KR102523892B1 - 기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법 - Google Patents

기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법 Download PDF

Info

Publication number
KR102523892B1
KR102523892B1 KR1020200164276A KR20200164276A KR102523892B1 KR 102523892 B1 KR102523892 B1 KR 102523892B1 KR 1020200164276 A KR1020200164276 A KR 1020200164276A KR 20200164276 A KR20200164276 A KR 20200164276A KR 102523892 B1 KR102523892 B1 KR 102523892B1
Authority
KR
South Korea
Prior art keywords
data
simulator
machine learning
simulation
remote
Prior art date
Application number
KR1020200164276A
Other languages
English (en)
Other versions
KR20220075793A (ko
Inventor
정성민
하민탄
풍낫민
박선영
신윤지
배시영
최형석
Original Assignee
한국세라믹기술원
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 한국세라믹기술원 filed Critical 한국세라믹기술원
Priority to KR1020200164276A priority Critical patent/KR102523892B1/ko
Publication of KR20220075793A publication Critical patent/KR20220075793A/ko
Application granted granted Critical
Publication of KR102523892B1 publication Critical patent/KR102523892B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B23/00—Single-crystal growth by condensing evaporated or sublimed materials
    • C30B23/002—Controlling or regulating

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

기계학습기반 고속시뮬레이션을 활용한 원격실험방법에 관한 것으로서, 보다 상세하게는, 공정데이터를 획득하는 단계; 공정데이터와 시뮬레이션 데이터를 비교하여 시뮬레이션에 필요한 파라미터들을 조정함으로써 시뮬레이션을 최적화 하는 단계; 실험조건이 변화하는 경우, 상기 획득된 공정데이터를 변화하여 변화 데이터를 구축하는 단계; 상기 공정데이터, 변화된 공정데이터를 취합하여 공정 수행을 위한 기계학습을 수행한 후, 기계학습이 완료된 공정상황을 입력되는 공정데이터를 사용하여 시뮬레이션하기 위한 시뮬레이터를 구축하는 단계; 시뮬레이터를 기반으로 공정을 수행하는 단계; 및 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계;를 포함하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법을 제공한다.

