성 데이터에 대한 형태 및 포맷 등과 같은 정보를 저장한다.
스마트센서(200)는 플라즈마 공정 시에 발생되는 진단데이터를 수집하고 진단데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류한다. 스마트센서(200)는 분류된 가스 종별 스펙트럼 데이터의 기준 스펙트럼을 선별하고, 선별된 기준 스펙트럼을 기준으로 스펙트럼 데이터의 보정을 수행한다.
이를 위해, 스마트센서(200)의 수집부(210)는 플라즈마 공정 시에 발생되는 진단데이터를 수집한다. 이를 위해, 수집부(210)는 복수의 센서를 구비할 수 있고, 플라즈마 챔버에 구비된 복수의 센서와의 통신을 수행할 수도 있다. 이때, 복수의 센서는 OES(optical emission spectroscopy)센서와 VI프로브 센서를 포함할 수 있다. 도시되진 않았으나, 스마트센서(200)는 복수의 센서와의 통신을 위해 센서들과 블루투스, BLE(bluetooth low energy) 등의 무선 통신을 수행할 수 있다.
본 발명의 실시 예에서는 수집부(210)가 OES센서 및 VI프로브 센서에서 획득된 진단데이터를 수집하는 것을 예로 들어 설명하고 있으나 반드시 이에 한정되는 것은 아니며, 센서의 종류를 변경하여 적용 가능하다. 아울러, OES센서에서 획득되는 스펙트럼 데이터는 스펙트럼의 파장과 빛의 세기를 포함하고, VI프로브 센서에서 획득되는 전기적 특성 데이터는 전압, 전류, 전압과 전류의 위상차 및 하모닉스 등을 포함한다.
분류부(220)는 수집부(210)에서 수집된 스펙트럼 데이터를 가스 종별로 분류한다. 이를 위해, 분류부(220)는 레퍼런스DB(110)에 저장된 CNN(convolutional neural network)기반 알고리즘을 호출할 수 있다. 분류부(220)는 진단데이터에서 스펙트럼 데이터를 확인한다. 분류부(220)는 스펙트럼 데이터를 CNN기반 알고리즘에 적용하여 스펙트럼 데이터를 발생시킨 적어도 하나의 가스 종을 확인하고, 확인된 가스 종별로 스펙트럼 데이터를 분류한다. 분류부(220)는 가스 종별로 분류된 스펙트럼 데이터 중 적어도 하나의 가스 종에 대한 스펙트럼 데이터에서 기준 스펙트럼을 선별한다.
보정부(230)는 분류부(220)에서 분류된 가스 종별 스펙트럼 데이터의 보정을 수행한다. 첫 번째로, 보정부(230)는 보정하고자 하는 제1 가스에 대한 스펙트럼 데이터와 전기적 특성 데이터를 이용하여 제1 가스에 대한 스펙트럼 데이터를 보정한다. 두 번째로, 보정부(230)는 보정하고자 하는 제1 가스에 대한 스펙트럼 데이터와 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 이용하여 제1 가스에 대한 스펙트럼 데이터를 보정한다.
검증부(240)는 보정이 완료된 스펙트럼 데이터에 대한 검증을 수행한다. 그리고 검증부(240)는 레퍼런스DB(110)에 기저장된 레퍼런스 데이터를 갱신할 수 있도록 검증이 완료된 스펙트럼 데이터를 레퍼런스DB(110)로 제공한다. 또한, 검증부(240)는 검증이 완료된 스펙트럼 데이터에 대한 보정 이력을 이력DB(130)에 저장한다.
도 2는 본 발명의 실시 예에 따른 스펙트럼 데이터를 보정하는 방법을 설명하기 위한 순서도이다.
도 2를 참조하면, 201단계에서 스마트센서(200)는 진단데이터의 수집여부를 확인한다. 201단계의 확인결과, 진단데이터가 수집되면 스마트센서(200)는 203단계를 수행하고, 진단데이터가 수집되지 않으면 진단데이터의 수집을 대기한다. 이때, 진단데이터는 스마트센서(200)에 구비된 복수의 센서 예컨대, OES(optical emission spectroscopy)센서 및 VI프로브 센서에서 획득된 센싱데이터를 통칭한다. 이때, OES센서는 스펙트럼의 파장과 빛의 세기를 포함하는 스펙트럼 데이터를 획득하고, VI 프로브 센서는 전압, 전류, 전압과 전류의 위상차 및 하모닉스 등을 포함하는 전기적 특성 데이터를 획득한다.
