KR102567843B1

KR102567843B1 - 다층 박막 구조물의 두께 분석 시스템 및 방법

Info

Publication number: KR102567843B1
Application number: KR1020230018537A
Authority: KR
Inventors: 강태동; 신문일; 김규식; 유신영
Original assignee: (주)오로스 테크놀로지
Priority date: 2023-02-13
Filing date: 2023-02-13
Publication date: 2023-08-17
Also published as: KR102567843B9

Abstract

분석 시스템이 제공된다. 상기 분석 시스템은 박막 구조물의 두께 정보가 포함된 스펙트럼을 획득하는 획득부; 상기 스펙트럼을 이용하여, 상기 박막 구조물에서 이상 두께를 나타내는 이상 층 위치를 예측하는 예측부;를 포함할 수 있다.

Description

다층 박막 구조물의 두께 분석 시스템 및 방법{System and method for measuring the thickness of a multilayer thin film structure}

본 발명은 반도체 등과 같은 다층 박막 구조물의 두께를 모니터링하거나 분석하는 시스템 및 방법에 관한 것이다.

3D NAND등의 반도체 제조 공정에서 박막 층이 많고, 전체적으로 두꺼운 박막 구조에 대하여, 두께 분석을 위해서 층들의 두께들을 동일하게 가정하고 회귀 분석을 할 수 있다. 그리고, 회귀 분석을 통하여 각 층의 두께가 결정될 수 있다.

한국등록특허공보 제2249247호에는 두께 범위 내 해답이 될 만한 두께를 미리 선정하고, 선정된 각각의 두께별 반사광 예측값과 측정값의 차이에 따른 오차 함수 계산을 위해 병렬처리를 사용하지만, 비선형 회귀분석 알고리즘을 사용하지 않고 오차 함수 계산만으로 두께를 결정하는 기술이 개시되고 있다. 한국공개특허공보 제2020-0072302호는 기계 학습 모델 학습 단계에서 병렬 처리를 적용했지만 두께값 결정시 기계 학습 모델만을 사용했으므로 학습 과정에서 사용된 데이터의 특성과 경향성에 따라 두께 값을 예측하기에 특성 또는 경향성이 벗어나는 데이터가 들어오면 두께 측정이 정밀하지 않을 수 있다.

논문 'Multi-objective and categorical global optimization of photonic structure based on ResNet generative neural network(한글 제목: ResNet 생성 신경망을 이용한 다층박막 구조 전역 최적화)'에는 생성 신경망을 이용하여 다층 박막 구조 설계를 전역적으로 최적화하는 알고리즘이 서술되고 있다. Glonet은 기울기 기반의 최적화 알고리즘으로 생성 신경망과 TMM Solver 결합한 구조이다. 이 연구는 몇 층의 박막 구조에 대한 알고리즘 최적화 및 응용을 다루고 있고, 물리 모델과 결합한 형태로 사용하지만, 본 발명은 ML과 물리 모델의 역할을 구분하고 분리하여 사용하며, 3D NAND 반도체 소자 제작공정 계측에의 활용을 위한 수백 층의 다층 박막 구조에 대하여 최적화 및 활용과는 차이가 있다.

논문 'Deep Neural Network Modeling of Multiple Oxide/Nitride Deposited Dielectric Films for 3D-NAND Flash'에는 3D NAND 공정에서 주로 사용되는 다층으로 증착된 산화막/질화막에 대한 고속 두께 측정을 위한 심층 신경망을 모델링한 내용이 서술되고 있다. 해당 논문의 저자는 신경망 모델과 Levenberg-Marquardt Algorithm을 결합하고 있다. 신경망 모델은 회귀 분석(regression)을 하기 위한 초기값을 찾는 역할을 한다. 저자는 심층 신경망 모델뿐만 아니라 Gradient Boosting 알고리즘, 랜덤 포레스트 알고리즘 및 합성곱 신경망을 이용해 두께 예측 정확성에 대한 연구를 진행하고 있다. 예측 정확성을 높이기 위해 주성분분석(PCA)을 이용하여 데이터 전처리를 하고 있다. 그러나, 해당 논문은 4층의 박막 층에 대한 두께값만을 위한 방법으로 수백 층의 박막에 대한 두께를 추출하는 방법이 아니다.

다시 말해, 본 발명은 많은 층을 분석 대상으로 하기 때문에, 물리 모델 계산 및 머신러닝에 병렬컴퓨팅을 활용한다는 점에서 해당 논문과 차이가 있다.

한국등록특허공보 제2249247호 한국공개특허공보 제2020-0072302호 논문 'Multi-objective and categorical global optimization of photonic structure based on ResNet generative neural network' 논문 'Deep Neural Network Modeling of Multiple Oxide/Nitride Deposited Dielectric Films for 3D-NAND Flash'

본 발명은 다층 박막 구조물의 박막 층 두께를 정확하고 신속하게 분석 또는 모니터링할 수 있는 분석 시스템 및 방법을 제공하기 위한 것이다.

