KR102578368B1

KR102578368B1 - 머신러닝 기반 합성유리 퇴적공정 예측 방법, 장치 및 컴퓨터 프로그램

Info

Publication number: KR102578368B1
Application number: KR1020210002451A
Authority: KR
Inventors: 최성순; 도문현; 양진성; 구석수; 노승윤; 이해범
Original assignee: 대한광통신(주)
Priority date: 2021-01-08
Filing date: 2021-01-08
Publication date: 2023-09-15
Also published as: KR20220100243A

Abstract

본 발명은 머신러닝 기반 머신러닝 기반 합성유리 퇴적공정 예측 방법에 관한 것으로서, 더욱 상세하게는, 머신러닝에 의해 형성한 모델을 이용하여, 합성유리 제조용 버너의 설정 요소값에 따른 합성유리 퇴적공정 결과값을 예측하고, 이로써 원하는 퇴적공정 결과값을 도출할 수 있는 버너 설정 요소값을 결정할 수 있도록 하는 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
본 발명에 의하면, 합성유리 수트(soot)의 퇴적공정에서 특정 변수값을 변화시켜야 할 경우, 합성유리 수트(soot)의 증착률 등의 결과값을 원하는 값으로 유지시키거나 또는 변경시키기 위해, 여러 변수값의 다양한 조정에 따라 예측되는 결과값을 머신러닝 기반의 모델을 이용하여 신속히 산출해줌으로써, 적절한 변수값을 결정할 수 있도록 한다.

Description

머신러닝 기반 합성유리 퇴적공정 예측 방법, 장치 및 컴퓨터 프로그램{Method, apparatus and computer program for prediction of depositing process of synthetic silica glass by machine learning model}

본 발명은 머신러닝 기반 머신러닝 기반 합성유리 퇴적공정 예측 방법에 관한 것으로서, 더욱 상세하게는, 머신러닝에 의해 형성한 모델을 이용하여, 합성유리 제조용 버너의 설정 요소값에 따른 합성유리 퇴적공정 결과값을 예측하고, 이로써 원하는 퇴적공정 결과값을 도출할 수 있는 버너 설정 요소값을 결정할 수 있도록 하는 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.

합성유리 기판은, 반응로 내에서 버너 및 플라즈마 토치를 이용하여 합성유리 수트(soot)를 퇴적시키고, 절단(slicing) 단계를 거쳐 벌크 상태의 합성유리로 제조되며, 연삭(Lapping) 및 연마(Polishing) 공정을 통하여 완성된다.

이러한 합성유리 수트(soot)의 퇴적공정에서 SiCl₅, H₂, O₂ 및 Ar 기체가 각각 버너의 구비된 다수의 관을 통하여 유입되는데, 이러한 각 관을 통하여 유입되는 각 기체의 양, 석영유리가 증착되는 부위를 향한 버너의 각도, soot의 온도 등, 효율적으로 석영유리를 증착시키기 위한 매우 많은 변수가 존재한다.

이때 퇴적공정에서 특정 변수값을 변화시켜야 할 경우, 합성유리 수트(soot)의 증착률 등의 결과값을 원하는 값으로 유지시키거나 또는 변경시키기 위하여 다른 변수값들은 어떻게 조정해야 하는지를 결정해야 하는 경우가 빈번히 발생한다. 그러나, 이와 같이 많은 변수에서 어떤 변수를 어느 정도로 변화시켜야 원하는 결과값을 낼 수 있는지를 결정하는 것은 매우 어려운 문제점이 있었다.

JPJP202090427 A

본 발명은 이와 같은 문제점을 해결하기 위해 창안된 것으로서, 합성유리 수트(soot)의 퇴적공정에서 특정 변수값을 변화시켜야 할 경우, 합성유리 수트(soot)의 증착률 등의 결과값을 원하는 값으로 유지시키거나 또는 변경시키기 위해, 여러 변수값의 다양한 조정에 따라 예측되는 결과값을 머신러닝 기반의 모델을 이용하여 신속히 산출해줌으로써, 적절한 변수값을 결정할 수 있도록 하는 방법을 제공하는데 그 목적이 있다.

