KR102620434B1 - Method and apparatus for predicting shape of solution coating, computer program - Google Patents

Method and apparatus for predicting shape of solution coating, computer program Download PDF

Info

Publication number
KR102620434B1
KR102620434B1 KR1020210001028A KR20210001028A KR102620434B1 KR 102620434 B1 KR102620434 B1 KR 102620434B1 KR 1020210001028 A KR1020210001028 A KR 1020210001028A KR 20210001028 A KR20210001028 A KR 20210001028A KR 102620434 B1 KR102620434 B1 KR 102620434B1
Authority
KR
South Korea
Prior art keywords
coating
solution
shape
learning
parameter
Prior art date
Application number
KR1020210001028A
Other languages
Korean (ko)
Other versions
KR20220099204A (en
Inventor
이진기
송륜근
어솔
강창민
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020210001028A priority Critical patent/KR102620434B1/en
Publication of KR20220099204A publication Critical patent/KR20220099204A/en
Application granted granted Critical
Publication of KR102620434B1 publication Critical patent/KR102620434B1/en

Links

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05B—SPRAYING APPARATUS; ATOMISING APPARATUS; NOZZLES
    • B05B12/00—Arrangements for controlling delivery; Arrangements for controlling the spray area
    • B05B12/08—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C11/00—Component parts, details or accessories not specifically provided for in groups B05C1/00 - B05C9/00
    • B05C11/10—Storage, supply or control of liquid or other fluent material; Recovery of excess liquid or other fluent material
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Coating Apparatus (AREA)
  • Application Of Or Painting With Fluid Materials (AREA)

Abstract

본 발명은 용액 코팅 예측 방법 및 장치, 컴퓨터 프로그램에 관한 것으로서, 학습 코팅 조건에서 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하는 단계, 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키는 단계, 대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 학습된 신경망 모델에 적용하여, 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하는 단계, 및 대상 코팅 조건 파라미터 및 대상 코팅 거동 파라미터를 코팅 형상 함수에 대입하여, 대상 코팅 조건에서 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하는 단계를 포함하는 것을 특징으로 한다.The present invention relates to a method and device for predicting solution coating, and a computer program. The present invention relates to a method, device, and computer program for predicting solution coating. The learning coating shape parameter, which indicates the coating shape that appears in the process of coating a solution on a target substrate by a solution coating device under learning coating conditions, is used to determine a predefined coating shape. Obtaining a learning coating behavior parameter indicating the coating behavior of the solution and a learning coating condition parameter indicating the learning coating condition, derived by fitting a function, the obtained learning coating condition parameter and the learning coating behavior parameter Based on this, learning a neural network model in which the relationship between the coating conditions and coating behavior is defined when coating the solution by the solution coating device, applying the target coating condition parameter indicating the target coating condition to the learned neural network model, Deriving a target coating behavior parameter corresponding to the coating condition parameter, and substituting the target coating condition parameter and the target coating behavior parameter into a coating shape function to predict what will be formed as a result of coating the solution by the solution coating device under the target coating condition. It is characterized by comprising the step of deriving a coating shape parameter that indicates the coating shape.

Description

용액 코팅 형상 예측 방법 및 장치, 컴퓨터 프로그램{METHOD AND APPARATUS FOR PREDICTING SHAPE OF SOLUTION COATING, COMPUTER PROGRAM}Method and apparatus for predicting solution coating shape, computer program {METHOD AND APPARATUS FOR PREDICTING SHAPE OF SOLUTION COATING, COMPUTER PROGRAM}

본 발명은 용액 코팅 형상 예측 방법 및 장치, 컴퓨터 프로그램에 관한 것으로서, 더욱 상세하게는 용액 전단 코팅(Solution Shearing Coating) 과정에서 대상 기판에 코팅되는 용액의 형상과 거동을 예측하기 위한 용액 코팅 형상 예측 방법 및 장치, 컴퓨터 프로그램에 관한 것이다.The present invention relates to a solution coating shape prediction method, device, and computer program, and more specifically, to a solution coating shape prediction method for predicting the shape and behavior of the solution coated on the target substrate during the solution shearing coating process. and devices and computer programs.

용액 전단 코팅 장치는 대상 기판(substrate)에 블레이드(blade)를 통해 용액을 주입하여 대상 기판을 코팅하도록 동작한다. 블레이드는 대상 기판 상단에서 소정 각도로 경사지게 배치되고, 블레이드와 대상 기판 간의 상대적인 이동 과정 과정에서 용액에 작용하는 전단력과 용액의 코팅 비드(coating bead)에 의해 대상 기판이 용액에 의해 전단 코팅된다.The solution front coating device operates to coat a target substrate by injecting a solution into the target substrate through a blade. The blade is disposed inclined at a predetermined angle on top of the target substrate, and the target substrate is sheared and coated with the solution by shear force acting on the solution and coating beads of the solution during the relative movement between the blade and the target substrate.

용액 전단 코팅에 있어서 목표하는 코팅 형상을 확보하기 위해서는 다양한 용액 전단 코팅 조건에 따른 코팅 거동을 정확히 분석하는 것이 중요하며, 코팅 거동을 분석하는 방법으로서 수치 해석적 방법 또는 실험적 방법으로 접근하는 것이 고려될 수 있다. 그러나, 수치 해석적 방법은 복잡한 계면 유동 현상을 해석하기 위해 고성능의 컴퓨팅 시스템뿐만 아니라 해당 기술분야에 대한 고도의 전문적 지식 및 시간적 소모가 요구되며, 실험적 방법의 경우 최적의 코팅 조건을 파악하기 위한 대량의 실험 데이터가 요구되고 그에 따라 작업자의 시간적 및 비용적 소모가 수반되는 문제점이 존재한다. 나아가, 대면적에 대한 용액 전단 코팅에는 상기와 같은 수치 해석적 방법 및 실험적 방법은 현실적으로 적용이 불가능한 한계를 갖는다.In order to secure the target coating shape in solution shear coating, it is important to accurately analyze the coating behavior according to various solution shear coating conditions. As a method of analyzing the coating behavior, numerical analysis or experimental methods may be considered. You can. However, numerical analysis methods require not only a high-performance computing system to analyze complex interfacial flow phenomena, but also highly specialized knowledge and time consumption in the relevant technical field, and experimental methods require a large amount of time to identify optimal coating conditions. There is a problem that experimental data is required and that it consumes the operator's time and money. Furthermore, the numerical analysis and experimental methods described above have limitations that make them impossible to realistically apply to solution shear coating on large areas.