본 발명의 분석 시스템은 박막 구조물의 스펙트럼을 획득하는 획득부; 상기 스펙트럼을 이용하여, 상기 박막 구조물에서 각 층의 두께 값들과 이로부터 이상 두께를 나타내는 이상 층 위치를 예측하는 예측부;를 포함할 수 있다.

본 발명의 분석 방법은 박막 구조물의 두께 정보가 포함된 스펙트럼을 획득하는 획득 단계; 상기 스펙트럼을 이용하여, 상기 박막 구조물에서 각 층의 두께를 예측하고 이상 두께를 나타내는 층의 존재 여부를 예측하는 예측 단계; 상기 박막 구조물을 형성하는 복수의 박막들을 대상으로 물리 모델을 활용하여 정확한 두께를 분석하는 분석 단계;를 포함할 수 있다.

이때, 상기 예측 단계는 기계 학습된 예측 모델을 이용하여 이상치 존재 여부 및 그 층 위치를 예측하고, 상기 분석 단계는 제2 물리 모델을 이용하여 상기 다층 구조 박막들 각각의 두께를 산출할 수 있다.

본 발명의 분석 시스템은 많은 시간이 걸리는 기계 학습 스펙트럼 생성, 훈련, 그리고 모델링을 다중 프로세서를 이용하여 병렬 처리할 수 있다. 이를 통해, 시간 효율성이 확보될 수 있다.

본 발명의 분석 시스템은 그리드 탐색에서의 이상치 탐색 및 각 층의 두께 예측에 대해서는 기계 학습 모델을 활용하고, 정상치 공정에 대해서는 앞서 예측된 두께 값들을 초기값으로, 병렬 컴퓨팅을 활용한 물리적 모델로 분석을 수행할 수 있다. 이를 통해, 계측 공정에서의 이상치 탐색 및 분석 시간이 크게 단축될 수 있다.

특히, 복수 종류의 박막 층이 수십~수백 번 이상 반복되는 3D NAND 박막 구조물에서 각 박막 층의 두께 이상치를 감지할 때, 많은 시간이 요구되는 전통적인 그리드 탐색이 상당 부분 배제될 수 있다. 이에 따라 각 박막 층의 두께 이상치가 고속으로 감지될 수 있다. 또한, 본 발명에 따르면, 이상치 뿐만 아니라 정상치 공정에 대해서, 기계 학습으로 예측된 초기 두께 값을 시작으로 물리적 모델을 활용한 분석을 수행하므로, 전통적인 방식의 정확도가 그대로 유지될 수 있다.

결과적으로, 본 발명에 따르면, 박막 구조물의 두께 이상치를 탐색, 각 층별 두께 계측, 분석 및 모니터링하는 공정의 신속성과 정확성이 동시에 확보될 수 있다.

도 1은 본 발명의 분석 시스템을 나타내는 개략도이다.
도 2는 스펙트럼을 생성하는 광학 기기를 나타낸 개략도이다.
도 3은 본 발명의 분석 시스템에 적용되는 물리 모델과 기계 학습 모델을 나타낸 개략도이다.
도 4는 상위 레벨의 병렬 처리를 나타낸 개략도이다.
도 5는 하위 레벨의 병렬 처리를 나타낸 개략도이다.
도 6은 예측 모델의 생성 과정을 나타낸 흐름도이다.
도 7은 시스템의 설정을 최적화하는 방안을 나타낸 흐름도이다.
도 8은 프로세서의 숫자에 따른 계산 시간을 나타낸 그래프이다.
도 9는 분석 시스템의 동작을 나타낸 개략도이다.
도 10은 예측부에 의해 예측된 이상 층 위치와 예측 두께 값을 찾는 성능을 나타낸 그래프이다.
도 11은 본 발명의 분석 방법을 나타낸 흐름도이다.
도 12는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.

또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.

또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.

또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.

또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.

또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.

도 1은 본 발명의 분석 시스템을 나타내는 개략도이다. 도 2는 스펙트럼을 생성하는 광학 기기(10)를 나타낸 개략도이다. 도 3은 본 발명의 분석 시스템에 적용되는 물리 모델과 기계 학습 모델을 나타낸 개략도이다. 도 4는 상위 레벨의 병렬 처리를 나타낸 개략도이다. 도 5는 하위 레벨의 병렬 처리를 나타낸 개략도이다.

3D NAND등의 반도체 제조 공정에서 제조되는 반도체 등의 다층 박막 구조물의 박막 두께를 분석하기 위해서 각 박막들의 두께가 고려된 물리 모델(물리적 모델)과 측정 스펙트럼 간의 차를 최소화하는 회귀 분석 방법이 주로 활용되고 있다.