이와 같은 목적을 달성하기 위하여 본 발명에 따른 컴퓨팅 장치에 의해 수행되는 머신러닝 기반 합성유리 퇴적공정 예측 방법은, (a) 합성유리 퇴적공정에 사용되는 버너의 각 채널을 통해 공급되는 기체의 양을 머신러닝 기반 모델(이하 '제1 모델'이라 한다)로 입력하는 단계; (b) 상기 제1 모델에서 각 기체별 총 입력량(이하 '입력 유량'이라 한다)을 출력하는 단계; (c) 상기 단계(b)에서 출력된 각 기체별 입력 유량을 머신러닝 기반 모델(이하 '제2 모델'이라 한다)로 입력하는 단계; 및, (d) 상기 제2 모델에서 합성유리 수트(soot)의 증착률 값을 출력하는 단계를 포함한다.

상기 단계(a)에서, 상기 버너의 각 채널을 통해 공급되는 기체는, Ar, H₂, O₂ 및 SiCl₄일 수 있다.

상기 제1 모델의 입력에는, 가공 시간 값을 더 포함할 수 있다.

상기 제1 모델의 입력에는, 버너 각도 값을 더 포함할 수 있다.

상기 버너 각도 값은, 버너의 기울어진 각도(이하 '기울임 각도'라 한다)값을 포함할 수 있다.

상기 버너 각도 값은, 상기 버너가, 상기 기울임 각도를 동일하게 유지하면서, 수평으로 평행하게 이동함에 따라 버너의 끝단과 합성유리 수트의 일 지점이 이루는 각도(이하 '수평이동 각도'라 한다); 및, 상기 버너가, 상기 기울임 각도를 동일하게 유지하면서, 수직으로 평행하게 이동함에 따라 버너의 끝단과 합성유리 수트의 상기 일 지점이 이루는 각도(이하 '수직이동 각도'라 한다)중 하나 이상을 더 포함할 수 있다.

상기 제1 모델의 입력에는, 퇴적되는 합성유리 수트의 온도 값을 더 포함할 수 있다.

상기 온도 값은, 상기 합성유리 수트의 상부, 중앙부 및 하부의 온도를 포함할 수 있다.

상기 제2 모델의 출력은, SiO₄ 보정 포집률 값을 더 포함할 수 있다.

상기 제2 모델의 출력은, 합성유리 수트의 성장속도 값을 더 포함할 수 있다.

본 발명의 다른 측면에 따르면, 머신러닝 기반 합성유리 퇴적공정을 예측하기 위한 장치는, 적어도 하나의 프로세서; 및 컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되, 상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여, (a) 합성유리 퇴적공정에 사용되는 버너의 각 채널을 통해 공급되는 기체의 양을 머신러닝 기반 모델(이하 '제1 모델'이라 한다)로 입력하는 단계;(b) 상기 제1 모델에서 각 기체별 총 입력량(이하 '입력 유량'이라 한다)을 출력하는 단계; (c) 상기 단계(b)에서 출력된 각 기체별 입력 유량을 머신러닝 기반 모델(이하 '제2 모델'이라 한다)로 입력하는 단계; 및, (d) 상기 제2 모델에서 합성유리 수트(soot)의 증착률 값을 출력하는 단계가 실행되도록 한다.