본 발명의 배경기술은 대한민국 공개특허공보 제10-2020-0021790호(2020.03.02. 공개)에 개시되어 있다.The background technology of the present invention is disclosed in Republic of Korea Patent Publication No. 10-2020-0021790 (published on March 2, 2020).

본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 용액 전단 코팅 조건에 따른 코팅 거동을 분석하기 위해 요구되는 실험적 접근에 대한 의존성을 최소화함과 동시에 코팅 거동 및 형상을 보다 정확하게 예측하고, 그 예측 결과를 통해 목표하는 코팅 형상을 확보할 수 있는 최적의 코팅 조건을 도출하기 위한, 용액 코팅 형상 예측 방법 및 장치, 컴퓨터 프로그램을 제공하는 것이다.The present invention was created to solve the above-described problems, and the purpose of one aspect of the present invention is to minimize the dependence on the experimental approach required to analyze the coating behavior according to the solution pre-coating conditions, and at the same time minimize the dependence on the experimental approach required to analyze the coating behavior and The aim is to provide a solution coating shape prediction method, device, and computer program to predict the shape more accurately and derive optimal coating conditions that can secure the target coating shape through the prediction results.

본 발명의 일 측면에 따른 용액 코팅 형상 예측 방법은, 컴퓨팅 디바이스에 의해 수행되며, 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하는 방법으로서, 학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 상기 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하는 단계, 상기 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 상기 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키는 단계, 대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하는 단계, 및 상기 대상 코팅 조건 파라미터 및 상기 대상 코팅 거동 파라미터를 상기 코팅 형상 함수에 대입하여, 상기 대상 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하는 단계를 포함하는 것을 특징으로 한다.The solution coating shape prediction method according to one aspect of the present invention is performed by a computing device and is a method of predicting the coating shape of a solution performed by a solution coating device, wherein the solution is prepared by the solution coating device under learning coating conditions. Learning coating behavior parameters indicating the coating behavior of the solution, derived by fitting learning coating shape parameters indicating the coating shape that appears during coating on the target substrate to a predefined coating shape function, and learning coating conditions Obtaining learning coating condition parameters indicating, based on the obtained learning coating condition parameters and learning coating behavior parameters, a neural network in which a relationship between the coating conditions and coating behavior is defined when coating the solution by the solution coating device. Learning a model, applying a target coating condition parameter indicating a target coating condition to the learned neural network model to derive a target coating behavior parameter corresponding to the target coating condition parameter, and the target coating condition parameter and Substituting the target coating behavior parameter into the coating shape function to derive a coating shape parameter that indicates the coating shape expected to be formed as a result of coating the solution by the solution coating device under the target coating conditions. It is characterized by

본 발명에 있어 상기 학습 코팅 조건 파라미터 및 상기 대상 코팅 조건 파라미터는 상기 대상 기판에 토출되는 용액의 토출 유량 파라미터, 블레이드의 높이 파라미터, 및 블레이드의 속도 파라미터를 포함하고, 상기 학습 코팅 거동 파라미터 및 상기 대상 코팅 거동 파라미터는 상기 대상 기판에 코팅되는 용액의 두께 파라미터 및 코팅 비드의 단면적 파라미터를 포함하며, 상기 코팅 형상 파라미터는 상기 대상 기판에 코팅되는 용액의 너비 파라미터를 포함하는 것을 특징으로 한다.In the present invention, the learning coating condition parameter and the target coating condition parameter include a discharge flow rate parameter of the solution discharged to the target substrate, a blade height parameter, and a blade speed parameter, and the learning coating behavior parameter and the target The coating behavior parameter includes a thickness parameter of the solution coated on the target substrate and a cross-sectional area parameter of the coating bead, and the coating shape parameter includes a width parameter of the solution coated on the target substrate.

본 발명에 있어 상기 획득하는 단계는, 상기 학습 코팅 조건 파라미터와, 상기 학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 실측된 학습 코팅 형상 파라미터를 상기 코팅 형상 함수에 피팅하여 상기 학습 코팅 거동 파라미터로서 용액의 두께 파라미터와 코팅 비드의 단면적 파라미터를 획득하는 것을 특징으로 한다.In the present invention, the obtaining step includes fitting the learning coating condition parameters and the learning coating shape parameters actually measured in the process of coating the solution on the target substrate by the solution coating device under the learning coating conditions to the coating shape function. Thus, the thickness parameter of the solution and the cross-sectional area parameter of the coating bead are obtained as the learned coating behavior parameters.

본 발명에 있어 상기 학습시키는 단계는, 상기 학습 코팅 조건 파라미터 및 상기 학습 코팅 거동 파라미터를 기반으로 상기 신경망 모델을 학습시키되, 학습되는 신경망 모델에 상기 학습 코팅 조건 파라미터를 적용하여 도출되는 코팅 거동 파라미터와 상기 학습 코팅 거동 파라미터 간의 오차가 최소화되는 방식으로 상기 신경망 모델에 대한 학습을 반복 수행하는 것을 특징으로 한다.In the present invention, the learning step includes learning the neural network model based on the learning coating condition parameters and the learning coating behavior parameters, and coating behavior parameters derived by applying the learning coating condition parameters to the learned neural network model. Characterized by repeatedly performing learning on the neural network model in a manner that minimizes errors between the learned coating behavior parameters.

본 발명에 있어 상기 대상 코팅 조건은 제1 내지 제N 코팅 조건을 포함하고, 상기 대상 코팅 조건 파라미터는 상기 제1 내지 제N 코팅 조건을 각각 지표하는 제1 내지 제N 조건 파라미터를 포함하며(N은 2 이상의 자연수), 상기 대상 코팅 거동 파라미터를 도출하는 단계는, 상기 제1 내지 제N 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 거동 파라미터로서 제1 내지 제N 거동 파라미터를 각각 도출하고, 상기 코팅 형상 파라미터를 도출하는 단계는, 상기 제1 내지 제N 조건 파라미터와 상기 제1 내지 제N 거동 파라미터를 상기 코팅 형상 함수에 피팅하여, 상기 제1 내지 제N 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 각각의 코팅 형상을 각각 지표하는 제1 내지 제N 형상 파라미터를 상기 코팅 형상 파라미터로서 도출하는 것을 특징으로 한다.In the present invention, the target coating conditions include first to Nth coating conditions, and the target coating condition parameters include first to Nth condition parameters respectively indicating the first to Nth coating conditions (N is a natural number of 2 or more), the step of deriving the target coating behavior parameter is to apply the first to Nth condition parameters to the learned neural network model to set the first to Nth behavior parameters as the target coating behavior parameters, respectively. The step of deriving the coating shape parameter includes fitting the first to Nth condition parameters and the first to Nth behavior parameters to the coating shape function, and fitting the solution to the first to Nth coating conditions. The coating shape parameters are characterized by deriving first to Nth shape parameters that respectively indicate each coating shape expected to be formed as a result of coating the solution by the coating device.