또한, 수많은 국소 최소점(local minimum)을 포함하는 MSE(Mean Squared Error) 분포에서 광역 최소점(global minimum)을 찾기 위해서, 그리드 탐색(grid searching)이 수행될 수 있다. 하지만, 박막 층의 수가 많아질수록 그리드 탐색에 필요한 그리드의 개수가 지수적으로 늘어난다. 따라서, 이러한 기술만으로는 특정 박막 층이 정상적인 두께에서 많이 벗어나는 공정 이상치 현상의 탐지, 계측이 고속으로 수행될 수 없다. 왜냐하면, 이상치 탐지는 모든 박막 층에 대하여 독립적인 영향을 고려하여야 하며, 이에 따라 층이 많아질수록 그리드 탐색과 회귀 분석에 포함되는 변수들이 많아지고, 정확한 계산과 분석에 걸리는 시간을 단축시키는 데에 한계가 있기 때문이다.

이러한 문제를 해소하기 위해, 본 발명의 분석 시스템은 아래와 같은 순서로 연산하거나 동작할 수 있다.

획득(광학장비로부터 계측 정보 받음), 연산(획득정보를 바탕으로 레퍼런스값을 참조하여 물리 모델을 만듦), 생성(물리 모델을 바탕으로 기계 학습(머신러닝)을 위한 스펙트럼 생성), 학습(기계 학습을 이용하여 스펙트럼과 두께 데이터 간의 연관성을 학습), 두께 정보 출력, 이상 층 위치 출력, 이상 층 위치에 대하여 그리드 탐색을 통한 회귀 분석(병렬 처리 컴퓨터 이용)

이때, 레퍼런스(reference)값은 다른 측정 방법(SEM, TEM 등)을 통해 얻은 표준 시료값 등을 포함할 수 있다.

해당 연산, 동작을 위해 도 1에 도시된 분석 시스템은 획득부(110), 예측부(130), 분석부(150), 학습부(180), 생성부(170), 설정부(190)를 포함할 수 있다.

획득부(110)는 박막 구조물의 두께 정보가 포함된 스펙트럼을 획득할 수 있다.

일 예로, 박막 구조물을 향해 빛을 방사하고 상기 빛을 이용하여 상기 스펙트럼을 생성하는 광학 기기(10)가 마련될 수 있다. 이때, 획득부(110)에는 광학 기기(10)와 유무선 통신하는 통신 모듈이 마련될 수 있다. 이 경우, 획득부(110)는 광학 기기(10)로부터 스펙트럼을 수신할 수 있다.

다른 예로, 획득부(110)는 광학 기기(10) 자체를 포함할 수 있다. 이 경우, 획득부(110)는 광학 스펙트럼을 직접 획득할 수 있다.

광학 기기(10)는 빛의 편광특성을 이용하여 박막의 두께 및 굴절률과 같은 광학적 특성을 측정할 수 있는 SE(Spectroscopic Ellipsometer, 분광 타원광학계) 장치를 포함할 수 있으며, 수 나노~수십 밀리미터의 두께를 측정할 수 있다. SE 장비는 광학계 구성에 따라 다양한 형태를 가질 수 있으며, 예를 들어, 도 2는 SE 장비 중에서 RA(Rotating Analyzer) 형태이다.

예측부(130)는 학습부(180)를 통해 획득된 스펙트럼 및 두께 정보를 이용하여 박막 구조물에서 층 별 두께를 예측할 수 있으며, 이상 두께, 즉 이상치(outlier)를 나타내는 이상 층 위치(outlier layer)를 예측할 수 있다.

예측부(130)에 의해 예측되는 이상 층 위치는 정확하게 n번째 층에 두께 이상이 발생했다는 것을 의미하는 것이 아니라 대략 n번째 층 즈음에서 두께 이상이 발생했다는 것을 의미할 수 있다. 따라서, '이상 층 위치'는 특정 위치(좌표, 지점)를 기준으로 박막의 적층 방향으로 플러스-마이너스의 여유분을 갖는 범위를 나타낼 수 있다. 따라서, 이상 층 위치에는 하나의 박막 또는 복수의 박막이 포함될 수 있다.

분석부(150)는 박막 구조물을 형성하는 복수의 박막 각각의 두께를 분석할 수 있다. 예를 들어, 분석부(150)는 예측부(130)에 의해 예측된 초기 두께 값을 기준으로 그리드 서칭(grid searching)을 진행할 수 있다. '그리드 서칭'은 이상 층 위치를 세분화하여 회귀 분석을 통해 두께 값을 연산해 가는 방법을 의미할 수 있다.

분석부(150)는 복수의 박막 중에서 예측부(130)에 의해 예측된 정상치 또는 이상치가 포함된 스펙트럼으로부터 박막들의 두께를 분석할 수 있다.