본 발명의 또 다른 측면에 따르면, 머신러닝 기반 합성유리 퇴적공정을 예측하기 위한, 컴퓨터로 판독 가능한 비일시적 저장 매체에 저장된 컴퓨터 프로그램은, 비일시적 저장 매체에 저장되며, 프로세서에 의하여, (a) 합성유리 퇴적공정에 사용되는 버너의 각 채널을 통해 공급되는 기체의 양을 머신러닝 기반 모델(이하 '제1 모델'이라 한다)로 입력하는 단계; (b) 상기 제1 모델에서 각 기체별 총 입력량(이하 '입력 유량'이라 한다)을 출력하는 단계; (c) 상기 단계(b)에서 출력된 각 기체별 입력 유량을 머신러닝 기반 모델(이하 '제2 모델'이라 한다)로 입력하는 단계; 및, (d) 상기 제2 모델에서 합성유리 수트(soot)의 증착률 값을 출력하는 단계가 실행되도록 하는 명령을 포함한다.

본 발명에 의하면, 합성유리 수트(soot)의 퇴적공정에서 특정 변수값을 변화시켜야 할 경우, 합성유리 수트(soot)의 증착률 등의 결과값을 원하는 값으로 유지시키거나 또는 변경시키기 위해, 여러 변수값의 다양한 조정에 따라 예측되는 결과값을 머신러닝 기반의 모델을 이용하여 신속히 산출해줌으로써, 적절한 변수값을 결정할 수 있도록 하는 효과가 있다.

도 1은 반응로 내에서 버너 및 플라즈마 토치를 이용하여 합성유리 수트(soot)를 퇴적시키는 모습을 나타내는 모식도.
도 2는 본 발명에서 버너의 각 채널로 공급되는 반응기체를 표시한 도면.
도 3은 합성유리 퇴적공정 예측에 사용되는 머신러닝 기반 모델의 블럭도.
도 4는 본 발명에 따른 머신러닝 기반 합성유리 퇴적공정 예측 방법을 수행하는 순서도.
도 5는 합성유리 퇴적공정 예측에 사용되는 머신러닝 기반 모델을 이용한 레시피(recipe) 조정 방법의 일 실시예를 나타내는 순서도.

이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

도 1은 반응로 내에서 버너(burner)(10) 및 플라즈마 토치를 이용하여 합성유리 수트(soot)(20)를 퇴적시키는 모습을 나타내는 모식도이다.

버너(10)에는 반응기체가 나오는 다수의 통로가 구비되며, 각 통로는 벽으로 구분되어 있다. 이와 같이 반응기체가 나오는 통로를 이하에서는 '채널(channel)'이란 용어로 칭하기로 한다.

도 2는 본 발명에서 버너(10)의 각 채널로 공급되는 반응기체를 표시한 도면이고, 도 3은 합성유리 퇴적공정 예측에 사용되는 머신러닝 기반 모델의 블럭도이며, 도 4는 본 발명에 따른 머신러닝 기반 합성유리 퇴적공정 예측 방법을 수행하는 순서도이다.

본 발명의 합성유리 퇴적공정 예측에 사용되는 머신러닝 기반 모델은 제1 모델과 제2 모델을 포함한다. 먼저 입력 데이터 및 출력값으로 이루어진 데이터셋을 이용하여 학습을 수행하여, 제1 모델 및 제2 모델을 형성한다(S501,S502).

이와 같이 머신러닝에 의해 학습되는 제1 모델 및 제2 모델로는, 일 실시예로서 XGBOOST 회귀 모델을 사용할 수 있다. XGBOOST 회귀 모델이란, 앙상블 기법 중 하나인 Gradient Boosting에서 의사결정나무(Decision Tree)를 약한 분류기(Weak Classifier)로 사용하는 알고리즘이다. 기존의 Gradient Boosting과는 달리 학습을 위한 목적식에 Regularization Term이 추가된 것이 특징이다.

이하 표 1에서 No 1~24는 제1 모델의 입력 데이터, No 25~28은 제1 모델의 출력 데이터인 동시에 제2 모델의 입력 데이터, No 29~31은 제2 모델의 출력 데이터이다.