203단계에서 스마트센서(200)는 레퍼런스DB(110)에 레퍼런스 데이터의 존재유무를 확인한다. 203단계의 확인결과 레퍼런스DB(110)에 레퍼런스 데이터가 존재하면 스마트센서(200)는 205단계를 수행하고, 레퍼런스 데이터가 존재하지 않으면 스마트센서(200)는 217단계를 수행한다. 217단계에서 스마트센서(200)는 수집된 진단데이터로 레퍼런스 데이터를 생성한다. 217단계는 도 3을 이용하여 구체적으로 설명하기로 한다. 도 3은 본 발명의 실시 예에 따른 레퍼런스 데이터를 생성하는 방법을 설명하기 위한 상세순서도이다.
도 3을 참조하면, 301단계에서 스마트센서(200)는 진단데이터가 발생한 플라즈마 공정의 공정 조건을 확인하고, 303단계에서 스마트센서(200)는 진단데이터에 포함된 스펙트럼 데이터과 관련된 가스 종을 확인한다. 이를 위해, 스마트센서(200)는 사용자로부터 가스 종을 입력받을 수 있다. 305단계에서 스마트센서(200)는 진단데이터를 레퍼런스 데이터로 생성하여 레퍼런스DB(110)에 저장하고, 플라즈마 장비의 운전정보 등을 확인하여 레퍼런스DB(110)에 저장할 수 있다. 스마트센서(200)는 레퍼런스DB(110)를 구축할 수 있는 충분한 데이터를 확보할 때까지 반복적으로 진단데이터를 누적하여 레퍼런스 데이터를 구축할 수 있다.
203단계의 확인결과 레퍼런스 데이터가 존재하면 205단계에서 스마트센서(200)는 레퍼런스DB(110)에서 레퍼런스 데이터를 호출한다. 207단계에서 스마트센서(200)는 진단데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류한다. 보다 구체적으로, 스마트센서(200)는 레퍼런스DB(110)에 저장된 CNN기반 알고리즘을 호출한다. 스마트센서(200)는 진단데이터에서 스펙트럼 데이터를 확인하고, 스펙트럼 데이터를 CNN기반 알고리즘에 적용하여 스펙트럼 데이터를 가스 종별로 분류한다. 이때, CNN기반 알고리즘은 도 4를 이용하여 구체적으로 설명하기로 한다. 도 4는 본 발명의 실시 예에 따른 스펙트럼 데이터를 분류하는 방법을 설명하기 위한 화면예시도이다.
스마트센서(200)는 도 4a 및 도 4b와 같이 두 가지 이상의 알고리즘을 이용할 수 있고, 상기 알고리즘은 VGGNet, ResNet, LeNet, AlexNet 등일 수 있다. 스마트센서(200)는 스펙트럼 데이터에서 파장 세기 값을 확인하여 제1 알고리즘 및 제2 알고리즘 중 적어도 하나의 알고리즘에 입력데이터로 입력한다.
도 4a는 제1 알고리즘을 나타낸 도면이다. 스마트센서(200)에서 수집된 스펙트럼 데이터(401)는 OES센서에서 수집된 데이터를 나타낸다. 이때, 스펙트럼 데이터(401)는 파장 값과 이에 매칭되는 파장 세기 값으로 구성되고, 스마트센서(200)는 파장 세기 값을 1차원 배열(402)로 변환한다. 스마트센서(200)는 1차원 배열(402)로 변환된 파장 세기 값을 입력데이터로 하여 제1 알고리즘에 포함된 스펙트럼 1차원 필터 모음(403)과 합성곱(convolution)을 계산한다. 이때, 1차원 필터 모음(403)은 가스 종별 스펙트럼 특성을 추출하기 위한 필터로, 특정 가스 예컨대, Ar가스에 대한 스펙트럼 특성을 추출하기 위한 필터일 수 있다. 합성곱 계산결과로 산출된 합성곱 데이터(404)는 1차원 필터 모음(403)의 개수와 동일하게 생성된다. 예를 들어, 필터 개수가 N개이면 합성곱도 N개의 데이터가 생성되고, N개의 데이터는 해당 위치의 대표되는 대표값(405)으로 병합된다. 스마트센서(200)는 계산속도 및 정확도를 향상시키기 위해 병합된 대표값(405)을 일정 범위로 병합하여 또 다른 대표값(406)으로 병합한다. 이때, 대표값(405, 406)은 일정 구간별로 병합하여 평균값, 최소값 및 최대값 등으로 사용하여 병합될 수 있다.