본 발명의 분석 시스템에 따르면 이상치 두께를 정량화하기 위해서 예측부(130)에서 이상치 여부 및 위치를 대략적으로 예측하고, 예측된 이상 층 위치를 대상으로 분석할 수 있도록 부분적으로 변경된 제2 물리 모델로부터 분석부(150)가 정밀 분석(연산)을 수행할 수 있다.

기계 학습 모델에 의한 예측을 통해 신속성이 보장되고, 이어지는 정밀 분석(연산)을 통해 정밀도와 정확도가 보장될 수 있다.

신속성, 정밀도, 정확도를 개선하기 위해, 예측부(130)에는 스펙트럼이 입력되면 각 층의 두께 값들을 얻고 공정 기준에 부합하지 않는 이상치 층과 두께 값을 출력하도록 기계 학습된 예측 모델이 마련될 수 있다.

예측 모델은 학습부(180)에 의해 생성되거나 학습될 수 있다.

도 6은 예측 모델의 생성 과정을 나타낸 흐름도이다.

학습부(180)는 스펙트럼이 입력되면 이상 층 위치를 출력하는 예측 모델을 생성할 수 있다.

학습부(180)는 스펙트럼을 문제로 하고, 이상 층 위치를 정답으로 하는 데이터셋을 이용하여 예측 모델을 기계 학습시킬 수 있다. 이때, 스펙트럼에 대한 두께 정보가 문제에 추가로 포함될 수 있다.

생성부(170)는 DOE(Design Of Experiment) 웨이퍼에서 얻은 스펙트럼을 포함하는 측정된 스펙트럼(measured spectrum)을 이용하여(S 31) 제1 물리 모델을 마련할 수 있다(S 32). 예를 들어, 생성부(170)는 정상 공정에서 잘 만들어진 웨이퍼에서 얻은 스펙트럼을 바탕으로 물리적 모델을 만들어 최적화하고, 이 물리적 모델을 바탕으로 기계 학습을 위한 스펙트럼을 만들 수 있다.

생성부(170)는 광학 기기(10)의 환경 변수와 웨이퍼 박막의 물리적 모델에 해당되는 제1 물리 모델을 이용하여 이기계 학습을 위한 스펙트럼을 모의할 수 있다. 다시 말해, 생성부(170)는 각 층의 두께 별로 스펙트럼을 생성할 수 있다(S 33). 생성부(170)는 스펙트럼을 모의한 모의 정보를 생성할 수 있다. 해당 모의 정보는 생성부(170)에 의해 생성된 가상의 스펙트럼을 포함할 수 있다.

또는, 생성부(170)는 제1 물리 모델을 이용하여 기계 학습 모델의 훈련을 위한 스펙트럼을 생성할 수 있다. 생성부(170)는 전체 스펙트럼 별 두께 값들을 가지고 있는 상태이다.

모의 정보는 가상으로 생성된 것이지만, 광학 기기(10)를 통한 웨이퍼의 계측 스펙트럼을 수학적으로 표현한 물리 모델을 통해 생성된 것이므로, 실제 광학 기기(10)에 의해 계측된 웨이퍼 스펙트럼을 추종하거나 거의 동일할 수 있다.

생성부(170)를 통해 생성되는 모의 정보는 이론상 무한대로 존재할 수 있다. 따라서, 학습부(180)는 생성부(170)를 통해 생성된 모의 정보 또는 획득부를 통해 측정된 스펙트럼과 참조(reference) 두께 값을 이용하여 예측 모델을 충분하게 학습시킬 수 있다(S 34)(S 35). 이를 통해 최적으로 훈련된 예측부의 기계 학습은 이상 위치 아웃라이어 레이어(outlier layer)의 존재 여부를 찾고, 전체 두께에 대해 시드값을 모두 부여할 수 있게 된다.

한편, 생성부(170)를 통해 생성되는 모의 정보는 이론상으로 무한대이긴 하지만, 제1 물리 모델을 이용한 스펙트럼의 생성에 매우 많은 시간이 소요되는 문제가 있다. 해당 문제를 해소하기 위해 생성부(170)는 멀티 프로세서를 활용한 제1 병렬 처리를 통하여 다양한 조건의 웨이퍼 측정을 대신하는 모의 스펙트럼 및 두께 정보를 생성할 수 있다.

유사한 맥락으로 예측 모델을 학습시킬 충분한 빅데이터가 존재하는 경우라 하더라도, 예측 모델을 학습시키는데 절대적인 시간이 많이 요구될 수 있다. 해당 문제를 해소하기 위해 학습부(180)는 멀티프로세서를 활용한 제2 병렬 처리를 이용하여 예측 모델을 학습시킬 수 있다. 학습부(180)는 병렬 분산 처리를 통해 제한된 시간 동안 최대한 많은 개수의 데이터셋을 예측 모델에 학습시킬 수 있다.

