KR102393813B1 - 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템 - Google Patents

딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템 Download PDF

Info

Publication number
KR102393813B1
KR102393813B1 KR1020220024056A KR20220024056A KR102393813B1 KR 102393813 B1 KR102393813 B1 KR 102393813B1 KR 1020220024056 A KR1020220024056 A KR 1020220024056A KR 20220024056 A KR20220024056 A KR 20220024056A KR 102393813 B1 KR102393813 B1 KR 102393813B1
Authority
KR
South Korea
Prior art keywords
temperature
chemical liquid
chemical
heat dissipation
control system
Prior art date
Application number
KR1020220024056A
Other languages
English (en)
Other versions
KR102393813B9 (ko
Inventor
주정섭
강정호
양정인
장현호
노지원
Original Assignee
주식회사 아크트리아
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 아크트리아 filed Critical 주식회사 아크트리아
Priority to KR1020220024056A priority Critical patent/KR102393813B1/ko
Priority to PCT/KR2022/005836 priority patent/WO2023163283A1/ko
Application granted granted Critical
Publication of KR102393813B1 publication Critical patent/KR102393813B1/ko
Publication of KR102393813B9 publication Critical patent/KR102393813B9/ko

Links

Images

Classifications

    • 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
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67248—Temperature monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B21/00—Machines, plants or systems, using electric or magnetic effects
    • F25B21/02—Machines, plants or systems, using electric or magnetic effects using Peltier effect; using Nernst-Ettinghausen effect
    • 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
    • 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
    • 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
    • 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
    • H01L21/67098—Apparatus for thermal treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Thermal Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)
  • Control Of Temperature (AREA)

Abstract

본 발명은 반도체 약액공급시스템(C.C.S.S(Central Chemical Supply System))에 이용되는 정밀 온도 제어 시스템에 관한 것으로 본 발명의 일양태에 따르면, 반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템이 제공되고, 이 시스템은, 약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기 모듈; 열교환기 모듈의 냉각 또는 가열 제어를 수행하는 제어 모듈; 및 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하기 위한 딥러닝 기반의 온도 예측 모듈을 포함하고, 상기 열교환기 모듈은 복수의 단위 열교환기로 이루어지고, 상기 복수의 단위 열교환기 각각은 딥러닝 기반의 온도 예측 모듈에 의해 개별적으로 제어된다.