이어서, 스마트센서(200)는 최종 대표값을 찾기 위해 일정 범위로 병합된 대표값(406)에 다시 필터(407)를 적용하여 합성곱을 계산한다. 이와 같은 과정을 거쳐 생성된 합성곱 데이터(408)는 다시 해당 위치의 대표되는 대표값(409)으로 병합되고, 일정 범위로 병합하여 또 다른 대표값(410)을 생성한다. 이어서 스마트센서(200)는 411 내지 413과 같이 대표값을 병합하는 동작들을 반복한 후 산출된 데이터를 뉴럴 네트워크(fully connected layer)에 입력하여 하나의 값으로 출력되도록 한다. 이때, 출력되는 하나의 값은 가스 스펙트럼의 존재유무를 나타내는 값이다. 예컨대, 스마트센서(200)는 입력데이터를 필터에 적용한 결과값이 1이 출력되면 진단데이터를 발생시킨 가스 중 Ar가스가 존재하고, 결과값이 0이 출력되면 진단데이터를 발생시킨 가스 중 Ar가스가 존재하지 않는 것으로 확인할 수 있다. 이와 같이, 스마트센서(200)는 분류하고자 하는 가스와 관련된 필터를 알고리즘에 적용하여 스펙트럼 데이터를 가스 종별로 분류할 수 있다.
도 4b는 제2 알고리즘을 나타낸 도면이다. 제2 알고리즘은 제1 알고리즘과 동일한 기능을 수행하나, 계산 속도를 줄여 학습 속도를 개선하기 위한 알고리즘이다. 보다 구체적으로, 제2 알고리즘의 431 내지 435는 제1 알고리즘의 401 내지 405와 동일하며, 437 내지 450은 제1 알고리즘의 411 내지 414와 동일하다. 제2 알고리즘의 436은 제1 알고리즘의 406 내지 410의 동작을 개선하기 위한 것으로, 멀티플렉스 방식을 이용하여 생성된 데이터 사이의 관계성을 확인하여 대표값을 생성할 수 있다. 아울러, 스마트센서(200)는 제1 알고리즘과 제2 알고리즘을 단독으로 사용하거나, 혼합하여 사용할 수 있다.
아울러, 제1 알고리즘 및 제2 알고리즘에서 합성곱을 계산하는 동작은 하기의 도 5를 이용하여 보다 구체적으로 설명하기로 한다. 도 5는 본 발명의 실시 예에 따른 스펙트럼 데이터와 필터의 합성곱 계산을 설명하기 위한 화면예시도이다.
도 5를 참조하면, 우선적으로 스마트센서(200)는 스펙트럼 데이터에서 확인된 파장 세기 값을 입력데이터(501)로 필터(503)에 적용된다. 이때, 필터(503)는 도 4a에 도시된 403, 407, 411의 필터와 동일하고, 도 4b에 도시된 433, 437의 필터와 동일한 필터이다. 합성곱 계산은 입력데이터와 필터 값이 1대 1로 곱한 값을 산출하고, 산출된 값을 모두 더하여 수행된다. 즉, 하나의 행으로 구성된 두 개의 백터 곱을 구하는 방식으로, 합성곱 계산 과정에서 학습 속도와 정확도를 개선하기 위해 입력데이터와 필터의 합성곱을 계산한 후, n개만큼 이동한 구간의 입력데이터와 필터의 합성곱 계산을 수행한다.