한편, 박막 구조물을 형성하는 복수의 박막의 두께를 정확하게 계측하기 위해 스펙트럼을 제공하는 광학 기기(10)의 광학적 특성 중에 제어가 가능한 파라미터들은 적어도 제1 물리 모델 또는 예측 모델에 최적화되는 것이 유리할 수 있다. 이때의 '최적화'는 제1 물리 모델 또는 예측 모델로부터 출력되는 각종 출력값의 정확도와 정밀도 등의 주요 성능 지수(KPI, key performance indicator)를 만족하는 상태를 의미할 수 있다.

도 7은 장치(예, 분석부 또는 광학 기기 등)의 설정을 최적화하는 방안을 나타낸 흐름도이다.

장치(예, 분석부(150) 또는 광학 기기(10) 등)의 최적화를 위해서 동일한 박막 구조물에 대하여 광학 기기(10)의 파라미터가 변경될 수 있으며, 생성부(170)는 변경된 파라미터에 따라 제1 물리 모델 기반의(S 51) 모의 정보를 생성할 수 있다(S 52). 광학 기기(10)의 파라미터는 광학계 개구수(NA, Numerical Aperture), 대역폭(BW, Bandwidth), 입사 각도(AOI, Angle of incidence), 편광자(polarizers), 감지기(detector) 반응의 비등방적 및 비선형적 특성 정보 등 스펙트럼에 크고 작은 영향을 주는 파라미터들을 포함할 수 있다.

모의 정보가 학습부(180)에서 요구하는 입력 데이터를 만족하도록, 설정부(190)는 생성부(170)에서 생성된 모의 정보 또는 획득부(110)에서 획득된 스펙트럼 데이터를 학습부(180)에서 요구하는 조건에 맞춰 신호 처리할 수 있다(S 53). 일 예로, 설정부(190)는 모의 정보를 고속 푸리에 변환(FFT)하거나, 모의 정보에 주성분 분석(Principal Component Analysis), 수치적 미분(numerical differentiation)을 적용할 수 있다.

이때, 학습부(180)는 신호 처리된 모의 정보가 입력되면 정상치 두께, 이상치 두께, 이상 층 위치 중 적어도 하나를 출력하는 예측 모델을 기계 학습시킬 수 있다(S 54).

설정부(190)는 예측 모델의 파라미터별 출력 결과를 서로 비교하고, 설정 조건을 만족하는 출력 결과를 나타낸 특정 파라미터를 출력할 수 있다. 예를 들어 예측 모델의 파라미터별 출력 결과는 파장 범위 및 학습 종료 기준 등에 따라 달라질 수 있으며, 설정부(190)는 출력 결과를 비교하여 최적의 조건을 갖는 결과물을 선택하여 출력할 수 있다(S 55)(S 56)(S 57). 이때, 학습 종료 기준은 출력 결과와 정답의 오차가 가장 적은 상태를 기준으로 할 수 있다. 상기 설정부(190)의 동작은 학습부(180)에 의해서도 수행될 수 있다.

설정부(190)를 통해 출력된 특정 파라미터는 디스플레이 등의 표시 수단을 통해 사용자에게 표시될 수 있다. 이에 따르면, 광학 기기(10)의 파라미터가 사용자에 의해 수동 세팅, 튜닝될 수 있다. 또는 설정부(190)는 광학 기기(10)와 통신하고 특정 파라미터를 광학 기기(10)에 제공할 수 있다. 이에 따르면, 광학 기기(10)의 파라미터가 설정부(190)에 의해 자동 세팅, 튜닝될 수 있다. 해당 세팅은 예측 모델에서 출력되는 두께 값이나 이상 층 위치의 정확도나 정밀도를 개선할 수 있다.

분석부(150)에는 이상 층 위치가 입력되면 이상 층 위치를 고려하여 박막의 두께를 분석, 산출하는 제2 물리 모델이 마련될 수 있다.

제2 물리 모델을 이용하여 박막의 두께를 분석하거나 산출하는데 많은 자원이 소모될 수 있다. 제2 물리 모델이 필요로 하는 자원을 충분하게 제공하기 위해 병렬 처리 방식이 적용될 수 있다.

일 예로, 분석부(150)는 범위를 갖는 이상 층 위치 자체를 복수의 영역으로 구분할 수 있다. 또는, 분석부(150)는 이상 층 위치에 포함된 복수의 박막을 서로 구분할 수 있다. 또는, 분석부(150)는 이상 층 위치에 포함된 단일의 박막을 복수의 영역으로 구분할 수 있다. 분석부(150)는 서로 구분된 영역의 두께를 산출하거나 서로 구분된 박막의 두께를 산출할 수 있다.

분석부(150)는 제2 물리 모델을 이용하여, 박막 구조물을 형성하는 복수의 박막 각각의 두께를 산출할 수 있다. 이때, 분석부(150)는 멀티 프로세서를 활용한 제3 병렬 처리를 이용하여 복수의 박막 각각의 두께를 빠르고 정확하게 산출할 수 있다.