Description

딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템{Deep learning-based semiconductor chemical liquid temperature control system}
본 발명은 반도체 약액공급시스템(C.C.S.S(Central Chemical Supply System))에 이용되는 정밀 온도 제어 시스템에 관한 것으로 보다 구체적으로는 딥러닝 기반의 정밀 온도 제어 시스템에 관한 것이다.
나노미터급 반도체 제조공정 중 현상, 식각 세정 공정에서 각각의 공정에 요구되는 화학약품 종류와 온도가 다르고, 반도체의 고집적화, 미세화, 디스플레이 패널의 대형화 등에 따라 화학약품의 정밀한 온도와 농도 조절이 필요하다.
나노미터급 반도체 또는 디스플레이 공정의 필수 유틸리티 설비인 C.C.S.S(Central Chemical Supply System)는 중앙 화학약품 공급시스템으로 정밀 화학물질 공급 및 블랜딩 기능을 수행하며, 나노미터급 반도체 정밀 공정의 핵심으로 팹(Fabrication facility)이 건설되는 경우 클린룸과 함께 가장 먼저 설치되어야 하는 필수 장비 중 하나이다.
일반적으로, 반도체 공정 및 LCD(Liquid Crystal Display) 공정에서는 기판의 표면 처리를 위해 다양한 약액들을 이용하는 기판처리장치를 사용한다. 예를 들어, 기판처리장치는 기판의 식각 공정, 세정 공정 등을 처리하며, 이러한 기판의 공정에서는 불산, 황산, 질산, 인산 등과 같은 산성 용액이나, 수산화칼륨, 수산화나트륨, 암모늄 등과 같은 알칼리성 용액, 또는 이들 중 어느 하나 또는 이들의 혼합액, 유기 용매 등의 다양한 종류의 약액이 사용된다.
이러한 다양한 종류의 약액을 이용하여 화학 반응을 일으킴으로써 기판상의 불필요한 물질이 제거되거나 세정된다. 기판을 처리하는 공정에서는 기판에 분사되는 약액의 온도가 공정의 주요 요인으로 작용한다. 즉, 식각 또는 세정 공정에서 약액의 온도를 일정하게 유지하는 것이 화학 반응을 원활하게 진행하기 위해 반드시 필요하다.
도 1은 종래 기술에 따른 약액 온도제어장치의 일실시예를 도시한 것이다. 도 1을 참조하면, 종래의 약액 온도제어장치는 냉각/가열 유로을 통해 냉각/가열 액체가 유입되어 배출되도록 구성되고, 냉각/가열 유로의 내측에 약액이 유동하도록 약액관을 배치한 이중관 방식으로 구성되어 있다. 그러나, 종래 방식은 약액의 온도 제어를 위해 히터, 냉각장치 등 부피가 큰 장치가 요구되며 약액을 온도를 신속하게 변화시키기 어려워 원활한 약액 온도 조절이 어려운 문제점이 있었다.
대한민국 등록특허 10-2094009(2020. 03. 20)
본 발명은 전술한 문제점에 기반하여 안출된 발명으로 열전달 효율을 향상시키는 동시에 정밀하게 약액의 온도를 제어할 수 있는 딥러닝 기반 반도체 약액 온도 제어 시스템을 제공하는 것을 목적으로 한다.
전술한 과제를 해결하기 위해서, 본 발명의 일양태에 따르면, 반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템이 제공되고, 이 시스템은, 약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기 모듈; 열교환기 모듈의 냉각 또는 가열 제어를 수행하는 제어 모듈; 및 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하기 위한 딥러닝 기반의 온도 예측 모듈을 포함하고, 상기 열교환기 모듈은 복수의 단위 열교환기로 이루어지고, 복수의 단위 열교환기 각각은 딥러닝 기반의 온도 예측 모듈에 의해 개별 제어되도록 구성된다.
또한 전술한 양태에서 상기 복수의 단위 열교환기 각각은, 미리전해진 위치에서 약액관의 온도를 측정하기 위한 관 온도 측정 센서; 상기 관 온도 측정 센서에서 측정된 온도를 제어 모듈로 전송하는 온도값 전송수단; 미리정해진 장소에서의 약액관을 가열 또는 냉각시키기 위한 열전소자; 및 열전소자로 흐르는 전류의 방향을 제어하기 위한 열전소자 제어기를 포함한다.
또한 전술한 양태에서, 딥러닝 기반의 온도 예측 모듈은, 복수의 단위 열교환기 각각으로부터 온도값을 수신하고, 수신된 온도값에 기반하여 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하고, 미리설정된 약액의 배출 온도를 목표값으로 하여 상기 열전소자 제어기를 개별적으로 제어를 수행하도록 학습된다.
또한 전술한 어느 하나의 양태에서, 딥러닝 기반의 온도 예측 모듈은, 복수의 관 온도 측정 센서로부터 측정된 온도값 및 측정된 시점을 입력값으로 하여 약액의 배출 온도를 예측하는 RNN-LSTM 기반의 인공지능 모델인 것이 바람직하다.
또한 전술한 어느 하나의 양태에서, 열교환기 모듈은 약액관이 통과하는 제1 방열블록 및 제2 방열블록을 포함하고, 제1 방열블록 및 제2 방열블록은 약액관의 외경보다 큰 직경의 갖는 관로가 형성된 사각판형으로 형성되고, 상기 열전소자의 일면은 상기 제1 방열블록 및 제2 방열블록에 접촉되어 있다.
또한 전술한 어느 하나의 양태에서, 열교환기 모듈은 수냉 블록을 더 포함하고, 상기 수냉 블록은 상기 제1 방열블록 및 제2 방열블록의 사이에 배치되고, 상기 열전소자의 타면은 수냉 블록에 접촉되어 있다.
또한 전술한 어느 하나의 양태에서, 약액관은 방열블록과의 열전달 면적을 증가시킬 수 있도록, 제1 및 제2 방열블록 내부에 방열블록의 길이방향을 따라 6개의 직관 형태로 각각 배치되고, 제1 및 제2방열블록 외부에서 직관 부분이 세로 및 가로 방향으로 다수의 폴딩부에 의해 서로 연결되도록 구성된다.
본 발명에 따르면 열전달 효율을 향상시키는 동시에 정밀하게 약액의 온도를 제어할 수 있는 딥러닝 기반 반도체 약액의 온도 제어 시스템을 제공할 수 있다.
도 1은 종래 기술에 따른 약액 온도제어장치의 일실시예를 도시한 도면;
도 2는 본 발명에 따른 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템의 전체 구성을 나타내는 도면;
도 3은 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 측면을 나타내는 측면 사시도;
도 4는 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 후면을 나타내는 후면 사시도;
도 5는 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 방열블록을 제거한 상태를 나타내는 측면 사시도;
도 6은 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 수냉블록 및 열전소자를 나타내는 측면도;
도 7은 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈에서 관내 온도 측정 프로브를 제거한 상태의 열교환기 모듈을 나타내는 도면;
도 8은 도 2에 도시한 온도 제어 시스템에서 열교환기 모듈의 구성을 단위 열교환기로 그룹핑한 내부 구성을 나타내는 도면;
도 9는 인공지능 모델을 훈련하기 위한 학습장치의 일례를 나타내는 도면;
도 10은 인공지능 모델의 일례로서 이용되는 RNN 및 LSTM 모델을 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다. 본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예들에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
도 2는 본 발명의 하나의 실시예에 따른 딥러닝 기반 반도체 약액 온도 제어 시스템(1)의 일례를 개략적으로 도시한 도면이다. 도 1에 도시된 바와 같이 정밀 약액 온도 제어 시스템은 약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기모듈(10); 열교환기(10)의 냉각 또는 가열 제어를 수행하는 제어 모듈(20); 및 딥러닝 모듈 또는 인공지능 모듈(30)을 포함하고, 제어모듈(20)은 인공지능 모듈(30)에 의해 제공되는 온도제어모델에 의해 열교환기 모듈(10)에 대한 냉각 제어 또는 가열 제어를 수행하게 된다. 인공지능모듈(30)은 훈련데이터를 통한 학습에 의해 결정된 온도제어모델을 제어모듈(20)에 제공하기 때문에 인공지능모듈은 인공지능 학습모듈로 언급될 수도 있으며, 제어모듈(20)은 학습에 의해 결정된 온도제어모델을 수행하여 열교환기모듈(10)의 냉각 또는 가열 제어를 수행하기 때문에 인공지능 수행모듈로 언급될 수도 있다.
열교환기모듈(10)은 제어모듈(20)에 시간에 따른 온도측정데이터를 제공하고, 제어모듈(20)의 온도제어모델은 시간에 따른 온도측정데이터를 통해 약액탱크로 제공될 약액의 온도를 예측하고 예측된 온도에 기반하여 정밀한 가열 또는 냉각 제어를 수행하게 된다.
도 3 내지 도 6는 전술한 바와 같은 열교환기모듈(10)의 일례를 나타내는 도면이다. 제1 및 제2 방열블록(140a,140b)은, 열교환기모듈(10)의 외측에 배치되고, 약액관의 외경보다 큰 직경의 갖는 관로가 형성된 사각판형으로 형성되며, 내부에 설치된 약액관에서 유동되는 약액의 온도를 제어할 수 있도록 열전달이 원활한 재질로 선택적으로 이용될 수 있다.
열전소자(170)는, 인가되는 전원의 극성에 따라 냉각과 가열 동작이 가능한 소자로서 제1 및 제2 방열블록(140a,140b)을 냉각 또는 가열함으로써 제1 및 제2방열블록(140a,140b) 내부에 설치된 약액관(110)을 유동하는 약액의 온도를 조절할 수 있게 된다. 바람직하게 열전소자(170)는 도 6에 도시된 바와 같이 복수의 열전소자들로 이루어지고 복수의 열전소자들 각각은 제어모듈(20)에 의해 개별적으로 제어되도록 구성된다.
수냉블록(160)은, 제1 및 제2 방열블록(140a,140b)의 외관과 대응되는 사각 판형으로 외관이 형성되고, 내부에는 냉각수가 유동할 수 있는 냉각수 유로가 구비된다. 이와 같이 구성된 수냉블록(160)은 제1 및 제2 방열블록(140a,140b) 사이에 설치되고, 수냉블록(160)과 방열블록들(140a,140b) 사이에는 열전소자(170)가 설치됨으로써 열전소자(170)에서 발생되는 열을 냉각하여 열 충격으로 인한 손상을 방지할 수 있게 된다.
약액관은 약액이 유입되어 배출되는 중공 배관으로, 그 재질로는 약액과 화학 반응을 일으키지 않도록 내화학성, 내식성이 강한 불소수지 소재, 일례로 PFA(Poly Fluoro Alkoxy), PTFE(Poly Tetra Fluoro Ethylene) 등의 소재로 형성되는 것이 바람직하다. 본 발명의 일실시예에서 약액관은, 약액이 유입되는 약액 유입부(112)가 제1 방열블록(140a)에 설치되고 약액이 배출되는 약액 배출부(118)가 제2 방열블록(140b)에 설치되어 약액 유입구로부터 유입된 약액은 2개의 방열블록들을 차례로 관통하여 약액 배출구로 배출된다.
특히 약액관은 방열블록(140a,140b)과의 열전달 면적을 증가시킬 수 있도록, 제1 및 제2 방열블록(140a,140b) 내부에 길이방향으로 6개의 직관 형태가 각각 배치되고, 제1 및 제2방열블록(140a,140b) 외부에서 직관 부분이 세로 및 가로 방향으로 다수의 폴딩부(121,122,123,123,125)에 의해 서로 연결된다.
이와 같은 구조의 열교환기 모듈의 약액관(310)을 단일관 형태로 구성하고 다수의 폴딩부(121,122,123,123,125)를 구비함으로써 단위공간에서의 전열 면적을 보다 더 향상시킬 수 있게 된다.
다시 도 5를 참조하면 약액관은 복수의 지점에 T자형 테프론 연결관(129); 및 T자형 테프론 연결관(129)의 주변에 설치되는 복수의 관 온도 측정 센서(180)를 포함하여 구성된다. T자형 테프론 연결관(129)은 약액관 내부의 약품의 온도를 측정하도록 설치된 내부온도 프로브(130)와 연결되어 있으며, 본 발명에서는 복수의 관 온도 측정 센서(180)를 통해 측정되는 관 온도와, 내부온도 프로브(130)를 통해 측정된 약액관의 약품 온도를 측정하고 이를 인공지능 학습모델의 입력값으로 사용하여, 화학약품의 온도 데이터와 유관 외부에서 측정한 온도 데이터를 분석하여 그 관계를 파악하고 보정 상수값을 구함으로써, 최종적으로는 도 7에 도시된 바와 같이 내부온도 프로브 없이 복수의 관 온도 측정 센서(170)로부터의 온도 측정을 통해 약액 배출관(118)을 통해 배출되는 약액의 온도를 정밀하게 추정하고 원하는 온도의 약액 온도가 획득되도록 열전 소자를 동작시키도록 구성된다.
도 8은 도 2에 도시된 딥러닝 기반 반도체 약액 온도 제어 시스템(1)을 더욱 상세하게 도시한 도면이다. 도 8에 도시된 바와 같이 열교환기 모듈(10)은 복수의 단위 열교환기(10a~10n)으로 구성되고, 각각의 단위 열교환기(10a~10n)는 지정된 장소에서의 약액관 온도를 측정하기 위한 관 온도 측정 센서(180); 상기 관 온도 측정 센서(180)에서 측정된 온도를 제어 모듈(20)로 전송하는 온도값 전송수단(182); 지정된 장소에서의 약액관을 가열 또는 냉각시키기 위한 열전소자(170); 및 열전소자(170)로 흐르는 전류의 방향을 제어하기 위한 열전소자 제어기(172)를 포함한다.
이와 같은 구조에서는 단위 열교환기 내의 열전소자가 다른 단위 열교환기의 열전소자에게 영향을 주거나 받지 않도록 개별적으로 단열이 가능한 밀봉 구조로 설계되고 각각 하나의 결합된 구조로 설계되는 것이 바람직하다.
본 발명에서는 20개 이상의 열전소자를 개별 방식으로 제어하도록 구성하고, 순환액 유로의 다양한 지점에 RTD 온도 센서를 설치하여 다량의 온도 데이터를 수집하고, 해당 데이터를 딥러닝을 통해 A.I.의 연산 후 각각의 열전소자마다 개별적인 최적의 방법을 이용하여 빠른 온도 조절과 안정화를 추구하도록 구성된다.
인공학습에 대한 이해를 돕기 위해 인공신경망 학습장치(500)에 대해 도 9를 참조하여 먼저 설명하도록 한다.
도 9는 약액 온도 예측 모델을 훈련하기 위한 학습장치의 일례를 나타낸다. 인공신경망 학습장치(500)는 훈련 데이터를 이용하여 기계 학습을 수행할 수 있는 장치로서, 인공 신경망으로 구성된 모델을 이용하여 학습하는 장치를 포함할 수 있다. 즉, 신경망 훈련 장치는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
신경망 학습 장치(500)는 적어도 하나의 외부 장치 또는 단말기와 통신할 수 있고, 외부 장치를 대신하여 혹은 외부장치를 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
신경망 학습 장치(500)는 인공 신경망을 학습하기 위한 장치로서, 통상적으로 서버를 의미할 수 있고, 신경망 학습 서버 등으로 지칭할 수 있다. 신경망 학습 장치(500)는 주기적으로 혹은 요청에 의하여 얼굴생성부(230)로 학습한 얼굴생성모델을 전송하거나 이미 설치된 얼굴생성모델을 업데이트할 수도 있다.
신경망 학습 장치(100)는 통신부(Communication Unit, 510), 입력부(Input Unit, 520), 메모리(Memory, 530), 러닝 프로세서(Learning Processor, 540), 및 프로세서(Processor, 560) 등을 포함할 수 있다.
통신부(510)는 무선 통신부(미도시) 및 인터페이스부(미도시)를 포함하는 구성을 의미할 수 있다. 즉, 통신부(510)는 유무선 통신이나 인터페이스를 통하여 드론과 같은 다른 장치와 데이터를 송수신할 수 있다.
입력부(520)는 모델 학습을 위한 훈련 데이터 또는 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다. 입력부(520)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 러닝 프로세서(540) 또는 프로세서(560)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
메모리(530)는 러닝 프로세서(540) 또는 신경망 학습 장치(500)에서 학습된 모델을 저장할 수 있다. 이때, 메모리(530)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다. 이때, 메모리(530)는 입력부(520)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다. 이때, 메모리(530)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
메모리(530)는 모델 저장부(531) 및 데이터베이스(532) 등을 포함할 수 있다. 모델 저장부(531)는 러닝 프로세서(540)을 통하여 학습 중인 또는 학습된 신경망 모델을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다. 이때, 모델 저장부(531)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
데이터베이스(532)는 입력부(520)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다. 데이터베이스(532)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
러닝 프로세서(540)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(131a)을 훈련(training, 또는 학습)시킬 수 있다. 러닝 프로세서(540)는 프로세서(560)가 입력부(520)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망을 학습하거나, 데이터베이스(532)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망을 학습할 수 있다.
구체적으로, 러닝 프로세서(540)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다. 본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
러닝 프로세서(540)는 신경망 학습 장치(500)에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(540)는 메모리(530)를 사용하여 구현될 수 있다. 선택적으로 또는 부가적으로, 러닝 프로세서(540)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.
본 발명에서는 온도 센서에 의해 획득된 특정 시간 및 관의 국부지역의 온도 값을 입력 데이터로 하여 출구 온도를 예측하고, 딥러닝 예측값과 실제값 간의 차이를 계산하고 실제값으로 나눈 후 평균을 취하여 백분율로 표현한 식을 활용하여 출구 온도의 정확도를 평가 오차 값이 0%에 근접할 수록 우수한 온도 예측 모델로 판단된다.
예를 들면 본 발명에서는 시간에 따른 온도 변화의 특성을 정확히 파악하는 것이 요구되므로, 도 10에 도시된 바와 같이 입력 데이터의 시간적 특성을 반영할 수 있는 대표적 시계열 딥러닝 모델인 Recurrent Neural Network(RNN)과 Long Short-Term Memory(LSTM)을 적용할 수도 있다.
RNN 모델은 시계열 데이터가 지속적으로 업데이트됨에 따라 단일 계층을 반복적으로 수행하는 체인 구조의 모델 연결 구조로 구성되어 있다. LSTM 모델은 기본 RNN 구조에 셀, 입력 게이트 ,출력 게이트, 망각 게이트가 추가된 구조이며 RNN 구조에서 발생하는 기울기 소멸 문제를 해결하는 데에 도움을 줄 수 있다.
본 발명에서 개발된 딥러닝 모델의 성능 평가를 위해 Mean Percentage Error(MPE) 평가 지표가 사용될 수 있다. MPE 평가 지표는 아래 식에서 실제 값(At)과 예측 값(Ft)의 차이의 절대값을 계산하여 평균을 취한 후 백분율을 적용한 관계식이다. 즉 이 값이 0% 인 경우는 딥러닝 모델읕 통해 측정된 예측 값과 실험에서 측정한 예측 값이 정확히 일치하는 것을 의미한다.
Figure 112022020721707-pat00001
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively)처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속하는 것으로 해석되어야만 한다.
10: 열교환기 모듈 10a, 10b, 10n: 단위 열교환기
20: 제어 모듈 30: 인공지능 모듈
170: 열전소자 172: 열전소자 제어기
180: 관 온도 측정 센서 182: 온도값 전송수단
500: 인공지능 학습모듈

Claims (7)

  1. 반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템에 있어서,
    약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기 모듈;
    열교환기 모듈의 냉각 또는 가열 제어를 수행하는 제어 모듈; 및
    열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하기 위한 딥러닝 기반의 온도 예측 모듈을 포함하고,
    상기 열교환기 모듈은 복수의 단위 열교환기로 이루어지고, 복수의 단위 열교환기 각각은 딥러닝 기반의 온도 예측 모듈에 의해 개별 제어되는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  2. 제1항에 있어서,
    상기 복수의 단위 열교환기 각각은,
    미리전해진 위치에서 약액관의 온도를 측정하기 위한 관 온도 측정 센서;
    상기 관 온도 측정 센서에서 측정된 온도를 제어 모듈로 전송하는 온도값 전송수단;
    미리정해진 장소에서의 약액관을 가열 또는 냉각시키기 위한 열전소자; 및
    열전소자로 흐르는 전류의 방향을 제어하기 위한 열전소자 제어기를 포함하는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  3. 제2항에 있어서,
    상기 딥러닝 기반의 온도 예측 모듈은,
    복수의 단위 열교환기 각각으로부터 측정된 온도 값을 수신하고,
    수신된 온도 값에 기반하여 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하고,
    미리설정된 약액의 배출 온도를 목표값으로 하여 상기 열전소자 제어기를 개별적으로 제어를 수행하도록 학습된 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  4. 제2항에 있어서,
    상기 딥러닝 기반의 온도 예측 모듈은,
    복수의 관 온도 측정 센서로부터 측정된 온도값 및 측정된 시점을 입력값으로 하여 약액의 배출 온도를 예측하는 RNN-LSTM 기반의 인공지능 모델인 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  5. 제2항에 있어서,
    열교환기 모듈은 약액관이 통과하는 제1 방열블록 및 제2 방열블록을 포함하고, 제1 방열블록 및 제2 방열블록은 약액관의 외경보다 큰 직경의 갖는 관로가 형성된 사각판형으로 형성되고,
    상기 열전소자의 일면은 상기 제1 방열블록 및 제2 방열블록에 접촉되어 있는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  6. 제5항에 있어서,
    열교환기 모듈은 수냉 블록을 더 포함하고,
    상기 수냉 블록은 상기 제1 방열블록 및 제2 방열블록의 사이에 배치되고, 상기 열전소자의 타면은 수냉 블록에 접촉되어 있는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  7. 제5항에 있어서,
    상기 약액관은 방열블록과의 열전달 면적을 증가시킬 수 있도록, 제1 및 제2 방열블록 내부에 방열블록의 길이방향을 따라 배치되고, 제1 및 제2방열블록 외부에서 직관 부분이 세로 및 가로 방향으로 다수의 폴딩부에 의해 서로 연결되어 구성된 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
KR1020220024056A 2022-02-24 2022-02-24 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템 KR102393813B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220024056A KR102393813B1 (ko) 2022-02-24 2022-02-24 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템
PCT/KR2022/005836 WO2023163283A1 (ko) 2022-02-24 2022-04-25 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220024056A KR102393813B1 (ko) 2022-02-24 2022-02-24 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템

Publications (2)

Publication Number Publication Date
KR102393813B1 true KR102393813B1 (ko) 2022-05-04
KR102393813B9 KR102393813B9 (ko) 2022-12-27

Family

ID=81584352

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220024056A KR102393813B1 (ko) 2022-02-24 2022-02-24 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템

Country Status (2)

Country Link
KR (1) KR102393813B1 (ko)
WO (1) WO2023163283A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020050015A (ko) * 2000-12-20 2002-06-26 김기태 급속 열처리 장치에서 최적 학습 제어 기법을 이용한웨이퍼의 온도 균일성 제어 방법
KR102094009B1 (ko) 2020-01-13 2020-03-26 방민철 반도체 제조를 위한 약액의 온도제어장치
KR20200120958A (ko) * 2018-03-13 2020-10-22 어플라이드 머티어리얼스, 인코포레이티드 반도체 처리의 모니터링을 위한 기계 학습 시스템들
KR20210000731A (ko) * 2018-05-24 2021-01-05 어플라이드 머티어리얼스, 인코포레이티드 공간적으로 분해된 웨이퍼 온도 제어를 위한 가상 센서
KR20210082402A (ko) * 2021-06-15 2021-07-05 미래청암 주식회사 약액의 온도제어장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4820721B2 (ja) * 2006-09-07 2011-11-24 オリオン機械株式会社 薬液用熱交換器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020050015A (ko) * 2000-12-20 2002-06-26 김기태 급속 열처리 장치에서 최적 학습 제어 기법을 이용한웨이퍼의 온도 균일성 제어 방법
KR20200120958A (ko) * 2018-03-13 2020-10-22 어플라이드 머티어리얼스, 인코포레이티드 반도체 처리의 모니터링을 위한 기계 학습 시스템들
KR20210000731A (ko) * 2018-05-24 2021-01-05 어플라이드 머티어리얼스, 인코포레이티드 공간적으로 분해된 웨이퍼 온도 제어를 위한 가상 센서
KR102094009B1 (ko) 2020-01-13 2020-03-26 방민철 반도체 제조를 위한 약액의 온도제어장치
KR20210082402A (ko) * 2021-06-15 2021-07-05 미래청암 주식회사 약액의 온도제어장치

Also Published As

Publication number Publication date
KR102393813B9 (ko) 2022-12-27
WO2023163283A1 (ko) 2023-08-31

Similar Documents

Publication Publication Date Title
US10684598B1 (en) Building management system with efficient model generation for system identification
US10718542B2 (en) Building management system with system identification using multi-step ahead error prediction
US9857779B2 (en) Multi-dimensional optimization for controlling environmental maintenance modules
US20200218991A1 (en) Building control system with automated kalman filter parameter initiation and system identification
JP2012149839A (ja) 空調機連係制御システム、空調機連係制御方法および空調機連係制御プログラム
CN110619487B (zh) 一种基于卡尔曼滤波的电-气-热耦合网络动态状态估计方法
Beigzadeh et al. Prediction of thermal and fluid flow characteristics in helically coiled tubes using ANFIS and GA based correlations
CN1860487A (zh) 使用第一原理仿真分析半导体处理工具执行的处理的系统和方法
CN1867896A (zh) 用于工具上半导体仿真的系统和方法
CN113837356A (zh) 基于融合神经网络的污水处理智能预测方法
CN115939583B (zh) 一种储能液冷系统及其控制方法
KR102440371B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
KR102393813B1 (ko) 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템
Zendehboudi et al. Performance investigation of the cross-flow closed-type heat-source tower using experiments and an adaptive neuro-fuzzy inference system model
Moradkhani et al. Intelligent computing approaches to forecast thickness and surface roughness of frost layer on horizontal plates under natural convection
Zheng et al. Physics-informed deep Monte Carlo quantile regression method for interval multilevel Bayesian Network-based satellite circuit board reliability analysis
Kowalów et al. Optimal sensor selection for model identification in iterative learning control of spatio-temporal systems
Ren et al. Data-driven and mechanism-based hybrid model for semiconductor silicon monocrystalline quality prediction in the czochralski process
CN115982918B (zh) 阻力特性辨识方法、装置、设备及存储介质
Rao et al. Estimation and optimization of heat transfer and overall pressure drop for a shell and tube heat exchanger
Heckman et al. Controlling basin breakout for robots operating in uncertain flow environments
Orosz et al. Finite-time performance analysis of static simulated annealing algorithms
Wang et al. Switching local search particle filtering for heat exchanger degradation prognosis
Zhang et al. Active learning strategy for online prediction of particle size distribution in cobalt oxalate synthesis process
EP2597539A1 (en) Defining and using an ARMAX model for controlling a technical process

Legal Events

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