No	입출력변수
1	DELTA_TIME
2	TEMPERATURE_SOOT_UPPER
3	TEMPERATURE_SOOT_SUB
4	TEMPERATURE_SOOT_LOWER
5	BURNER_ANGLE
6	BURNER_X
7	BURNER_L
8	AR_1
9	AR_2
10	AR_3
11	AR_4
12	AR_5
13	AR_6
14	AR_7
15	H2_1
16	H2_2
17	H2_3
18	H2_4
19	H2_5
20	O2_1
21	O2_2
22	O2_3
23	O2_4
24	SICL4_1
25	S1(kg/kg)
26	O2(루베/kg)
27	H2(루베/kg)
28	AR(루베/kg)
29	증착률(g/min)
30	성장속도
31	S1 포집률

이하에서는 위 표에 나타난 No1 ~ No31의 입출력변수에 대하여 설명하기로 한다.

제1 모델의 입력 데이터로 사용되는 No 1~24는 다음과 같다. DELTA_TIME은 가공시간, TEMPERATURE_SOOT_UPPER는 합성유리 수트(soot) 윗부분의 온도, TEMPERATURE_SOOT_SUB는 합성유리 수트 중간부분의 온도, TEMPERATURE_SOOT_LOWER는 합성유리 수트 아랫부분의 온도, BURNER_ANGLE은 버너의 기울어진 각도를 의미한다. BURNER_X는 버너가 BURNER_ANGLE은 그대로 유지한채 수직으로 평행하게 이동하는 경우에 버너의 끝단과 합성유리 수트의 일 지점이 이루는 각도이며, BURNER_L은 버너가 BURNER_ANGLE은 그대로 유지한채 수평으로 평행하게 움직이는 경우에 버너의 끝단과 합성유리 수트의 상기 일 지점이 이루는 각도이다

AR_1 ~ AR_7은 버너의 각 채널로 공급되는 Ar 기체, H2_1 ~ H2_5는 버너의 각 채널로 공급되는 H₂ 기체, O2_1 ~ O2_4는 버너의 각 채널로 공급되는 O₂ 기체, SICL4_1은 버너의 각 채널로 공급되는 SiCl₄ 기체를 의미하고, 각 기체가 공급되는 버너의 채널은 도 2에 도시된 바와 같다. 이와 같이 버너의 각 채널로 공급되는 각종 기체의 양의 조합을 이하에서는 '레시피(recipe)'라 한다. 도 3의 블럭도에서, 예를 들어 Ar_1 ~ Ar_7 는, Ar_1, Ar_2, Ar_3, Ar_4, Ar_5, Ar_6, Ar_7 각 채널로 입력되는 Ar 기체 양으로서 7개의 별개의 입력임을 의미하며, 다른 기체들에 대하여도 마찬가지이다.

일차적으로는 제1 모델의 입력은 레시피, 즉, 전술한 바와 같은 버너의 각 채널로 공급되는 Ar, H₂, O₂및 SiCl₄ 기체의 양의 조합일 수 있다. 그러나 전술한 바와 같은 가공시간, 합성유리 수트 각 부분의 온도, 버너 각도 등은 각각, 제1 모델의 출력인 각 기체의 입력 유량, 즉, 각 기체의 총 제공량에 영향을 미치는 인자로서, 이와 같은 입력이 더해질수록 제1 모델 출력 및, 이러한 제1 모델 출력을 입력으로 사용하는 제2 모델 출력에 대한 신뢰성은 더해지게 된다.