도 4 및 도 5와 같이 멀티 프로세서(90)에는 복수의 프로세서가 구비된 클러스터(91)가 복수로 마련될 수 있다.

분석부의 멀티 프로세서(90)는 클러스터(91)에 상위 레벨의 제1 분석 대상을 할당할 수 있다. 예를 들어, 멀티 프로세서(90)는 제1 병렬 처리 시 생성해야 하는 스펙트럼 개수 및 파장에 따라 최소의 시간이 소요되도록 분석 대상을 할당할 수 있다. 또는, 멀티 프로세서(90)는 제2 병렬 처리 시 예측 모델의 학습을 위해 최소의 시간이 소요되도록 분석 대상을 할당할 수 있다. 분석부의 멀티 프로세서(90)는 클러스터(91)를 구성하는 각 프로세서(93)에 제1 분석 대상을 구성하는 하위 레벨의 제2 분석 대상을 할당할 수 있다.

멀티 프로세서(90)는 제3 병렬 처리 시 각 프로세서(93)별로 파장 영역을 할당할 수 있다. 예를 들어, 제1 클러스터(911)의 제1 프로세서(931)은 200nm~399nm범위, 제2 프로세서(932)는 400nm~599nm범위, 제3 프로세서(933)은 600nm~799nm범위, 제4 프로세서(934)는 800nm~1000nm범위 일 수 있다. 파장 영역의 범위는 프로세서의 개수 및 총 소요 시간을 줄이기 위해 적절하게 조정될 수 있다.

일 예로, 멀티 프로세서(90)는 설정 개수의 박막이 그룹화된 그리드를 각 클러스터(91)에 할당할 수 있다. 분석부(150)는 특정 클러스터에 할당된 박막 각각을 특정 클러스터에 포함된 복수의 프로세서(93)에 각각 할당할 수 있다.

다른 예로, 분석부의 멀티 프로세서(90)는 복수의 박막 중에서 예측부(130)에 의해 예측된 이상치 두께 근처의 박막들의 층 위치를 구분해서 각 클러스터에 할당할 수 있다.

분석부(150)는 특정 클러스터에 할당된 박막을 복수의 영역으로 구분하며, 특정 클러스터에 포함된 복수의 프로세서에 각 영역을 할당할 수 있다.

도 3과 같이, 분석부(150)의 제2 물리 모델에 의해 수행되는 회귀 분석, 그리드 탐색에 병렬 처리가 적용될 수 있다(제3 병렬 처리). 생성부(170)의 제1 물리 모델에 의해 수행되는 스펙트럼의 생성에 병렬 처리가 적용될 수 있다(제1 병렬 처리). 제1 물리 모델과 제2 물리 모델은 도 3의 물리적 모델(물리 모델, Physical Model)에 해당될 수 있다. 병렬 처리의 적용을 통해 분석 시스템의 학습부(180)의 작업 및 예측부(130)의 준비 시간이 단축될 수 있으며, 현장 투입시 예측 모델을 이용한 이상 층 위치의 예측을 통해 현실적으로 적용 가능한 신속성이 확보될 수 있다.

도 8은 프로세서의 숫자에 따른 계산 시간을 나타낸 그래프이다.

프로세서의 숫자에 따라 병렬 처리의 시간이 달라질 수 있으며, 이를 바탕으로 최적화된(가장 빠른 시간) 개수의 프로세서가 각종 연산에 이용될 수 있다.

병렬 처리의 경우 데이터의 분산 및 취합이 필요하므로, CPU의 숫자와 처리 시간이 계속 반비례하지 않는 점을 환기한다.

도 9는 분석 시스템의 동작을 나타낸 개략도이다.

제1 물리 모델을 이용하여 최적의 예측부(130)의 성능을 주는 광학 기기(10)의 파라미터가 출력되고, 출력값에 따라 광학 기기(10)가 조정될 수 있다. 또한, 제1 물리 모델을 통해 생성된 모의 정보를 활용하여 예측 모델의 학습이 주요 성능 지수의 기준 단계 이상 완료된 상태일 수 있다.

이 상태에서 예측 모델은 현장에 투입될 수 있다.

획득부(110)는 광학 기기(10)로부터 스펙트럼을 입수할 수 있다(S 71).

해당 스펙트럼은 기계 학습 모델 'ML model'에 해당되는 예측 모델에 제공될 수 있다(S 72).

예측부(130)에 마련된 예측 모델의 출력값을 통해 각 층의 두께 값이 예측되고, 이상 층 위치에 포함된 박막 층에 해당되는 아웃라이어 레이어(outlier layer, 이상 층)가 파악 또는 체크될 수 있다(S 73). 예측부(130)의 기계 학습 모델은 이상치 존재 여부와 그 위치(이상 층 위치)를 파악하는 과정에서 모든 박막 층의 두께에 해당하는 시드값(seed value)를 예측, 출력할 수 있다(S 74).