Description

기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법{Remote experimental method for thermo-fluidic materials processing using high spped simulation based on machine learning technique}
본 발명은 기계학습기반 고속시뮬레이션을 활용한 원격실험방법에 관한 것으로서, 보다 상세하게는 열유체 기반의 재료공정장비에 대해서 기계학습을 이용하여 열유체해석을 고속으로 구현하고, 이를 재료공정장비에 매칭하여 근접지 및 원격지에서 동시에 실시간 모니터링하며, 따라서 실험상황을 근접지와 원격지가 함께 공유함으로써 작업을 효율적이고 원활하게 수행하도록 하는 것이다.
최근 코로나 바이러스의 창궐로 비대면 문화가 자리잡아가고 있다. 비대면 문화는 제품개발 및 개발을 위한 실험 등의 공정에도 영향이 있으며, 실험이나 개발을 위한 협업이 필요한 경우에도 대면하지 않고 일을 수행하여야 하는 경우가 발생된다.
보다 구체적으로 살펴보면, 예를 들어, 세라믹 단결정 성장 및 박막 성장과 같은 열유체기반의 재료공정에 있어 열유체의 조성, 온도, 유체속도, 히터파워, 핫존의 구성, 재료합성 위치 등 다양한 파라미터를 실험적으로 완벽하게 최적화하기는 거의 불가능한데, 특히 많은 경우, 재료공정이 일어나는 반응기 영역은 외부에서 시각적으로 모니터링할 수 없어 장비상에 장착된 다양한 공정 시그널에 의존하여 공정을 제어하게 된다. 실험담당 작업자는 통상적으로 실험장비 앞에서 장비를 조작하며, 실험장비는 공정시그널에 의해 반자동으로 제어되기도 하지만 이는 상당히 제한적이다.
한편, 최근 기계학습(Machine Learning)을 이용한 인공지능이 물리학, 화학 및 다른 여러가지 분야에 적용되고 있다. 최근 기계학습을 제1원리계산에 적용하는 시도가 널리 이뤄지고 있으며 열유체해석에도 적용되기 시작하였다. 열유체해석에 기계학습을 적용하는 경우 기존의 단결정 성장 시뮬레이션의 역할에 다양한 의미를 추가적으로 부여할 수 있다고 제안하고 있다. Tsunooka 등은 기계학습을 SiC단결정의 용액성장공정에 적용하여 기존의 전산유체역학(Computational Fluid Dynamics;CFD)에 의한 시뮬레이션 방법 대비 107(천만)배 빠른 고속 시뮬레이션 기법을 구현한 바 있으며, 이 방법이 결정성장공정의 설계와 제어에 널리 활용될 수 있다고 제안하였다(Y. Tsunooka, N. Kokubo, G. Hatasa, S. Harada, M. Tagawa, T. Ujihara, CrystEngComm 2018, 20, 6546).
따라서, 기계학습 기반의 고속시뮬레이션을 활용하여 원격실험을 정밀하게 수행할 수 있을 것이라는 판단에 이르게 되었으며, 이에 본 발명을 제안하게 되었다.
1. Informatics for Materials Science and Engineering, ed. K. Rajan, Butterworth-Heinemann, Oxford, 2013. 2. A. Seko, A. Togo, H. Hayashi, K. Tsuda, L. Chaput and I. Tanaka, Phys. Rev. Lett., 2015, 115, 205901. 3. Y. Hinuma, T. Hatakeyama, Y. Kumagai, L. A. Burton, H. Sato, Y. Muraba, S. Iimura, H. Hiramatsu, I. Tanaka, H. Hosono and F.Oba, Nat. Commun., 2016, 7, 11962. 4. Y. Tsunooka, N. Kokubo, G. Hatasa, S. Harada, M. Tagawa, T. Ujihara, CrystEngComm 2018, 20, 6546
본 발명은 전술한 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 열유체해석 기반의 재료공정장비에 대해서 기계학습을 이용하여 열유체해석을 실시간으로 구현하고, 이를 재료공정장비에 매칭하여 근접지 및 원격지에서 동시에 실시간 모니터링하며, 따라서 실험상황을 근접지와 원격지가 함께 공유함으로써 작업을 효율적이고 원활하게 수행하도록 하는 것이다.
본 발명의 다른 목적은 비대면 문화의 확장에 따라서 원격지에서도 공정장비의 공동활용이 가능하도록 하는 것이다.