S1은 제1 모델에서 출력되는 SiCl₄ 기체의 입력 유량으로서, 각 채널을 통해 버너에 실제 공급된 SiCl₄ 기체의 총 제공량이다. 마찬가지로 O2는 제1 모델에서 출력되는O₂ 기체의 입력 유량으로서, 각 채널을 통해 버너에 실제 공급된 O₂ 기체의 총 제공량, H2는 제1 모델에서 출력되는 H₂ 기체의 입력 유량으로서, 각 채널을 통해 버너에 실제 공급된 H₂ 기체의 총 제공량, AR은 제1 모델에서 출력되는 AR 기체의 입력 유량으로서, 각 채널을 통해 버너에 실제 공급된 AR 기체의 총 제공량이다. 이러한 각 입력 유량은, 전술한 바와 같이 그대로 제2 모델의 입력 데이터가 된다. 여기서 '루베'란 1000m²를 의미한다. kg/kg, 루베/kg에서, 분모의 kg은, '총 생산된 SiO₂의 수트(soot) kg 당'의 의미이며, 분자의 kg 또는 루베는 각 기체의 입력 유량을 말한다.

제2 모델의 출력 데이터로는, 합성유리 수트(soot)의 증착률(g/min), 합성유리 수트의 성장속도, S1(SiO₄) 보정 포집률 등이 있다.

증착률은, 단위시간당 수트(soot), 즉, SiO₂가 증착되는 질량을 나타낸다.

S1 포집률이란, 공급된 SiCl₄의 Si에 대한, 수트(soot), 즉, SiO₂로 증착되어 회수된 Si의 비율을 의미한다. 이 경우, S1 보정 포집률이란, S1 포집률을 보정한 것으로서, 유량 제어장치(MFC)에서 설정한 SiCl₄ 공급량을, SiCl₄ 탱크에서 실제로 사용된 SiCl₄ 공급량으로 보정하여 구한 S1 포집률을 의미한다.

이러한 No 1 ~ 31을 제1 모델 및 제2 모델의 학습 및 테스트를 위한 위한 일 데이터셋이라 할 때, 본 발명을 위해 2700개 데이터셋 중, 전처리 후 1924개 데이터셋으로 학습 및 테스트를 진행하였으며, 이에 따라 이중 일부는 학습 데이터셋으로, 나머지는 테스트 데이터셋으로 활용하였다. 또한 기 설정된 증착률 기준 범위를 벗어난 데이터셋 및 대부분의 수치에서 이상을 보이는 일부 데이터셋은 제외하였다.

제1 모델 및 제2 모델이 학습에 의해 형성된 후, 각 모델에 대하여 테스트 데이터셋을 이용하여 테스트를 수행함으로써(S503,S504), 모델을 보완한다.

이후에는 형성된 제1 모델 및 제2 모델에 의해 특정 레시피를 제1 모델에 입력하여(S505), 각 기체의 입력 유량을 출력값으로 산출한다(S506). 또한 이러한 각 기체의 입력 유량을 제2 모델에 입력하여(S507), 증착률을 출력값으로 산출한다(S508).

이때, 제1 모델의 입력에는(S505), 특정 레시피 외에 전술한 가공시간, 합성유리 수트 각 부분의 온도, 버너 각도 중 하나 이상이 더 포함될 수 있다. 또한 제2 모델의 출력에는(S508), 증착률 외에 성장속도, S1(SiO₄) 포집률 중 하나 이상이 더 포함될 수 있다.

전술한 머신러닝 기반 제1 모델 및 제2 모델의 성능을 평가하기 위하여 R2, MAE(Mean Absolute Error)의 2가지 평가지표를 사용하였다. R2는 1 이하의 값이며, 클수록, 즉 1에 가까울수록 모델의 성능이 좋음을 의미한다. MAE는 0 이상의 값이며, 예측값과 실제값의 차이를 의미하고, 작을수록 모델의 성능이 좋음을 의미한다.

1) 제1 모델에 의해 출력되는 각 기체 별 입력 유량 예측값에 대한 평가지표 결과

- AR

R2	0.781
MAE	0.058

- H₂

R2	0.937
MAE	0.340

- O₂

R2	0.711
MAE	0.288

- SiCl₄

R2	0.918
MAE	0.109

MAE는 모델이 표준화되지 않은 출력변수를 예측하고 있기 때문에 R2가 크더라도 MAE가 클 수 있으며, 각 기체에서 R2 및 MAE가 모두 좋은 성능을 내고 있음을 알 수 있다.

2) 제2 모델에 의해 출력되는 각 출력요소 별 예측 평가지표 결과

- 증착률

R2	0.936
MAE	0.202

- S1(SiCl₄) 보정 포집률

R2	0.987
MAE	0.414

- 성장속도

R2	0.862
MAE	0.938

- 평균 외경

R2	0.076
MAE	2.900

- 밀도

R2	0.101
MAE	5.398

- Soot 중량

R2	0.006
MAE	475.687

위 결과에서 평균 외경, 밀도, Soot 중량은 레시피 데이터로만 예측되지 않는 결과인 것으로 판단하여, 출력요소에서 제외하고, 좋은 지표를 나타내는 증착률, S1 보정 포집률 및 성장속도를 제2 모델의 출력 요소로 결정하였다.

도 5는 합성유리 퇴적공정 예측에 사용되는 머신러닝 기반 모델을 이용한 레시피(recipe) 조정 방법의 일 실시예를 나타내는 순서도이다.

합성유리 퇴적공정에 사용되는 제1 모델의 입력 레시피와 다른 입력요소가 일차적으로 정해진 후에도, 필요에 따라 레시피 중, 버너의 특정 채널로 공급되는 특정 기체 양을 변경해야할 필요가 생길 수 있다(S601). 이 경우 최종 출력인 제2 모델의 출력요소, 즉 증착률, S1 보정 포집률 및 성장속도 등의 값은 기존 값으로 유지하거나 또는 새로 설정된 값으로 변경하는 것을 목표로 하게 되는데, 유지되거나 변경될 값을 총칭하여 '목표값'이라 할 경우, 양을 변경한(S601) 기체 외에, 목표값을 달성하기 위하여(S602) 제1 모델의 입력 레시피 상의 다른 기체의 양을 조절해야 한다(S603). 이와 같이 단계 S601에서 변경된 기체 양 및, 이에 따라 변경한 레시피 상의 다른 기체 양의 입력에 대하여 제1 모델 및 제2 모델을 거쳐(S604 내지 S606) 최종 출력인 제2 모델의 출력요소를 신속히 예측할 수 있다(S607). 이와 같이 변경하는 레시피 상의 다른 기체(S603)의 선택 및, 그 변경하는 양은, 공정관리자의 직접 입력에 의해 할 수도 있고, 또는 자동으로 이루어질 수도 있다. 또는 공정관리자는 변경하는 기체의 선택을 하고 그 변경 양은 스텝별로 자동으로 반복하여 이루어질 수도 있다.

이와 같이 레시피 상의 변경 요소(S603)에 대하여 새로운 실험을 할 필요없이, 즉각적으로 본 발명의 제1 모델 및 제2 모델에 의해 최종 출력인 제2 모델의 출력요소를 신속히 예측하고, 이 값이 목표값에 수렴할 때까지(S602,S608) 신속하게 반복함으로써 효과적인 합성유리 퇴적공정을 수행할 수 있게 된다.

10: 버너
20: 합성유리 수트(soot)
100: 제1 모델
200: 제2 모델

Claims

컴퓨팅 장치에 의해 수행되는 머신러닝 기반 합성유리 퇴적공정 예측 방법으로서,
(a) 합성유리 퇴적공정에 사용되는 버너의 각 채널을 통해 공급되는 기체의 양을 머신러닝 기반 모델(이하 '제1 모델'이라 한다)로 입력하는 단계;
(b) 상기 제1 모델에서 각 기체별 총 입력량(이하 '입력 유량'이라 한다)을 출력하는 단계;
(c) 상기 단계(b)에서 출력된 각 기체별 입력 유량을 머신러닝 기반 모델(이하 '제2 모델'이라 한다)로 입력하는 단계; 및,
(d) 상기 제2 모델에서 합성유리 수트(soot)의 증착률 값을 출력하는 단계
를 포함하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 1에 있어서,
상기 단계(a)에서,
상기 버너의 각 채널을 통해 공급되는 기체는,
Ar, H₂, O₂ 및 SiCl₄인 것
을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 1에 있어서,
상기 제1 모델의 입력에는,
가공 시간 값
을 더 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 1에 있어서,
상기 제1 모델의 입력에는,
버너 각도 값
을 더 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 4에 있어서,
상기 버너 각도 값은,
버너의 기울어진 각도(이하 '기울임 각도'라 한다)값
을 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 5에 있어서,
상기 버너 각도 값은,
상기 버너가, 상기 기울임 각도를 동일하게 유지하면서, 수평으로 평행하게 이동함에 따라 버너의 끝단과 합성유리 수트의 일 지점이 이루는 각도(이하 '수평이동 각도'라 한다); 및,
상기 버너가, 상기 기울임 각도를 동일하게 유지하면서, 수직으로 평행하게 이동함에 따라 버너의 끝단과 합성유리 수트의 상기 일 지점이 이루는 각도(이하 '수직이동 각도'라 한다)
중 하나 이상을 더 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 1에 있어서,
상기 제1 모델의 입력에는,
퇴적되는 합성유리 수트의 온도 값
을 더 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 7에 있어서,
상기 온도 값은,
상기 합성유리 수트의 상부, 중앙부 및 하부의 온도
를 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 1에 있어서,
상기 제2 모델의 출력은,
SiO₄ 보정 포집률 값
을 더 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
청구항 1에 있어서,
상기 제2 모델의 출력은,
합성유리 수트의 성장속도 값
을 더 포함하는 것을 특징으로 하는 머신러닝 기반 합성유리 퇴적공정 예측 방법.
머신러닝 기반 합성유리 퇴적공정을 예측하기 위한 장치로서,
적어도 하나의 프로세서; 및
컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되,
상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여,
(a) 합성유리 퇴적공정에 사용되는 버너의 각 채널을 통해 공급되는 기체의 양을 머신러닝 기반 모델(이하 '제1 모델'이라 한다)로 입력하는 단계;
(b) 상기 제1 모델에서 각 기체별 총 입력량(이하 '입력 유량'이라 한다)을 출력하는 단계;
(c) 상기 단계(b)에서 출력된 각 기체별 입력 유량을 머신러닝 기반 모델(이하 '제2 모델'이라 한다)로 입력하는 단계; 및,
(d) 상기 제2 모델에서 합성유리 수트(soot)의 증착률 값을 출력하는 단계
가 실행되도록 하는 머신러닝 기반 합성유리 퇴적공정 예측 장치.
머신러닝 기반 합성유리 퇴적공정을 예측하기 위한, 컴퓨터로 판독 가능한 비일시적 저장 매체에 저장된 컴퓨터 프로그램으로서,
비일시적 저장 매체에 저장되며, 프로세서에 의하여,
(a) 합성유리 퇴적공정에 사용되는 버너의 각 채널을 통해 공급되는 기체의 양을 머신러닝 기반 모델(이하 '제1 모델'이라 한다)로 입력하는 단계;
(b) 상기 제1 모델에서 각 기체별 총 입력량(이하 '입력 유량'이라 한다)을 출력하는 단계;
(c) 상기 단계(b)에서 출력된 각 기체별 입력 유량을 머신러닝 기반 모델(이하 '제2 모델'이라 한다)로 입력하는 단계; 및,
(d) 상기 제2 모델에서 합성유리 수트(soot)의 증착률 값을 출력하는 단계
가 실행되도록 하는 명령을 포함하는 머신러닝 기반 합성유리 퇴적공정을 예측하기 위한, 컴퓨터로 판독 가능한 비일시적 저장 매체에 저장된 컴퓨터 프로그램.