분석부(150)에는 예측부(130)로부터 시드값들을 잔영하여 재성절된 제2 물리 모델이 자동으로 마련될 수 있다. 이와 함께 분석부(150)는 예측부(130)에서 파악된 이상치 및 그 위치를 고려하여, 생성될 수 있다.

이때, 분석부(150)는 예측부(130)에서 결정된 이상 층 위치 정보를 그대로 이용할 수 있다. 또는, 분석부(150)는 두께 시드값의 분석을 통해 이상 층 위치의 범위를 새롭게 결정할 수 있다. 이상 층 위치의 범위가 결정되면, 분석부(150)는 이상 층 위치에 포함되는 박막 층에 해당되는 이상 층에 대하여 회귀 분석을 병렬 연산 처리 방식으로 적용하고, 이상 층으로 예측된 박막 층의 두께를 정확하게 산출, 분석할 수 있다(S 75)(S 76)(S 77).

도 10은 예측부(130)의 기계 학습 모델에 의해 예측된 이상 층 위치와 두께 예측 성능을 나타낸 그래프이다.

도 10의 (a)는 이상치 층의 위치(이상 층 위치) 예측 성능을 나타낸 그래프이다. 도 10의 (b)는 아웃라이어를 포함한 모든 층들에 대한 두께 예측 성능을 나타낸 그래프이다. 도 10의 (c)는 박막 구조물의 구조와 재질을 나타낸 개략도이다.

도 11은 본 발명의 분석 방법을 나타낸 흐름도이다.

도 11의 분석 방법은 도 1에 도시된 분석 시스템에 의해 수행될 수 있다.

분석 방법은 획득 단계(S 510), 예측 단계(S 520), 분석 단계(S 530)를 포함할 수 있다.

획득 단계(S 510)는 박막 구조물의 두께 정보가 포함된 스펙트럼을 획득할 수 있다. 획득 단계(S 510)는 획득부(110)에 의해 수행될 수 있다.

예측 단계(S 520)는 스펙트럼을 이용하여, 박막 구조물에서 이상 두께를 나타내는 이상 층 위치를 예측할 수 있다. 예측 단계(S 520)는 예측부(130)에 의해 수행될 수 있다. 예측 단계(S 520)는 기계 학습된 예측 모델을 이용하여 이상 층 위치를 예측할 수 있다.

분석 단계(S 530)는 제2 물리 모델을 이용하여 박막의 두께를 산출할 수 있다.

본 발명에 따르면, 복수의 박막층을 갖는 웨이퍼에서 머신 러닝으로 이상치 부분이 탐색되고, 다시 한번 물리 모델로 전체 두께가 분석될 수 있다.

이상치 두께 부분은 그리드 서칭으로 확인 분석(머신러닝이 제대로 값을 찾았는지)될 수 있다.

물리 모델은 복수의 두께 층을 그룹핑하여 같은 그룹은 같은 두께(ex, 200개의 층을 6개의 그룹으로 분리)를 갖는 것으로 계산할 수 있다.

머신 러닝은 그룹을 다 해제하여 개개의 층으로 분석할 수 있다(ex. 200개 층 모두의 두께를 분석). 물리 모델의 그룹핑 분석 만으로는 이상치 부분(아웃라이어 레이어)를 찾을 수 없다. 도 12는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 12의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 분석 시스템 등) 일 수 있다.

도 12의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.

프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.

메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.

송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.

한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

10...광학 기기 90...클러스터
91...프로세서 110...획득부
130...예측부 150...분석부
170...생성부 180...학습부
190...설정부

Claims

박막 구조물의 두께 정보가 포함된 스펙트럼을 획득하는 획득부;
상기 스펙트럼을 이용하여, 상기 박막 구조물에서 각 층의 두께 값들과 이로부터 이상 두께를 나타내는 이상 층 위치를 예측하는 예측부;를 포함하고,
상기 스펙트럼이 입력되면 각 층의 두께 및 상기 이상 층 위치를 출력하는 예측 모델을 생성하는 학습부가 마련되고,
상기 학습부는 상기 스펙트럼을 문제로 하고, 상기 각 층의 두께 및 이상 층 위치를 정답으로 하는 데이터셋을 이용하여 상기 예측 모델을 기계 학습시키는 분석 시스템.
삭제
삭제
제1항에 있어서,
상기 박막 구조물을 향해 빛을 방사하고 상기 빛을 이용하여 상기 스펙트럼을 생성하는 광학 기기가 마련될 때,
상기 광학 기기의 제1 물리 모델을 이용하여 정상치 스펙트럼 및 이상 층 위치별 스펙트럼을 모의한 모의 정보를 생성하는 생성부가 마련되고,
상기 학습부는 상기 생성부를 통해 생성된 상기 모의 정보를 활용하여 상기 예측 모델을 학습시키는 분석 시스템.
제4항에 있어서,
상기 생성부가 멀티 프로세서를 활용한 제1 병렬 처리를 통하여 상기 스펙트럼을 대신하는 상기 모의 정보를 생성하거나,
상기 학습부가 멀티 프로세서를 활용한 제2 병렬 처리를 이용하여 상기 예측 모델을 학습시키는 분석 시스템.
제1항에 있어서,
상기 박막 구조물을 향해 빛을 방사하고 상기 빛을 이용하여 상기 스펙트럼을 생성하는 광학 기기가 마련될 때,
상기 광학 기기의 제1 물리 모델을 이용하여 상기 스펙트럼을 모의한 모의 정보를 생성하는 생성부가 마련되고,
상기 생성부는 동일한 박막 구조물에 대하여 상기 광학 기기의 파라미터를 변경해가면서 상기 모의 정보를 생성하며,
상기 생성부에서 생성된 모의 정보를 신호 처리하는 설정부가 마련되고,
상기 설정부에서 신호 처리된 모의 정보가 입력되면 상기 이상 층 위치를 출력하는 예측 모델을 기계 학습시키는 학습부가 마련되며,
상기 설정부는 상기 예측 모델의 상기 파라미터별 출력 결과를 서로 비교하고, 설정된 성능 조건을 만족하는 결과를 나타낸 특정 파라미터를 출력하는 분석 시스템.
제1항에 있어서,
상기 박막 구조물을 형성하는 복수의 박막 각각의 두께를 분석하는 분석부가 마련되고,
상기 분석부는 상기 복수의 박막 중에서 상기 예측부에 의해 예측된 두께 값을 시드값으로 하는 물리 모델로 두께를 분석하는 분석 시스템.
제7항에 있어서,
상기 분석부에는 상기 예측부에 의해 예측된 이상 층 위치가 입력되면 상기 이상 층 위치에 포함되는 박막의 두께를 분석하는 제2 물리 모델이 마련되는 분석 시스템.
제7항에 있어서,
상기 분석부의 제2 물리 모델은 범위를 갖는 상기 이상 층 위치 자체를 복수의 영역으로 구분하거나, 상기 이상 층 위치에 포함된 복수의 박막을 서로 구분하거나, 상기 이상 층 위치에 포함된 단일의 박막을 복수의 영역으로 구분하고,
상기 분석부는 서로 구분된 영역의 두께를 산출하거나 서로 구분된 박막의 두께를 산출하는 분석 시스템.
제1항에 있어서,
상기 박막 구조물을 형성하는 복수의 박막 각각의 두께를 산출하는 분석부가 마련되고,
상기 분석부는 멀티 프로세서를 활용한 제3 병렬 처리를 이용하여 상기 복수의 박막 각각의 두께를 산출하는 분석 시스템.
제1항에 있어서,
멀티 프로세서를 이용하여, 상기 박막 구조물을 형성하는 복수의 박막 각각의 두께를 산출하는 분석부가 마련되고,
상기 멀티 프로세서에는 복수의 프로세서가 구비된 클러스터가 복수로 마련되고,
상기 분석부는 상기 클러스터에 상위 레벨의 제1 분석 대상을 할당하며,
상기 분석부는 상기 프로세서에 상기 제1 분석 대상을 구성하는 하위 레벨의 제2 분석 대상을 할당하는 분석 시스템.
삭제
제11항에 있어서,
상기 분석부는 상기 복수의 박막 중에서 상기 예측부에 의해 예측된 이상 층 위치에 포함되는 박막을 구분한 제2 물리 모델을 각 클러스터에 할당하고,
상기 분석부는 특정 클러스터에 할당된 스펙트럼을 박막을 복수의 영역으로 구분하며, 상기 특정 클러스터에 포함된 복수의 프로세서에 각 영역을 할당하는 분석 시스템.
분석 시스템에 의해 수행되는 분석 방법에 있어서,
박막 구조물의 두께 정보가 포함된 스펙트럼을 획득하는 획득 단계;
상기 스펙트럼을 이용하여, 상기 박막 구조물에서 각 층의 두께를 예측하고 이상 두께를 나타내는 이상 층 위치를 예측하는 예측 단계;
상기 박막 구조물을 형성하는 복수의 박막 중에서 모든 층의 두께를 분석하고, 상기 이상 층 위치에 포함되는 박막을 대상으로 정확한 두께를 분석하는 분석 단계;를 포함하고,
상기 예측 단계는 상기 스펙트럼이 입력되면 상기 각 층의 두께 및 상기 이상 층 위치를 출력하는 예측 모델을 이용하여 상기 이상 층 위치를 예측하며,
상기 스펙트럼을 문제로 하고, 상기 각 층의 두께 및 상기 이상 층 위치를 정답으로 하는 데이터셋을 이용하여 상기 예측 모델을 기계 학습시키는 분석 방법.
삭제