KR102335854B1 - 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템 - Google Patents

스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템 Download PDF

Info

Publication number
KR102335854B1
KR102335854B1 KR1020200104458A KR20200104458A KR102335854B1 KR 102335854 B1 KR102335854 B1 KR 102335854B1 KR 1020200104458 A KR1020200104458 A KR 1020200104458A KR 20200104458 A KR20200104458 A KR 20200104458A KR 102335854 B1 KR102335854 B1 KR 102335854B1
Authority
KR
South Korea
Prior art keywords
data
gas
plasma
plasma process
time point
Prior art date
Application number
KR1020200104458A
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 KR1020200104458A priority Critical patent/KR102335854B1/ko
Priority to PCT/KR2020/011267 priority patent/WO2022039311A1/ko
Application granted granted Critical
Publication of KR102335854B1 publication Critical patent/KR102335854B1/ko

Links

Images

Classifications

    • 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
    • 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
    • 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
    • H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
    • H01J37/32082—Radio frequency generated discharge
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
    • H05H1/00—Generating plasma; Handling plasma
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
    • H05H1/00—Generating plasma; Handling plasma
    • H05H1/0006—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature
    • H05H1/0012—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature using electromagnetic or particle radiation, e.g. interferometry
    • H05H1/0025—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature using electromagnetic or particle radiation, e.g. interferometry by using photoelectric means
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/32—Processing objects by plasma generation
    • H01J2237/33—Processing objects by plasma generation characterised by the type of processing
    • H01J2237/332—Coating
    • H01J2237/3321—CVD [Chemical Vapor Deposition]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/32—Processing objects by plasma generation
    • H01J2237/33—Processing objects by plasma generation characterised by the type of processing
    • H01J2237/334—Etching
    • H01J2237/3341—Reactive etching

Abstract

본 발명은 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템에 관한 것으로, 스마트센서가 플라즈마 공정의 제1 시점에 발생되는 센싱데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류하여 스펙트럼 데이터를 보정하는 단계, 스마트센서가 보정된 스펙트럼 데이터를 기반으로 제1 시점 이후의 제2 시점에 대한 플라즈마 공정정보를 예측하는 단계 및 제어장치가 스마트센서에서 예측된 플라즈마 공정정보의 정상여부에 따라 플라즈마 공정과 관련된 공정 인자를 제어하는 단계를 포함하며 다른 실시 예로도 적용이 가능하다.

Description

스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템{Method and System for Plasma Process Control Using Smart Sensor}
본 발명은 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템에 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, 방출되는 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, 최근에는 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 모니터링 결과가 정확하지 않은 문제점이 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 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템을 제공하는 것이다.
또한, 본 발명의 실시 예들은 보정된 스펙트럼 데이터와 플라즈마 공정 시의 장비데이터를 분석하여 비정상상태로 예측된 플라즈마 상태 및 공정 상태가 정상상태가 되도록 플라즈마 공정인자를 제어할 수 있는 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템을 제공하는 것이다.
본 발명의 실시 예에 따른 스마트센서를 이용한 플라즈마 공정 제어 방법은, 스마트센서가 플라즈마 공정의 제1 시점에 발생되는 센싱데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류하여 상기 스펙트럼 데이터를 보정하는 단계, 상기 스마트센서가 상기 보정된 스펙트럼 데이터를 기반으로 상기 제1 시점 이후의 제2 시점에 대한 플라즈마 공정정보를 예측하는 단계 및 제어장치가 상기 스마트센서에서 예측된 플라즈마 공정정보의 정상여부에 따라 상기 플라즈마 공정과 관련된 공정 인자를 제어하는 단계를 포함하는 것을 특징으로 한다.
또한, 공정 인자를 제어하는 단계는, 상기 제어장치가 상기 스마트센서에서 예측된 플라즈마 공정정보를 기반으로 상기 제2 시점의 플라즈마 공정정보가 정상상태가 될 수 있는 공정 인자를 선별하는 단계, 상기 제어장치가 상기 선별된 공정 인자의 제어값을 확인하는 단계 및 상기 제어장치가 상기 확인된 제어값을 기반으로 상기 공정 인자를 제어하는 단계를 포함하는 것을 특징으로 한다.
또한, 공정 인자를 제어하는 단계 이후에, 상기 스마트센서가 상기 제어된 공정인자를 기반으로 플라즈마 공정을 수행하여 상기 제2 시점의 센싱데이터를 획득하는 단계 및 상기 제어장치가 상기 스마트센서에서 예측된 플라즈마 공정정보와 상기 제2 시점의 센싱데이터를 비교하여 비교결과를 확인하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 스펙트럼 데이터를 보정하는 단계는, 상기 스마트센서가 상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하는 단계 및 상기 스마트센서가 상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계를 포함하는 것을 특징으로 한다.
또한, 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계는, 상기 스마트센서가 상기 제1 시점의 센싱데이터에서 상기 제1 가스에 대한 전기적 특성 데이터를 확인하고, 상기 기준 스펙트럼과 상기 전기적 특성 데이터의 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 단계인 것을 특징으로 한다.
또한, 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계는, 상기 스마트센서가 상기 제1 시점의 센싱데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하고, 상기 제1 가스와 상기 제2 가스에 대한 스펙트럼 데이터를 비교하여 상기 제1 가스의 스펙트럼 데이터를 보정하는 단계인 것을 특징으로 한다.
또한, 기준 스펙트럼을 선별하는 단계는, 상기 스마트센서가 상기 제1 가스에 대한 기준 스펙트럼 선별을 위한 필터를 호출하는 단계 및 상기 스마트센서가 상기 필터에 상기 제1 가스에 대한 스펙트럼 데이터를 적용하여 상기 기준 스펙트럼을 선별하는 단계를 포함하는 것을 특징으로 한다.
또한, 플라즈마 공정정보를 예측하는 단계는, 상기 스마트센서가 상기 제1 시점과 관련된 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제1 플라즈마 공정정보를 예측하는 단계 및 상기 스마트센서가 상기 제1 플라즈마 공정정보를 기반으로 상기 제2 시점에 대한 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제2 플라즈마 공정정보를 예측하는 단계를 포함하는 것을 특징으로 한다.
또한, 제1 플라즈마 공정정보를 예측하는 단계는, 상기 스마트센서가 상기 제1 시점을 기점으로 특정 구간에 대한 상기 제1 플라즈마 공정정보를 예측하거나, 상기 제1 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 제1 플라즈마 공정정보를 예측하는 단계인 것을 특징으로 한다.
또한, 센싱데이터는, 상기 스펙트럼 데이터와 전기적 특성 데이터를 획득하는 센서에서 획득된 진단데이터 및 플라즈마 공정 시의 플라즈마 장치에 대한 장비데이터를 포함하는 것을 특징으로 한다.
아울러, 본 발명의 실시 예에 따른 스마트센서를 이용한 플라즈마 공정 제어 시스템은, 플라즈마 공정 시에 발생되는 센싱데이터를 수집하고, 제1 시점에 발생된 센싱데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류하여 상기 스펙트럼 데이터를 보정하고, 상기 보정된 스펙트럼 데이터를 기반으로 상기 제1 시점 이후의 제2 시점에 대한 플라즈마 공정정보를 예측하는 스마트센서 및 상기 예측된 플라즈마 공정정보의 정상여부에 따라 상기 플라즈마 공정과 관련된 공정 인자를 제어하는 제어장치를 포함하는 것을 특징으로 한다.
또한, 제어장치는, 상기 예측된 플라즈마 공정정보를 기반으로 상기 제2 시점의 플라즈마 공정정보가 정상상태가 될 수 있는 공정 인자를 선별하고, 상기 선별된 공정 인자의 제어값을 확인하여 상기 공정 인자를 제어하는 것을 특징으로 한다.
또한, 제어장치는, 상기 제2 시점에 대한 플라즈마 공정정보와 상기 제어된 공정 인자를 기반으로 상기 제2 시점에 획득된 센싱데이터를 비교하여 비교결과를 확인하는 것을 특징으로 한다.
또한, 스마트센서는, 상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하고, 상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 한다.
또한, 스마트센서는, 상기 제1 시점의 센싱데이터에서 상기 제1 가스에 대한 전기적 특성 데이터를 확인하고, 상기 기준 스펙트럼과 상기 전기적 특성 데이터의 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 한다.
또한, 스마트센서는, 상기 제1 시점의 센싱데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하고, 상기 제1 가스와 상기 제2 가스에 대한 스펙트럼 데이터를 비교하여 상기 제1 가스의 스펙트럼 데이터를 보정하는 것을 특징으로 한다.
또한, 스마트센서는, 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, 스마트센서는, 상기 제1 시점과 관련된 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제1 플라즈마 공정정보를 예측하고, 상기 제1 플라즈마 공정정보를 기반으로 상기 제2 시점에 대한 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제2 플라즈마 공정정보를 예측하는 것을 특징으로 한다.
또한, 스마트센서는, 상기 제1 시점을 기점으로 특정 구간에 대한 상기 제1 플라즈마 공정정보를 예측하거나, 상기 제1 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 제1 플라즈마 공정정보를 예측하는 것을 특징으로 한다.
또한, 센싱데이터는, 상기 스펙트럼 데이터와 전기적 특성 데이터를 획득하는 센서에서 획득된 진단데이터 및 플라즈마 공정 시의 플라즈마 장치에 대한 장비데이터를 포함하는 것을 특징으로 한다.
상술한 바와 같이 본 발명에 따른 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템은, 플라즈마 공정 시에 발생되는 플라즈마 스펙트럼 데이터를 보다 정확하게 보정할 수 있는 효과가 있다.
아울러, 본 발명에 따른 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템은 플라즈마 공정 시에 발생되는 플라즈마 스펙트럼 데이터의 보정을 통해 보다 정확하게 플라즈마 공정의 모니터링을 할 수 있는 효과가 있다.
아울러, 본 발명에 따른 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템은, 보정된 스펙트럼 데이터 및 플라즈마 공정 시의 장비데이터를 분석하여 비정상상태로 예측된 시점의 플라즈마 상태 및 공정 상태가 정상상태가 되도록 플라즈마 공정인자를 제어함으로써 불량품 사전 예방 및 장비 가동시간을 연장할 수 있어 생산비용을 절감할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 스마트센서를 이용한 플라즈마 공정을 제어하는 시스템을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 실시 예에 따른 스마트센서를 이용한 플라즈마 공정 제어 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 실시 예에 따른 스마트센서에서 스펙트럼 데이터를 보정하는 방법을 설명하기 위한 상세순서도이다.