본 발명은 전술한 목적을 달성하기 위하여, 공정데이터를 획득하는 단계; 공정데이터와 시뮬레이션 데이터를 비교하여 시뮬레이션에 필요한 파라미터들을 조정함으로써 시뮬레이션을 최적화 하는 단계; 실험조건이 변화하는 경우, 상기 획득된 공정데이터를 변화하여 변화 데이터를 구축하는 단계; 상기 공정데이터, 변화된 공정데이터를 취합하여 공정 수행을 위한 기계학습을 수행한 후, 기계학습이 완료된 공정상황을 입력되는 공정데이터를 사용하여 시뮬레이션하기 위한 시뮬레이터를 구축하는 단계; 시뮬레이터를 기반으로 공정을 수행하는 단계; 및 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계;를 포함하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법을 제공한다.
상기 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계; 이후에, 원격 제어 기능 추가를 통하여 원격실험을 수행하는 단계;를 더 포함하는 것이 바람직하다.
시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계;는 시뮬레이터에 의하여 공정장비의 내부 상태를 가상의 화면으로 나타내고, 사용되는 공정 데이터에 따라서 실시간으로 변화되는 공정상황을 화상으로 나타냄으로써 수행되는 것이 바람직하다.
상기 공정은 열유체를 활용하는 공정인 것이 바람직하다.
상기 열유체를 활용하는 공정은 결정성장공정, 화학적 기상 증착 공정 또는 원자층 증착 공정을 포함하는 것이 바람직하다.
상기 공정데이터, 변화된 공정데이터를 취합하여 공정 수행을 위한 기계학습을 수행한 후, 기계학습이 완료된 공정상황을 입력되는 공정데이터를 사용하여 시뮬레이션하기 위한 시뮬레이터를 구축하는 단계;는 공정장비의 검교정을 통하여 입력 파라미터와 공정 시그널을 확보하는 단계; 상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계;를 포함하는 것이 바람직하다.
상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계;는 열유체 기반 공정시 열유체 해석모델이 생성되면, 이를 이용하여 복수의 입력 파라미터에 대한 해석을 시행하고, 해석된 입력 파라미터를 상기 확보된 입력 파라미터와 공정 시그널과 비교하여 재검증함으로써 수행되는 것이 바람직하다.
상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계; 이후에, 복수의 공정을 수행하기 위한 복수의 입력 파라미터를 계속하여 해석하고, 이로써 빅데이터를 구축함으로써 기계학습기반의 시뮬레이터를 구축하는 것이 바람직하다.
상기 시뮬레이터에 의하여 공정장비의 내부 상태를 가상의 화면으로 나타내는 것은, 공정장비의 입력 파라미터와 공정 시그널을 실시간으로 컴퓨터에 로깅(logging) 하는 단계; 상기 입력 파라미터와 공정 시그널을 시뮬레이터의 계산속도 또는 데이터 갱신주기에 매칭되도록 시뮬레이터 전송용 공정데이터를 가공하는 단계; 및 상기 전송용 공정데이터를 시뮬레이터로 전송하는 단계;를 포함하는 것이 바람직하다.
상기 시뮬레이터에 의하여 공정장비의 내부 상태를 가상의 화면으로 나타내는 것은, 공정장비의 입력 파라미터와 공정 시그널을 실시간으로 컴퓨터에 로깅(logging) 하는 단계; 상기 입력 파라미터와 공정 시그널을 시뮬레이터의 계산속도 또는 데이터 갱신주기에 매칭되도록 시뮬레이터 전송용 공정데이터를 가공하는 단계; 및 상기 전송용 공정데이터를 시뮬레이터로 전송하는 단계;를 포함하는 것이 바람직하다.
상기 전송용 공정데이터는 데이터 갱신 주기별로 취합하며, 각 공정데이터의 평균값으로 구성되고, 이 중 오류로 판단되는 데이터는 필터링되는 것이 바람직하다.
상기 시뮬레이터는 열유체기반 공정에 사용되는 경우, 공정장비 내부의 온도분포, 압력분포, 유체흐름 또는 결정성장 양상을 포함하는 공정상황을 화상으로 표시하는 것이 바람직하다.
상기 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계;는 공정데이터를 가공한 시뮬레이터 입력 데이터를 네트워크를 통하여 원격지의 시뮬레이터 서버에 전송하여 모니터링하도록 하는 것이 바람직하다.
이상과 같은 본 발명에 따르면, 열유체 기반의 재료공정장비에 대해서 기계학습을 이용하여 열유체해석을 실시간으로 구현하고, 이를 재료공정장비에 매칭하여 근접지 및 원격지에서 동시에 실시간 모니터링하며, 따라서 실험상황을 근접지와 원격지가 함께 공유함으로써 작업을 효율적이고 원활하게 수행하도록 하는 효과를 기대할 수 있다.
또한, 본 발명은 비대면 문화의 확장에 따라서 원격지에서도 공정장비의 공동활용이 가능하도록 하는 효과를 기대할 수 있다.
또한, 고온실험으로 불투명의 단열재가 감싸고 있는 실험장비의 내부 상태 실시간 모니터링이 가능한 효과를 기대할 수 있다. 즉, 흑연 단열재 등의 불투명 단열재가 핫존의 외부를 둘러싸고 있는 경우 재료의 합성과정을 시각적으로 모니터링 할 수 없고 소수의 공정 시그널 (특정위치의 온도, 입력전압, 기체유량, 압력 등) 에 의존하여 공정 제어를 해야하나, 본 발명을 통해 고속 시뮬레이터를 시각적 모니터링 도구로 활용하여 공정 제어를 용이하게 할 수 있다.
또한, 고속시뮬레이터를 공정장비 지근거리에 세팅함으로써 시각적 모니터링 도구로 활용할 수 있고, 복수의 장비에 대해 복수의 고속시뮬레이터를 적용하고, 이를 플랫폼을 이용하여 통합 대시보드를 생성함으로써, 공정장비를 다중제어하는 효과를 기대할 수 있다.
또한, 공정장비의 원격 세팅시 고속시뮬레이터를 이용함으로써, 원격지 작업자의 원격제어 도구로 활용할 수 있으며, 원격지 작업자와 현장 작업자가 실험을 공동으로 수행하는 효과를 기대할 수 있다.
도 1은 본 발명의 일 실시예에 의한 원격실험을 위한 전체 공정도이다.
도 2는 본 발명의 일 실시예에 의한 공정시각화를 위한 공정도이다.
도 3은 본 발명의 일 실시예에 의한 원격 모니터링을 위한 공정도이다.
도 4는 본 발명의 일 실시예에 의한 원격 제어를 위한 공정도이다.
도 5는 본 발명의 일 실시예에 의한 시뮬레이터를 제작하기 위한 공정도이다.
도 6은 본 발명의 일 실시예에 의한 파이로미터의 방사율에 따라 도가니 상부와 하부에서 측정된 온도를 나타낸 도면이다.
도 7은 도 6의 결과를 검증하기 위하여, 온도에 따라서 실리콘의 녹는점에 도달하는 시간을 구하고, 이를 도 6의 각 온도 및 그에 따른 결정성장속도와 비교하여 적합한 방사율을 도출하기위한 그래프이다.
도 8은 본 발명의 일 실시예에 의한 시뮬레이션이 최적화되었을 때의 도가니의 온도 분포를 나타낸 것이다.
도 9는 Al2O3의 원자층 증착시 화학반을 표시하기 위한 모식도이다.
도 10은 본 발명의 일 실시예에 의하여 원자층 증착모델을 수립하기 위한 열유체의 흐름 조건 및 장비를 모식도로 나타낸 것이다.
도 11은 본 발명의 일 실시예에 의하여 원자층 증착모델을 수립하기 위한 계산과정을 나타낸 것이다.
도 12는 도 11에 따른 결과를 그래프로 나타낸 것이다.
이하에서는 본 발명을 첨부되는 도면과 바람직한 실시예를 기초로 보다 상세히 설명하기로 한다.
본 발명에서는 기계학습기반의 고속시뮬레이터를 활용한 단결정성장공정, CVD 공정, 원자층증착공정과 같은 열유체 기반의 공정장치에 대한 원격실험방법을 제안한다.
열유체 기반의 공정장치는 것은 액상 또는 기상을 가열하고, 가열된 액상 또는 기상의 흐름에 따라서 물질이동이 이루어지며, 이동된 물질에 의하여 기물이 생성되도록 하는 공정장치로 표현될 수 있다.
도 1은 본 발명의 일 실시예에 의한 원격 실험 방법의 흐름도를 나타낸 것이다.
도시된 바와 같이, 본 발명의 일 실시예에 의한 원격 실험 방법은 공정데이터를 획득하는 단계; 공정데이터와 시뮬레이션 데이터를 비교하여 시뮬레이션에 필요한 파라미터들을 조정함으로써 시뮬레이션을 최적화 하는 단계; 실험조건이 변화하는 경우, 상기 획득된 공정데이터를 변화하여 변화 데이터를 구축하는 단계; 상기 공정데이터, 변화된 공정데이터를 취합하여 공정 수행을 위한 기계학습을 수행한 후, 기계학습이 완료된 공정상황을 입력되는 공정데이터를 사용하여 시뮬레이션하기 위한 시뮬레이터를 구축하는 단계; 시뮬레이터를 기반으로 공정을 수행하는 단계; 및 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계;를 포함한다.
여기서, 공정데이터는 실험을 통해서 실제로 얻어진 데이터이다. 예를 들어 단결정 성장의 경우, 온도, 압력, 유체흐름속도, 유체량 등을 의미하며, 다만, 공정 데이터가 위 열거된 데이터만으로 제한되지는 않는다.
본 발명에서는 이와 같은 공정데이터를 실제 실험을 통하여 다수 획득한다. 이러한 공정데이터들을 획득하는 이유는 해당 공정을 시뮬레이션하기 위하여 미리 설정된 파라미터들과 비교하기 위한 것이다. 즉, 최적화된 시뮬레이션을 구축하기 위하여 미리 설정된 파라미터들은 실제 실험을 통하여 획득된 공정데이터와 비교하게 된다. 이러한 공정데이터가 많을수록 경향이 도출되며, 이러한 경향에 부합되도록 파라미터들을 조정함으로써, 실제 실험 또는 공정에 최대한 부합되는 공정 파라미터들을 설정하여 입력하게 되며, 이로써, 최적의 공정조건이 수립된 시뮬레이션이 가능하게 된다.
실험조건이 변화되는 경우, 변화된 데이터에 의하여 파라미터의 조정작업은 계속되며, 이로써 보다 다양한 실험환경이나 실험조건에서도 최적의 시뮬레이션 결과를 도출할 수 있게 된다.
이러한 공정데이터를 이용하여 시뮬레이션을 최적화하는 과정은 기계학습에 의하여, 기계학습이 완료되어 시뮬레이션이 최적화된 시뮬레이터를 얻을 수 있고, 이러한 시뮬레이터를 향후 실험이나 공정시 활용할 수 있게된다. 이로써, 바람직한 실험결과를 도출한다.
이후에 본 발명은 상기 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 할 수 있으며, 원격 제어 기능 추가를 통하여 원격실험을 수행할 수도 있다. 여기서, 원격실험은 통신 네트워크를 활용하여 공정장비에 파라미터를 입력하고, 이를 화상으로 모니터링하는 것이다. 화상으로 모니터링하는 경우에는 가상의 공정장비로서, 내부가 현시된 화상을 모니터링하는 것일 수 있으며, 가상의 공정장비는 시뮬레이터의 동작에 따라서 실제 공정장비의 내부 공정 진행에 부합되도록 공정이 진행되면서 이를 실시간으로 화상전송하며, 실험자는 원격에서도 이를 열람 및 제어할 수 있다.
상기 시뮬레이터에 의하여 공정장비의 내부 상태를 가상의 화면으로 나타내는 것은, 공정장비의 입력 파라미터와 공정 시그널을 실시간으로 컴퓨터에 로깅(logging) 하는 단계; 상기 입력 파라미터와 공정 시그널을 시뮬레이터의 계산속도 또는 데이터 갱신주기에 매칭되도록 시뮬레이터 전송용 공정데이터를 가공하는 단계; 및 상기 전송용 공정데이터를 시뮬레이터로 전송하는 단계;를 포함한다.
상기 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계;는 공정데이터를 가공한 시뮬레이터 입력 데이터를 네트워크를 통하여 원격지의 시뮬레이터 서버에 전송하여 모니터링하도록 할 수 있다.
이와 관련된 공정도를 도 2 내지 도 4에 나타내었다.
한편, 고속 시뮬레이터를 구축하는 과정은 다음과 같다.
상기 공정데이터, 변화된 공정데이터를 취합하여 공정 수행을 위한 기계학습을 수행한 후, 기계학습이 완료된 공정상황을 입력되는 공정데이터를 사용하여 시뮬레이션하기 위한 시뮬레이터를 구축하는데, 이 경우, 공정장비의 검교정을 통하여 입력 파라미터와 공정 시그널(공정 데이터)을 확보하고, 상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션 초기에 미리 설정된 입력 파라미터와 비교하고, 미리 설정된 입력 파라미터를 실제 공정 시그널에 부합되도록 조정함으로써, 시뮬레이션을 최적화한다. 이러한 시뮬레이션 최적화는 수집되는 입력 파라미터 및 공정 시그널이 많을수록 더욱 정교하게 이루어지며, 이와 같이 수집되는 입력 파라미터와 공정 시그널은 빅데이터를 이루어 향후 새로운 시뮬레이션 최적화시 유용하게 활용될 수 있다.
보다 구체적으로는, 상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계;는 열유체 기반 공정시 열유체 해석모델이 생성되면, 이를 이용하여 복수의 입력 파라미터에 대한 해석을 시행하고, 해석된 입력 파라미터를 상기 확보된 입력 파라미터와 공정 시그널과 비교하여 재검증함으로써 수행된다.
상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계; 이후에, 복수의 공정을 수행하기 위한 복수의 입력 파라미터를 계속하여 해석하고, 이로써 빅데이터를 구축함으로써 기계학습기반의 시뮬레이터를 구축할 수 있게 된다. 도 5에서 이러한 과정의 공정도를 나타내었다.
시뮬레이션의 최적화는 실제 실험결과와 비교를 통하여 구하는데, 아래 두가지 실시예를 통하여 설명하기로 한다.
실시예 1. 승화재결정법을 이용한 SiC 단결정 성장 공정
승화재결정법을 이용한 SiC 단결정 성장공정은 공지의 공정이므로, 이에 관한 구체적인 설명을 생략하기로 한다.
본 공정의 경우 시뮬레이션 데이터와 비교하기 위한 실험은 통상 2000℃가 넘는 고온에서 온도측정이 어려운 실험의 특성을 반영해야 한다. 방사율에 따라 측정온도가 변화하는 비접촉식 온도측정 시스템에서의 핫존 구성에 따른 방사율값을 보정하기 위해 장비별로 방사율값에 대한 검교정을 실시하고, 교정된 방사율값을 적용하여 유도가열로의 전력값(전압 및 전력량)에 따른 도가니 상하부의 온도를 실측한 후, 실험이 종료되면 성장된 단결정의 성장두께로부터 결정성장속도를 얻는다.
온도 측정값의 검교정을 위해서 녹는점이 1412℃인 실리콘을 활용하여 실리콘이 녹는 시점에서의 온도값을 실측하고 비접촉식 온도측정값과 비교한다. 시뮬레이션 모델에서는 유도가열로의 전력값을 입력값으로 적용하였을 때, 계산되는 도가니의 상하부 온도와 결정성장속도를 구하고 이 때 적용되는 물리현상, 메쉬크기, 열저항, 온도에 따른 열물성값 등 다양한 실험변수를 감안하여 상하부 온도 및 결정성장속도 실험데이터와 85%이상 합치하는 시뮬레이션 모델을 구한다. 위 85%는 예시적인 수치이며, 이러한 수치는 필요에 따라서 변동 가능하다.
이와 관련된 도면을 도 6 내지 도 8에 나타내었다. 도 6 내지 8은 공정 데이터를 획득하여 이로부터 시뮬레이션을 최적화하기에 이르는 과정을 나타내는 것이다.
도 6의 경우, 파이로미터의 방사율을 최적화하기 위한 절차를 나타내는 것이다. 도가니 내부의 온도를 파이로미터를 이용하여 측정하되, 파이로미터의 방사율(0.8~0.9)을 조절하면서 온도를 측정한다. 그 결과 측정온도가 도표에 따라서 변화하였다. 상부와 하부의 파이로미터의 방사율이 동일할 때 측정온도는 비슷한 값을 가지는 것으로 나타났다.
도 7의 경우, 실제로 도가니 내에서 실리콘을 용융시키는 동안 온도를 측정하며, 실리콘이 용융되는 동안 열을 흡수하는 과정에서 측정온도가 일시적으로 저하하는 부분이 관찰되는데, 이 때의 온도를 측정하면, 실리콘의 녹는점이 측정되고, 이는 1400~1414℃로 나타난다. 이와 부합되는 방사율을 도 7과 같이 여러 값으로 변화시키면서 그래프를 작성한 결과, 실리콘의 녹는점에 부합되는 온도에서 일시적으로 측정온도가 저하되는 점이 나타나는 경우는 상부(top)로부터 측정된 방사율(εtop), 하부(bottom)로부터 측정된 방사율(εbottom)이 0.8인 경우인 것으로 확인되었다. 실리콘이 녹을 때의 잠열을 고려하면, 도 6의 방사율 0.8일 때가 가장 적합할 것이라는 예측이다. 이로써, 방사율을 최적화할 수 있다.
도 8은 도 6 및 도 7에 따라서 최적화된 시뮬레이터를 이용하여 도가니 상부와 하부의 온도를 계산하고, 공정단계에서 실측된 도가니 상부와 하부의 온도와 비교한 결과, 수직방향으로 시뮬레이션한 결과와 실측된 결과간 일치율이 85%인 것으로 나타났다.
여기서, 시뮬레이션의 정확도는 아래 산식에 의하여 도출된다.
시뮬레이션 정확도 (%) =
Figure 112020129110921-pat00001
(식 1)
T bottom,exp : 도가니 하부 실측온도
T top,exp : 도가니 상부 실측온도
T bottom,sim : 도가니 하부 시뮬레이션 온도
T top,sim : 도가니 상부 시뮬레이션 온도
실시예 2) 원자층증착 공정
본 공정의 경우 시뮬레이션 데이터와 비교하기 위한 입력 파라미터 및 공정 시그널(공정 데이터)은 6인치급 실리콘 웨이퍼 상에 Al2O3 박막을 증착하는 실험으로 구하였다. 원자층증착공정은 300℃ 이하의 비교적 저온에서 실시되므로 SiC 단결정성장공정과 같은 측정데이터의 검교정 과정은 생략하고 측정온도 및 공정압력, 전구체의 사이클을 입력값으로 하여 실리콘 상에 도포되는 박막 두께를 엘립소미터를 이용하여 측정하고, 이를 공정 데이터로 하여 시뮬레이션의 입력 파라미터와 비교한다. 이때 적용되는 물리현상, 메쉬크기 및 표면반응을 감안하여 위치별 결정성장속도값(싸이클당 성장율)이 실험데이터와 85%이상 합치되는 시뮬레이션 모델을 구한다. 위 85%는 예시적인 수치이며, 이러한 수치는 필요에 따라서 변동 가능하다.
상기 전송용 공정데이터는 데이터 갱신 주기별로 취합하며, 각 공정데이터의 평균값으로 구성되고, 이 중 오류로 판단되는 데이터는 필터링된다. 오류로 판단되는 데이터 또한, 별도로 장비의 안정성을 모니터링하기 위한 데이터로 활용될 수 있다.
도 9는 Al2O3 원자층을 기판위에 증착하기 위하여 나타낸 반응식이다. 도시된 바와 같이 Al2O3 원자층증착의 경우 화학반응은 타겟물질상 전구체의 흡착-탈착-반응의 과정으로 이루어진다.
시뮬레이션의 정확도는 원자층의 결정성장속도로 얻으며 다음과 같다.
시뮬레이션 정확도 (%) =
Figure 112020129110921-pat00002
(식 2)
GR exp : 결정성장속도 (실험값)
GR sim : 결정성장속도 (시뮬레이션값)
원자층증착모델에서 원자층 증착은 Al의 흡착-탈착, O의 흡착-탈착으로 구성된다. 아래에 각 반응의 반응속도식을 나타내었다. 흡착은 단분자층 흡착모델로, Langmuir 흡착등온식을 적용하였으며 이때 Surface coverage, Activation Energy, Partial Pressure, Flux, Sticking coefficient 등의 파라미터를 정의해서 반응속도가 정해진다.
Figure 112020129110921-pat00003
(식 3)
탈착의 경우 아래 식 4와 같이 온도, 활성화에너지, 기체상수, 화학종의 표면분율(C), 실험상수(A) 등으로 탈착속도가 정해진다.
Figure 112020129110921-pat00004
(식 4)
화학반응식도 속도상수(A)와 활성화에너지(Ere), 화학종의 표면분율(C) 등을 이용해서 얻어진다.
Figure 112020129110921-pat00005
(식 5)
이에 따른 계산과정을 도 11에, 그 결과를 도 12에 각각 나타내었다.

Claims (12)

  1. 컴퓨팅 장치에 의해 각 단계가 수행되는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법에 있어서,
    공정데이터를 획득하는 단계;
    공정데이터와 시뮬레이션 데이터를 비교하여 시뮬레이션에 필요한 파라미터들을 조정함으로써 시뮬레이션을 최적화 하는 단계;
    실험조건이 변화하는 경우, 상기 획득된 공정데이터를 변화하여 변화 데이터를 구축하는 단계;
    상기 공정데이터, 변화된 공정데이터를 취합하여 공정 수행을 위한 기계학습을 수행한 후, 기계학습이 완료된 공정상황을 입력되는 공정데이터를 사용하여 시뮬레이션하기 위한 시뮬레이터를 구축하는 단계;
    시뮬레이터를 기반으로 공정을 수행하는 단계; 및
    시뮬레이터 기반 공정을 원격지에서 시뮬레이터에 의하여 공정장비의 내부 상태를 가상의 화면으로 나타내고, 사용되는 공정 데이터에 따라서 실시간으로 변화되는 공정상황을 화상으로 나타냄으로써 모니터링 하는 단계;
    를 포함하되,
    상기 시뮬레이터에 의하여 공정장비의 내부 상태를 가상의 화면으로 나타내는 것은, 공정장비의 입력 파라미터와 공정 시그널을 실시간으로 컴퓨터에 로깅(logging) 하는 단계;
    상기 입력 파라미터와 공정 시그널을 시뮬레이터의 계산속도 또는 데이터 갱신주기에 매칭되도록 시뮬레이터 전송용 공정데이터를 가공하는 단계; 및
    상기 전송용 공정데이터를 시뮬레이터로 전송하는 단계;
    를 포함하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  2. 제1항에 있어서,
    상기 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계; 이후에, 원격 제어 기능 추가를 통하여 원격실험을 수행하는 단계;
    를 더 포함하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 공정은 열유체를 활용하는 공정인 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  5. 제4항에 있어서,
    상기 열유체를 활용하는 공정은 결정성장공정, 화학적 기상 증착 공정 또는 원자층 증착 공정을 포함하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  6. 제1항에 있어서,
    상기 공정데이터, 변화된 공정데이터를 취합하여 공정 수행을 위한 기계학습을 수행한 후, 기계학습이 완료된 공정상황을 입력되는 공정데이터를 사용하여 시뮬레이션하기 위한 시뮬레이터를 구축하는 단계;는
    공정장비의 검교정을 통하여 입력 파라미터와 공정 시그널을 확보하는 단계;
    상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계;
    를 포함하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  7. 제6항에 있어서,
    상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계;는 열유체 기반 공정시 열유체 해석모델이 생성되면, 이를 이용하여 복수의 입력 파라미터에 대한 해석을 시행하고, 해석된 입력 파라미터를 상기 확보된 입력 파라미터와 공정 시그널과 비교하여 재검증함으로써 수행되는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  8. 제7항에 있어서,
    상기 확보된 입력 파라미터와 공정 시그널을 이용하여 시뮬레이션을 최적화하는 단계; 이후에, 복수의 공정을 수행하기 위한 복수의 입력 파라미터를 계속하여 해석하고, 이로써 빅데이터를 구축함으로써 기계학습기반의 시뮬레이터를 구축하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  9. 삭제
  10. 제1항에 있어서,
    상기 전송용 공정데이터는 데이터 갱신 주기별로 취합하며, 각 공정데이터의 평균값으로 구성되고, 이 중 오류로 판단되는 데이터는 필터링되는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  11. 제1항에 있어서,
    상기 시뮬레이터는 열유체기반 공정에 사용되는 경우, 공정장비 내부의 온도분포, 압력분포, 유체흐름 또는 결정성장 양상을 포함하는 공정상황을 화상으로 표시하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
  12. 제1항에 있어서,
    상기 시뮬레이터 기반 공정을 원격지에서 화상으로 모니터링 하는 단계;는 공정데이터를 가공한 시뮬레이터 입력 데이터를 네트워크를 통하여 원격지의 시뮬레이터 서버에 전송하여 모니터링하도록 하는 것을 특징으로 하는 기계학습기반 고속시뮬레이션을 활용한 원격실험방법.
KR1020200164276A 2020-11-30 2020-11-30 기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법 KR102523892B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200164276A KR102523892B1 (ko) 2020-11-30 2020-11-30 기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200164276A KR102523892B1 (ko) 2020-11-30 2020-11-30 기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법

Publications (2)

Publication Number Publication Date
KR20220075793A KR20220075793A (ko) 2022-06-08
KR102523892B1 true KR102523892B1 (ko) 2023-04-21

Family

ID=81981538

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200164276A KR102523892B1 (ko) 2020-11-30 2020-11-30 기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법

Country Status (1)

Country Link
KR (1) KR102523892B1 (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100976703B1 (ko) * 2008-09-19 2010-08-18 에스티엑스조선해양 주식회사 네트워크 방식의 원격학습 시뮬레이터를 이용한공정시스템의 자가 진단장비 및 그에 따른 자가 진단방법
KR102265235B1 (ko) * 2019-01-31 2021-06-14 상명대학교 산학협력단 빅 데이터를 활용한 기계학습 시스템.

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"AI에 의한 재료 특성의 실시간 예측", 블로그 https://www.riken.jp/press/2020/20201113_1/index.html, 2020.11.13.*
"High-speed prediction of computational fluid dynamics simulation in crystal growth", ROYAL SOCITY OF CHEMISTRY, 2018.

Also Published As

Publication number Publication date
KR20220075793A (ko) 2022-06-08

Similar Documents

Publication Publication Date Title
CN111695287B (zh) 一种预测SiC单晶炉内整体温度场的方法及设备
WO2020110796A1 (ja) 熱伝導率推定方法、熱伝導率推定装置、半導体結晶製品の製造方法、熱伝導率演算装置、熱伝導率演算プログラム、および、熱伝導率演算方法
US6162488A (en) Method for closed loop control of chemical vapor deposition process
EP1681526A2 (en) Temperature control method, temperature control apparatus, heat treatment apparatus and program
WO1996012386A1 (en) Thermal reactor optimization
Tynchenko et al. The automated system for technological process of spacecraft's waveguide paths soldering
CN109211438B (zh) 一种原位观察连铸保护渣相变过程热流密度的装置及方法
Shen et al. Soft sensor modeling of blast furnace wall temperature based on temporal–spatial dimensional finite-element extrapolation
KR102523892B1 (ko) 기계학습기반 고속시뮬레이션을 활용한 열유체 기반의 재료공정 원격실험방법
JP2018169818A (ja) 映像表示システムおよび製造装置
Berdnikov et al. The phenomenon of “cold plume” instability in Czochralski hydrodynamic model: Physical and numerical simulation
CN109926675A (zh) 一种汽车散热器钎焊工艺的nb连续式钎焊芯体加热方法
Martinez-Tomas et al. Heat transfer simulation in a vertical Bridgman CdTe growth configuration
Abdollahi et al. Model predictive temperature tracking in crystal growth processes
CN107870565A (zh) 一种基于过程神经网络的加热炉温度的计算机控制方法
Skopec et al. Reheating furnace modeling and temperature estimation based on model order reduction
JPH03252390A (ja) 炉内熱流体解析の解析条件設定方式
Jarošová et al. Identification of thermal conductivity of powdery insulation materials
Köhne Implementation of distributed parameter state observers
Srinivasan et al. Solid-liquid interface shape control during crystal growth
Dadzis Multi-physical modeling of bulk crystal growth: from furnace design to defect engineering
Miller et al. Influence of melt convection on the interface during Czochralski crystal growth
Salač Numerical solution of the pressing devices shape optimization problem in the glass industry
Simons et al. Validation of a 3D multi-physics model for unidirectional silicon solidification
KR101328257B1 (ko) 소둔로 내에 투입된 소재의 온도변화패턴 예측방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant