KR102383416B1 - 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서 - Google Patents

플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서 Download PDF

Info

Publication number
KR102383416B1
KR102383416B1 KR1020200104457A KR20200104457A KR102383416B1 KR 102383416 B1 KR102383416 B1 KR 102383416B1 KR 1020200104457 A KR1020200104457 A KR 1020200104457A KR 20200104457 A KR20200104457 A KR 20200104457A KR 102383416 B1 KR102383416 B1 KR 102383416B1
Authority
KR
South Korea
Prior art keywords
plasma
data
plasma process
sensing data
predicting
Prior art date
Application number
KR1020200104457A
Other languages
English (en)
Other versions
KR20220023034A (ko
KR102383416B9 (ko
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 KR1020200104457A priority Critical patent/KR102383416B1/ko
Publication of KR20220023034A publication Critical patent/KR20220023034A/ko
Application granted granted Critical
Publication of KR102383416B1 publication Critical patent/KR102383416B1/ko
Publication of KR102383416B9 publication Critical patent/KR102383416B9/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Plasma Technology (AREA)

Abstract

본 발명은 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서에 관한 것으로, 플라즈마 공정 시에 발생되는 센싱데이터를 수집하는 단계, 센싱데이터 중에서 플라즈마 공정 예측 시에 필요한 적어도 하나의 센싱데이터를 선택하는 단계, 선택된 센싱데이터를 머신러닝 알고리즘에 적용하여 센싱데이터가 수집된 시점과 관련된 제1 플라즈마 공정정보를 예측하는 단계 및 제1 플라즈마 공정정보를 머신러닝 알고리즘에 적용하여 시점의 이후 시점에 대한 제2 플라즈마 공정정보를 예측하는 단계를 포함하며 다른 실시 예로도 적용이 가능하다.

Description

플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서{Method and Smart Sensor for Process Predicting Using Sensing Data of Plasma Chamber}
본 발명은 플라즈마 장비의 센싱데이터를 이용한 공정 예측 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, 최근에는 광학 진단데이터와 전기적 특성 데이터를 다양한 통계기법으로 처리하여 식각 공정의 종료시점을 예측하거나 박막 두께를 예측하는 등의 플라즈마 공정의 모니터링을 수행한다. 그러나, 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.
(특허문헌 1) 한국공개특허공보 제10-2020-0091073호 (2020.07.30.)
이러한 종래의 문제점을 해결하기 위한 본 발명의 실시 예들은 플라즈마 공정 시의 플라즈마 진단데이터와 장비데이터를 분석하여 플라즈마 및 공정 상태를 정확하게 예측할 수 있는 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서를 제공하는 것이다.
본 발명의 실시 예에 따른 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법은, 플라즈마 공정 시에 발생되는 센싱데이터를 수집하는 단계, 상기 센싱데이터 중에서 플라즈마 공정 예측 시에 필요한 적어도 하나의 센싱데이터를 선택하는 단계, 상기 선택된 센싱데이터를 머신러닝 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점과 관련된 제1 플라즈마 공정정보를 예측하는 단계 및 상기 제1 플라즈마 공정정보를 머신러닝 알고리즘에 적용하여 상기 시점의 이후 시점에 대한 제2 플라즈마 공정정보를 예측하는 단계를 포함하는 것을 특징으로 한다.
또한, 제1 플라즈마 공정정보를 예측하는 단계는, DNN(deep neural network)기반 알고리즘 및 RNN(recurrent neural network)기반 알고리즘 중 어느 하나의 알고리즘에 적용하여 상기 제1 플라즈마 공정정보에 포함된 플라즈마 상태 및 공정 상태 중 적어도 하나를 예측하는 단계인 것을 특징으로 한다.
또한, 제1 플라즈마 공정정보를 예측하는 단계는, 상기 선택된 센싱데이터를 상기 DNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 특정 구간에 대한 상기 제1 플라즈마 공정정보에 포함된 플라즈마 상태 및 공정 상태 중 적어도 하나를 예측하는 단계인 것을 특징으로 한다.
또한, 제1 플라즈마 공정정보를 예측하는 단계는, 상기 선택된 센싱데이터를 상기 RNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 제1 플라즈마 공정정보에 포함된 플라즈마 상태 및 공정 상태 중 적어도 하나를 예측하는 단계인 것을 특징으로 한다.
또한, 제2 플라즈마 공정정보를 예측하는 단계는, 상기 센싱데이터 및 상기 제1 플라즈마 공정정보를 DNN기반 알고리즘에 적용하여 상기 이후 시점에 대한 스펙트럼 데이터 및 전기적 특성 데이터를 포함하는 상기 제2 플라즈마 공정정보를 예측하는 단계인 것을 특징으로 한다.
또한, 센싱데이터는, 플라즈마 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 공정 예측을 위한 스마트센서는, 플라즈마 공정 시에 발생되는 센싱데이터를 수집하는 수집부, 상기 센싱데이터 중에서 플라즈마 공정 예측 시에 필요한 적어도 하나의 센싱데이터에 대한 선택신호를 생성하는 입력부 및 상기 선택된 센싱데이터를 머신러닝 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점과 관련된 제1 플라즈마 공정정보를 예측하고, 상기 제1 플라즈마 공정정보를 머신러닝 알고리즘에 적용하여 상기 시점의 이후 시점에 대한 제2 플라즈마 공정정보를 예측하는 제어부를 포함하는 것을 특징으로 한다.
또한, 제어부는, DNN(deep neural network)기반 알고리즘 및 RNN(recurrent neural network)기반 알고리즘 중 어느 하나의 알고리즘에 적용하여 상기 제1 플라즈마 공정정보에 포함된 플라즈마 상태를 예측하는 제1 예측부를 포함하는 것을 특징으로 한다.
또한, 제1 예측부는, 상기 선택된 센싱데이터를 상기 DNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 특정 구간에 대한 상기 플라즈마 상태를 예측하거나, 상기 선택된 센싱데이터를 상기 RNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 플라즈마 상태 중 어느 하나를 예측하는 것을 특징으로 한다.
또한, 제어부는, 상기 DNN(deep neural network)기반 알고리즘 및 상기 RNN(recurrent neural network)기반 알고리즘 중 어느 하나의 알고리즘에 적용하여 상기 제1 플라즈마 공정정보에 포함된 공정 상태를 예측하는 제2 예측부를 포함하는 것을 특징으로 한다.
또한, 제2 예측부는, 상기 선택된 센싱데이터를 상기 DNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 특정 구간에 대한 상기 공정 상태를 예측하거나, 상기 선택된 센싱데이터를 상기 RNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 공정 상태를 예측하는 것을 특징으로 한다.
또한, 제어부는, 상기 센싱데이터 및 상기 제1 플라즈마 공정정보를 DNN기반 알고리즘에 적용하여 상기 이후 시점에 대한 스펙트럼 데이터 및 전기적 특성 데이터를 포함하는 상기 제2 플라즈마 공정정보를 예측하는 제3 예측부를 포함하는 것을 특징으로 한다.
또한, 센싱데이터는, 플라즈마 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 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서는, 플라즈마 공정 시의 플라즈마 진단데이터와 장비데이터를 분석하여 플라즈마 및 공정 상태를 정확하게 예측함으로써 플라즈마 공정의 종료 시점을 정확하게 판단할 수 있고, 플라즈마 공정의 성공 및 실패 여부를 사전에 판단할 수 있어 생산비용을 절감할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 플라즈마 공정을 예측하는 스마트센서를 나타낸 도면이다.
도 2는 본 발명의 실시 예에 따른 플라즈마 공정을 예측하는 방법을 설명하기 위한 순서도이다.
도 3a 및 도 3b는 본 발명의 실시 예에 따른 특정 구간에 대한 상태를 예측하는 제1 알고리즘을 설명하기 위한 화면예시도이다.
도 4a 및 도 4b는 본 발명의 실시 예에 따른 공정 시간에 따른 상태를 예측하는 제2 알고리즘을 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 플라즈마 공정을 예측하는 스마트센서를 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 스마트센서(100)는 수집부(110), 입력부(120), 표시부(130), 메모리(140) 및 제어부(150)를 포함할 수 있고, 제어부(150)는 제1 예측부(151), 제2 예측부(152) 및 제3 예측부(153)를 포함할 수 있다.
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. 이 경우, 스마트센서(100)는 복수의 센서와의 통신을 위해 센서들과 블루투스, BLE(bluetooth low energy) 등의 무선 통신을 수행할 수 있다.
진단데이터는 스펙트럼 데이터 및 전기적 특성 데이터를 포함할 수 있고, 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 데이터일 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.
입력부(120)는 스마트센서(100)의 사용자의 입력에 대응하여, 입력데이터를 발생시킨다. 이때, 입력부(120)는 예측하고자 하는 플라즈마 공정정보와 관련된 선택신호 등을 생성한다. 이를 위해, 입력부(120)는 적어도 하나의 입력수단을 포함한다. 입력부(120)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치패널(touch panel), 터치 키(touch key), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있다.
표시부(130)는 스마트센서(100)의 동작에 따른 표시 데이터를 표시한다. 표시부(130)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; micro electro mechanical systems) 디스플레이 및 전자 종이(electronic paper) 디스플레이를 포함한다. 표시부(130)는 입력부(120)와 결합되어 터치 스크린(touch screen)으로 구현될 수 있다.
메모리(140)는 스마트센서(100)를 동작하기 위한 동작 프로그램들을 저장하고, 플라즈마 공정정보를 예측하기 위해 필요한 알고리즘들을 저장한다.
제어부(150)는 플라즈마 공정정보 예측을 위해 입력부(120)에서 선택된 센싱데이터를 머신러닝 알고리즘에 적용한다. 제어부(150)는 센싱데이터가 수집된 시점과 관련된 제1 플라즈마 공정정보를 예측하고, 제1 플라즈마 공정정보를 머신러닝 알고리즘에 적용하여 시점의 이후 시점에 대한 제2 플라즈마 공정정보를 예측한다. 이를 위해, 제어부(150)는 제1 예측부(151), 제2 예측부(152) 및 제3 예측부(153)를 포함한다. 아울러, 본 발명의 실시 예에서는 제1 예측부(151)와 제2 예측부(152)가 별도의 구성임을 예로 설명하고 있으나, 반드시 이에 한정되는 것은 아니며, 제1 예측부(151)와 제2 예측부(152)가 하나의 예측부로 형성될 수 있다.
제1 예측부(151)는 입력부(120)에서 선택된 센싱데이터를 기반으로 특정 구간에 대한 플라즈마 상태 또는 플라즈마 공정 시간에 대한 플라즈마 상태를 예측한다. 이때, 플라즈마 상태는 밀도 및 온도 등을 포함할 수 있다. 보다 구체적으로, 제1 예측부(151)는 특정 구간에 대한 플라즈마 상태를 예측하기 위해서 메모리(140)에 저장된 제1 알고리즘을 호출하고, 제1 알고리즘에 센싱데이터를 입력데이터로 적용한다. 이때, 제1 알고리즘은 DNN(deep neural network)기반 알고리즘일 수 있다. 또한, 제1 예측부(151)는 공정 시간에 대한 플라즈마 상태를 예측하기 위해서 메모리(140)에 저장된 제2 알고리즘을 호출하고, 제2 알고리즘에 센싱데이터를 입력데이터로 적용한다. 이때, 제2 알고리즘은 RNN(recurrent neural network)기반 알고리즘일 수 있다. 아울러, 제1 알고리즘과 제2 알고리즘 각각에 적용되는 입력데이터는 센싱데이터에 포함된 스펙트럼 데이터이거나, 전기적 특성 데이터를 추가로 포함할 수 있다.
제2 예측부(152)는 입력부(120)에서 선택된 센싱데이터를 기반으로 특정 구간에 대한 플라즈마 공정 상태 또는 플라즈마 공정 시간에 대한 플라즈마 공정 상태를 예측한다. 이때, 플라즈마 공정 상태는 식각률 및 증착률 등을 포함할 수 있다. 보다 구체적으로, 제2 예측부(152)는 특정 구간에 대한 공정 상태를 예측하기 위해서 메모리(140)에 저장된 제1 알고리즘을 호출하고, 제1 알고리즘에 센싱데이터를 입력데이터로 적용한다. 이때, 제1 알고리즘은 DNN기반 알고리즘일 수 있다. 또한, 제2 예측부(152)는 공정 시간에 대한 공정 상태를 예측하기 위해서 메모리(140)에 저장된 제2 알고리즘을 호출하고, 제2 알고리즘에 센싱데이터를 입력데이터로 적용한다. 이때, 제2 알고리즘은 RNN기반 알고리즘일 수 있다. 아울러, 제1 알고리즘과 제2 알고리즘 각각에 적용되는 입력데이터는 센싱데이터에 포함된 스펙트럼 데이터이거나, 전기적 특성 데이터를 추가로 포함할 수 있다.
제3 예측부(153)는 입력부(120)에서 선택된 센싱데이터와 제1 예측부(151) 및 제2 예측부(152) 중 적어도 하나의 예측부에서 예측된 제1 플라즈마 공정정보를 기반으로 제2 플라즈마 공정정보를 예측한다. 이때, 제2 플라즈마 공정정보는, 센싱데이터가 획득된 현재 시점 이후의 시점에 대한 스펙트럼 데이터 및 전기적 특성 데이터를 포함한다. 보다 구체적으로, 제3 예측부(153)는 메모리(140)에서 복수의 히든레이어를 포함한 DNN기반 알고리즘을 호출한다. 제3 예측부(153)는 DNN기반 알고리즘에 센싱데이터 및 제1 플라즈마 공정정보를 입력데이터로 적용하여, 적용된 결과로부터 센싱데이터가 획득된 현재 시점 이후의 시점에 대한 제2 플라즈마 공정정보를 예측할 수 있다.
도 2는 본 발명의 실시 예에 따른 플라즈마 공정을 예측하는 방법을 설명하기 위한 순서도이다.
도 2를 참조하면, 201단계에서 제어부(150)는 수집부(110)에서 센싱데이터를 수집하였는지를 확인한다. 201단계의 확인결과, 센싱데이터가 수집되면 제어부(150)는 203단계를 수행하고, 센싱데이터가 수집되지 않으면 센싱데이터의 수집을 대기한다. 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, 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. 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 제어부(150)는 입력부(120)로부터 데이터 선택신호의 수신여부를 확인한다. 203단계의 확인결과, 데이터 선택신호가 수신되면 제어부(150)는 205단계를 수행하고, 데이터 선택신호가 수신되지 않으면 데이터 선택신호의 수신을 대기한다. 이때, 데이터 선택신호는 하기의 표 1을 이용하여 보다 구체적으로 설명하기로 한다. 아울러, 하기의 표 1인 설명의 편의를 위한 것일 뿐, 본 발명이 반드시 이에 한정되는 것은 아님을 명확히 하는 바이다.
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, 입력부(120)로부터 플라즈마 밀도 상태를 예측하고자 하는 밀도가 선택되면 제어부(150)는 밀도 예측 시에 필요한 데이터를 추출한다. 예를 들어, 플라즈마 공정 시에 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, 제어부(150)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. 상기와 같이 제어부(150)는 입력부(120)로부터 플라즈마 밀도 상태를 예측하고자 하는 밀도가 선택신호로 수신되면 205단계를 수행한다. 205단계에서 제어부(150)는 제1 알고리즘을 적용하는 것으로 설정된 상태인지를 확인한다. 205단계의 확인결과, 제1 알고리즘을 적용하는 것으로 설정된 상태이면 제어부(150)는 207단계를 수행하고, 제1 알고리즘을 적용하는 것으로 설정된 상태가 아니면 제어부(150)는 211단계를 수행한다. 이때, 제1 알고리즘은 DNN(deep neural network)기반 알고리즘을 의미한다. 아울러, 플라즈마 밀도 상태를 예측하고자 할 경우, 제어부(150)는 제1 예측부(151)를 활성화하여 플라즈마 상태를 예측할 수 있는 DNN기반 알고리즘에 입력데이터를 적용할 수 있다. 만일, 플라즈마 상태가 아닌 플라즈마 공정 상태를 예측하고자 할 경우에 제어부(150)는 제2 예측부(152)를 활성화하여 플라즈마 공정 상태를 예측할 수 있는 DNN알고리즘에 입력데이터를 적용할 수 있다.
207단계에서 제어부(150)는 제1 알고리즘에 입력데이터를 적용하고 209단계에서 제어부(150)는 입력데이터를 적용하여 학습된 결과값을 기반으로 특정 구간에 대한 제1 플라즈마 공정정보를 예측하고 217단계를 수행한다. 이때, 제1 알고리즘은 학습을 통해 갱신될 수 있다. 209단계와 같이 제1 알고리즘을 이용하여 제1 플라즈마 공정정보를 예측하는 방법은 하기의 도 3a 및 도 3b를 이용하여 보다 구체적으로 설명하기로 한다.
반대로, 211단계에서 제어부(150)는 제2 알고리즘을 적용하는 것으로 설정된 상태인지 확인한다. 211단계에서 제2 알고리즘을 적용하도록 설정된 상태이면 제어부(150)는 213단계를 수행하고, 제2 알고리즘을 적용하도록 설정된 상태가 아니면 제어부(150)는 205단계로 회귀한다. 이때, 제2 알고리즘은 RNN(recurrent neural network)기반 알고리즘을 의미하고, 제1 알고리즘과 제2 알고리즘 중 어떤 알고리즘을 적용할 것인지는 플라즈마 공정 시작 이전에 스마트센서(100)의 관리자에 의해 설정될 수 있다.
213단계에서 제어부(150)는 제2 알고리즘에 입력데이터를 적용하고 215단계에서 제어부(150)는 입력데이터를 적용하여 학습된 결과값을 기반으로 공정 시간에 따른 제1 플라즈마 공정정보를 예측하고, 217단계를 수행한다. 이때, 제2 알고리즘은 학습을 통해 갱신될 수 있다. 215단계와 같이 제2 알고리즘을 이용하여 제1 플라즈마 공정정보를 예측하는 방법은 하기의 도 4a 및 도 4b를 이용하여 보다 구체적으로 설명하기로 한다.
이어서, 217단계에서 제어부(150)는 209단계 또는 215단계 중 어느 하나의 단계에서 예측된 제1 플라즈마 공정정보를 DNN기반 알고리즘에 적용하여 센싱데이터가 수집된 이후 시점에 대한 제2 플라즈마 공정정보를 예측한다. 보다 구체적으로, 제어부(150)는 201단계에서 수집된 센싱데이터, 209단계 및 215단계 중 어느 하나의 단계에서 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, 203단계에서 플라즈마 밀도 상태를 예측하고자 하는 선택신호가 수신되었으므로, 제어부(150)는 센싱데이터, 209단계 또는 215단계 중 어느 하나의 단계에서 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. 219단계에서 제어부(150)는 예측된 제2 플라즈마 공정정보를 표시부(130)에 표시한다.
도시되지는 않았으나, 제어부(150)는 다음 시점에 측정될 제2 플라즈마 공정정보와 다음 시점에 실질적으로 측정된 제2 플라즈마 공정정보를 비교하여 플라즈마 공정에 대한 실패 원인을 분석할 수 있다. 예컨대, 예측된 제2 플라즈마 공정정보와 측정된 제2 플라즈마 공정정보의 비교결과, 예측된 제2 플라즈마 공정정보와 측정된 제2 플라즈마 공정정보가 동일하면 다음 시점에 측정될 스펙트럼 데이터 및 전기적 특성 데이터를 포함하는 제2 플라즈마 공정정보의 변화정도를 예측할 수 있다. 반대로, 측정된 제2 플라즈마 공정정보에 포함된 특정 가스의 파장 세기 값이 예측된 제2 플라즈마 공정정보에 포함된 특정 가스의 파장 세기 값보다 작으면, 제어부(150)는 해당 가스 입력장치의 결합을 실패 원인으로 파악할 수 있고, 특정 반응 물질에 대한 파장이 작은 경우 해당 물질과 반응하면 이온 또는 전자량이 감소한 것으로 파악할 수 있다.
도 3a 및 도 3b는 본 발명의 실시 예에 따른 특정 구간에 대한 상태를 예측하는 제1 알고리즘을 설명하기 위한 화면예시도이다.
도 3a를 참조하면, 203단계에서 플라즈마 밀도 상태를 예측하고자 하는 선택신호가 수신되었으므로, 제어부(150)의 제1 예측부(151)가 활성화되고, 제1 예측부(151)는 메모리(140)에 저장된 알고리즘 중에서 히든 레이어(hidden layer)(312, 313, 314, 315)를 포함하여 특정 구간에 대한 플라즈마 상태를 예측할 수 있는 제1 알고리즘(310)을 호출한다. 제1 예측부(151)는 제1 알고리즘(310)에 입력데이터(311)를 적용한다. 이때, 입력데이터(311)는 특정 가스 또는 플라즈마 공정에서 사용된 각각의 가스에 대한 스펙트럼 데이터일 수 있으며, 본 발명의 실시 예에서는 Ar가스에 대한 스펙트럼 데이터(301)이다. 입력데이터(311)가 히든 레이어를 통과하면서 예컨대, Ar가스에 대한 스펙트럼 데이터를 기반으로 특정 구간에 대한 플라즈마의 밀도 예측값(321)을 생성한다.
또한, 도 3b를 참조하면, 203단계에서 플라즈마 밀도 상태를 예측하고자 하는 선택신호가 수신되었으므로, 제어부(150)의 제1 예측부(151)가 활성화되고, 제1 예측부(151)는 메모리(140)에 저장된 알고리즘 중에서 히든 레이어(hidden layer)(343, 344, 345, 346)를 포함하여 특정 구간에 대한 플라즈마 상태를 예측할 수 있는 제1 알고리즘(340)을 호출한다. 제1 예측부(151)는 제1 알고리즘(340)에 입력데이터(341, 342)를 적용한다. 입력데이터(341, 342)는 예컨대, Ar가스에 대한 스펙트럼 데이터(331)와 전기적 특성 데이터(332)에 의해 생성된 데이터일 수 있다. 입력데이터(341, 342)가 히든 레이어를 통과하면서 입력데이터(341, 342) 사이의 상관관계 및 영향도가 분석 및 계산된다. 제1 예측부(151)는 분석 및 계산결과를 기반으로 예컨대, Ar가스를 이용한 특정 구간에 대한 플라즈마의 밀도 예측값(351)을 생성한다.
아울러, 본 발명의 실시 예에서는, 밀도를 예측하기 위한 선택신호가 수신되었기에 제1 예측부(151)에 DNN기반 알고리즘을 적용하는 것을 예로 설명하고 있으나, 식각률 및 증착률과 같이 플라즈마 공정 상태를 예측하기 위한 선택신호가 수신되면 제어부(150)는 제2 예측부(152)를 활성화할 수 있다. 이 경우, 제2 예측부(152)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, 제2 예측부(152)는 스펙트럼 데이터와 전기적 특성 데이터를 입력데이터로 적용할 수도 있다.
도 4a 및 도 4b는 본 발명의 실시 예에 따른 공정 시간에 따른 상태를 예측하는 제2 알고리즘을 설명하기 위한 화면예시도이다.
도 4a를 참조하면, 203단계에서 플라즈마 밀도 상태를 예측하고자 하는 선택신호가 수신되었으므로, 제어부(150)의 제1 예측부(151)가 활성화되고, 제1 예측부(151)는 메모리(140)에 저장된 알고리즘 중에서 복수의 히든 레이어를 포함하여 공정 시간에 따른 플라즈마 상태를 예측할 수 있는 제2 알고리즘을 호출한다. 제1 예측부(151)는 제2 알고리즘에 입력데이터를 적용한다. 이때, 입력데이터는 특정 가스 또는 플라즈마 공정에서 사용된 각각의 가스에 대한 스펙트럼 데이터일 수 있으며, 본 발명의 실시 예에서는 Ar가스에 대한 스펙트럼 데이터이다. 또한, 입력데이터는 201단계에서 센싱데이터가 수집된 플라즈마 공정과 동일한 공정에서 수집되되, 센싱데이터가 수집된 시점 이전의 시점에 수집되어 누적된 센싱데이터 중 Ar가스에 대한 스펙트럼 데이터를 포함할 수 있다.
예를 들어, 제1 예측부(151)는 201단계에서 수집된 센싱데이터가 7번째 공정의 7초에 수집된 센싱데이터일 경우, 제2 예측부(152)는 7번째 공정의 1초부터 7초까지 수집된 센싱데이터들을 순차적으로 RNN기반 알고리즘에 적용한다. 제2 예측부(152)는 7번째 공정의 1초 즉, T0시점에 수집된 스펙트럼 데이터를 RNN기반 알고리즘의 제1 히든레이어(H1)에 적용하고, 7번째 공정의 2초 즉, T1시점에 수집된 스펙트럼 데이터를 RNN기반 알고리즘의 제2 히든레이어(H2)에 적용한다. 이와 같이, 제1 예측부(151)는 최종적으로 현재 시점 즉, T6시점에 수집된 스펙트럼 데이터를 제7 히든레이어(H7)에 적용하여 공정 시간에 따른 이후 시점 즉, 7번째 공정의 8초에 수집될 밀도 예측값을 생성한다.
또한, 도 4b를 참조하면, 203단계에서 플라즈마 밀도 상태를 예측하고자 하는 선택신호가 수신되었으므로, 제어부(150)의 제1 예측부(151)가 활성화되고, 제1 예측부(151)는 메모리(140)에 저장된 알고리즘 중에서 복수의 히든 레이어를 포함하여 공정 시간에 따른 플라즈마 상태를 예측할 수 있는 제2 알고리즘을 호출한다. 제1 예측부(151)는 제2 알고리즘에 입력데이터를 적용한다. 이때, 입력데이터는 특정 가스 또는 플라즈마 공정에서 사용된 각각의 가스에 대한 스펙트럼 데이터 및 전기적 특성 데이터일 수 있다. 또한, 입력데이터는 201단계에서 센싱데이터가 수집된 플라즈마 공정과 동일한 공정이되, 센싱데이터가 수집된 시점 이전의 시점에 수집되어 누적된 센싱데이터 중 특정 가스에 대한 스펙트럼 데이터 및 전기적 특성 데이터를 포함할 수 있다.
예를 들어, 제2 예측부(152)는 201단계에서 수집된 센싱데이터가 7번째 공정의 7초에 수집된 센싱데이터일 경우, 제1 예측부(151)는 7번째 공정의 1초부터 7초까지 단위시간별로 수집된 센싱데이터들을 순차적으로 RNN기반 알고리즘에 적용한다. 제1 예측부(151)는 7번째 공정의 1초 즉, T0시점에 수집된 스펙트럼 데이터 및 전기적 특성 데이터를 RNN기반 알고리즘의 제1 히든레이어(H1)에 적용하고, 7번째 공정의 2초 즉, T1시점에 수집된 스펙트럼 데이터 및 전기적 특성 데이터를 RNN기반 알고리즘의 제2 히든레이어(H2)에 적용한다. 이와 같이, 제1 예측부(151)는 최종적으로 현재 시점 즉, T6시점에 수집된 스펙트럼 데이터 및 전기적 특성 데이터를 제7 히든레이어(H7)에 적용하여 공정 시간에 따른 이후 시점 즉, 7번째 공정의 8초에 수집될 밀도 예측값을 생성한다.
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 (13)

  1. 플라즈마 공정 시에 발생되는 센싱데이터를 수집하는 단계;
    플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 선택하여 상기 센싱데이터 중에서 플라즈마 공정 예측 시에 필요한 적어도 하나의 센싱데이터를 선택하는 단계;
    상기 선택된 센싱데이터를 머신러닝 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점과 관련된 제1 플라즈마 공정정보를 예측하는 단계; 및
    상기 제1 플라즈마 공정정보를 머신러닝 알고리즘에 적용하여 상기 시점의 이후 시점에 대한 제2 플라즈마 공정정보를 예측하는 단계;
    를 포함하는 것을 특징으로 하는 공정 예측 방법.
  2. 제1항에 있어서,
    상기 제1 플라즈마 공정정보를 예측하는 단계는,
    DNN(deep neural network)기반 알고리즘 및 RNN(recurrent neural network)기반 알고리즘 중 어느 하나의 알고리즘에 적용하여 상기 제1 플라즈마 공정정보에 포함된 상기 선택된 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 예측하는 단계인 것을 특징으로 하는 공정 예측 방법.
  3. 제2항에 있어서,
    상기 제1 플라즈마 공정정보를 예측하는 단계는,
    상기 선택된 센싱데이터를 상기 DNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 특정 구간에 대한 상기 제1 플라즈마 공정정보에 포함된 상기 선택된 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 예측하는 단계인 것을 특징으로 하는 공정 예측 방법.
  4. 제2항에 있어서,
    상기 제1 플라즈마 공정정보를 예측하는 단계는,
    상기 선택된 센싱데이터를 상기 RNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 제1 플라즈마 공정정보에 포함된 상기 선택된 플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 예측하는 단계인 것을 특징으로 하는 공정 예측 방법.
  5. 제2항에 있어서,
    상기 제2 플라즈마 공정정보를 예측하는 단계는,
    상기 센싱데이터 및 상기 제1 플라즈마 공정정보를 DNN기반 알고리즘에 적용하여 상기 이후 시점에 대한 스펙트럼 데이터 및 전기적 특성 데이터를 포함하는 상기 제2 플라즈마 공정정보를 예측하는 단계인 것을 특징으로 하는 공정 예측 방법.
  6. 제1항에 있어서,
    상기 센싱데이터는,
    플라즈마 스펙트럼 데이터와 전기적 특성 데이터를 획득하는 센서에서 획득된 진단데이터 및 플라즈마 공정 시의 플라즈마 장치에 대한 장비데이터를 포함하는 것을 특징으로 하는 공정 예측 방법.
  7. 플라즈마 공정 시에 발생되는 센싱데이터를 수집하는 수집부;
    플라즈마 상태 및 플라즈마 공정 상태 중 적어도 하나를 선택하여 상기 센싱데이터 중에서 플라즈마 공정 예측 시에 필요한 적어도 하나의 센싱데이터에 대한 선택신호를 생성하는 입력부; 및
    상기 선택된 센싱데이터를 머신러닝 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점과 관련된 제1 플라즈마 공정정보를 예측하고, 상기 제1 플라즈마 공정정보를 머신러닝 알고리즘에 적용하여 상기 시점의 이후 시점에 대한 제2 플라즈마 공정정보를 예측하는 제어부;
    를 포함하는 것을 특징으로 하는 스마트센서.
  8. 제7항에 있어서,
    상기 제어부는,
    상기 플라즈마 상태가 선택된 것에 기초하여, DNN(deep neural network)기반 알고리즘 및 RNN(recurrent neural network)기반 알고리즘 중 어느 하나의 알고리즘에 적용하여 상기 제1 플라즈마 공정정보에 포함된 플라즈마 상태를 예측하는 제1 예측부;
    를 포함하는 것을 특징으로 하는 스마트센서.
  9. 제8항에 있어서,
    상기 제1 예측부는,
    상기 플라즈마 상태가 선택된 것에 기초하여, 상기 선택된 센싱데이터를 상기 DNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 특정 구간에 대한 상기 플라즈마 상태를 예측하거나, 상기 선택된 센싱데이터를 상기 RNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 플라즈마 상태 중 어느 하나를 예측하는 것을 특징으로 하는 스마트센서.
  10. 제8항에 있어서,
    상기 제어부는,
    상기 플라즈마 공정 상태가 선택된 것에 기초하여, 상기 DNN(deep neural network)기반 알고리즘 및 상기 RNN(recurrent neural network)기반 알고리즘 중 어느 하나의 알고리즘에 적용하여 상기 제1 플라즈마 공정정보에 포함된 플라즈마 공정 상태를 예측하는 제2 예측부;
    를 포함하는 것을 특징으로 하는 스마트센서.
  11. 제10항에 있어서,
    상기 제2 예측부는,
    상기 플라즈마 공정 상태가 선택된 것에 기초하여, 상기 선택된 센싱데이터를 상기 DNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 특정 구간에 대한 상기 플라즈마 공정 상태를 예측하거나, 상기 선택된 센싱데이터를 상기 RNN기반 알고리즘에 적용하여 상기 센싱데이터가 수집된 시점을 기점으로 이전에 누적된 센싱데이터를 고려하여 공정 시간에 대한 상기 플라즈마 공정 상태를 예측하는 것을 특징으로 하는 스마트센서.
  12. 제7항에 있어서,
    상기 제어부는,
    상기 센싱데이터 및 상기 제1 플라즈마 공정정보를 DNN기반 알고리즘에 적용하여 상기 이후 시점에 대한 스펙트럼 데이터 및 전기적 특성 데이터를 포함하는 상기 제2 플라즈마 공정정보를 예측하는 제3 예측부;
    를 포함하는 것을 특징으로 하는 스마트센서.
  13. 제7항에 있어서,
    상기 센싱데이터는,
    플라즈마 스펙트럼 데이터와 전기적 특성 데이터를 획득하는 센서에서 획득된 진단데이터 및 플라즈마 공정 시의 플라즈마 장치에 대한 장비데이터를 포함하는 것을 특징으로 하는 스마트센서.
KR1020200104457A 2020-08-20 2020-08-20 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서 KR102383416B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200104457A KR102383416B1 (ko) 2020-08-20 2020-08-20 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200104457A KR102383416B1 (ko) 2020-08-20 2020-08-20 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서

Publications (3)

Publication Number Publication Date
KR20220023034A KR20220023034A (ko) 2022-03-02
KR102383416B1 true KR102383416B1 (ko) 2022-04-06
KR102383416B9 KR102383416B9 (ko) 2022-12-05

Family

ID=80815730

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200104457A KR102383416B1 (ko) 2020-08-20 2020-08-20 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서

Country Status (1)

Country Link
KR (1) KR102383416B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023204344A1 (ko) * 2022-04-19 2023-10-26 한국핵융합에너지연구원 플라즈마 시뮬레이션 방법 및 시스템
WO2024063876A1 (en) * 2022-09-20 2024-03-28 Tokyo Electron Limited Optical emission spectroscopy for advanced process characterization

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230151381A (ko) * 2022-04-25 2023-11-01 한국핵융합에너지연구원 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102025145B1 (ko) * 2017-09-01 2019-09-25 두산중공업 주식회사 플랜트 데이터 예측 장치 및 방법
KR102219090B1 (ko) * 2019-01-22 2021-02-24 주식회사 케이디파워 발전기의 고장예측 진단 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023204344A1 (ko) * 2022-04-19 2023-10-26 한국핵융합에너지연구원 플라즈마 시뮬레이션 방법 및 시스템
WO2024063876A1 (en) * 2022-09-20 2024-03-28 Tokyo Electron Limited Optical emission spectroscopy for advanced process characterization

Also Published As

Publication number Publication date
KR20220023034A (ko) 2022-03-02
KR102383416B9 (ko) 2022-12-05

Similar Documents

Publication Publication Date Title
KR102383416B1 (ko) 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서
KR101047971B1 (ko) 적응형 다변량 해석을 이용한 프로세싱 시스템의 진단 방법및 장치
US7695987B2 (en) Method for automatic determination of semiconductor plasma chamber matching and source of fault by comprehensive plasma monitoring
KR100676231B1 (ko) 플라즈마처리장치
US7765020B2 (en) Graphical user interface for presenting multivariate fault contributions
US7580767B2 (en) Methods of and apparatuses for maintenance, diagnosis, and optimization of processes
US20220114484A1 (en) Production process determination device for substrate processing apparatus, substrate processing system, production process determination method for substrate processing apparatus, learning model group, generation method of learning model group, and program
JP2018117116A (ja) 処理のエンドポイントを制御するためのスペクトルの時系列からの特徴強要方法
CN100419969C (zh) 用于陈化感测等离子体设备的半导体装置的方法和装置
Bleakie et al. Feature extraction, condition monitoring, and fault modeling in semiconductor manufacturing systems
WO2007124294A2 (en) Neural network methods and apparatuses for monitoring substrate processing
KR20140011996A (ko) 분석 방법, 분석 장치 및 에칭 처리 시스템
Kim et al. Use of plasma information in machine-learning-based fault detection and classification for advanced equipment control
US20090282296A1 (en) Multivariate fault detection improvement for electronic device manufacturing
KR100473856B1 (ko) 플라즈마 챔버의 공정 상태 관찰방법
JP3732768B2 (ja) 半導体処理装置
KR102335854B1 (ko) 스마트센서를 이용한 플라즈마 공정 제어 방법 및 시스템
JP4836994B2 (ja) 半導体処理装置
US20060085165A1 (en) Method for determining a failure of a manufacturing condition, system for determining a failure of a manufacuring condition and method for manufacturing an industrial product
JP4917527B2 (ja) 情報処理装置、情報処理方法、およびプログラム
JP2005051269A (ja) 半導体処理装置
KR102299463B1 (ko) 플라즈마 진단 방법 및 장치
KR100446926B1 (ko) 반도체제조장치의 감시 및 제어방법과 그 실시장치
KR102330367B1 (ko) 플라즈마 스펙트럼 데이터의 보정 방법 및 이를 위한 스마트센서
KR101324346B1 (ko) 반도체 공정에서 아크 검출 방법 및 시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
G170 Re-publication after modification of scope of protection [patent]