이를 통해, 스펙트럼 데이터에 분석하고자 하는 가스 종 예컨대, Ar가스에 대한 스펙트럼 데이터가 존재하는 것으로 확인되면 Ar가스에 대한 파장 필터 값을 레퍼런스DB(110)에서 호출한다. 이어서, 209단계에서 스마트센서(200)는 가스 종별로 분류된 스펙트럼 데이터 중 적어도 하나의 가스 종에 대한 스펙트럼 데이터에서 기준 스펙트럼을 선별한다. 이때, 기준 스펙트럼은, 스펙트럼 데이터에서 플라즈마 및 공정 상태에 많은 영향을 주는 의미있는 파장을 의미한다. 이는 도 6을 참조하여 보다 구체적으로 설명하기로 한다. 예를 들어, 스마트센서(200)는 207단계를 통해 스펙트럼 데이터가 Ar, CF4, N2, O2의 가스에 의해 도출된 것으로 확인된 경우, 스마트센서(200)는 각 가스에 대한 스펙트럼 데이터에서 기준 스펙트럼을 선별할 수 있다. 그러나, 본 발명의 실시 예에서는 Ar가스를 예로 설명하기로 한다.
이를 위해, 스마트센서(200)는 도 6a 및 도 6b와 같이 Ar가스에 대한 스펙트럼 데이터에서 기준 스펙트럼을 선별할 수 있는 필터를 적용한다. 도 6은 본 발명의 실시 예에 따른 기준 스펙트럼을 선별하는 방법을 설명하기 위한 화면예시도이다.
도 6a를 참조하면, 스마트센서(200)는 Ar가스에 대한 스펙트럼 데이터(611)를 필터(612)에 적용하여 기준 스펙트럼(613)을 선별한다. 이때, 필터(612)는 Ar가스에서 선별하고자 하는 기준 스펙트럼의 파장 값에 대한 절대 값에 해당하는 영역을 1로 설정하고 나머지는 0으로 설정한 필터일 수 있다. 아울러, 상기 필터는 205단계에서 호출된 레퍼런스 데이터를 기반으로 설정된 필터일 수 있으며 이는 레퍼런스DB(110)에 저장될 수 있다. 스마트센서(200)는 스펙트럼 데이터(611)에 필터(612)에 적용하여 스펙트럼 데이터(611)와 필터(612)의 곱셈 연산을 수행함으로써 기준 스펙트럼(613)을 선별한다.
또한, 스마트센서(200)는 도 6b와 같이 Ar가스에 대한 스펙트럼 데이터(621)를 필터(622)에 적용하여 기준 스펙트럼(623)을 선별한다. 이때, 필터(621)는 Ar가스에서 선별하고자 하는 기준 스펙트럼의 파장 값에 대한 절대 값과, 상기 절대 값을 기준으로 임계 범위 내의 오차 범위를 1로 설정하고 나머지는 0으로 설정한 필터일 수 있다. 스마트센서(200)는 스펙트럼 데이터(621)를 필터(622)에 적용하여 스펙트럼 데이터(621)와 필터(622)의 곱셈 연산을 수행함으로써 기준 스펙트럼(623)을 선별한다. 이때, 오차 범위는 일괄적으로 설정하거나 파장 값 별로 상이하게 설정할 수 있고, 필터는 OES센서가 갖는 CCD layer에 따라 구성된다.
209단계에서와 같이 가스 종별로 스펙트럼 데이터에서 기준 스펙트럼이 선별되면 211단계에서 스마트센서(200)는 스펙트럼에 포함된 노이즈 및 스펙트럼이 왜곡되는 현상을 극복하기 위해서 스펙트럼 데이터의 보정을 수행한다. 이를 위해, 스마트센서(200)는 DNN(deep neural network)기반 알고리즘을 이용할 수 있다. 이는 하기의 도 7a 및 도 7b를 이용하여 설명하기로 한다. 도 7a 및 도 7b는 본 발명의 실시 예에 따른 스펙트럼 데이터를 보정하는 방법을 설명하기 위한 화면예시도이다.
도 7a를 참조하면, 스마트센서(200)는 보정하고자 하는 제1 가스 예컨대, Ar가스에 대한 스펙트럼 데이터(701)와 Ar가스에 대한 전기적 특성 데이터(702)를 DNN기반 알고리즘(710)에 적용하여 Ar가스에 대한 스펙트럼 데이터를 보정(720)한다. 보다 구체적으로, 스마트센서(200)는 DNN기반 알고리즘(710)에 스펙트럼 데이터(701)와 전기적 특성 데이터(702)를 적용하기 위하여 Ar가스에 대한 스펙트럼 데이터(701)에서 파장 세기 값을 제1 입력데이터(711)로 산출하고, 전기적 특성 데이터(702)에서 파워 값, 전원 주파수에 대하 하모닉의 전압, 전류 및 위상 등과 같은 값은 제2 입력데이터(712)로 산출할 수 있다.
이때, 제1 입력데이터(711)는 전체 파장에 대한 파장 세기 값을 입력데이터로 추출할 수 있고, 각각의 파장 세기 값의 비율 값을 입력데이터로 추출할 수 있으며, 각각의 파장 세기의 비율 값과 반치전폭(full width at half maximum)을 입력데이터로 추출할 수 있다.
또한, 스마트센서(200)는 도 7b와 같이 보정하고자 하는 제1 가스 예컨대, Ar가스에 대한 스펙트럼 데이터(731)와 제1 가스와 상이한 제2 가스 예컨대, O2가스에 대한 스펙트럼 데이터(732)를 DNN기반 알고리즘(740)에 적용하여 Ar가스에 대한 스펙트럼 데이터를 보정(750)한다. 이때, 제2 가스는 207단계에서 스펙트럼 데이터가 분류된 가스 종 중 제1 가스를 제외한 가스 중 어느 하나의 가스일 수 있다.
보다 구체적으로, 스마트센서(200)는 DNN기반 알고리즘(740)에 Ar가스에 대한 스펙트럼 데이터(731)와 O2가스에 대한 스펙트럼 데이터(732)를 적용하기 위해 Ar가스에 대한 스펙트럼 데이터(731)에서 파장 세기 값을 제1 입력데이터(741)로 산출하고, O2가스에 대한 스펙트럼 데이터(732)에서 파장 세기 값을 제2 입력데이터(742)로 산출할 수 있다.
DNN기반 알고리즘(710, 740)은 히든 레이어(hidden layer)(713, 714, 715, 716, 743, 744, 745, 746)를 포함하고, 제1 입력데이터(711, 741)와 제2 입력데이터(712, 742)는 히든 레이어를 통해 제1 입력데이터(711, 741)와 제2 입력데이터(712, 742)와의 상관관계 및 영향도를 분석 및 계산한다. 스마트센서(200)는 분석 및 계산결과를 기반으로 노이즈를 제거하고, Ar가스에 대한 보정된 스펙트럼 데이터(720, 740)를 생성한다. 아울러, 스마트센서(200)는 복수의 DNN기반 알고리즘(710, 740)을 단독으로 사용하거나, 혼합하여 사용할 수 있다.
213단계에서 스마트센서(200)는 보정된 스펙트럼 데이터의 검증을 수행하고, 215단계에서 스마트센서(200)는 검증이 완료된 스펙트럼 데이터를 반영하여 기저장된 레퍼런스 데이터를 갱신한다. 보다 구체적으로, 스마트센서(200)는 스펙트럼 데이터와 전기적 특성 데이터를 입력데이터로 하여 압력 및 파워 등을 포함하는 플라즈마 외부 환경 값과 밀도 및 온도 등을 포함하는 플라즈마 상태 값으로 변환할 수 있는 머신러닝 알고리즘을 사용한다.
스마트센서(200)는 보정된 스펙트럼 데이터 예컨대, Ar가스에 대한 보정된 스펙트럼 데이터와 전기적 특성 데이터를 기반으로 플라즈마 외부 환경 값과 플라즈마 상태 값을 산출한다. 그리고 스마트센서(200)는 보정되지 않은 스펙트럼 데이터 예컨대, Ar가스와 상이한 가스인 O2가스에 대한 스펙트럼 데이터와 전기적 특성 데이터를 기반으로 플라즈마 외부 환경 값과 플라즈마 상태 값을 산출한다. 스마트센서(200)는 산출된 두 개의 플라즈마 외부 환경 값과 두 개의 플라즈마 상태 값이 각각 동일하거나 임계범위 내에서 유사하면 Ar가스에 대한 스펙트럼 데이터의 보정이 정상적으로 수행된 것으로 판단한다. 그리고 스마트센서(200)는 판단결과에 따라 보정된 Ar가스에 대한 스펙트럼 데이터를 레퍼런스DB(110)에 저장하고, 보정 이력을 이력DB(130)에 저장한다.
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (17)

  1. 플라즈마 공정 시에 발생되는 스펙트럼 데이터와 전기적 특성 데이터를 포함하는 진단데이터를 수집하는 단계;
    적어도 하나의 필터를 포함하는 CNN기반 알고리즘을 이용하여 상기 스펙트럼 데이터를 가스 종별로 분류하는 단계;
    상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하는 단계;
    상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계;
    상기 보정된 제1 가스에 대한 스펙트럼 데이터의 검증을 수행하는 단계; 및
    상기 검증된 스펙트럼 데이터로 레퍼런스 데이터를 갱신하는 단계;
    를 포함하는 것을 특징으로 하는 스펙트럼 데이터 보정 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 가스 종별로 분류하는 단계는,
    상기 스펙트럼 데이터와 관련된 적어도 하나의 가스 종을 확인하여 상기 스펙트럼 데이터를 상기 가스 종별로 분류하는 단계인 것을 특징으로 하는 스펙트럼 데이터 보정 방법.
  4. 삭제
  5. 제3항에 있어서,
    상기 기준 스펙트럼을 선별하는 단계는,
    상기 제1 가스에 대한 기준 스펙트럼 선별을 위한 필터를 호출하는 단계; 및
    상기 필터에 상기 제1 가스에 대한 스펙트럼 데이터를 적용하여 상기 기준 스펙트럼을 선별하는 단계;
    를 포함하는 것을 특징으로 하는 스펙트럼 데이터 보정 방법.
  6. 제5항에 있어서,
    상기 보정을 수행하는 단계는,
    상기 진단데이터에서 상기 제1 가스에 대한 전기적 특성 데이터를 확인하는 단계;
    상기 기준 스펙트럼과 상기 전기적 특성 데이터의 상관관계를 분석하는 단계; 및
    상기 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 단계;
    를 포함하는 것을 특징으로 하는 스펙트럼 데이터 보정 방법.
  7. 제5항에 있어서,
    상기 보정을 수행하는 단계는,
    상기 진단데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하는 단계;
    상기 제1 가스와 상기 제2 가스에 대한 스펙트럼 데이터를 비교하는 단계; 및
    비교결과를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 단계;
    를 포함하는 것을 특징으로 하는 스펙트럼 데이터 보정 방법.
  8. 제5항에 있어서,
    상기 스펙트럼 데이터의 검증을 수행하는 단계는,
    보정 이전의 스펙트럼 데이터와 보정 이후의 스펙트럼 데이터를 기반으로 각각 플라즈마 관련 정보를 확인하는 단계; 및
    상기 확인된 플라즈마 관련 정보가 동일 및 임계범위 내에서 유사하면 상기 스펙트럼 데이터의 검증을 완료하는 단계;
    를 포함하는 것을 특징으로 하는 스펙트럼 데이터 보정 방법.
  9. 삭제
  10. 플라즈마 공정 시에 발생되는 스펙트럼 데이터와 전기적 특성 데이터를 포함하는 진단데이터를 수집하는 수집부;
    적어도 하나의 필터를 포함하는 CNN기반 알고리즘을 이용하여 상기 스펙트럼 데이터를 가스 종별로 분류하고, 상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하는 분류부;
    상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 보정부; 및
    상기 보정된 제1 가스에 대한 스펙트럼 데이터의 검증을 수행하고, 상기 검증된 스펙트럼 데이터로 레퍼런스 데이터를 갱신하는 검증부;
    를 포함하는 것을 특징으로 하는 스마트센서.
  11. 삭제
  12. 삭제
  13. 제10항에 있어서,
    상기 분류부는,
    상기 제1 가스에 대한 기준 스펙트럼 선별을 위한 필터를 호출하고, 상기 필터에 상기 제1 가스에 대한 스펙트럼 데이터를 적용하여 상기 기준 스펙트럼을 선별하는 것을 특징으로 하는 스마트센서.
  14. 제13항에 있어서,
    상기 보정부는,
    상기 진단데이터에서 확인된 상기 제1 가스에 대한 전기적 특성 데이터와 상기 기준 스펙트럼의 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 하는 스마트센서.
  15. 제13항에 있어서,
    상기 보정부는,
    상기 진단데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하고, 상기 제1 가스 및 상기 제2 가스에 대한 스펙트럼 데이터의 비교를 통해 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 하는 스마트센서.
  16. 제13항에 있어서,
    상기 검증부는,
    보정 이전의 스펙트럼 데이터와 보정 이후의 스펙트럼 데이터를 기반으로 각각 확인된 플라즈마 관련 정보가 동일 및 임계범위 내에서 유사하면 상기 스펙트럼 데이터의 검증을 완료하는 것을 특징으로 하는 스마트센서.
  17. 삭제
KR1020200104456A 2020-08-20 2020-08-20 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서 KR102330367B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200104456A KR102330367B1 (ko) 2020-08-20 2020-08-20 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200104456A KR102330367B1 (ko) 2020-08-20 2020-08-20 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서

Publications (1)

Publication Number Publication Date
KR102330367B1 true KR102330367B1 (ko) 2021-11-23

Family

ID=78694753

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200104456A KR102330367B1 (ko) 2020-08-20 2020-08-20 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서

Country Status (1)

Country Link
KR (1) KR102330367B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006275892A (ja) * 2005-03-30 2006-10-12 Shimadzu Corp 発光分光分析装置
JP2006317371A (ja) * 2005-05-16 2006-11-24 Shimadzu Corp 発光分光分析方法及び発光分光分析装置
JP2015210217A (ja) * 2014-04-28 2015-11-24 日本電気株式会社 スペクトル処理装置、スペクトル処理プログラム、スペクトル処理システムおよびスペクトル処理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006275892A (ja) * 2005-03-30 2006-10-12 Shimadzu Corp 発光分光分析装置
JP2006317371A (ja) * 2005-05-16 2006-11-24 Shimadzu Corp 発光分光分析方法及び発光分光分析装置
JP2015210217A (ja) * 2014-04-28 2015-11-24 日本電気株式会社 スペクトル処理装置、スペクトル処理プログラム、スペクトル処理システムおよびスペクトル処理方法

Similar Documents

Publication Publication Date Title
KR101215367B1 (ko) 에칭 장치, 분석 장치, 에칭 처리 방법, 및 에칭 처리 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체
JP5026326B2 (ja) エッチング処理状態の判定方法、システム
US6828165B2 (en) Semiconductor plasma processing apparatus with first and second processing state monitoring units
US11556853B2 (en) Learning method, management device, and management program
US20200309689A1 (en) Fabric validation using spectral measurement
US7625824B2 (en) Process change detection through the use of evolutionary algorithms
US20050055175A1 (en) Industrial process fault detection using principal component analysis
KR102070288B1 (ko) 가스 탐지 장치 및 탐지 방법
KR102033438B1 (ko) 플라즈마 처리 장치 및 플라즈마 처리 장치 상태 예측 방법
KR102335854B1 (ko) 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템
US11193881B2 (en) Gas sensing device for sensing a gas in a mixture of gases and method for operating a gas sensing device
KR102383416B1 (ko) 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서
Kim et al. Use of plasma information in machine-learning-based fault detection and classification for advanced equipment control
US20080291428A1 (en) Full spectrum adaptive filtering (fsaf) for low open area endpoint detection
KR102330367B1 (ko) 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서
US6524803B2 (en) Deconvolution method and apparatus for analyzing compounds
US20110286657A1 (en) Defect analysis method, defect analysis apparatus, and recording medium
JP2023159214A (ja) 波形解析方法及び波形解析装置
CN114118309B (zh) 基于卷积神经网络的样本分类识别方法
JP2018055402A (ja) 等価回路推定方法
US20090137068A1 (en) Method and Computer Program Product for Wafer Manufacturing Process Abnormalities Detection
US20230280318A1 (en) Learning data producing method, waveform analysis device, waveform analysis method, and recording medium
KR20070077329A (ko) 자동 결함 분류 알고리즘 생성 방법
KR20240146449A (ko) 플라즈마 상태 및 플라즈마 공정 상태의 모니터링 방법 및 이를 위한 스마트 센서
CN118401812A (zh) 使用神经网络分析光谱峰的方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant