KR102375527B1 - 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법 - Google Patents

다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법 Download PDF

Info

Publication number
KR102375527B1
KR102375527B1 KR1020200079797A KR20200079797A KR102375527B1 KR 102375527 B1 KR102375527 B1 KR 102375527B1 KR 1020200079797 A KR1020200079797 A KR 1020200079797A KR 20200079797 A KR20200079797 A KR 20200079797A KR 102375527 B1 KR102375527 B1 KR 102375527B1
Authority
KR
South Korea
Prior art keywords
data
machine learning
optical
blocks
end point
Prior art date
Application number
KR1020200079797A
Other languages
English (en)
Other versions
KR20220001603A (ko
Inventor
김보배
홍장식
임성빈
유건욱
Original Assignee
주식회사 프라임솔루션
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 주식회사 프라임솔루션 filed Critical 주식회사 프라임솔루션
Priority to KR1020200079797A priority Critical patent/KR102375527B1/ko
Publication of KR20220001603A publication Critical patent/KR20220001603A/ko
Application granted granted Critical
Publication of KR102375527B1 publication Critical patent/KR102375527B1/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
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67063—Apparatus for fluid treatment for etching
    • H01L21/67069—Apparatus for fluid treatment for etching for drying etching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Plasma & Fusion (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Chemical & Material Sciences (AREA)
  • Toxicology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

광학 데이터 구조에서 특징을 추출하여서 특징을 머신러닝 분류기로 처리하여 최적의 식각 종점 시간을 예측할 수 있는 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법이 개시된다. 본 발명의 플라즈마 식각공정 진단장치의 프로세서는, 광학센서로부터 실시간으로 측정된 테이터들을 수집하여 데이터베이스로 저장하는 광학 데이터 수집부; 상기 데이터 수집부의 데이터를 특징 추출부에서 특징 추출이 수행되어서, 훈련 데이터와 테스트 데이터로 분리하는 데이터 처리부; 및 상기 훈련 데이터는 머신러닝 분류기에서 학습이 이루어지는 데이터 분석부를 포함하며, 상기 훈련 데이터 및 테스트 데이터는 각각 식각종점 데이터 및 비종점 데이터로 구성된다. 본 발명에 따르면, 실시간으로 관측되는 광학 데이터 구조에서 특징을 추출하여서 특징을 머신러닝 분류기로 처리하여 최적의 식각 종점 시간을 예측할 수 있다.

Description

다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법{Plasma Etching Process Monitoring Device Using Machine Learning Model For Multi-channel Optical Emission Spectroscopy Analysis And Plasma Etching Process Monotoring Method Using The Same}
본 발명은 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법에 관한 것으로, 더욱 상세하게는 광학 데이터 구조에서 특징을 추출하여서 특징을 머신러닝 분류기로 처리하여 최적의 식각 종점 시간을 예측할 수 있는 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법에 관한 것이다.
일반적으로 반도체 장치 또는 평판디스플레이 장치는 기판 상에 확산, 증착, 사진, 식각, 이온 주입 등의 공정을 선택적이고도 반복적으로 수행하여 제조한다. 이들 제조공정 중에서 식각, 확산, 증착 공정 등은 밀폐된 공정챔버 내에 소정의 분위기에서 공정가스를 투입함으로써 공정챔버 내의 기판 상에서 반응이 일어나도록 공정을 수행하게 된다.
식각 공정은 통상적으로 마스크층을 사용하여 웨이퍼의 특정지역을 패터닝하여 마스크로 덮여지지 않는 부분을 선택적으로 제거하는 공정이다. 식각공정은 습식 식각과 건식 식각으로 구분되며, 건식 식각은 공정챔버에서 플라즈마를 발생시켜 가속되는 이온의 충격에 의하여 웨이퍼의 특정 영역을 식각하는 방법이다.
그런데, 기판 상에 형성된 식각해야 할 박막의 두께는 단차 등으로 인해 기판 전반에 걸쳐 항상 일정한 것은 아니며, 식각 작용도 기판 전반에 걸쳐 고르게만 이루어지는 것은 아니다. 따라서, 원하는 부분에서 원하는 박막을 완전히 식각하기 위해서는 충분한 시간을 공정에 할애해야 한다. 그러나, 식각이 오래 진행되면 식각하려는 박막만 식각하는 것이 아니라 원하지 않는 하부막까지 식각하게된다.
따라서, 이러한 문제점을 완화하기 위해 플라즈마 식각에서는 일정시간 동안 공정을 진행시키는 방법 외에 공정의 특정 시점을 찾아 식각 조건을 바꾸는 방법을 많이 사용하고 있다. 즉, 특정 시점 전에는 식각 속도를 빠르게 할 수 있는 조건을 선택하여 공정을 진행시키고, 특정 시점 후에는 식각 속도는 느려도 하부막과의 선택비가 높은 조건을 선택하여 공정을 진행시키는 방법을 사용하게 된다. 이때, 공정의 특정 시점은 식각할 박막 하부의 막질이 드러나는 시점을 의미하여, 식각종료점이라고도 한다. 그리고 이 시점 전까지의 공정을 주식각(main etch), 이 시점 후의 식각공정을 과도시각(over etch)이라 한다.
이러한 식각 방법에서는 그 식각종료점을 검출하는 EPD(End Point Detection) 방법이 중요한 역할을 한다. EPD 방법에는 여러 가지가 있으나, 공정챔버의 플라즈마에서 발생하는 빛을 관찰하여 특정 물질에 고유한 파장이 피크 (peak) 형태로 검출되는지를 알아보는 방법이 많이 사용된다.
도 1은 종래기술에 따른 플라즈마 공정챔버의 종단면도 및 EPD 시스템을 나타내는 도면이다.
도 1을 참조하면, 기판(10)이 식각되는 챔버(15) 내에는 기판(10)이 안착되도록 척(20)이 설치되어 있으며, 챔버(15)의 일측에는 식각에 필요한 반응가스가 유입되는 가스 유입관(25)이 설치되어 있다.
챔버(15)에는 챔버(15)와 챔버(15) 외부를 격리시키면서 빛이 입사되는 지점인 뷰 포트(40, view port)와, 뷰 포트(40)로 들어온 빛을 광학센서(70)로 전송하는 광파이버(60)로 이루어진 EPD 시스템이 연결된다. 광학센서(70)에서는 간섭 필터를 통해 빛을 필터링한 후 이를 증폭하여 특정 파장을 검출하여 식각종료를 위한 신호를 출력한다.
광학센서(70)는 특정 파장의 세기를 검출하여 전기적인 신호로 변환하여 제어부(80)로 전송하고, 상기 제어부(80)는 상기 파장 신호의 기울기에 따라 식각 공정을 제어한다.
종래의 양산에서 사용중인 EPD 시스템은 하나의 광학 센서에서 데이터를 취득하고 이를 EPD 시스템으로 운용하고 있다. 또는, 동일 지점에서 두 가지 이상의 식각 대상물의 플라즈마광을 분석하기 위하여 다수의 이종 센서를 사용하는 경우도 있다. 이는 기판과 챔버의 크기가 작은 경우에는 효율적일 수 있다.
그런데, 평판 디스플레이(Flat Panel Display, FPD)의 경우에는 대면적 챔버를 운용할 수 있는데, 대면적 공정챔버 내의 플라즈마가 균일하지 못한 경우에는, 공정에서 균일성(uniformity) 분산 편차가 크고, 뷰 포인트(view point) 위치에 따른 EPD 시그널의 패턴이 다르게 발생할 수 있다. 즉, 어느 한 지점에서의 플라즈마 공정 진단을 하여 식각종료점을 검출한 경우에, 다른 지점에서는 언에치(unetch) 또는 과도식각이 발생할 수 있다는 것을 의미한다.
따라서, 대면적 공정챔버에서 플라즈마 공정을 진행할 때, 서로 다른 지점에서 플라즈마 상태에 따라서 식각종료점을 판단하기 위하여 다수 개의 광학센서를 이용하여 최적의 식각종료점을 찾기 위한 시도가 이루어지고 있다. 하지만, 이는 초단위로 변하는 넓은 광 스펙트럼 범위의 방대한 양의 데이터를 취사선택하여 최적의 식각종료점을 찾는 해결책이 필요하다.
대한민국 등록특허 제10-0892248호 대한민국 등록특허 제10-1215367호
본 발명은 상술한 문제점을 감안하여 안출한 것으로 그 목적은 광학 데이터 구조에서 특징을 추출하여서 특징을 머신러닝 분류기로 처리하여 최적의 식각 종점 시간을 예측할 수 있는 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법을 제공하는 것이다.
상기 과제해결을 위한 본 발명의 플라즈마 식각공정 진단장치는 플라즈마를 이용하여 공정이 진행되는 공정챔버; 상기 공정챔버 내에서 방출되는 빛을 외부로 전달하는 뷰 포트; 상기 다수의 뷰 포트에 각각 광파이버로 접속되어 전송된 빛을 특정 파장에 해당하는 전기적 신호로 전환하는 광학센서; 상기 광학센서의 파장을 실시간으로 취득하는 광학 데이터 수집부, 상기 광학 데이터 수집부에서 수집된 데이터를 처리하는 데이터 처리부, 및 상기 데이터 처리부에서 처리된 데이터를 분석하는 데이터 분석부로 구성되는 프로세서; 및 상기 데이터 분석부에서 식각 종말 정보를 입력받아 식각 종말점을 알리는 알람부를 포함하며, 상기 프로세서는, 상기 광학센서로부터 실시간으로 측정된 테이터들을 수집하여 데이터베이스로 저장하는 광학 데이터 수집부; 상기 데이터 수집부의 데이터를 특징 추출부에서 특징 추출이 수행되어서, 훈련 데이터와 테스트 데이터로 분리하는 데이터 처리부; 및 상기 훈련 데이터는 머신러닝 분류기에서 학습이 이루어지는 데이터 분석부를 포함하며, 상기 훈련 데이터 및 테스트 데이터는 각각 식각종점 데이터 및 비종점 데이터로 구성되는 것을 특징으로 한다.
본 발명에 있어서, 상기 뷰 포트는 적어도 두 개의 뷰 포트이며, 상기 각각의 뷰 포트로부터 적어도 두 개의 다채널의 광파이버로부터 광학 데이터를 취득할 수 있으며, 상기 광학센서는 적어도 두 개의 OES(Optical Emission Spectroscopy) 센서이며, 상기 뷰 포트와 상기 광학센서 사이에는 다수의 광수광부와 광가이드를 갖는 광브라켓이 개재될 수 있다.
본 발명에 있어서, 상기 뷰 포트는 적어도 두 개의 뷰 포트이며, 상기 각각의 뷰 포트로부터 적어도 두 개의 다채널의 광파이버로부터 광학 데이터를 취득할 수 있으며, 상기 광학센서는 적어도 두 개의 PMT(Photo Multiplier Tube) 센서 또는 포토다이오드(photodiode) 센서이며, 상기 뷰 포트와 연결되는 상기 다수의 광파이버는 각각 설정된 파장 영역만 통과하는 다수의 필터들과 연결될 수 있다.
본 발명에 있어서, 학습된 상기 머신러닝 분류기는 학습에 관여하지 않은 테스트 데이터에 의하여 모델의 성능이 평가될 수 있다.
본 발명에 있어서, 상기 머신러닝 분류기는 3차 SVM(Support Vector Machine) 분류기, 에이다부스트(adaboost) 앙상블 분류기, 및 CNN (Convolutional Neural Network) 분류기 중의 어느 하나일 수 있다.
본 발명에 있어서, 상기 OES 데이터 구조는 실시간으로 측정되는 파장들로 구성되는 블록들이며, 상기 특징 추출부는 훈련 데이터를 추출하는데, 상기 훈련 데이터는 식각종점 데이터 및 비종점 데이터로 구성되며, 상기 식각종점 데이터는 알려진 식각 종점 시간의 인근의 연속되는 다수 개의 블록들로서, 머신러닝 데이터에서 1로 매핑되며, 상기 블록들의 중간은 훈련 데이터로 사용되지 않는 비훈련 블록이며, 상기 비종점 데이터는 블록들의 첫 블록에서부터 상기 비훈련 블록들 사이의 블록들에서 랜덤하게 추출되는 다수 개의 블록들로서, 머신러닝 데이터에서 0으로 매핑될 수 있다. 여기서, 상기 머신러닝 모델의 과적합(Overfitting) 문제를 방지하기 위해 상기 식각종점 데이터와 비종점 데이터의 비율을 동일하게 사용할 수 있다. 또한, 상기 훈련 데이터들을 실제로 학습에 사용되는 훈련 데이터와 테스트 데이터를 일정 비율로 분리할 수 있다.
상기 또 다른 과제해결을 위한 본 발명의 플라즈마 식각공정 진단방법은 데이터 수집부는 분광 스펙트럼 장치로부터 실시간으로 측정된 광스펙트럼 데이터를 수집하는 단계; 상기 데이터 수집부에서 수집된 광스펙트럼 데이터로부터 데이터 처리부의 특징추출부에서 신호처리 방법을 적용하여 특징을 추출하는 단계; 상기 특징추출부에서 추출된 특징을 머신러닝 분류기의 입력값으로 하여 출력값을 구하는 단계; 상기 머신러닝 분류기의 출력값이 1이면 1차로 식각종료점(End point)가 탐지된 것으로 인지하며, 출력값이 0이면 식각종료점이 아직 도달하지 않은 것이므로 분광 스펙트럼 장치로부터 시간의 진행에 따라서 계속하여 광스펙트럼 데이터를 수집하는 단계; 상기 머신러닝 분류기가 식각종료점(End point)을 탐지된 것으로 인지한 경우에는 위의 과정을 반복하여서 인지횟수(NumDt)를 가산하는 단계; 상기 머신러닝 분류기의 인지횟수가 사전에 설정된 문턱값(Threshold, N)을 넘으면 최종적으로 식각종료점을 확정하고, 설정된 문턱값을 넘지 않으면 출력값이 1인 결과값을 계속 가산하도록 하는 단계; 및 상기 식각 종료점이 확정되면 알람부가 식각 종료의 알람을 울리는 단계를 포함한다.
전술한 바와 같은 구성을 갖는 본 발명에 따르면, 실시간으로 관측되는 광학 데이터 구조에서 특징을 추출하여서 특징을 머신러닝 분류기로 처리하여 최적의 식각 종점 시간을 예측할 수 있다.
또한, 다채널로 수집되는 방대한 양의 데이터를 머신러닝 분류기로 처리하여 최적의 식각 종점 시간을 예측할 수 있다.
도 1은 종래기술에 따른 플라즈마 공정챔버의 종단면도 및 EPD 시스템을 나타내는 도면이다.
도 2은 본 발명의 일실시예에 따른 플라즈마 공정챔버와 다수의 발광분광기 센서를 갖는 플라즈마 공정 진단장치를 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따른 플라즈마 식각공정 진단장치의 프로세서에서 훈련과 테스트하는 머신러닝 모델의 구조도이다.
도 4는 본 발명의 일실예에 따른 적어도 두 개의 뷰 포트로부터 광학 데이터를 취득하는 적어도 두 개 이상의 OES 센서를 나타내는 도면이다.
도 5는 본 발명의 일실시예에 따른 뷰포트와 광학센서의 연결에 사용되는 광브라켓을 나타내는 도면이다.
도 6은 본 발명의 다른 실시예에 따른 적어도 두 개의 뷰 포트로부터 광학 데이터를 취득하는 적어도 두 개 이상의 광학센서를 나타내는 도면이다.
도 7은 본 발명의 일실시예에 따른 SVM 분류기의 개요도이다.
도 8은 본 발명의 일실시예에 따른 선형 SVM 및 k 차 SVM을 나타내는 도면들이다.
도 9는 본 발명의 일실시예에 따른 에이다부스트(adaboost) 앙상블 분류기의 강력한 분류기의 생성을 나타내는 도면이다.
도 10은 본 발명의 일실시예에 따른 CNN 구조이다.
도 11은 본 발명의 일실시예에 따른 OES 데이터 샘플을 나타낸다.
도 12는 본 발명의 일실시예에 따른 OES 데이터 구조를 나타낸다.
도 13은 본 발명의 일실시예에 따른 첫 번째 식각종점 시간 탐지를 나타내는 예시도이다.
도 14는 본 발명의 일실시예에 따른 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단방법을 나타내는 순서도이다.
상술한 목적, 특징들 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이다. 이하, 첨부된 도면을 참조하여 본 발명의 바람직한 일실시예를 상세히 설명한다.
도 2은 본 발명의 일실시예에 따른 플라즈마 공정챔버와 다수의 발광분광기 센서를 갖는 플라즈마 공정 진단장치를 나타내는 도면이다.
도 2를 참조하면, 기판(110)에 플라즈마 공정을 진행하는 공정챔버(115) 내에는 기판(110)이 안착되도록 척(120)이 설치되어 있으며, 공정챔버(115)의 일측에는 식각에 필요한 반응가스가 유입되는 가스 유입관(125)이 설치되어 있다.
또한, 플라즈마 공정 진단 장치로서, 공정챔버(115) 내에서 방출되는 빛을 외부로 전달하는 다수의 뷰 포트(140), 상기 뷰 포트(140)에 광파이버(160)로 접속되어 광파이버(160)로 전송된 특정 파장의 세기를 검출하여 전기적인 신호로 변환하여 프로세서(200)로 전송하는 다수의 광학센서(170), 상기 다수의 광학센서(170)들의 파장 신호을 분석하여 식각 공정을 제어하는 프로세서(200), 및 상기 프로세서(200)의 식각 신호에 따라 식각공정의 종점을 알리는 알람부(250)로 구성된다.
공정챔버(115)는 기판(110)에 대한 공정이 수행되기 위한 공간을 갖는다. 여기의 공정챔버(115)는 평판 디스플레이(Flat Panel Display, FPD)의 플라즈마 건식 식각 공정 또는 플라즈마 증착 공정이 진행될 수 있는 대면적 플라즈마 공정 챔버이다.
뷰 포트(140)는 건식 식각이나 증착 공정이 수행되는 대면적 공정챔버(115)의 내부 상태에 대한 확인하기 위하여 소정 간격을 가지고 다수 형성되는데, 건식 식각이나 증착의 수행을 위한 플라즈마가 제대로 형성되는지를 확인하거나, 공정 진행 중인 기판이 안정된 상태를 유지하는지에 관한 확인을 위해 외부에서 공정 챔버의 내부를 관찰할 수 있도록 하는 투시창이 마련되도록 설치된다.
가스 공급부(130)는 가스 공급관(125)을 통하여 공정챔버(1150 내부와 연결되어, 공정챔버(115) 내로 플라즈마를 형성하기 위한 공정가스를 공급한다. 공정 가스에는 아르곤(Ar), 질소(N2) 등의 비활성 가스가 포함될 수 있다.
공정챔버(115)의 내부에는 플라즈마 형성 유닛(미도시)이 구비되어 고주파(RF) 전극을 포함할 수 있다. 또한, 기판(110)이 수용되는 척(120, chuck)이 구비되는데, 척(120)은 접지되거나 전력이 인가되며, 기판(110)을 지지할 수 있으며, 플라즈마 형성 유닛과 대향되게 배치된다.
공정챔버(115)의 내부는 진공 유닛(145)이 연결되며, 공정챔버(115) 내부를 진공으로 형성하기 위한 진공 펌프와 압력을 조절하기 위한 컨트롤 밸브를 포함할 수 있다.
다수의 광학센서(170)는 뷰 포트(140)와 광파이버(160)을 통하여 연결되며, PMT(Photo Multiplier Tube) 센서, 포토다이오드(photodiode) 센서, OES(Optical Emission Spectroscopy) 센서일 수 있다.
프로세서(200)는 다수의 광학센서(170)들을 통하여 생성된 다수의 EPD 시그널를 취합하여 운용할 수 있다. 프로세서(200)는 각각의 광학센서들의 파장을 실시간으로 취득하는 광학 데이터 수집부(210), 수집된 데이터를 처리하는 데이터 처리부(220), 및 데이터 처리부에서 처리된 데이터를 분석하는 데이터 분석부(230)로 구성된다.
알람부(250)는 데이터 분석부(230)에서 식각 종말 정보를 입력받아 식각 종말점을 알리게 된다.
도 3은 본 발명의 일실시예에 따른 플라즈마 식각공정 진단장치의 프로세서(200)에서 훈련과 테스트하는 머신러닝 모델의 구조도이다.
도 3을 참조하면, 데이터 수집부(210)는 다수의 광학센서로부터 예컨대 0.1초 간격으로 실시간으로 측정된 테이터들을 수집하여 데이터베이스로 저장한다.
상기 데이터 수집부(210)의 데이터는 데이터 처리부(220)의 특징 추출부(222)에서 특징 추출이 수행되어서, 훈련 데이터(224)와 테스트 데이터(226)로 분리된다. 특징 추출부(222)에서의 특징 추출과 훈련 데이터(224) 및 테스트 데이터(226)로의 분리에 관하여는 후술한다.
상기 훈련 데이터(224) 및 테스트 데이터(226)는 각각 식각종점 데이터(227) 및 비종점 데이터(228)로 구성된다.
상기 훈련 데이터(224)는 데이터 분석부(230)의 머신러닝 분류기(232)에서 학습이 이루어지며, 학습된 머신러닝 분류기(232)는 학습에 관여하지 않은 테스트 데이터(226)에 의하여 모델의 성능이 평가된다.
이하, 구체적인 광학센서(170), 머신러닝 분류기(232), 특징추출부(222), 훈련 데이터(224), 및 테스트 데이터(226)에 관하여 설명한다.
(광학센서)
본 발명에서는 상기 뷰 포트(140)는 한 개 또는 적어도 두 개의 뷰 포트이며, 상기 각각의 뷰 포트(140)로부터 1채널 또는 적어도 두 개의 다채널의 광파이버(160)로부터 광학 데이터를 취득할 수 있으며, 상기 광학센서(170)는 1개 또는 적어도 두 개의 광학센서들로 이루어지며, 상기 광학센서(170)는 PMT(Photo Multiplier Tube) 센서, 포토다이오드(photodiode) 센서, OES(Optical Emission Spectroscopy) 센서 중의 적어도 어느 하나일 수 있다.
도 4는 본 발명의 일실예에 따른 적어도 두 개의 뷰 포트(140)로부터 광학 데이터를 취득하는 적어도 두 개 이상의 광학센서를 나타내는 도면이다.
도 4를 참조하면, 공정챔버(115)에는 적어도 두 개의 뷰포트(140)를 구비한다.
각각의 뷰 포트(140)는 광브라켓(150)을 통하여 다수의 광파이버(160)가 연결되며, 상기 다수의 광파이버(160)는 각각 다수의 OES 센서(171)들과 연결된다.
상기 각각의 OES 센서(171)들은 실시간으로 광학 데이터를 프로세서(200)로 전달한다.
하나의 OES 센서(171)로 다수의 광수광부(151)로부터 영역별 광을 취득하여 배치 위치에 따라 다수의 파장을 취득하여 플라즈마에서 방사되는 실제 광 신호를 단일광 수광시보다 여러 각도와 위치에서 취득할 수 있다. 따라서, 처리해야 하는 광학 데이터의 양은 기하급수적으로 증가하게 되며, 이러한 빅데이터를 처리할 프로세서(200)가 필요하다.
도 5는 본 발명의 일실시예에 따른 뷰포트(140)와 광학센서의 연결에 사용되는 광브라켓(150)을 나타내는 도면이다.
도 5를 참조하면, 광브라켓(150)은 베이스판(157)을 구비하며, 상기 베이스판(157)의 내부에는 다수개의 광가이드(153)가 소정의 각도를 갖도록 상하로 관통하도록 일렬로 정열되며, 상기 광가이드(153)는 상부에서 광수광부(151)가 되며, 광가이드(153)의 하부는 커넥션(155)이 되어서 광파이버(160)와 연결된다.
상기 광가이드(153)를 통하여 광수광부(151)의 정면에서 들어오는 플라즈마 영역의 직진성 빛들을 모니터링할 수 있다. 이를 통하여 센터(center)에서 가장자리(edge) 영역의 공정챔버 내의 플라즈마를 영역에 따라서 빛을 통하여 데이터를 취득할 수 있다.
본 발명의 다수의 OES 센서(171)들에서 영역별로 실시간으로 처리하는 파장별 데이터는 너무 방대하여 고속 처리에 불리할 수 있다.
따라서, 본 발명의 PMT(Photo Multiplier Tube) 센서 및 포토다이오드(photodiode) 센서에서는 필터를 통하여 원하는 몇 개의 파장만 추출하여 데이터의 양을 줄여 고속 처리할 수도 있다.
도 6은 본 발명의 다른 실시예에 따른 적어도 두 개의 뷰 포트(140)로부터 광학 데이터를 취득하는 적어도 두 개 이상의 광학센서를 나타내는 도면이다.
도 6을 참조하면, 공정챔버(115)에는 적어도 두 개의 뷰포트(140)를 구비한다.
각각의 뷰 포트(140)는 광브라켓(150)을 통하여 다수의 광파이버(160)가 연결되며, 상기 다수의 광파이버(160)는 각각 다수의 필터(165)들과 연결된다.
각각의 필터(165)들은 설정된 파장영역만 통과하도록 하며, 각각의 필터(165)를 통과한 파장에 대한 데이터를 다수의 PMT 센서 또는 포토다이오드로 구성된 광학센서(173)가 모니터링하여, 실시간으로 광학 데이터를 프로세서(200)로 전달한다.
필터(165)를 사용하여 식각종료를 판단하는데 기여하는 몇 개의 파장별로 데이터를 분류하는 경우 보다 고속으로 프로세서(200)에서 처리할 수 있는 장점이 있다,
(머신러닝 분류기)
본 발명에서 사용되는 머신러닝 분류기(232)의 머신러닝 모델은 3가지가 사용되었다. 첫 번째 모델은 3차 SVM(Support Vector Machine) 분류기이고, 두 번째는 에이다부스트(adaboost) 앙상블 분류기이며, 세 번째는 CNN (Convolutional Neural Network)이다.
A. SVM(Support Vector Machine)
도 7은 본 발명의 일실시예에 따른 SVM 분류기의 개요도이다.
도 7을 참조하면, SVM 분류기는 초평면(Hyperplane)을 사용하여 수집된 데이터를 클러스터로 분류한 다음 최대 마진으로 지지 벡터(Support vector)를 식별하는 최적화방법이다. 즉, 벡터에서 거리를 최대화하는 지지 벡터(Support vector)를 찾기 위해 데이터에서 초평면을 사용하여 거리 벡터를 양수와 음수로 나눈다.
SVM 분류기는 패턴 인식 및 데이터 분석을 위한 대표적인 지도 학습 모델이며 예측 정확도가 높다. 과부하가 적고 다른 모델에 비해 잘 알려진 많은 SVM 알고리즘으로 인해 사용하기가 더 쉽다.
Figure 112020067389841-pat00001
도 7에서 '+'는 χ+ 이고 , '-'는 χ- 로 수식 (1)에 적용하였으며, 두 초평면 사이의 거리를 구하는 수식은 아래 수식 (2)이다.
Figure 112020067389841-pat00002
Figure 112020067389841-pat00003
가 가장 작은 평면을 찾으면 마진이 최대이며 클래스를 가장 효과적으로 나눈다. 즉,
Figure 112020067389841-pat00004
을 만족하는 초평면이 가장 효율적인 경계이며 이를 SVM 이라고 한다.
도 8은 본 발명의 일실시예에 따른 선형 SVM 및 k 차 SVM을 나타내는 도면들이다.
도 8을 참조하면, 선형 SVM 은 매우 복잡한 데이터 세트를 분류하기 어렵다는 단점이 있다. 위의 도 5(a)에서 선형 SVM으로는 효율적인 초평면을 계산할 수 없다. 이 문제를 해결하기 위해 k 차 다항식 커널을 사용한다. k 차 SVM 기능에는 χi 에 대한 k 차 기능이 포함되어 있으므로 도 5(b)와 같이 직선, 즉 선형 SVM으로 분류할 수 없는 데이터 세트를 분류할 수 있다.
아래 표 1은 SVM에서 사용할 수 있는 커널 함수이다.
[표 1]
Figure 112020067389841-pat00005
같은 조건에서 3차 다항식 커널의 성능은 선형 커널, 가우시안 RBF 커널, 2차 다항식 커널보다 좋았다. 따라서 본 발명 실시예에서는 3차 SVM 분류기를 사용한다.
B. 에이다부스트(adaboost) 앙상블 분류기
에이다부스트(adaboost) 앙상블 분류기는 가속 분류기를 사용하는 학습 분류기이다. 모델의 예측 능력을 향상시킬 것으로 예상되는 기능만 선택함으로써 차원 수를 줄이고 불필요한 기능을 고려하지 않으면서 실행시간을 개선할 수 있다. 약한 분류기 세트를 선형으로 결합하면 탐지 성능이 높은 강력한 분류기가 생성되며 실시간 탐지에서 우수한 성능을 보여준다.
도 9는 본 발명의 일실시예에 따른 에이다부스트(adaboost) 앙상블 분류기의 강력한 분류기의 생성을 나타내는 도면이다.
도 9를 참조하면, 분류별로 잘못 분류된 데이터의 가중치를 조정하고 결합하여 강력한 분류기를 만드는 과정을 보여준다. 에이다부스트(adaboost)의 강력한 부류기를 생성하는 수식은 아래 수식(3)이다.
Figure 112020067389841-pat00006
H: 강력한 분류기, h: 약한 분류기, a: 가중치(신뢰도), T: 분류기의 수.
C. CNN 분류기
CNN은 합성곱 연산을 사용하는 일종의 인공 신경망(ANN)이다. 딥 러닝에 사장 널리 사용되는 알고리즘으로, 그림, 이미지, 텍스트, 및 사운드를 분류하는 일종의 머신러닝이다. 특징을 자동으로 추출하므로 수동 기능 추출이 필요하지 않으므로 더 적은 수의 매개변수로 쉽게 학습하고 학습할 수 있으며, 이를 통해 높은 수준의 식별이 가능하다.
도 10은 본 발명의 일실시예에 따른 CNN 구조이다.
도 10을 참조하면, 테스트에 사용된 CNN 모델은 8개의 계층으로 구성되며 원활한 학습을 위해 데이터의 크기를 1×2048(a)에서 32×64(b)로 조정했다.
첫 번째 계층(1)인 합성곱(Convolution) 계층에서 필터 수는 16이고, 커널 크기는 3×3이며, 활성함수는 레루(Relu)이다.
두 번째 계층(2)인 풀링 계층은 2×2 필터로 최대 풀링되었다.
세 번째 계층(3)인 합성곱 계층에서 필터수는 32로 설정되었다. 나머지는 첫 번째 계층과 동일하다.
다음으로, 네 번째 계층(4)에서 최대 풀링이 수행된다.
다섯 번째 계층(5)은 플래튼(Flatten) 계층이라 하며 모든 데이터가 완전히 연결된다.
여섯 번째 계층(6)에서 2688개의 노드는 20 개의 노드에 완전히 연결된다.
일곱 번째 계층(7)인 드롭 아웃(Dropout)은 완전히 연결된 계측으로 들어가는 일부 노드를 임의로 제거하는 정규화 프로세스이다.
마지막으로, 여덟 번째 계층(8)에서 이진 계측은 두 계층에 완전히 연결되어 소프트맥스(Softmax) 함수로 반환하다.
본 발명에서 사용된 최적화 함수는 아담(Adam)이고 손실함수는 캐터고리컬 크로스 엔트로피(categorical cross entropy)이다.
[표 2]
Figure 112020067389841-pat00007
표 2는 실험에 사용된 CNN 모델의 구조를 보여준다.
각 계층의 유형과 차원, 커널 크기 및 연결된 퍼셉트론 수를 보여준다. 플래튼 계층은 합성곱 계층 또는 풀링 계측으로부터 획득된 특성을 완전 연결된 층으로 전달하기 위해 2차원 정보를 1차원으로 변환하는 층이다. 이 모델에 사용된 노드 수는 58,622 이다.
(특징추출)
본 발명에서 사용되는 광학센서는 상술한 바와 같이 PMT(Photo Multiplier Tube), 포토다이오드(photodiode), OES(Optical Emission Spectroscopy) 중의 적어도 어느 하나일 수 있다. 다만, 이해의 편의를 위하여 광학센서는 OES를 예로 설명한다.
A. OES
본 발명에서 사용되는 OES는 플라즈마에서 방출되는 빛을 이용한 광학 진단을 위해 널리 사용되는 진단방법이다. 플라즈마에서 원소의 전자가 그라운드 상태로 떨어지면서 방출된 빛은 원소에 따라 자체 파장을 갖는다. 이를 통해 플라즈마에 존재하는 원소의 종류를 추정할 수 있고, 파장의 세기 변화로부터 원소의 양을 추정할 수 있다.
도 11은 본 발명의 일실시예에 따른 OES 데이터 샘플을 나타낸다.
도 11을 참조하면, 플라즈마로부터 방출되는 광은 매우 넓은 파장 범위를 갖지만, 일반적으로 OES 에 의해 사용되는 파장 범위는 200 내지 1000nm 이다. 플라즈마로부터 방출된 광스펙트럼은 플라즈마를 구성하는 원자 및 분자에 따라 변하기 때문에, 식각 부산물 또는 반응 가스와 관련된 특정 파장의 변화를 추적하여 파장과 관련된 재료가 존재하는지 판단할 수 있다. 즉, 식각될 모든 물질은 제거되므로, 식각된 물질과 반응물 가스의 반응에 의해 생성된 식각 생성물이 제거되고, 식각 부산물과 관련된 파장의 세기의 감소 추세를 파악하여 식각 종점을 검출한다.
그러나, 플라즈마 진단 도구를 통해 얻은 변수의 수가 너무 많고 지속적으로 많은 양의 데이터를 특정하고 축적하기 때문에 장비 사용자는 어떤 변수를 관찰해야 하는지 알기가 어렵다. 또한, 플라즈마 프로세스에서 물리 화학적 반응의 영역으로서 나타나는 측정 신호의 감도가 좁아진다. 이 문제를 해결하기 위해 빅 데이터 분석 방법이 사용된다.
B. OES 데이터 특징 추출
정확한 식각 종점 검출을 위해, 샘플은 미리 분광장치로부터 0.1초 간격으로 실시간으로 측정된다. 본 발명의 실시예에서는 신호 처리 방법은 분광 스펙트럼 장치를 통해 약 3800개의 신호 세트에 적용되며, 특징 추출이 수행되어 훈련 데이터와 테스트 데이터로 분리된다. 훈련 데이터는 지도 학습 모델의 학습에서 사용되는 데이터이며, 테스트 데이터는 학습에 관여하지 않는 머신러닝 모델의 성능 평가만을 위한 것이다.
도 12는 본 발명의 일실시예에 따른 OES 데이터 구조를 나타낸다.
도 3 및 도 12를 참조하면, OES 데이터 구조는 일정시간 간격(예컨대 0.1 초)으로 실시간으로 측정되는 파장들로 구성되는 블록들이다.
이러한 블록들에서 본 발명의 특징 추출부는 훈련 데이터(224)를 추출하는데, 훈련 데이터(224)는 식각종점 데이터(227, A) 및 비종점 데이터(228, B)로 구성된다.
식각종점 데이터(A)는 알려진 식각 종점 시간의 인근의 연속되는 다수 개의 블록을 식각 종점으로 가정한다. 예컨대, 식각 종점 시간의 2개의 블록 앞의 총 3개의 블록이 식각 종점인 것으로 가정하고 머신러닝 데이터에서 1로 매핑된다.
비훈련 블록(C, Non training block)은 중간의 블록들이다. 예컨대, 식각 종점으로 가정되는 첫 번째 블록에서 10개의 블록 앞의 데이터는 훈련 데이터로 사용되지 않는 블록들이다
비종점 데이터(B)는 첫 블록에서부터 비훈련 블록(C)들 사이의 블록들에서 추출되는 다수 개의 블록들이다. 예컨대, 첫 블록부터 식각 종점으로 가정되는 식각 종점 데이터(A)의 첫 번째 블록에서 10개의 블록(비훈련 블록들, C) 앞을 사용하며, 이 블록들에 대한 랜덤 함수를 사용하여 3개의 블록이 추출되어서 머신러닝 데이터에서 0으로 매핑된다.
본 발명의 실시예에서는 데이터 수집부(210)에서 수집한 총 1911 개의 OES 데이터 세트에 대하여 각각 3개의 블록이 추출되어서, 5733개의 식각종점 데이터(A) 및 5733개의 비종점 데이터(B)가 획득된다. 머신러닝 모델의 과적합(Overfitting) 문제를 방지하기 위해 식각종점 데이터(A)와 비종점 데이터(B) 비율을 동일하게 사용한다.
위와 같이 데이터를 처리한 후 랜덤 함수를 사용하여 상기 훈련 데이터들을 실제로 학습에 사용되는 훈련 데이터와 테스트 데이터를 8:2 비율로 분리한다. 결과적으로 데이터 처리는 9172개의 학습에 사용되는 훈련 데이터와 2294개의 테스트 데이터로 분리된다.
(테스트 및 결과)
세 가지 모델의 성능을 검증하기 위해 두 가지 테스트 방법이 사용되었다. 테스트 방법 1에서는 학습에 포함되지 않는 20%의 랜덤 테스트 데이터와 실제 정답 및 분류기의 출력 값을 비교하여 정확도를 평가했다. 테스트 방법 2에서는 첫 번째 탐지 시점과 시간에 따른 탐지 정확도 확인을 수행하였다.
A, 테스트 방법 1
테스트 방법 1에 의한 모델 정확도는 아래 표와 같다.
[표 3]
Figure 112020067389841-pat00008
표 3을 참조하면, 3차 SVM분류기는 99.3% 의 정확도로 2294개의 테스트 데이터 중 2278개를 탐지했다. 에이다부스트(adaboost) 앙상블 분류기는 2275개를 탐지했으며 정확도는 99.17%이다. CNN은 99,73%의 정확도로 2288개를 탐지했다. 결과적으로 CNN의 성능이 세 가지 모델 중에서는 가장 높다는 것을 확인했다.
B. 테스트 방법 2
학습에 사용되지 않은 11개의 테스트 데이터 세트를 사용하여 테스트를 수행했다.
도 12에 표시된 데이터 구조를 참조하면, 비종점 데이터(B) 3 블록 및 식각 종점 데이터(A) 3블록이 데이터 세트 당 트레이닝에 사용되는 것을 알 수 있다.
테스트 방법 2에서는, 시간에 따른 모든 스텍트럼 데이터는 실제 식각 프로세스에서 종점 검출 성능을 평가하기 위한 입력으로 적용된다.
도 13은 본 발명의 일실시예에 따른 첫 번째 식각종점 시간 탐지를 나타내는 예시도이다.
도 13을 참조하면, 시간에 따라 변하는 OES 데이터 세트는 세 가지 분류기 모델에 대한 입력으로 사용되었다
SVM 분류기의 첫 번째 식각 종점 탐지는 실제 식각 종점보다 14 블록 앞, 에이다부스트(adaboost) 앙상블 분류기의 첫 번째 식각 종점 탐지는 실제 식각 종점보다 8 블록 앞, CNN은 실제 종점보다 6 블록 앞 포인트를 탐지했다. 이 테스트에서 세 가지 모델의 공통점은 초기 탐지 후 오탐지 없이 지속적으로 식각 종점을 탐지한다는 것이다.
따라서, 적절한 수의 연속 탐지 횟수가 설정된다면 결과는 실제 종점과 근접하게 된다.
아래 표는 11개의 테스트 데이터 세트가 입력될 때 식각 종점의 초기 탐지점과 분류기의 실제 종점 사이의 블록 차이를 보여준다.
[표 4]
Figure 112020067389841-pat00009
표 4를 참조하면, SVM 분류기는 평균 12.6 블록을 미리 탐지했으며, 에이다부스트(adaboost) 앙상블 분류기는 평균 6.3 블록을, CNN은 평균 5,8 블록을 미리 탐지하였다. 결과적으로, 비록 에이다부스트와의 차이는 작지만 CNN의 성능이 세 가지 모델 중에서는 가장 높다는 것을 확인했다.
본 발명에서는 식각 종점 탐지를 위한 3가지 머신러닝 모델을 훈련하고, 두 가지 테스트 방법으로 성능을 평가하였다. 최적화되지 않은 상황에서 얻은 결과의 우수성을 고려하면, 신경망을 이용한 머신러닝 및 인공지능 기술은 플라즈마 식각 종말점을 탐지하는 기술의 정확도 향상에 크게 기여할 수 있다.
이하, 본 발명의 일실시예에 따른 플라즈마 식각 진단장치를 사용한 플라즈마 식각 진단방법에 관하여 설명한다.
도 14는 본 발명의 일실시예에 따른 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단방법을 나타내는 순서도이다.
도 14를 참조하면, 프로세서에서 처음 시작에서 인지횟수(NumDt)의 데이터의 숫자는 0이다.(S101)
다음으로, 데이터 수집부는 분광 스펙트럼 장치로부터 실시간으로 0.1초 간격으로 측정되는 광 스펙트럼 데이터인 s(η,λ) 를 수집(S102)한다.
다음으로, 데이터 수집부에서 수집된 스펙트럼 데이터인 s(η,λ) 로부터 데이터 처리부의 특징추출부에서 신호처리 방법을 적용하여 특징을 추출(S103)한다. 특징 추출 방법은 상술한 훈련데이터에서 설명한 바와 같다.
다음으로, 특징추출부에서 추출된 특징 데이터를 머신러닝 분류기의 입력값으로 하여 출력값을 구한다.(S104)
다음으로, 만약에 머신러닝 분류기의 출력값이 1이면 1차로 식각종료점(End point)가 탐지된 것으로 인지하며, 출력값이 0이면 식각종료점이 아직 도달하지 않은 것이므로 분광 스펙트럼 장치로부터 시간의 진행에 따라서 계속하여 광스펙트럼 데이터인 s(η,λ) 를 수집하도록 한다. (S105)
다음으로, 식각종료점(End point)가 탐지된 것으로 인지한 경우에는 위의 과정을 반복하여서 인지횟수(NumDt)를 가산한다.(S106) 가산되는 인지횟수(NumDt)는 상술한 훈련 데이터의 구조, 사용되는 머신러닝 분류기의 종류에 따라서 다르게 설정된다.
다음으로, 인지횟수가 사전에 설정된 문턱값(Threshold, N)을 넘으면 최종적으로 식각종료점을 확정하고, 설정된 문턱값을 넘지 않으면 출력값이 1인 결과값을 계속 가산하도록 한다.(S107)
다음으로, 최종적으로 식각 종료점이 확정되면, 알람을 울려서 운영자가 공정을 멈추도록 한다.(S108)
이상에서 설명한 본 발명은 전술한 도면 및 상세한 설명에 의하여 한정되는 것은 아니고, 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 해당 기술분야의 당업자가 다양하게 수정 및 변경시킨 것 또한 본 발명의 범위 내에 포함됨은 물론이다.
10, 110: 기판 15, 115: 챔버
20, 120: 척 25, 125: 가스 유입관
40, 140: 뷰포트 60, 160: 광파이버
70, 170: 광학센서 80: 제어부
150: 광브라켓 151:광수광부
153: 광가이드 155:커넥션
157: 베이스판 200: 프로세서
210: 데이터 수집부 220: 데이터 처리부
222: 특징 추출부 224: 훈련 데이터
226: 테스트 데이터 227: 식각종점 데이터
228: 비종점 데이터 230: 데이터 분석부
232: 머신러닝 분류기 250: 알람부

Claims (9)

  1. 플라즈마를 이용하여 공정이 진행되는 공정챔버;
    상기 공정챔버 내에서 방출되는 빛을 외부로 전달하는 뷰 포트;
    상기 뷰 포트에 광파이버로 접속되어 전송된 빛을 특정 파장에 해당하는 전기적 신호로 전환하는 광학센서;
    상기 광학센서의 파장을 실시간으로 취득하는 광학 데이터 수집부, 상기 광학 데이터 수집부에서 수집된 광학 데이터를 처리하는 데이터 처리부, 및 상기 데이터 처리부에서 처리된 데이터를 분석하는 데이터 분석부로 구성되는 프로세서; 및
    상기 데이터 분석부에서 식각 종말 정보를 입력받아 식각 종말점을 알리는 알람부를 포함하며,
    상기 프로세서는,
    상기 광학센서로부터 실시간으로 측정된 데이터들을 수집하여 데이터베이스로 저장하는 광학 데이터 수집부;
    상기 광학 데이터 수집부의 데이터를 특징 추출부에서 특징 추출이 수행되어서, 훈련 데이터와 테스트 데이터로 분리하는 데이터 처리부; 및
    상기 훈련 데이터는 머신러닝 분류기에서 학습이 이루어지는 데이터 분석부를 포함하며,
    상기 훈련 데이터 및 테스트 데이터는 각각 식각종점 데이터 및 비종점 데이터로 구성되며,
    상기 광학 데이터 구조는 실시간으로 측정되는 파장들로 구성되는 블록들이며,
    상기 특징 추출부는 훈련 데이터를 추출하는데, 상기 훈련 데이터는 식각종점 데이터 및 비종점 데이터로 구성되며,
    상기 식각종점 데이터는 알려진 식각 종점 시간의 인근의 연속되는 다수 개의 블록들로서, 머신러닝 데이터에서 1로 매핑되며,
    상기 블록들의 중간은 훈련 데이터로 사용되지 않는 비훈련 블록이며,
    상기 비종점 데이터는 블록들의 첫 블록에서부터 상기 비훈련 블록들 사이의 블록들에서 랜덤하게 추출되는 다수 개의 블록들로서, 머신러닝 데이터에서 0으로 매핑되는 것을 특징으로 하는 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치.
  2. 제1항에 있어서,
    상기 뷰 포트는 적어도 두 개의 뷰 포트이며,
    상기 각각의 뷰 포트로부터 적어도 두 개의 다채널의 광파이버로부터 광학 데이터를 취득할 수 있으며,
    상기 광학센서는 적어도 두 개의 OES(Optical Emission Spectroscopy) 센서이며,
    상기 뷰 포트와 상기 광학센서 사이에는 다수의 광수광부와 광가이드를 갖는 광브라켓이 개재되어 있는 것을 특징으로 하는 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치.
  3. 제1항에 있어서,
    상기 뷰 포트는 적어도 두 개의 뷰 포트이며,
    상기 각각의 뷰 포트로부터 적어도 두 개의 다채널의 광파이버로부터 광학 데이터를 취득할 수 있으며,
    상기 광학센서는 적어도 두 개의 PMT(Photo Multiplier Tube) 센서 또는 포토다이오드(photodiode) 센서이며,
    상기 뷰 포트와 연결되는 상기 다수의 광파이버는 각각 설정된 파장 영역만 통과하는 다수의 필터들과 연결되어 있는 것을 특징으로 하는 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 머신러닝 분류기는 3차 SVM(Support Vector Machine) 분류기, 에이다부스트(adaboost) 앙상블 분류기, 및 CNN (Convolutional Neural Network) 분류기 중의 어느 하나인 것을 특징으로 하는 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치.
  6. 삭제
  7. 제1항에 있어서,
    상기 머신러닝 모델의 과적합(Overfitting) 문제를 방지하기 위해 상기 식각종점 데이터와 비종점 데이터의 비율을 동일하게 사용하는 것을 특징으로 하는 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치.
  8. 제7항에 있어서,
    상기 훈련 데이터들을 실제로 학습에 사용되는 훈련 데이터와 테스트 데이터를 일정 비율로 분리하는 것을 특징으로 하는 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치.
  9. 데이터 수집부는 분광 스펙트럼 장치로부터 실시간으로 측정된 광학 데이터를 수집하는 단계;
    상기 데이터 수집부에서 수집된 광학 데이터로부터 데이터 처리부의 특징추출부에서 신호처리 방법을 적용하여 특징을 추출하는 단계;
    상기 특징추출부에서 추출된 특징을 머신러닝 분류기의 입력값으로 하여 출력값을 구하는 단계;
    상기 머신러닝 분류기의 출력값이 1이면 1차로 식각종료점(End point)가 탐지된 것으로 인지하며, 출력값이 0이면 식각종료점이 아직 도달하지 않은 것이므로 분광 스펙트럼 장치로부터 시간의 진행에 따라서 계속하여 광스펙트럼 데이터를 수집하는 단계;
    상기 머신러닝 분류기가 식각종료점(End point)을 탐지된 것으로 인지한 경우에는 위의 과정을 반복하여서 인지횟수(NumDt)를 가산하는 단계;
    상기 머신러닝 분류기의 인지횟수가 사전에 설정된 문턱값(Threshold, N)을 넘으면 최종적으로 식각종료점을 확정하고, 설정된 문턱값을 넘지 않으면 출력값이 1인 결과값을 계속 가산하도록 하는 단계; 및
    상기 식각 종료점이 확정되면 알람부가 식각 종료의 알람을 울리는 단계를 포함하며,
    상기 광학 데이터 구조는 실시간으로 측정되는 파장들로 구성되는 블록들이며,
    상기 특징 추출부는 훈련 데이터를 추출하는데, 상기 훈련 데이터는 식각종점 데이터 및 비종점 데이터로 구성되며,
    상기 식각종점 데이터는 알려진 식각 종점 시간의 인근의 연속되는 다수 개의 블록들로서, 머신러닝 데이터에서 1로 매핑되며,
    상기 블록들의 중간은 훈련 데이터로 사용되지 않는 비훈련 블록이며,
    상기 비종점 데이터는 블록들의 첫 블록에서부터 상기 비훈련 블록들 사이의 블록들에서 랜덤하게 추출되는 다수 개의 블록들로서, 머신러닝 데이터에서 0으로 매핑되는 것을 특징으로 하는 머신러닝 모델을 이용한 플라즈마 식각공정 진단방법.
KR1020200079797A 2020-06-30 2020-06-30 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법 KR102375527B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200079797A KR102375527B1 (ko) 2020-06-30 2020-06-30 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200079797A KR102375527B1 (ko) 2020-06-30 2020-06-30 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법

Publications (2)

Publication Number Publication Date
KR20220001603A KR20220001603A (ko) 2022-01-06
KR102375527B1 true KR102375527B1 (ko) 2022-03-18

Family

ID=79347789

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200079797A KR102375527B1 (ko) 2020-06-30 2020-06-30 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법

Country Status (1)

Country Link
KR (1) KR102375527B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230161265A (ko) 2022-05-18 2023-11-27 숭실대학교산학협력단 커널 밀도 추정을 이용한 플라즈마 식각공정 종료점 검출 장치 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030683B (zh) * 2023-07-03 2024-01-23 盐城工学院 一种等离子体电子密度发射光谱诊断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030038112A1 (en) 2000-03-30 2003-02-27 Lianjun Liu Optical monitoring and control system and method for plasma reactors
JP2007531823A (ja) 2004-04-02 2007-11-08 アプライド　マテリアルズ　インコーポレイテッド プラズマ処理システムにおける処理条件の制御のための方法及びシステム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100892248B1 (ko) * 2007-07-24 2009-04-09 주식회사 디엠에스 플라즈마 반응기의 실시간 제어를 실현하는 종말점 검출장치 및 이를 포함하는 플라즈마 반응기 및 그 종말점 검출방법
KR100921964B1 (ko) * 2007-12-14 2009-10-15 한국기초과학지원연구원 플라즈마 상태 모니터링 시스템
JP5383265B2 (ja) 2009-03-17 2014-01-08 株式会社日立ハイテクノロジーズ エッチング装置、分析装置、エッチング処理方法、およびエッチング処理プログラム
KR101780874B1 (ko) * 2012-10-17 2017-09-21 도쿄엘렉트론가부시키가이샤 다변량 분석을 이용한 플라즈마 에칭 종료점 검출
KR20150015600A (ko) * 2013-07-31 2015-02-11 주식회사 프라임솔루션 다수의 발광분광기 센서를 갖는 플라즈마 공정 진단장치 및 이를 이용한 진단방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030038112A1 (en) 2000-03-30 2003-02-27 Lianjun Liu Optical monitoring and control system and method for plasma reactors
JP2007531823A (ja) 2004-04-02 2007-11-08 アプライド　マテリアルズ　インコーポレイテッド プラズマ処理システムにおける処理条件の制御のための方法及びシステム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230161265A (ko) 2022-05-18 2023-11-27 숭실대학교산학협력단 커널 밀도 추정을 이용한 플라즈마 식각공정 종료점 검출 장치 및 방법

Also Published As

Publication number Publication date
KR20220001603A (ko) 2022-01-06

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
KR102375527B1 (ko) 다채널 광스펙트럼 분석을 위한 머신러닝 모델을 이용한 플라즈마 식각공정 진단장치 및 이를 이용한 플라즈마 식각공정 진단방법
KR100912748B1 (ko) 부분최소제곱을 사용한 종단점검출을 위한 방법 및 장치
US6896763B2 (en) Method and apparatus for monitoring a process by employing principal component analysis
TWI673489B (zh) 以使用一適應性滋擾過濾器產生針對一樣本之檢驗結果之系統及方法，以及非暫時性電腦可讀媒體
US20040045934A1 (en) System and method for determining endpoint in etch processes using partial least squares discriminant analysis in the time domain of optical emission spectra
EP1891492B1 (en) Process change detection through the use of evolutionary algorithms
TWI684843B (zh) 電漿處理裝置及狀態預測裝置
TWI683333B (zh) 電漿處理裝置及電漿處理裝置狀態預測方法
KR102373933B1 (ko) 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법
TW202139240A (zh) 在半導體製程期間對電漿放電進行辨認和尋址的方法
Choi et al. Supervised multivariate kernel density estimation for enhanced plasma etching endpoint detection
JP4476551B2 (ja) プラズマ処理装置および処理方法
US20030236759A1 (en) Neural network for determining the endpoint in a process
Chakroun et al. Using Unsupervised Machine Learning for Plasma Etching Endpoint Detection.
KR101895707B1 (ko) 플라즈마 공정의 식각 종료점 진단방법
KR20230090501A (ko) 반도체 식각 장비의 고장을 탐지하는 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램
KR101588531B1 (ko) 플라즈마 식각 공정의 식각 종료점 검출방법
KR20030095983A (ko) 반도체 건식 식각공정에서의 식각 종료점 검출방법
Park et al. A data mining technique for real time process monitoring with mass spectrometry: APC: Advanced process control
Oh et al. Method for improving dry etching end point detection based on change in time accumulation correlation of plasma emitting wavelengths
KR102702063B1 (ko) 커널 밀도 추정을 이용한 플라즈마 식각공정 종료점 검출 장치 및 방법
KR20240030108A (ko) 검사 방법, 이를 포함하는 기판 처리 방법, 및 이를 이용한 기판 처리 장치

Legal Events

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