도 4는 본 발명의 실시 예에 따른 스마트센서에서 플라즈마 공정정보를 예측하는 방법을 설명하기 위한 상세순서도이다.
도 5a 및 도 5b는 본 발명의 실시 예에 따른 스마트센서에서 스펙트럼 데이터를 분류하는 방법을 설명하기 위한 화면예시도이다.
도 6은 본 발명의 실시 예에 따른 스마트센서에서 스펙트럼 데이터와 필터의 합성곱 계산을 설명하기 위한 화면예시도이다.
도 7a 및 도 7b는 본 발명의 실시 예에 따른 스마트센서에서 기준 스펙트럼을 선별하는 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 스마트센서를 이용한 플라즈마 공정을 제어하는 시스템을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 제어시스템(10)은 스마트센서(100)와 제어장치(200)를 포함할 수 있고, 스마트센서(100)는 수집부(110), 데이터보정부(120), 예측부(130) 및 메모리(140)를 포함할 수 있으며, 제어장치(200)는 공정인자 관리부(210) 및 결과확인부(220)를 포함할 수 있다.
스마트센서(100)의 수집부(110)는 플라즈마 공정 시에 발생되는 진단데이터 및 장비데이터를 포함하는 센싱데이터를 수집한다. 이를 위해, 수집부(110)는 복수의 센서를 구비할 수 있고, 플라즈마 챔버(이하, 플라즈마 장비라 함)에 구비된 복수의 센서와의 통신을 수행할 수도 있다. 수집부(110)는 복수의 센서와의 통신을 위해 센서들과 블루투스, BLE(bluetooth low energy) 등의 무선 통신을 수행할 수 있다. 본 발명의 실시 예에서는 수집부(110)가 복수의 센서를 구비한 것을 예로 설명하기로 한다.
센싱데이터에 포함된 진단데이터는 스펙트럼 데이터 및 전기적 특성 데이터를 포함할 수 있고, 센싱데이터에 포함된 장비데이터는 플라즈마 공정 시작 시점부터 현재 시점까지 공정들이 수행되는 동안 플라즈마 장비 내부 및 외부에서 측정된 장비 가동 시간, 온도, 압력, 밀도, 진동 수, 특정 재료 비율 등의 데이터를 포함할 수 있다. 즉, 장비데이터는 플라즈마 장비에 대한 다양한 물리적/전기적 상태 값들이 시계열화된 장비 가동 및 상태에 대한 데이터일 수 있다. 도시되진 않았으나, 스펙트럼 데이터 및 전기적 특성 데이터를 획득하기 위해서 수집부(110)는 OES(optical emission spectroscopy)센서와 VI프로브 센서를 포함할 수 있다. 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.
데이터보정부(120)는 수집부(110)로부터 제1 시점에 센싱데이터가 수신되면, 메모리(140)에 레퍼런스 데이터의 존재유무를 확인한다. 데이터보정부(120)는 메모리(140)에 레퍼런스 데이터가 존재하지 않으면 수집된 센싱데이터로 레퍼런스 데이터를 생성한다. 이를 위해, 데이터보정부(120)는 센싱데이터에 포함된 장비데이터로부터 플라즈마 공정의 공정 조건을 확인하고, 진단데이터로부터 스펙트럼 데이터를 확인한다. 그리고 데이터보정부(120)는 제어시스템(10)의 사용자로부터 스펙트럼 데이터와 관련된 적어도 하나의 가스 종을 입력받을 수 있다. 데이터보정부(120)는 진단데이터를 레퍼런스 데이터로 생성하여 메모리(140)에 저장하고, 플라즈마 장비의 운전정보 등을 확인한 후 레퍼런스 데이터와 매핑하여 메모리(140)에 저장할 수 있다. 데이터보정부(120)는 메모리(140)를 구축할 수 있는 충분한 데이터를 확보할 때까지 반복적으로 진단데이터를 누적하여 레퍼런스 데이터를 구축할 수 있다.
데이터보정부(120)는 메모리(140)에 레퍼런스 데이터가 존재하면 레퍼런스 데이터를 호출하고, 데이터보정부(120)는 제1 시점에 수집된 스펙트럼 데이터를 가스 종별로 분류한다. 이를 위해, 데이터보정부(120)는 메모리(140)에 저장된 CNN(convolutional neural network)기반 알고리즘을 호출할 수 있다. 데이터보정부(120)는 진단데이터에서 스펙트럼 데이터를 확인한다. 데이터보정부(120)는 스펙트럼 데이터를 CNN기반 알고리즘에 적용하여 스펙트럼 데이터를 발생시킨 적어도 하나의 가스 종을 확인하고, 확인된 가스 종별로 스펙트럼 데이터를 분류한다. 데이터보정부(120)는 가스 종별로 분류된 스펙트럼 데이터 중 적어도 하나의 가스 종에 대한 스펙트럼 데이터에서 기준 스펙트럼을 선별한다.
데이터보정부(120)는 분류된 가스 종별 스펙트럼 데이터의 보정을 수행한다. 첫 번째로, 데이터보정부(120)는 보정하고자 하는 제1 가스에 대한 스펙트럼 데이터와 전기적 특성 데이터를 이용하여 제1 가스에 대한 스펙트럼 데이터를 보정한다. 두 번째로, 데이터보정부(120)는 보정하고자 하는 제1 가스에 대한 스펙트럼 데이터와, 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 이용하여 제1 가스에 대한 스펙트럼 데이터를 보정한다. 이와 같이, 데이터보정부(120)는 필요에 따라 가스 종별로 스펙트럼 데이터의 보정을 모두 수행할 수도 있다.
데이터보정부(120)는 보정이 완료된 스펙트럼 데이터에 대한 검증을 수행한다. 그리고 데이터보정부(120)는 메모리(140)에 기저장된 레퍼런스 데이터를 갱신할 수 있도록 검증이 완료된 스펙트럼 데이터를 메모리(140)로 제공한다. 또한, 데이터보정부(120)는 검증이 완료된 스펙트럼 데이터에 대한 보정 이력을 메모리(140)에 저장한다.
예측부(130)는 사용자로부터 수신된 선택신호를 기반으로 제1 시점에 대한 제1 플라즈마 공정정보를 예측한다. 이때, 제1 플라즈마 공정정보는 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 포함할 수 있고, 플라즈마 상태는 밀도 및 온도를 포함할 수 있으며, 플라즈마 공정 상태는 식각률 및 증착률을 포함할 수 있다. 아울러, 예측부(130)는 제1 시점을 기점으로 특정 구간에 대한 제1 플라즈마 공정정보를 예측하거나, 제1 시점을 기점으로 이전에 누적된 진단데이터를 고려하여 공정 시간에 대한 제1 플라즈마 공정정보를 예측할 수 있다.
예측부(130)는 특정 구간에 대한 제1 플라즈마 공정정보를 예측하기 위해서 메모리(140)에 저장된 제1 알고리즘을 호출하고, 제1 알고리즘에 진단데이터를 입력데이터로 적용한다. 이때, 제1 알고리즘은 DNN(deep neural network)기반 알고리즘일 수 있다. 또한, 예측부(130)는 공정 시간에 대한 제1 플라즈마 공정정보를 예측하기 위해서 메모리(140)에 저장된 제2 알고리즘을 호출하고, 제2 알고리즘에 진단데이터를 입력데이터로 적용한다. 이때, 제2 알고리즘은 RNN(recurrent neural network)기반 알고리즘일 수 있다. 아울러, 제1 알고리즘과 제2 알고리즘 각각에 적용되는 입력데이터는 진단데이터에 포함된 스펙트럼 데이터일 수 있고, 전기적 특성 데이터를 추가로 포함할 수 있다.
예측부(130)는 제1 시점에서 획득된 센싱데이터와 제1 플라즈마 공정정보를 기반으로 제1 시점 이후의 시점인 제2 시점에 대한 제2 플라즈마 공정정보를 예측한다. 이를 위해, 예측부(130)는 메모리(140)에서 복수의 히든레이어를 포함한 DNN기반 알고리즘을 호출한다. 예측부(130)는 DNN기반 알고리즘에 센싱데이터 및 제1 플라즈마 공정정보를 입력데이터로 적용하여, 적용된 결과로부터 제2 시점에 대한 제2 플라즈마 공정정보를 예측할 수 있다.
예측부(130)는 제2 플라즈마 공정정보의 정상여부를 확인한다. 예측부(130)는 제2 플라즈마 공정정보가 비정상상태로 확인되면, 제2 플라즈마 공정정보를 공정인자 관리부(210)로 제공한다. 이때, 예측부(130)는 제2 플라즈마 공정정보에 포함된 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나가 이전 공정의 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나와 상이하거나, 플라즈마 공정이 정상일 때 예측되어야 하는 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나와 상이하면 제2 플라즈마 공정정보가 비정상상태인 것으로 확인할 수 있다.
아울러, 메모리(140)는 스마트센서(100)를 동작하기 위한 동작 프로그램들을 저장한다. 보다 구체적으로, 메모리(140)는 레퍼런스 데이터를 저장한다. 또한, 메모리(140)는 진단데이터에 포함된 스펙트럼 데이터를 보정하기 위한 머신러닝 알고리즘 및 플라즈마 공정정보를 예측하기 위한 머신러닝 알고리즘 등을 저장한다.
제어장치(200)의 공정인자 관리부(210)는 비정상상태로 예측된 제2 플라즈마 공정정보와 관련된 플라즈마 공정을 정상적으로 운영하기 위해 플라즈마 발생 또는 지속에 영향을 주는 공정 인자 중 제어가 필요한 공정 인자를 선별한다. 공정인자 관리부(210)는 공정 인자 선별 시에 플라즈마 공정 시에 반응이 빨리 도출되어야 하는 공정 인자를 확인하여 우선순위를 설정할 수 있다. 공정인자 관리부(210)는 선별된 공정 인자를 제어할 제어값을 확인한다. 이를 위해, 공정인자 관리부(210)는 강화학습 알고리즘(DQN; deep Q-network, DPGG)를 이용할 수 있고, 강화학습 알고리즘은 학습을 통해 갱신될 수 있다. 도시되지는 않았으나 제어장치(200)는 이를 위해 메모리를 포함할 수 있다.
이때, 강화학습은 T0시점의 상태에서 동작할 수 있는 경우의 수를 수행한 결과, 최적의 결과를 획득할 수 있는 공정 인자의 제어값을 확인할 수 있는 학습방법이다. 공정인자 관리부(210)는 T0시점에서 확인된 플라즈마 상태(예컨대, 밀도, 온도, EEDF 등)와 플라즈마 공정 상태(예컨대, 증착률, 식각률 등)로 정상상태로 정의한다. 그리고 공정인자 관리부(210)는 플라즈마 공정을 정상상태로 만들기 위해 제어할 수 있는 공정 인자를 플라즈마 장비에서 플라즈마 발생 및 유지를 위해 입력되는 공정 인자(예컨대, 파워, 압력, 가스량, 챔버 온도, bias값, RF주파수 등)로 정의한다. 공정인자 관리부(210)는 플라즈마 발생 및 유지를 위해 입력되는 공정 인자 모두를 한번에 강화학습을 통해 제어해야 하는 공정 인자로 설정할 수 있다. 그러나, 과도한 학습량에 의해 학습 속도가 저하되는 문제를 방지하기 위해서 공정 인자를 그룹화하거나 공정 인자 중 적어도 하나의 공정 인자를 선별하여 학습할 수 있다.
결과확인부(220)는 스마트센서(100)로부터 공정인자 관리부(210)에서 변경된 제어값을 기반으로 플라즈마 공정의 제2 시점에 획득된 실질적인 센싱데이터를 수신한다. 결과확인부(220)는 제2 플라즈마 공정정보와 제2 시점에 실질적으로 획득된 센싱데이터를 비교하여 비교결과를 출력한다. 이를 위해, 제어장치(200)는 표시부를 포함할 수 있다. 결과확인부(220)는 제2 플라즈마 공정정보와 제2 시점에 획득된 센싱데이터가 동일하거나 임계범위 내로 유사하면 공정 인자가 정확하게 제어된 것으로 확인할 수 있다.
도 2는 본 발명의 실시 예에 따른 스마트센서를 이용한 플라즈마 공정 제어 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 201단계에서 수집부(110)는 플라즈마 공정을 수행함에 따라 발생되는 센싱데이터를 수집한다. 도시되지는 않았으나, 센싱데이터는 스마트센서(100)에 구비된 복수의 센서 예컨대, OES(optical emission spectroscopy)센서 및 VI프로브 센서에서 획득된 진단데이터와 플라즈마 공정 시의 플라즈마 장치에 대한 장비데이터를 포함한다. 이때, 진단데이터는, OES센서에서 획득된 스펙트럼의 파장과 빛의 세기를 포함하는 스펙트럼 데이터와 VI 프로브 센서는 전압, 전류, 전압과 전류의 위상차 및 하모닉스 등을 포함하는 전기적 특성 데이터를 포함한다. 장비데이터는, 플라즈마 공정 시작 시점부터 현재 시점까지 공정들이 수행되는 동안 장비 내부 및 외부에서 측정된 장비 가동 시간, 온도, 압력, 밀도, 진동 수, 특정 재료 비율 등의 데이터일 수 있다. 즉, 장비데이터는 플라즈마 장비에 대한 다양한 물리적/정기적 상태 값들이 시계열화된 장비 가동 및 상태에 대한 데이터일 수 있다.
203단계에서 데이터보정부(120)는 제1 시점에 획득된 센싱데이터의 진단데이터에 포함된 스펙트럼 데이터의 보정을 수행한다. 데이터보정부(120)는 스펙트럼 데이터를 가스 종별로 분류하고, 분류된 가스 종별 중에서 보정할 적어도 하나의 제1 가스를 선택하고, 제1 가스에 대한 기준 스펙트럼을 선별한다. 이를 위해, 데이터보정부(120)는 제1 가스에 대한 기준 스펙트럼을 선별하기 위한 필터를 메모리(140)에서 호출하고, 호출된 필터에 제1 가스에 대한 스펙트럼 데이터를 적용하여 기준 스펙트럼을 선별한다.
그리고, 데이터보정부(120)는 두 가지 방법을 이용하여 제1 가스에 대한 스펙트럼 데이터를 보정할 수 있다. 첫 번째로, 데이터보정부(120)는 진단데이터에서 제1 가스에 대한 전기적 특성 데이터를 확인하고, 기준 스펙트럼과 전기적 특성 데이터의 상관관계를 기반으로 제1 가스에 대한 스펙트럼 데이터를 보정한다. 두 번째로, 데이터보정부(120)는 진단데이터에서 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하고, 제1 가스와 제2 가스에 대한 스펙트럼 데이터를 비교하여 제1 가스의 스펙트럼 데이터를 보정한다. 아울러, 데이터보정부(120)에서 스펙트럼 데이터를 보정하는 방법은 하기의 도 3을 이용하여 보다 구체적으로 설명하기로 한다.
이어서, 205단계에서 예측부(130)는 플라즈마 공정정보의 예측을 수행한다. 예측부(130)는 201단계에서 센싱데이터가 수집된 제1 시점과 관련된 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 포함하는 제1 플라즈마 공정정보를 예측한다. 이때, 예측부(130)는 제1 시점을 기점으로 특정 구간에 대한 제1 플라즈마 공정정보를 예측하거나, 제1 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 플라즈마의 공정 시간에 대한 제1 플라즈마 공정정보를 예측한다.
그리고, 예측부(130)는 제1 플라즈마 공정정보를 기반으로 제1 시점 이후의 제2 시점에 대한 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 포함하는 제2 플라즈마 공정정보를 예측한다. 이와 같이, 예측부(130)에서 플라즈마 공정정보를 예측하는 방법은 하기의 도 4를 이용하여 보다 구체적으로 설명하기로 한다.
이어서, 207단계에서 예측부(130)는 205단계에서 예측된 제2 플라즈마 공정정보가 비정상상태로 확인되면 209단계를 수행하고, 정상상태로 확인되면 219단계를 수행한다. 제2 플라즈마 공정정보에 포함된 플라즈마 상태 및 플라즈마 공정 상태가 이전 공정의 플라즈마 상태 및 플라즈마 공정 상태와 상이하거나, 플라즈마 공정이 정상일 때 예측되어야 하는 플라즈마 상태 및 플라즈마 공정 상태와 상이하면 제2 플라즈마 공정정보가 비정상상태인 것으로 확인할 수 있다.
219단계에서 수집부(110)는 플라즈마 공정을 지속적으로 수행하여 획득된 센싱데이터를 수집하고 221단계에서 수집부(110)는 수집된 센싱데이터를 제어장치(200)로 전송한다. 223단계에서 결과확인부(220)는 205단계에서 예측된 플라즈마 공정정보와 219단계에서 수집된 센싱데이터를 비교하고 225단계를 수행한다. 225단계에서 결과확인부(220)는 예측된 플라즈마 공정정보와 센싱데이터의 비교결과를 출력한다.
반대로, 209단계에서 예측부(130)는 제2 플라즈마 공정정보를 제어장치(200)로 전송한다. 211단계에서 제어장치(200)의 공정인자 관리부(210)는 비정상상태로 예측된 제2 플라즈마 공정정보와 관련된 플라즈마 공정을 정상적으로 운영하기 위해 플라즈마 발생 또는 지속에 영향을 주는 공정 인자 중 제어가 필요한 공정 인자를 선별한다. 이때, 공정인자 관리부(210)는 공정 인자 선별 시에 플라즈마 공정 시에 반응이 빨리 도출되어야 하는 공정 인자를 확인하여 우선순위를 설정할 수 있다.
이어서, 공정인자 관리부(210)는 213단계를 수행한다. 213단계에서 공정인자 관리부(210)는 플라즈마 공정을 정상상태로 운영하기 위해 선별된 공정 인자를 제어할 제어값을 확인한다. 이를 위해, 공정인자 관리부(210)는 강화학습 알고리즘(DQN; deep Q-network, DPGG)를 이용하고, 강화학습 알고리즘은 학습을 통해 갱신될 수 있다.
이때, 강화학습은 T0시점의 상태에서 동작할 수 있는 경우의 수를 수행한 결과, 최적의 결과를 획득할 수 있는 공정 인자의 제어값을 확인할 수 있는 학습방법이다. 공정인자 관리부(210)는 T0시점에서 확인된 플라즈마 상태(예컨대, 밀도, 온도, EEDF 등)와 플라즈마 공정 상태(예컨대, 증착률, 식각률 등)로 정상상태로 정의하고, 정상상태에서 제어할 수 있는 공정 인자를 플라즈마 장비에서 플라즈마 발생 및 유지를 위해 입력되는 공정 인자(예컨대, 파워, 압력, 가스량, 챔버 온도, bias 값, RF주파수 등)로 정의한다. 공정인자 관리부(210)는 플라즈마 발생 및 유지를 위해 입력되는 공정 인자 모두를 한번에 강화학습을 통해 제어해야 하는 공정 인자로 설정할 수 있다. 그러나, 과도한 학습량에 의해 학습 속도가 저하되는 문제를 방지하기 위해서 공정 인자를 그룹화하거나 공정 인자 중 적어도 하나의 공정 인자를 선별하여 학습할 수 있다.
예를 들면, 205단계에서 플라즈마 공정정보를 예측하는 과정에서 T0부터 현재 시점인 T7시점에서 플라즈마 공정 상태를 분석한 결과, 정상적인 증착률이 30으로 확인되었으나, T8시점의 증착률이 20으로 예측된 경우, 예측부(130)는 T8시점의 증착률이 비정상상태인 것으로 확인할 수 있다. 이에 따라, 공정인자 관리부(210)는 T8시점에서의 증착률을 30으로 만들기 위해 필요한 공정 인자와 제어값을 확인한다.
공정인자 관리부(210)는 T8시점에서 플라즈마 상태를 예측한 결과 플라즈마 밀도는 정상으로 예측되지만 온도가 저하된 것으로 예측된 경우, 압력을 낮춰 전자의 이동 속도를 높여 증착 반응량을 향상시켜 증착률을 높일 수 있음을 확인할 수 있다. 따라서, 공정인자 관리부(210)는 온도를 높이기 위한 챔버 압력을 공정 인자로 선별할 수 있고, 온도를 어느 정도로 높이기 위해 챔버 압력을 어느 정도로 제어해야 하는지 제어값을 확인한다.
215단계에서 공정인자 관리부(210)가 선별된 공정 인자를 확인된 제어값으로 변경하고 217단계에서 제어장치(200)는 변경된 제어값을 스마트센서(100)로 전송한다.
219단계에서 수집부(110)는 변경된 제어값을 기반으로 수행되는 플라즈마 공정에 의해 획득된 센싱데이터를 수집하고 221단계에서 수집부(110)는 수집된 센싱데이터를 제어장치(200)로 전송한다. 223단계에서 결과확인부(220)는 205단계에서 예측된 플라즈마 공정정보와 219단계에서 수집된 센싱데이터를 비교하고 225단계를 수행한다. 225단계에서 결과확인부(220)는 예측된 플라즈마 공정정보와 센싱데이터의 비교결과를 출력한다. 결과확인부(220)는 예측된 플라즈마 공정정보와 센싱데이터가 동일하거나 임계범위 내로 유사하면 공정 인자가 정확하게 제어된 것으로 확인할 수 있다. 도시되진 않았으나, 결과확인부(220)는 해당 비교결과를 저장한다. 이를 통해, 상기와 같은 동일한 상황이 반복되는 경우에 강화학습 알고리즘을 별도로 이용하지 않고, 저장된 값으로 공정 인자의 제어를 수행할 수 있도록 하여 플라즈마 공정의 처리 속도를 향상시킬 수 있다.
도 3은 본 발명의 실시 예에 따른 스마트센서에서 스펙트럼 데이터를 보정하는 방법을 설명하기 위한 상세순서도이다.
도 3을 참조하면, 301단계에서 데이터보정부(120)는 메모리(140)에 레퍼런스 데이터의 존재유무를 확인한다. 301단계의 확인결과 메모리(140)에 레퍼런스 데이터가 존재하면 데이터보정부(120)는 305단계를 수행하고, 레퍼런스 데이터가 존재하지 않으면 303단계를 수행한다. 303단계에서 데이터보정부(120)는 수집된 센싱데이터로 레퍼런스 데이터를 생성한다. 보다 구체적으로, 데이터보정부(120)는 센싱데이터가 발생한 플라즈마 공정의 공정 조건을 확인하고, 진단데이터에 포함된 스펙트럼 데이터와 관련된 가스 종을 확인한다. 이를 위해, 데이터보정부(120)는 사용자로부터 가스 종을 입력받을 수 있다. 데이터보정부(120)는 진단데이터를 레퍼런스 데이터로 생성하여 메모리(140)에 저장하고, 플라즈마 장비의 운전정보 등을 확인하여 메모리(140)에 저장할 수 있다. 데이터보정부(120)는 메모리(140)를 구축할 수 있는 충분한 데이터를 확보할 때까지 반복적으로 진단데이터를 누적하여 레퍼런스 데이터를 구축할 수 있다.
301단계에서 레퍼런스 데이터가 존재하면 305단계에서 데이터보정부(120)는 메모리(140)에서 레퍼런스 데이터를 호출한다. 307단계에서 데이터보정부(120)는 진단데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류한다. 보다 구체적으로, 데이터보정부(120)는 메모리(140)에 저장된 CNN기반 알고리즘을 호출하고, 진단데이터에서 스펙트럼 데이터를 확인하고, 스펙트럼 데이터를 CNN기반 알고리즘에 적용하여 스펙트럼 데이터를 가스 종별로 분류한다. 이는 하기의 도 5a 및 도 5b를 이용하여 구체적으로 설명하기로 한다.
309단계에서 데이터보정부(120)는 가스 종별로 분류된 스펙트럼 데이터에서 기준 스펙트럼을 선별할 수 있는 필터를 선별하고 311단계를 수행한다. 311단계에서 데이터보정부(120)는 선별된 필터를 해당 가스의 스펙트럼 데이터에 적용하여 스펙트럼 데이터의 보정을 수행한다. 예를 들어, 데이터보정부(120)는 보정하고자 하는 제1 가스 예컨대, Ar가스에 대한 스펙트럼 데이터와 Ar가스에 대한 전기적 특성 데이터를 DNN기반 알고리즘에 적용하여 Ar가스에 대한 스펙트럼 데이터를 보정한다.
보다 구체적으로, 데이터보정부(120)는 DNN기반 알고리즘에 스펙트럼 데이터와 전기적 특성 데이터를 적용하기 위하여 Ar가스에 대한 스펙트럼 데이터에서 파장 세기 값을 제1 입력데이터로 산출하고, 전기적 특성 데이터에서 파워 값, 전원 주파수에 대하 하모닉의 전압, 전류 및 위상 등과 같은 값은 제2 입력데이터로 산출할 수 있다. 이때, 데이터보정부(120)는 전체 파장에 대한 파장 세기 값을 제1 입력데이터로 추출할 수 있고, 각각의 파장 세기 값의 비율 값을 제1 입력데이터로 추출할 수 있으며, 각각의 파장 세기의 비율 값과 반치전폭(full width at half maximum)을 제1 입력데이터로 추출할 수 있다.
또한, 데이터보정부(120)는 보정하고자 하는 제1 가스 예컨대, Ar가스에 대한 스펙트럼 데이터와 제1 가스와 상이한 제2 가스 예컨대, O2가스에 대한 스펙트럼 데이터를 DNN기반 알고리즘에 적용하여 Ar가스에 대한 스펙트럼 데이터를 보정한다. 이때, 제2 가스는 307단계에서 스펙트럼 데이터가 분류된 가스 종 중 제1 가스를 제외한 가스 중 어느 하나의 가스일 수 있다. 예를 들어, 데이터보정부(120)는 DNN기반 알고리즘에 Ar가스에 대한 스펙트럼 데이터와 O2가스에 대한 스펙트럼 데이터를 적용하기 위해 Ar가스에 대한 스펙트럼 데이터에서 파장 세기 값을 제1 입력데이터로 산출하고, O2가스에 대한 스펙트럼 데이터에서 파장 세기 값을 제2 입력데이터로 산출할 수 있다.
DNN기반 알고리즘은 히든 레이어(hidden layer)를 포함하고, 제1 입력데이터와 제2 입력데이터는 히든 레이어를 통해 제1 입력데이터와 제2 입력데이터와의 상관관계 및 영향도를 분석 및 계산한다. 데이터보정부(120)는 분석 및 계산결과를 기반으로 노이즈를 제거하고, Ar가스에 대한 보정된 스펙트럼 데이터를 생성한다. 아울러, 데이터보정부(120)는 복수의 DNN기반 알고리즘을 단독으로 사용하거나, 혼합하여 사용할 수 있다.
313단계에서 데이터보정부(120)는 보정된 스펙트럼 데이터의 검증을 수행하고, 315단계에서 데이터보정부(120)는 검증이 완료된 스펙트럼 데이터를 반영하여 기저장된 레퍼런스 데이터를 갱신한다. 보다 구체적으로, 데이터보정부(120)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. 313단계에서 데이터보정부(120)는 보정된 Ar가스에 대한 스펙트럼 데이터 및 보정 이력을 메모리(140)에 저장한다.
도 4는 본 발명의 실시 예에 따른 스마트센서에서 플라즈마 공정정보를 예측하는 방법을 설명하기 위한 상세순서도이다.
도 4를 참조하면, 401단계에서 예측부(130)는 사용자로부터 데이터 선택신호의 수신여부를 확인한다. 401단계의 확인결과, 데이터 선택신호가 수신되면 예측부(130)는 403단계를 수행하고, 데이터 선택신호가 수신되지 않으면 데이터 선택신호의 수신을 대기한다. 이때, 데이터 선택신호는 하기의 표 1을 이용하여 보다 구체적으로 설명하기로 한다. 아울러, 하기의 표 1에는 예측하고자 하는 카테고리가 밀도와 온도 즉, 플라즈마 상태로 한정되어 기재하고 있으나, 반드시 이에 한정되는 것은 아니며, 카테고리가 식각률 및 증착률 등과 같이 공정 상태를 더 포함한다.
카테고리 진단데이터 종류 선택항목
밀도 스펙트럼 Ar가스 420nm와 750nm에 대한 FWHM비율,
420nm와 750nm에 대한 세기 비율
O2가스 820nm와 390nm에 대한 FWHM비율,
820nm와 390nm에 대한 세기 비율
N2가스 810nm와 710nm에 대한 FWHM비율, 810nm와 710nm에 대한 세기 비율
전기적 특성 전압 전압
1st harmonic 전압, 위상
3rd harmonic 전압, 위상
온도 스펙트럼 Ar가스 640nm와 750nm에 대한 FWHM비율,
640nm와 750nm에 대한 세기 비율
O2가스 430nm와 390nm에 대한 FWHM비율,
430nm와 390nm에 대한 세기 비율
N2가스 710nm와 590nm에 대한 FWHM비율, 710nm와 590nm에 대한 세기 비율
전기적 특성 전압 전압
1st harmonic 전압, 위상
2nd harmonic 전압, 위상
표 1을 참조하면, 사용자로부터 플라즈마 상태 중 밀도를 예측하고자 하는 선택신호가 선택되면 예측부(130)는 밀도 예측 시에 필요한 데이터를 추출한다. 예를 들어, 제1 시점에 수집된 센싱데이터에 Ar가스에 대한 스펙트럼 데이터가 존재하면 Ar가스에 대한 420nm와 750nm에 대한 FWHM(full width at half maximum)비율 및 420nm와 750nm에 대한 세기 비율을 확인할 수 있다. 센싱데이터에 O2에 대한 스펙트럼 데이터가 존재하면, O2가스에 대한 820nm와 390nm에 대한 FWHM비율 및 820nm와 390nm에 대한 세기 비율을 확인할 수 있다. 센싱데이터에 N2에 대한 스펙트럼 데이터가 존재하면, N2가스에 대한 810nm와 710nm에 대한 FWHM비율 및 810nm와 710nm에 대한 세기 비율을 확인할 수 있다. 또한, 예측부(130)는 전기적 특성 데이터 중에서 전압과 고주파를 통한 전원 공급 시에 발생하는 1st harmonic의 전압 및 위상 정보를 확인하고, 3rd Harmonic의 전압 및 위상 정보를 확인할 수 있다. 이때, 표 1에 기재된 수치는 예시를 위한 것일 뿐 반드시 이에 한정되는 것은 아님을 명확히 하는 바이다. 이와 같이 예측부(130)는 사용자로부터 플라즈마 상태 중 밀도를 예측하고자 하는 선택신호가 수신되면 403단계를 수행한다. 403단계에서 예측부(130)는 플라즈마 공정정보를 예측하기 위한 알고리즘에 입력데이터를 생성하고 405단계에서 예측부(130)는 생성된 입력데이터를 알고리즘에 적용한다. 이때, 알고리즘은 DNN(deep neural network)기반 알고리즘과 RNN(recurrent neural network)기반 알고리즘을 포함할 수 있다. 이때, 입력데이터는 플라즈마 공정에 사용된 가스 중 특정 가스에 대한 스펙트럼 데이터이거나 플라즈마 공정에서 사용된 각각의 가스에 대한 스펙트럼 데이터일 수 있으며, 본 발명의 실시 예에서는 Ar가스에 대한 스펙트럼 데이터이다.
407단계에서 예측부(130)는 제1 알고리즘 또는 제2 알고리즘 중 어느 하나의 알고리즘을 이용하여 제1 플라즈마 공정정보를 예측한다.
첫 번째로, 예측부(130)는 제1 알고리즘인 DNN기반 알고리즘에 입력데이터를 적용하고 학습된 결과값을 기반으로 특정 구간에 대한 제1 플라즈마 공정정보를 예측한다. 403단계에서 플라즈마 상태 중 밀도를 예측하고자 하는 선택신호가 수신되었으므로, 예측부(130)는 메모리(140)에 저장된 알고리즘 중에서 히든 레이어(hidden layer)를 포함하여 특정 구간에 대한 플라즈마 상태를 예측할 수 있는 제1 알고리즘을 호출하고, 제1 알고리즘에 입력데이터를 적용한다. 이때, 입력데이터가 스펙트럼 데이터이면, 입력데이터가 제1 알고리즘의 히든 레이어를 통과하면서 예컨대, Ar가스에 대한 스펙트럼 데이터를 기반으로 생성된 특정 구간에 대한 플라즈마의 밀도 예측값이 제1 플라즈마 공정정보로써 예측될 수 있다.
또한, 입력데이터가 스펙트럼 데이터 및 전기적 특성 데이터이면, 입력데이터가 히든 레이어를 통과하면서 입력데이터 사이의 상관관계 및 영향도가 분석 및 계산될 수 있고, 분석 및 계산결과를 기반으로 생성된 예컨대, Ar가스를 이용한 특정 구간에 대한 플라즈마의 밀도 예측값이 제1 플라즈마 공정정보로써 예측될 수 있다.
아울러, 본 발명의 실시 예에서는, 밀도를 예측하기 위한 선택신호가 수신되었기에 예측부(130)가 DNN기반 알고리즘을 적용하는 것을 예로 설명하고 있으나, 식각률 및 증착률과 같이 플라즈마 공정 상태를 예측하기 위한 선택신호가 수신되면 예측부(130)는 메모리(140)에 저장된 알고리즘 중 플라즈마 공정 상태를 예측할 수 있는 DNN기반 알고리즘을 호출하고, DNN기반 알고리즘에 스펙트럼 데이터를 입력데이터로 적용하여 플라즈마 공정 상태를 예측할 수 있다. 아울러, 예측부(130)는 스펙트럼 데이터와 전기적 특성 데이터를 입력데이터로 적용할 수도 있다.
두 번째로, 예측부(130)는 제2 알고리즘인 RNN기반 알고리즘에 입력데이터를 적용하고 학습된 결과값을 기반으로 공정 시간에 대한 제1 플라즈마 공정정보를 예측한다. 403단계에서 플라즈마 상태 중 밀도를 예측하고자 하는 선택신호가 수신되었으므로, 예측부(130)는 메모리(140)에 저장된 알고리즘 중에서 복수의 히든 레이어를 포함하여 공정 시간에 따른 플라즈마 상태를 예측할 수 있는 제2 알고리즘을 호출하고, 제2 알고리즘에 입력데이터를 적용한다. 이때, 입력데이터는 201단계에서 센싱데이터가 수집된 플라즈마 공정과 동일한 공정에서 수집되되, 제1 시점 이전의 시점에 수집되어 누적된 센싱데이터를 포함할 수 있다.
예를 들어, 예측부(130)는 제1 시점에 수집된 센싱데이터가 7번째 공정의 7초에 수집된 센싱데이터일 경우, 7번째 공정의 1초부터 7초까지 수집된 센싱데이터들을 입력데이터로 하여 순차적으로 RNN기반 알고리즘에 적용한다. 예측부(130)는 7번째 공정의 1초 즉, T0시점에 수집된 스펙트럼 데이터를 RNN기반 알고리즘의 제1 히든레이어에 적용하고, 7번째 공정의 2초 즉, T1시점에 수집된 스펙트럼 데이터를 RNN기반 알고리즘의 제2 히든레이어에 적용하는 것과 같이 7번째 공정의 7초 즉, T6시점까지 수집된 스펙트럼 데이터를 RNN기반 알고리즘의 제6 히든레이어에 적용하여 제1 시점까지의 밀도 예측값이 생성될 수 있고, 생성된 밀도 예측값은 제1 플라즈마 공정정보일 수 있다. 또한, 입력데이터가 스펙트럼 데이터 및 전기적 특성 데이터이면, 각 시점의 스펙트럼 데이터 및 전기적 특성 데이터를 입력데이터로 하여 RNN기반 알고리즘에 적용함으로써 제1 시점까지의 밀도 예측값이 생성될 수 있고, 생성된 밀도 예측값은 제1 플라즈마 공정정보일 수 있다.
409단계에서 예측부(130)는 407단계에서 예측된 제1 플라즈마 공정정보를 DNN기반 알고리즘에 적용하여 제1 시점 이후의 제2 시점에 대한 제2 플라즈마 공정정보를 예측한다. 보다 구체적으로, 예측부(130)는 201단계에서 수집된 센싱데이터, 407단계에서 예측된 제1 플라즈마 공정정보를 입력데이터로 DNN기반 알고리즘에 적용하여 학습을 수행한다. 이때, DNN기반 알고리즘에 적용되는 센싱데이터는 스펙트럼 데이터, 공정시간, 식각률 및 증착률 등을 포함할 수 있다. 예컨대, 401단계에서 플라즈마 상태 중 밀도를 예측하고자 하는 선택신호가 수신되었으므로, 예측부(130)는 센싱데이터, 407단계에서 예측된 밀도 등을 DNN기반 알고리즘에 입력데이터로 적용하여 학습함으로써 다음 시점에 측정될 스펙트럼 데이터 및 전기적 특성 데이터를 포함하는 제2 플라즈마 공정정보를 예측한다. 이때, DNN기반 알고리즘은 학습을 통해 갱신될 수 있다.
도 5a 및 도 5b는 본 발명의 실시 예에 따른 스마트센서에서 스펙트럼 데이터를 분류하는 방법을 설명하기 위한 화면예시도이다.
도 5a 및 도 5b를 참조하면, 스펙트럼 데이터를 가스 종별로 분류하기 위해서 데이터보정부(120)는 도 5a 및 도 5b와 같이 두 가지 이상의 알고리즘을 이용할 수 있고, 상기 알고리즘은 VGGNet, ResNet, LeNet, AlexNet 등일 수 있다. 데이터보정부(120)는 스펙트럼 데이터에서 파장 세기 값을 확인하여 제1 알고리즘 및 제2 알고리즘 중 적어도 하나의 알고리즘에 입력데이터로 입력한다.
도 5a는 제1 알고리즘을 나타낸 도면이다. 수집부(110)에서 수집된 스펙트럼 데이터(501)는 OES센서에서 수집된 데이터를 나타낸다. 이때, 스펙트럼 데이터(501)는 파장 값과 이에 매칭되는 파장 세기 값으로 구성되고, 데이터보정부(120)는 파장 세기 값을 1차원 배열(502)로 변환한다. 데이터보정부(120)는 1차원 배열(502)로 변환된 파장 세기 값을 입력데이터로 하여 제1 알고리즘에 포함된 스펙트럼 1차원 필터 모음(503)과 합성곱(convolution)을 계산한다. 이때, 1차원 필터 모음(503)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(504)는 1차원 필터 모음(503)의 개수와 동일하게 생성된다. 예를 들어, 필터 개수가 N개이면 합성곱도 N개의 데이터가 생성되고, N개의 데이터는 해당 위치의 대표되는 대표값(505)으로 병합된다. 데이터보정부(120)는 계산속도 및 정확도를 향상시키기 위해 병합된 대표값(505)을 일정 범위로 병합하여 또 다른 대표값(506)으로 병합한다. 이때, 대표값(505, 506)은 일정 구간별로 병합하여 평균값, 최소값 및 최대값 등으로 사용하여 병합될 수 있다.
이어서, 데이터보정부(120)는 최종 대표값을 찾기 위해 일정 범위로 병합된 대표값(506)에 다시 필터(507)를 적용하여 합성곱을 계산한다. 이와 같은 과정을 거쳐 생성된 합성곱 데이터(508)는 다시 해당 위치의 대표되는 대표값(509)으로 병합되고, 일정 범위로 병합하여 또 다른 대표값(510)을 생성한다. 이어서 데이터보정부(120)는 511 내지 513과 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, 데이터보정부(120)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, 데이터보정부(120)는 분류하고자 하는 가스와 관련된 필터를 알고리즘에 적용하여 스펙트럼 데이터를 가스 종별로 분류할 수 있다.
도 5b는 제2 알고리즘을 나타낸 도면이다. 제2 알고리즘은 제1 알고리즘과 동일한 기능을 수행하나, 계산 속도를 줄여 학습 속도를 개선하기 위한 알고리즘이다. 보다 구체적으로, 제2 알고리즘의 531 내지 535는 제1 알고리즘의 501 내지 505와 동일하며, 537 내지 550은 제1 알고리즘의 511 내지 514와 동일하다. 제2 알고리즘의 536은 제1 알고리즘의 506 내지 510의 동작을 개선하기 위한 것으로, 멀티플렉스 방식을 이용하여 생성된 데이터 사이의 관계성을 확인하여 대표값을 생성할 수 있다. 아울러, 데이터보정부(120)는 제1 알고리즘과 제2 알고리즘을 단독으로 사용하거나, 혼합하여 사용할 수 있다.
아울러, 제1 알고리즘 및 제2 알고리즘에서 합성곱을 계산하는 동작은 하기의 도 6을 이용하여 보다 구체적으로 설명하기로 한다. 도 6은 본 발명의 실시 예에 따른 스마트센서에서 스펙트럼 데이터와 필터의 합성곱 계산을 설명하기 위한 화면예시도이다.
도 6을 참조하면, 우선적으로 데이터보정부(120)는 스펙트럼 데이터에서 확인된 파장 세기 값을 입력데이터(601)로 필터(603)에 적용된다. 이때, 필터(603)는 도 5a에 도시된 503, 507, 511의 필터와 동일하고, 도 5b에 도시된 533, 537의 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 메모리(140)에서 이어서, 데이터보정부(120)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 하기의 도 7a 및 도 7b을 참조하여 보다 구체적으로 설명하기로 한다. 예를 들어, 데이터보정부(120)는 스펙트럼 데이터가 Ar, CF4, N2, O2의 가스에 의해 도출된 것으로 확인된 경우, 데이터보정부(120)는 각 가스에 대한 스펙트럼 데이터에서 기준 스펙트럼을 선별할 수 있다. 그러나, 본 발명의 실시 예에서는 Ar가스를 예로 설명하기로 한다.
이를 위해, 데이터보정부(120)는 도 7a 및 도 7b와 같이 Ar가스에 대한 스펙트럼 데이터에서 기준 스펙트럼을 선별할 수 있는 필터를 적용한다. 도 7a 및 도 7b는 본 발명의 실시 예에 따른 스마트센서에서 기준 스펙트럼을 선별하는 방법을 설명하기 위한 화면예시도이다.
도 7a를 참조하면, 데이터보정부(120)는 Ar가스에 대한 스펙트럼 데이터(711)를 필터(712)에 적용하여 기준 스펙트럼(713)을 선별한다. 이때, 필터(712)는 Ar가스에서 선별하고자 하는 기준 스펙트럼의 파장 값에 대한 절대 값에 해당하는 영역을 1로 설정하고 나머지는 0으로 설정한 필터일 수 있다. 아울러, 상기 필터는 도 3의 305단계에서 호출된 레퍼런스 데이터를 기반으로 설정된 필터일 수 있으며 이는 메모리(140)에 저장될 수 있다. 데이터보정부(120)는 스펙트럼 데이터(711)에 필터(712)에 적용하여 스펙트럼 데이터(711)와 필터(712)의 곱셈 연산을 수행함으로써 기준 스펙트럼(713)을 선별한다.
또한, 데이터보정부(120)는 도 7b와 같이 Ar가스에 대한 스펙트럼 데이터(721)를 필터(722)에 적용하여 기준 스펙트럼(723)을 선별한다. 이때, 필터(721)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. 데이터보정부(120)는 스펙트럼 데이터(721)를 필터(722)에 적용하여 스펙트럼 데이터(721)와 필터(722)의 곱셈 연산을 수행함으로써 기준 스펙트럼(723)을 선별한다. 이때, 오차 범위는 일괄적으로 설정하거나 파장 값 별로 상이하게 설정할 수 있고, 필터는 OES센서가 갖는 CCD layer에 따라 구성된다.
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 (20)

  1. 스마트센서가 플라즈마 공정의 제1 시점에 발생되는 센싱데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류하여 상기 스펙트럼 데이터를 보정하는 단계;
    상기 스마트센서가 상기 보정된 스펙트럼 데이터를 기반으로 상기 제1 시점 이후의 제2 시점에 대한 플라즈마 공정정보를 예측하는 단계; 및
    제어장치가 상기 스마트센서에서 예측된 플라즈마 공정정보의 정상여부에 따라 상기 플라즈마 공정과 관련된 공정 인자를 제어하는 단계;
    를 포함하는 것을 특징으로 하는 공정 제어 방법.
  2. 제1항에 있어서,
    상기 공정 인자를 제어하는 단계는,
    상기 제어장치가 상기 스마트센서에서 예측된 플라즈마 공정정보를 기반으로 상기 제2 시점의 플라즈마 공정정보가 정상상태가 될 수 있는 공정 인자를 선별하는 단계;
    상기 제어장치가 상기 선별된 공정 인자의 제어값을 확인하는 단계; 및
    상기 제어장치가 상기 확인된 제어값을 기반으로 상기 공정 인자를 제어하는 단계;
    를 포함하는 것을 특징으로 하는 공정 제어 방법.
  3. 제2항에 있어서,
    상기 공정 인자를 제어하는 단계 이후에,
    상기 스마트센서가 상기 제어된 공정인자를 기반으로 플라즈마 공정을 수행하여 상기 제2 시점의 센싱데이터를 획득하는 단계; 및
    상기 제어장치가 상기 스마트센서에서 예측된 플라즈마 공정정보와 상기 제2 시점의 센싱데이터를 비교하여 비교결과를 확인하는 단계;
    를 더 포함하는 것을 특징으로 하는 공정 제어 방법.
  4. 제1항에 있어서,
    상기 스펙트럼 데이터를 보정하는 단계는,
    상기 스마트센서가 상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하는 단계; 및
    상기 스마트센서가 상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계;
    를 포함하는 것을 특징으로 하는 공정 제어 방법.
  5. 제4항에 있어서,
    상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계는,
    상기 스마트센서가 상기 제1 시점의 센싱데이터에서 상기 제1 가스에 대한 전기적 특성 데이터를 확인하고, 상기 기준 스펙트럼과 상기 전기적 특성 데이터의 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 단계인 것을 특징으로 하는 공정 제어 방법.
  6. 제4항에 있어서,
    상기 제1 가스에 대한 스펙트럼 데이터의 보정을 수행하는 단계는,
    상기 스마트센서가 상기 제1 시점의 센싱데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하고, 상기 제1 가스와 상기 제2 가스에 대한 스펙트럼 데이터를 비교하여 상기 제1 가스의 스펙트럼 데이터를 보정하는 단계인 것을 특징으로 하는 공정 제어 방법.
  7. 제4항에 있어서,
    상기 기준 스펙트럼을 선별하는 단계는,
    상기 스마트센서가 상기 제1 가스에 대한 기준 스펙트럼 선별을 위한 필터를 호출하는 단계; 및
    상기 스마트센서가 상기 필터에 상기 제1 가스에 대한 스펙트럼 데이터를 적용하여 상기 기준 스펙트럼을 선별하는 단계;
    를 포함하는 것을 특징으로 하는 공정 제어 방법.
  8. 제1항에 있어서,
    상기 플라즈마 공정정보를 예측하는 단계는,
    상기 스마트센서가 상기 제1 시점과 관련된 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제1 플라즈마 공정정보를 예측하는 단계; 및
    상기 스마트센서가 상기 제1 플라즈마 공정정보를 기반으로 상기 제2 시점에 대한 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제2 플라즈마 공정정보를 예측하는 단계;
    를 포함하는 것을 특징으로 하는 공정 제어 방법.
  9. 제8항에 있어서,
    상기 제1 플라즈마 공정정보를 예측하는 단계는,
    상기 스마트센서가 상기 제1 시점을 기점으로 특정 구간에 대한 상기 제1 플라즈마 공정정보를 예측하거나, 상기 제1 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 제1 플라즈마 공정정보를 예측하는 단계인 것을 특징으로 하는 공정 제어 방법.
  10. 제5항에 있어서,
    상기 센싱데이터는,
    상기 스펙트럼 데이터와 전기적 특성 데이터를 획득하는 센서에서 획득된 진단데이터 및 플라즈마 공정 시의 플라즈마 장치에 대한 장비데이터를 포함하는 것을 특징으로 하는 공정 제어 방법.
  11. 플라즈마 공정 시에 발생되는 센싱데이터를 수집하고, 제1 시점에 발생된 센싱데이터에 포함된 스펙트럼 데이터를 가스 종별로 분류하여 상기 스펙트럼 데이터를 보정하고, 상기 보정된 스펙트럼 데이터를 기반으로 상기 제1 시점 이후의 제2 시점에 대한 플라즈마 공정정보를 예측하는 스마트센서; 및
    상기 예측된 플라즈마 공정정보의 정상여부에 따라 상기 플라즈마 공정과 관련된 공정 인자를 제어하는 제어장치;
    를 포함하는 것을 특징으로 하는 공정 제어 시스템.
  12. 제11항에 있어서,
    상기 제어장치는,
    상기 예측된 플라즈마 공정정보를 기반으로 상기 제2 시점의 플라즈마 공정정보가 정상상태가 될 수 있는 공정 인자를 선별하고, 상기 선별된 공정 인자의 제어값을 확인하여 상기 공정 인자를 제어하는 것을 특징으로 하는 공정 제어 시스템.
  13. 제12항에 있어서,
    상기 제어장치는,
    상기 제2 시점에 대한 플라즈마 공정정보와 상기 제어된 공정 인자를 기반으로 상기 제2 시점에 획득된 센싱데이터를 비교하여 비교결과를 확인하는 것을 특징으로 하는 공정 제어 시스템.
  14. 제11항에 있어서,
    상기 스마트센서는,
    상기 가스 종별 스펙트럼 데이터에서 보정할 적어도 하나의 제1 가스에 대한 기준 스펙트럼을 선별하고, 상기 기준 스펙트럼을 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 하는 공정 제어 시스템.
  15. 제14항에 있어서,
    상기 스마트센서는,
    상기 제1 시점의 센싱데이터에서 상기 제1 가스에 대한 전기적 특성 데이터를 확인하고, 상기 기준 스펙트럼과 상기 전기적 특성 데이터의 상관관계를 기반으로 상기 제1 가스에 대한 스펙트럼 데이터를 보정하는 것을 특징으로 하는 공정 제어 시스템.
  16. 제14항에 있어서,
    상기 스마트센서는,
    상기 제1 시점의 센싱데이터에서 상기 제1 가스와 상이한 제2 가스에 대한 스펙트럼 데이터를 확인하고, 상기 제1 가스와 상기 제2 가스에 대한 스펙트럼 데이터를 비교하여 상기 제1 가스의 스펙트럼 데이터를 보정하는 것을 특징으로 하는 공정 제어 시스템.
  17. 제14항에 있어서,
    상기 스마트센서는,
    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 공정 제어 시스템.
  18. 제11항에 있어서,
    상기 스마트센서는,
    상기 제1 시점과 관련된 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제1 플라즈마 공정정보를 예측하고, 상기 제1 플라즈마 공정정보를 기반으로 상기 제2 시점에 대한 플라즈마 상태 및 공정 상태 중 적어도 하나를 포함하는 제2 플라즈마 공정정보를 예측하는 것을 특징으로 하는 공정 제어 시스템.
  19. 제18항에 있어서,
    상기 스마트센서는,
    상기 제1 시점을 기점으로 특정 구간에 대한 상기 제1 플라즈마 공정정보를 예측하거나, 상기 제1 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 제1 플라즈마 공정정보를 예측하는 것을 특징으로 하는 공정 제어 시스템.
  20. 제15항에 있어서,
    상기 센싱데이터는,
    상기 스펙트럼 데이터와 전기적 특성 데이터를 획득하는 센서에서 획득된 진단데이터 및 플라즈마 공정 시의 플라즈마 장치에 대한 장비데이터를 포함하는 것을 특징으로 하는 공정 제어 시스템.
KR1020200104458A 2020-08-20 2020-08-20 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템 KR102335854B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200104458A KR102335854B1 (ko) 2020-08-20 2020-08-20 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템
PCT/KR2020/011267 WO2022039311A1 (ko) 2020-08-20 2020-08-24 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200104458A KR102335854B1 (ko) 2020-08-20 2020-08-20 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102335854B1 true KR102335854B1 (ko) 2021-12-06

Family

ID=78936368

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200104458A KR102335854B1 (ko) 2020-08-20 2020-08-20 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR102335854B1 (ko)
WO (1) WO2022039311A1 (ko)

Citations (2)

* 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0637021A (ja) * 1992-07-17 1994-02-10 Fuji Electric Co Ltd 学習予測・指示機能付半導体製造装置
JP2013161913A (ja) * 2012-02-03 2013-08-19 Tokyo Electron Ltd プラズマ処理装置及びプラズマ処理方法
JP6097097B2 (ja) * 2013-03-04 2017-03-15 学校法人中部大学 プラズマ状態測定プローブ及びプラズマ状態測定装置
KR101930727B1 (ko) * 2017-04-10 2019-03-11 서울대학교 산학협력단 Oes 기반의 플라즈마 상태 변수 제어 장치

Patent Citations (2)

* 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

Also Published As

Publication number Publication date
WO2022039311A1 (ko) 2022-02-24

Similar Documents

Publication Publication Date Title
US10955832B2 (en) Adaptive chamber matching in advanced semiconductor process control
US7343217B2 (en) System for monitoring and controlling a semiconductor manufacturing apparatus using prediction model equation
JP5026326B2 (ja) エッチング処理状態の判定方法、システム
US7934125B2 (en) Ranged fault signatures for fault diagnosis
US20210175104A1 (en) Adaptive control of variability in device performance in advanced semiconductor processes
US7695987B2 (en) Method for automatic determination of semiconductor plasma chamber matching and source of fault by comprehensive plasma monitoring
KR100463256B1 (ko) 플라즈마처리제어장치 및 처리제어방법
US8010321B2 (en) Metrics independent and recipe independent fault classes
US8452441B2 (en) Process quality predicting system and method thereof
US10657214B2 (en) Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US20080276136A1 (en) Graphical user interface for presenting multivariate fault contributions
KR102383416B1 (ko) 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서
US11022968B2 (en) Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
US20090282296A1 (en) Multivariate fault detection improvement for electronic device manufacturing
KR102335854B1 (ko) 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템
JP3732768B2 (ja) 半導体処理装置
KR102330367B1 (ko) 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서
JP4836994B2 (ja) 半導体処理装置
KR100446926B1 (ko) 반도체제조장치의 감시 및 제어방법과 그 실시장치
JP2005051269A (ja) 半導体処理装置
US20230367302A1 (en) Holistic analysis of multidimensional sensor data for substrate processing equipment
TWI839396B (zh) 高階半導體製程優化及製造期間適應性控制
KR20230055609A (ko) 플라즈마 설비의 실시간 모니터링 방법 및 모니터링 시스템

Legal Events

Date Code Title Description
GRNT Written decision to grant