본 발명은 상기 제1 내지 제N 형상 파라미터를, 상기 용액 코팅 장치에 의한 용액의 코팅 시 목표되는 타겟 코팅 형상을 지표하는 타겟 코팅 형상 파라미터와 비교하는 방식을 통해, 용액이 상기 타겟 코팅 형상에 따라 대상 기판에 코팅되도록 하기 위한 최적 코팅 조건 파라미터를 결정하는 단계를 더 포함하는 것을 특징으로 한다.The present invention compares the first to Nth shape parameters with a target coating shape parameter that indicates the target coating shape targeted when coating the solution by the solution coating device, so that the solution changes according to the target coating shape. It is characterized in that it further includes the step of determining optimal coating condition parameters for coating on the target substrate.

본 발명에 있어 상기 최적 코팅 조건 파라미터를 결정하는 단계는, 상기 제1 내지 제N 형상 파라미터 각각에 대하여, 상기 타겟 코팅 형상 파라미터와의 차이를 통해 상기 타겟 코팅 형상에 대한 코팅 과부족 영역의 면적을 산출하고, 산출된 면적이 최소인 제M 형상 파라미터에 대응되는 제M 조건 파라미터를 상기 최적 코팅 조건 파라미터로 결정하는 것을 특징으로 한다.In the present invention, the step of determining the optimal coating condition parameter is to calculate the area of the coating excess or deficiency area for the target coating shape through the difference with the target coating shape parameter for each of the first to Nth shape parameters. And, the M condition parameter corresponding to the M shape parameter with the minimum calculated area is determined as the optimal coating condition parameter.

본 발명의 일 측면에 따른 용액 코팅 형상 예측 장치는 프로세서(processor), 및 상기 프로세서를 통해 실행되며, 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하기 위한 적어도 하나의 명령이 저장된 메모리를 포함하고, 상기 프로세서를 통해 실행되는 상기 적어도 하나의 명령은, 학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 상기 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하도록 하는 제1 명령, 상기 제1 명령에 따라 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 상기 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키도록 하는 제2 명령, 대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하도록 하는 제3 명령, 및 상기 대상 코팅 조건 파라미터 및 상기 대상 코팅 거동 파라미터를 상기 코팅 형상 함수에 대입하여, 상기 대상 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하도록 하는 제4 명령을 포함하는 것을 특징으로 한다.The solution coating shape prediction device according to one aspect of the present invention includes a processor, and a memory that is executed through the processor and stores at least one command for predicting the coating shape of the solution performed by the solution coating device. And, the at least one command executed through the processor sets a learning coating shape parameter indicating a coating shape that appears in the process of coating the solution on the target substrate by the solution coating device under learning coating conditions to a predefined coating shape. A first command to obtain a learning coating behavior parameter indicating the coating behavior of the solution, derived by fitting a function, and a learning coating condition parameter indicating the learning coating condition, obtained according to the first command. A second command to learn a neural network model in which the relationship between the coating conditions and coating behavior is defined when coating the solution by the solution coating device, based on the learning coating condition parameters and the learning coating behavior parameters, indicating the target coating condition a third command to apply a target coating condition parameter to the learned neural network model to derive a target coating behavior parameter corresponding to the target coating condition parameter, and apply the target coating condition parameter and the target coating behavior parameter to the coating It is characterized by including a fourth command to derive a coating shape parameter that indicates the coating shape expected to be formed as a result of coating the solution by the solution coating device under the target coating conditions by substituting the shape function.

본 발명의 일 측면에 따른 컴퓨터 프로그램은, 하드웨어와 결합되어, 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하기 위한 단계들을 실행시키기 위해 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램으로서, 상기 단계들은, 학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 상기 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하는 단계, 상기 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 상기 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키는 단계, 대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하는 단계, 및 상기 대상 코팅 조건 파라미터 및 상기 대상 코팅 거동 파라미터를 상기 코팅 형상 함수에 대입하여, 상기 대상 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하는 단계를 포함하는 것을 특징으로 한다.The computer program according to one aspect of the present invention is a computer program stored in a computer-readable recording medium in combination with hardware to execute steps for predicting the coating shape of a solution performed by a solution coating device, the steps being , the coating behavior of the solution, derived by fitting the learning coating shape parameter, which indicates the coating shape that appears in the process of coating the solution on the target substrate by the solution coating device under learning coating conditions, to a predefined coating shape function. Obtaining a learning coating behavior parameter indicating a learning coating condition and a learning coating condition parameter indicating the learning coating condition, based on the obtained learning coating condition parameter and the learning coating behavior parameter, coating the solution by the solution coating device. Learning a neural network model in which the relationship between the coating condition and the coating behavior is defined, applying a target coating condition parameter indicating a target coating condition to the learned neural network model to obtain a target coating behavior corresponding to the target coating condition parameter. Deriving parameters, and substituting the target coating condition parameters and the target coating behavior parameters into the coating shape function to obtain a coating shape predicted to be formed as a result of coating the solution by the solution coating device under the target coating conditions. It is characterized in that it includes the step of deriving an indicative coating shape parameter.

본 발명의 일 측면에 따르면, 본 발명은 용액 전단 코팅 조건에 따른 코팅 거동을 분석하기 위해 요구되는 실험적 접근에 대한 의존성을 최소화할 수 있고, 코팅 과정에서 나타나는 계면의 물리적 거동을 나타내는 코팅 형상 함수와 그 거동을 예측하도록 학습된 신경망 모델을 통해 코팅 거동 및 형상을 보다 정확하고 용이하게 예측할 수 있으며, 그 예측 결과를 통해 목표하는 코팅 형상을 확보할 수 있는 최적의 코팅 조건을 도출할 수 있어, 용액 전단 코팅 조건 최적화에 소요되는 시간적 및 비용적 소모를 최소화할 수 있다.According to one aspect of the present invention, the present invention can minimize the dependence on the experimental approach required to analyze coating behavior according to solution shear coating conditions, and can provide a coating shape function representing the physical behavior of the interface that appears during the coating process. Coating behavior and shape can be predicted more accurately and easily through a neural network model learned to predict the behavior, and the prediction results can be used to derive optimal coating conditions to secure the target coating shape. The time and cost required to optimize front coating conditions can be minimized.

도 1은 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법이 적용되는 용액 코팅 장치의 구조를 보인 예시도이다.
도 2는 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 장치를 설명하기 위한 블록구성도이다.
도 3은 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법을 설명하기 위한 흐름도이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법에서 코팅 형상 함수가 정의되는 과정을 보인 예시도이다.
도 6 내지 8은 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법에서 최적 코팅 조건 파라미터를 결정하는 과정을 보인 예시도이다.Figure 1 is an exemplary diagram showing the structure of a solution coating device to which the solution coating shape prediction method according to an embodiment of the present invention is applied.
Figure 2 is a block diagram for explaining a solution coating shape prediction device according to an embodiment of the present invention.
Figure 3 is a flowchart illustrating a method for predicting the shape of a solution coating according to an embodiment of the present invention.
Figures 4 and 5 are exemplary diagrams showing the process of defining the coating shape function in the solution coating shape prediction method according to an embodiment of the present invention.
Figures 6 to 8 are exemplary diagrams showing the process of determining optimal coating condition parameters in the solution coating shape prediction method according to an embodiment of the present invention.

이하, 첨부된 도면들을 참조하여 본 발명에 따른 용액 코팅 형상 예측 방법 및 장치, 컴퓨터 프로그램의 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, embodiments of the solution coating shape prediction method, device, and computer program according to the present invention will be described with reference to the attached drawings. In this process, the thickness of lines or sizes of components shown in the drawing may be exaggerated for clarity and convenience of explanation. In addition, the terms described below are terms defined in consideration of functions in the present invention, and may vary depending on the intention or custom of the user or operator. Therefore, definitions of these terms should be made based on the content throughout this specification.

도 1은 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법이 적용되는 용액 코팅 장치의 구조를 보인 예시도이고, 도 2는 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 장치를 설명하기 위한 블록구성도이며, 도 3은 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법을 설명하기 위한 흐름도이고, 도 4 및 도 5는 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법에서 코팅 형상 함수가 정의되는 과정을 보인 예시도이며, 도 6 내지 8은 본 발명의 일 실시예에 따른 용액 코팅 형상 예측 방법에서 최적 코팅 조건 파라미터를 결정하는 과정을 보인 예시도이다.Figure 1 is an exemplary diagram showing the structure of a solution coating device to which the solution coating shape prediction method according to an embodiment of the present invention is applied, and Figure 2 is an illustration for explaining the solution coating shape prediction device according to an embodiment of the present invention. It is a block diagram, and Figure 3 is a flowchart for explaining the solution coating shape prediction method according to an embodiment of the present invention, and Figures 4 and 5 are coating shapes in the solution coating shape prediction method according to an embodiment of the present invention. This is an exemplary diagram showing the process of defining a function, and Figures 6 to 8 are exemplary diagrams showing the process of determining optimal coating condition parameters in the solution coating shape prediction method according to an embodiment of the present invention.

먼저, 도 1을 참조하여 본 실시예의 용액 코팅 형상 예측 방법이 적용되는 용액 코팅 장치(용액 전단 코팅 장치)에 대하여 개괄적으로 설명하면, 용액 코팅 장치는, 대상 기판에 대하여 소정 각도로 경사지게 배치된 블레이드가 구비되고, 블레이드에는 유체 펌프(예: 시린지 펌프(syringe pump))로부터 공급되는 용액의 유로를 형성하는 튜브가 결합되며, 튜브의 말단에는 노즐이 형성되어 대상 기판에 용액이 토출되도록 구성된다. 블레이드는 액추에이터(예: 리니어 모터)의 동작에 의해 그 이동이 제어되며, 블레이드를 통해 대상 기판의 상면에 용액이 토출되고 액추에이터의 동작에 의해 블레이드가 이동하는 과정에서 용액에 작용하는 전단력과 용액의 코팅 비드(coating bead)에 의해 대상 기판이 용액에 의해 전단 코팅되도록 동작한다. 또한, 용액 코팅 장치에는 유체 펌프 및 액추에이터를 제어하는 제어기가 구비되며, 이에 따라 대상 기판의 코팅 시 용액의 토출 유량(노즐을 통한 용액의 토출율(Flow Rate[μL/s])) 및 코팅 속도(블레이드의 속도와 동일하다)가 제어기에 의해 제어된다.First, referring to FIG. 1, a general description will be given of the solution coating device (solution pre-coating device) to which the solution coating shape prediction method of this embodiment is applied. The solution coating device includes a blade disposed inclined at a predetermined angle with respect to the target substrate. is provided, and a tube forming a flow path for a solution supplied from a fluid pump (e.g., a syringe pump) is coupled to the blade, and a nozzle is formed at the end of the tube to discharge the solution onto the target substrate. The movement of the blade is controlled by the operation of an actuator (e.g. linear motor). The solution is discharged onto the upper surface of the target substrate through the blade, and the shear force acting on the solution and the It operates so that the target substrate is shear coated with a solution by a coating bead. In addition, the solution coating device is equipped with a controller that controls the fluid pump and actuator, and accordingly, the discharge flow rate of the solution (discharge rate of the solution through the nozzle (Flow Rate [μL/s])) and coating speed when coating the target substrate. (same as the speed of the blade) is controlled by the controller.

본 실시예의 용액 코팅 형상 예측 장치는 상기와 같은 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하도록 동작한다. 본 실시예의 동작에 대한 구체적인 설명에 앞서, 이해를 돕기 위해 본 실시예에서 채용된 용어를 우선적으로 정의한다.The solution coating shape prediction device of this embodiment operates to predict the coating shape of the solution performed by the solution coating device as described above. Before detailed description of the operation of this embodiment, terms used in this embodiment will first be defined to aid understanding.

본 실시예에서 표기되는 코팅 조건, 코팅 거동 및 코팅 형상은 용액 코팅 장치에 의한 용액의 코팅 수행 시의 물리적인 조건, 거동 및 형상 자체를 지시하는 것으로 정의된다. 즉, 코팅 조건은 용액 코팅이 수행되는 환경적인 코팅 조건을, 코팅 거동은 용액 코팅이 수행되는 과정에서의 물리적인 코팅 거동을, 그리고 코팅 형상은 용액 코팅에 따라 형성되는 물리적인 코팅 형상을 지시하는 것으로 정의된다.The coating conditions, coating behavior, and coating shape indicated in this embodiment are defined as indicating the physical conditions, behavior, and shape themselves when coating the solution by the solution coating device. In other words, coating conditions indicate the environmental coating conditions under which solution coating is performed, coating behavior indicates the physical coating behavior during the process of solution coating, and coating shape indicates the physical coating shape formed according to solution coating. It is defined as

본 실시예에서 코팅 조건은 대상 기판으로의 용액의 토출 유량, 초기 코팅 너비, 코팅 속도를 포함할 수 있고(대상 기판으로부터의 블레이드의 높이, 및 대상 기판과 블레이드 간의 각도도 코팅 조건에 포함될 수 있다), 코팅 거동은 블레이드 하단 코팅 비드의 단면적, 초기 코팅 너비 증감 속도 및 코팅 두께를 포함할 수 있으며, 코팅 형상은 코팅 너비를 포함할 수 있다(위에서 표기한 '초기'의 의미에 대해서는 후술한다). 위 인자 중 용액의 토출 유량, 초기 코팅 너비 및 코팅 속도는 용액 코팅 장치의 제어기에 의해 제어 가능한, 또는 작업자의 설정에 의해 설정 가능한 인자에 해당하고, 코팅 비드의 단면적, 초기 코팅 너비 증감 속도 및 코팅 너비는 별도의 측정 장치를 통해 측정 가능한 인자에 해당한다.In this embodiment, the coating conditions may include the discharge flow rate of the solution to the target substrate, the initial coating width, and the coating speed (the height of the blade from the target substrate, and the angle between the target substrate and the blade may also be included in the coating conditions. ), the coating behavior may include the cross-sectional area of the coating bead at the bottom of the blade, the initial coating width increase/decrease rate, and the coating thickness, and the coating shape may include the coating width (the meaning of 'initial' indicated above will be described later). . Among the above factors, the discharge flow rate of the solution, the initial coating width, and the coating speed correspond to factors that can be controlled by the controller of the solution coating device or set by the operator's settings, and the cross-sectional area of the coating bead, the initial coating width increase/decrease rate, and the coating Width is a factor that can be measured using a separate measuring device.

다음으로, 코팅 조건 파라미터, 코팅 거동 파라미터 및 코팅 형상 파라미터는 상기한 물리적인 코팅 조건, 코팅 거동 및 코팅 형상에 대한 제어값 또는 측정값을 지표하며, 후술하는 프로세서(200)의 연산 과정에 적용되는 데이터를 지시하는 것으로 정의된다.Next, the coating condition parameters, coating behavior parameters, and coating shape parameters indicate control values or measured values for the physical coating conditions, coating behavior, and coating shape, and are applied to the calculation process of the processor 200, which will be described later. It is defined as indicating data.

전술한 코팅 조건, 코팅 거동 및 코팅 형상의 정의에 대응하여, 코팅 조건 파라미터는 용액의 토출 유량 파라미터, 초기 코팅 너비 파라미터, 블레이드의 속도 파라미터, 및 블레이드의 높이 파라미터를 포함할 수 있고, 코팅 거동 파라미터는 블레이드 하단 코팅 비드의 단면적 파라미터, 초기 코팅 너비 증감 속도 파라미터 및 코팅 두께 파라미터를 포함할 수 있으며, 코팅 형상 파라미터는 코팅 너비 파라미터를 포함할 수 있다. 각 파라미터 중 코팅 두께 파라미터를 제외한 나머지 파라미터는 제어기의 제어값/작업자의 설정값(토출 유량 파라미터, 초기 코팅 너비 파라미터, 코팅 속도 파라미터), 또는 별도 측정 장치를 통해 측정된 측정값(코팅 비드 단면적 파라미터, 초기 코팅 너비 증감 속도 파라미터, 코팅 너비 파라미터)에 해당하며, 코팅 두께 파라미터는 후술하는 코팅 형상 함수를 통해 도출될 수 있다. 본 명세서 정의되는 각 파라미터의 노테이션(notation)을 정리하면 하기 표 1과 같다.Corresponding to the definition of the coating conditions, coating behavior and coating shape described above, the coating condition parameters may include the discharge flow rate parameter of the solution, the initial coating width parameter, the speed parameter of the blade, and the height parameter of the blade, and the coating behavior parameters. may include a cross-sectional area parameter of the coating bead at the bottom of the blade, an initial coating width increase/decrease rate parameter, and a coating thickness parameter, and the coating shape parameter may include a coating width parameter. Among each parameter, except for the coating thickness parameter, the remaining parameters are the control value of the controller/operator's set value (discharge flow rate parameter, initial coating width parameter, coating speed parameter), or measured value through a separate measuring device (coating bead cross-sectional area parameter) , initial coating width increase/decrease rate parameter, coating width parameter), and the coating thickness parameter can be derived through the coating shape function described later. The notation of each parameter defined in this specification is summarized in Table 1 below.

파라미터parameter 노테이션Notation

코팅 조건 파라미터

Coating condition parameters 토출 유량 파라미터Discharge flow parameters 초기 코팅 너비 파라미터Initial coating width parameters 코팅 속도 파라미터
(블레이드 속도 파라미터)Coating speed parameters
(blade speed parameter) 블레이드 높이 파라미터Blade height parameters

코팅 거동 파라미터

Coating behavior parameters 코팅 비드 단면적 파라미터Coating bead cross-sectional area parameters 초기 코팅 너비 증감 속도 파라미터Initial coating width increase/decrease rate parameters 코팅 두께 파라미터Coating thickness parameters
코팅 형상 파라미터
Coating shape parameters 코팅 너비 파라미터Coating Width Parameters

본 실시예의 구성은 크게 (과정 ①)용액 코팅 과정에서 나타나는 계면의 물리적 거동을 나타내는 코팅 형상 함수를 정의하고, 정의된 코팅 형상 함수를 이용하여 코팅 조건 파라미터, 코팅 거동 파라미터 및 코팅 형상 파라미터를 획득한 후, 획득된 각 파라미터를 통해 신경망 모델을 학습시키는 과정과, (과정 ②)학습된 신경망 모델과 상기한 코팅 형상 함수에 코팅 조건 파라미터 및 코팅 거동 파라미터를 적용하는 방식으로 용액 코팅 결과에 따른 코팅 형상 파라미터를 도출하는 과정으로 구분될 수 있다. 용어의 명확한 구분을 위해, 위 과정 ①에서 적용되는 각 파라미터를 학습 코팅 조건 파라미터, 학습 코팅 거동 파라미터 및 학습 코팅 형상 파라미터로 정의하고, 위 과정 ②에서 적용되는 각 파라미터를 대상 코팅 조건 파라미터, 대상 코팅 거동 파라미터 및 대상 코팅 형상 파라미터로 정의한다.The configuration of this embodiment largely defines a coating shape function that represents the physical behavior of the interface that appears during the solution coating process (process ①), and obtains coating condition parameters, coating behavior parameters, and coating shape parameters using the defined coating shape function. Afterwards, the process of learning a neural network model through each acquired parameter, and (process ②) applying coating condition parameters and coating behavior parameters to the learned neural network model and the coating shape function, determine the coating shape according to the solution coating results. It can be divided into the process of deriving parameters. For clear distinction of terms, each parameter applied in the above process ① is defined as a learning coating condition parameter, a learning coating behavior parameter, and a learning coating shape parameter, and each parameter applied in the above process ② is defined as a target coating condition parameter and a target coating. Define the behavior parameters and target coating geometry parameters.

본 실시예의 용액 코팅 형상 예측 장치는 전술한 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하도록 동작하며, 도 2에 도시된 것과 같이 메모리(100) 및 프로세서(200)를 포함할 수 있다.The solution coating shape prediction device of this embodiment operates to predict the coating shape of the solution performed by the above-described solution coating device, and may include a memory 100 and a processor 200 as shown in FIG. 2.

메모리(100)에는 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하기 위한 적어도 하나의 명령이 저장될 수 있다. 메모리(100)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구현될 수 있으며, 예를 들어 읽기 전용 메모리(ROM: Read Only Memory) 및/또는 랜덤 액세스 메모리(RAM: Random Access Memory)로 구현될 수 있다.At least one command for predicting the coating shape of the solution performed by the solution coating device may be stored in the memory 100. The memory 100 may be implemented as a volatile storage medium and/or a non-volatile storage medium, for example, as read only memory (ROM) and/or random access memory (RAM). You can.

프로세서(200)는 신경망 모델에 대한 학습을 수행하고 용액 코팅 형상을 예측하며 후술하는 최적 코팅 조건을 결정하는 주체로서, 중앙 처리 장치(CPU: Central Processing Unit) 또는 SoC(System on Chip)로 구현될 수 있으며, 운영 체제 또는 어플리케이션을 구동하여 프로세서(200)에 연결된 복수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(200)는 메모리(100)에 저장된 적어도 하나의 명령을 실행시키고, 그 실행 결과 데이터를 메모리(100)에 저장하도록 구성될 수 있다.The processor 200 is a subject that performs learning on the neural network model, predicts the solution coating shape, and determines the optimal coating conditions described later, and may be implemented as a central processing unit (CPU) or a system on chip (SoC). A plurality of hardware or software components connected to the processor 200 can be controlled by running an operating system or application, and various data processing and calculations can be performed. The processor 200 may be configured to execute at least one command stored in the memory 100 and store execution result data in the memory 100 .

메모리(100)에 저장되어 프로세서(200)에 의해 실행되는 적어도 하나의 명령은, ⅰ)학습 코팅 조건에서 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하도록 하는 제1 명령과, ⅱ)제1 명령에 따라 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키도록 하는 제2 명령과, ⅲ)대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 제2 명령에 따라 학습된 신경망 모델에 적용하여, 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하도록 하는 제3 명령과, ⅳ)대상 코팅 조건 파라미터 및 대상 코팅 거동 파라미터를 미리 정의된 코팅 형상 함수에 대입하여, 대상 코팅 조건에서 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하도록 하는 제4 명령과, ⅴ)제1 내지 제N 형상 파라미터를, 용액 코팅 장치에 의한 용액의 코팅 시 목표되는 타겟 코팅 형상을 지표하는 타겟 코팅 형상 파라미터와 비교하는 방식을 통해, 용액이 타겟 코팅 형상에 따라 대상 기판에 코팅되도록 하기 위한 최적 코팅 조건 파라미터를 결정하도록 하는 제5 명령을 포함할 수 있다.At least one command stored in the memory 100 and executed by the processor 200 includes: i) a learning coating shape that indicates the coating shape that appears in the process of coating the solution on the target substrate by the solution coating device under learning coating conditions; A first command to obtain a learning coating behavior parameter indicating the coating behavior of the solution and a learning coating condition parameter indicating the learning coating condition, derived by fitting the parameters to a predefined coating shape function, ii ) Based on the learning coating condition parameters and learning coating behavior parameters obtained according to the first command, a second method to learn a neural network model in which the relationship between the coating conditions and coating behavior is defined when coating the solution by the solution coating device a command, iii) a third command to apply the target coating condition parameter indicating the target coating condition to the neural network model learned according to the second command to derive the target coating behavior parameter corresponding to the target coating condition parameter, iv) ) By substituting the target coating condition parameters and the target coating behavior parameters into a predefined coating shape function, to derive a coating shape parameter that indicates the coating shape expected to be formed as a result of coating the solution by the solution coating device under the target coating conditions. The fourth command, and v) the first to Nth shape parameters are compared with the target coating shape parameter indicating the target coating shape when coating the solution by the solution coating device, so that the solution has a target coating shape. It may include a fifth command to determine optimal coating condition parameters for coating on the target substrate according to the above.

이상의 설명을 바탕으로, 이하에서는 본 실시예의 동작을 용액 코팅 형상 예측 방법으로서 도 3을 참조하여 구체적으로 설명한다.Based on the above description, the operation of this embodiment will be described in detail below with reference to FIG. 3 as a solution coating shape prediction method.

먼저, 프로세서(200)는 학습 코팅 조건에서 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 학습 코팅 조건 파라미터, 학습 코팅 거동 파라미터 및 학습 코팅 형상 파라미터를 획득하며(S100), S100 단계에서는 프로세서(200)에 미리 정의된 코팅 형상 함수가 이용된다.First, the processor 200 acquires learning coating condition parameters, learning coating behavior parameters, and learning coating shape parameters in the process of coating a solution on a target substrate by a solution coating device under learning coating conditions (S100). In step S100, the processor 200 acquires learning coating condition parameters, learning coating behavior parameters, and learning coating shape parameters. A predefined coating shape function in (200) is used.

코팅 형상 함수는 코팅 과정에서의 물리적 현상을 바탕으로 코팅 형상으로서 코팅 너비를 예측하기 위한 모델로서, 도 4는 코팅 형상 함수가 정의되는 과정을 보이고 있다. 코팅 과정은 코팅 비드의 너비가 목표하는 초기 코팅 너비 파라미터에 도달하기 전까지 블레이드를 움직이지 않는 시간 영역(Stage I)과 도달 후 블레이드가 움직이며 코팅을 시작한 시간 영역(Stage II)로 구성된다. 대상 기판으로의 토출 유량이 코팅 방향으로의 확장 유량(Qcoating)과 코팅 비드에 의한 확장 유량(Qbead)의 합과 동일하다는 연속 방정식(Continuity Equation)을 정의하고, 각 시간 영역에서 정의된 연속 방정식을 이용하여 코팅 시스템이 갖는 1계 및 2계 제차 상미분 방정식의 해를 구하는 방식으로 코팅 형상 함수가 정의될 수 있으며, 각 시간 영역에 대해 정의되는 코팅 형상 함수는 각각 하기 수학식 1 및 2와 같이 표현될 수 있다.The coating shape function is a model for predicting the coating width as a coating shape based on physical phenomena in the coating process, and Figure 4 shows the process of defining the coating shape function. The coating process consists of a time region in which the blade is not moved until the width of the coating bead reaches the target initial coating width parameter (Stage I), and a time region in which the blade moves and coating begins after reaching the target initial coating width parameter (Stage II). A continuity equation is defined in which the discharge flow rate to the target substrate is equal to the sum of the expansion flow rate in the coating direction (Q coating ) and the expansion flow rate by the coating bead (Q bead ), and the continuity defined in each time domain is defined. The coating shape function can be defined by solving the first- and second-order ordinary differential equations of the coating system using equations, and the coating shape function defined for each time domain is expressed in Equations 1 and 2 below, respectively. It can be expressed as follows.

위 수학식 1 및 2의 인자(argument)가 되는 및 는 각각 초기 코팅 너비 파라미터 및 초기 코팅 너비 증감 속도 파라미터로서, 여기서 '초기'는 도 5에 도시된, 용액이 최초 토출된 시점으로부터 너비 방향으로 확장되는 'Spreading area(Stage I)'에 해당하는 시간 영역으로서, 즉 '초기'의 시구간은 용액이 너비 방향으로 시간에 대하여 선형적으로 확장되어 상기의 수학식 1로 표현되는 시구간에 해당한다. 수학식 2에 따른 코팅 형상 함수는 코팅의 실질적인 형상을 결정하는 'Coating area(Stage II)'에서의 코팅 형상(코팅 너비)을 예측하는 모델에 해당한다.The arguments of Equations 1 and 2 above are and are the initial coating width parameter and the initial coating width increase/decrease rate parameter, respectively, where 'initial' is the time corresponding to the 'Spreading area (Stage I)' extending in the width direction from the time the solution is first discharged, shown in Figure 5. As a region, that is, the 'initial' time section corresponds to the time section expressed by Equation 1 above in which the solution expands linearly with respect to time in the width direction. The coating shape function according to Equation 2 corresponds to a model that predicts the coating shape (coating width) in the 'Coating area (Stage II)', which determines the actual shape of the coating.

수학식 2에 따른 코팅 형상 함수를 통해 코팅 너비가 예측될 수 있으나, 이는 그 인자(argument)가 모두 확보된 상태를 전제하며, 따라서 수학식 2의 모든 인자를 확보하기 위해 코팅 너비의 예측이 필요할 때마다 실험을 반복적으로 수행함은 현실적인 어려움이 존재하는 점을 고려하여, 본 실시예에서는 수학식 2의 인자 중 코팅 거동 파라미터에 해당하는 코팅 비드 단면적 파라미터 , 및 코팅 두께 파라미터 를 예측하기 위한 신경망 모델을 학습시키는 구성을 채용한다. S100 단계는 상기의 신경망 모델을 학습하기 위한 학습 데이터를 획득하는 과정으로서 기능한다.The coating width can be predicted through the coating shape function according to Equation 2, but this presupposes that all the arguments are secured, and therefore, prediction of the coating width is necessary to secure all the arguments in Equation 2. Considering that there are realistic difficulties in repeatedly performing the experiment each time, in this embodiment, the coating bead cross-sectional area parameter corresponding to the coating behavior parameter among the factors of Equation 2 , and coating thickness parameters A configuration that trains a neural network model to predict is adopted. Step S100 functions as a process of acquiring learning data for learning the neural network model.

S100 단계에서, 프로세서(200)는 수학식 1 및 2의 코팅 형상 함수를 기반으로, 학습 코팅 조건 파라미터와, 학습 코팅 조건에서 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 실측된 학습 코팅 형상 파라미터를 코팅 형상 함수에 피팅하여 학습 코팅 거동 파라미터로서 용액의 두께 파라미터를 획득한다. 구체적으로, 프로세서(200)는 먼저 Stage I에서 학습 코팅 조건 파라미터로서 , 및 와, 학습 코팅 형상 파라미터로서 를 수학식 1에 따른 코팅 형상 함수에 피팅하여 학습 코팅 거동 파라미터로서 및 를 획득한다. 이어지는 Stage II에서, 프로세서(200)는 학습 코팅 조건 파라미터로서 , , 및 와, 학습 코팅 거동 파라미터로서 및 와, 학습 코팅 형상 파라미터로서 를 수학식 2에 따른 코팅 형상 함수에 피팅하여 학습 코팅 거동 파라미터로서 코팅 두께 파라미터 를 획득한다. S100 단계는 복수 회 수행될 수 있으며, 이에 따라 {학습 코팅 조건 파라미터, 학습 코팅 거동 파라미터, 학습 코팅 형상 파라미터}로 구성되는 데이터셋이 복수 개 획득된다.In step S100, the processor 200 uses the learning coating condition parameters based on the coating shape functions of Equations 1 and 2, and the learning coating actually measured in the process of coating the solution on the target substrate by the solution coating device under the learning coating conditions. By fitting the shape parameters to the coating shape function, the thickness parameter of the solution is obtained as a learned coating behavior parameter. Specifically, the processor 200 first uses Stage I as a learning coating condition parameter. , and , and as learning coating shape parameters, as a learned coating behavior parameter by fitting it to the coating shape function according to Equation 1. and obtain. In the subsequent Stage II, the processor 200 uses the learning coating condition parameters as , , and , as learning coating behavior parameters. and , and as learning coating shape parameters, The coating thickness parameter as a learned coating behavior parameter by fitting to the coating shape function according to Equation 2. obtain. Step S100 may be performed multiple times, and thus a plurality of datasets consisting of {learning coating condition parameters, learning coating behavior parameters, and learning coating shape parameters} are obtained.

이후, 프로세서(200)는 S100 단계에서 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시킨다(S200). 신경망 모델은 코팅 조건 파라미터(, , , ) 및 코팅 거동 파라미터(, ) 간의 관계가 정의되어, 코팅 조건 파라미터를 입력받아 인공신경망(ANN: Artificial Neural Network)을 통해 코팅 거동 파라미터를 도출하도록 구성된다.Afterwards, the processor 200 learns a neural network model in which the relationship between the coating conditions and coating behavior is defined when coating a solution by a solution coating device, based on the learning coating condition parameters and learning coating behavior parameters obtained in step S100. (S200). The neural network model uses coating condition parameters ( , , , ) and coating behavior parameters ( , ) is defined, and the coating condition parameters are input and the coating behavior parameters are derived through an artificial neural network (ANN).

구체적으로, S200 단계에서 프로세서(200)는 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로 신경망 모델을 학습시키되, 학습되는 신경망 모델에 학습 코팅 조건 파라미터를 적용하여 도출되는 코팅 거동 파라미터와, 학습 코팅 거동 파라미터 간의 오차가 최소화되는 방식으로 신경망 모델에 대한 학습을 반복 수행한다. 즉, 프로세서(200)는 S100 단계에서 획득된 학습 코팅 조건 파라미터를 신경망 모델에 입력했을 때 도출되는 코팅 거동 파라미터와, 신경망 모델에 입력된 학습 코팅 조건 파라미터에 대응되는 학습 코팅 거동 파라미터(즉, S100 단계에서 획득된 학습 코팅 거동 파라미터)를 비교하여 그 오차를 판단하고, 오차가 최소화되는 방식으로 신경망 모델에 대한 학습을 반복 수행하도록 동작한다. 신경망 모델에 대한 학습 알고리즘으로는 베이즈 정규화(Bayesian Regularization)가 적용될 수 있으며, 신경망 모델을 구성하는 은닉 계층(hidden layer)의 수는 설계자의 실험적 결과에 기초하여 최적 성능을 보이는 수로 정의되어 있을 수 있다.Specifically, in step S200, the processor 200 trains a neural network model based on the learning coating condition parameters and the learning coating behavior parameters, and the coating behavior parameters derived by applying the learning coating condition parameters to the learned neural network model, and the learning coating behavior parameters. Learning of the neural network model is repeatedly performed in a way that minimizes errors between behavior parameters. That is, the processor 200 includes a coating behavior parameter derived when the learning coating condition parameter obtained in step S100 is input to the neural network model, and a learning coating behavior parameter corresponding to the learning coating condition parameter input to the neural network model (i.e., S100 The error is determined by comparing the learning coating behavior parameters (obtained in the step), and the operation is performed to repeatedly learn the neural network model in a way that the error is minimized. Bayesian regularization may be applied as a learning algorithm for the neural network model, and the number of hidden layers that make up the neural network model may be defined as the number showing optimal performance based on the designer's experimental results. there is.

신경망 모델이 학습되면, 프로세서(200)는 대상 코팅 조건 파라미터(, , , )를 S200 단계에서 학습된 신경망 모델에 적용하여, 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터(, )를 도출한다(S300). 대상 코팅 조건 파라미터는 현재 목표되는 타겟 코팅 너비를 확보하기 위해 설정된 코팅 조건 파라미터(즉, 타겟 코팅 너비를 확보하기 위한 candidate에 해당한다)를 의미한다. 전술한 수학식 1 및 2에 따른 코팅 형상 함수를 통해 코팅 너비 파라미터를 도출하기 위해서는 코팅 조건 파라미터와 함께 코팅 거동 파라미터도 요구되므로, S300 단계에서 프로세서(200)는 대상 코팅 조건 파라미터를 S200 단계에서 학습된 신경망 모델에 적용하여, 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출한다.Once the neural network model is learned, the processor 200 sets the target coating condition parameters ( , , , ) is applied to the neural network model learned in step S200, and the target coating behavior parameter ( , ) is derived (S300). The target coating condition parameter means a coating condition parameter set to secure the currently targeted target coating width (i.e., corresponds to a candidate for securing the target coating width). In order to derive the coating width parameter through the coating shape function according to the above-mentioned equations 1 and 2, the coating behavior parameter is required along with the coating condition parameter, so in step S300, the processor 200 learns the target coating condition parameter in step S200. By applying the neural network model, the target coating behavior parameters corresponding to the target coating condition parameters are derived.

그리고, 프로세서(200)는 S300 단계에서 확보된 대상 코팅 조건 파라미터(, , ) 및 대상 코팅 거동 파라미터(, , )를 수학식 2에 따른 코팅 형상 함수에 피팅하여, 대상 코팅 조건에서 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터(즉, 코팅 너비 파라미터)를 도출한다(S400). 이상의 과정을 통해 코팅 너비의 예측이 필요할 때마다 실험을 반복적으로 수행해야 하는 문제점을 제거하여 코팅 형상을 보다 용이하게 예측할 수 있다.And, the processor 200 is the target coating condition parameter secured in step S300 ( , , ) and target coating behavior parameters ( , , ) is fitted to the coating shape function according to Equation 2 to derive a coating shape parameter (i.e., coating width parameter) that indicates the coating shape predicted to be formed as a result of coating the solution by the solution coating device under target coating conditions. (S400). Through the above process, the coating shape can be more easily predicted by eliminating the problem of having to repeatedly perform experiments each time prediction of the coating width is needed.

한편, 본 실시예에서 정의된 코팅 형상 함수 및 신경망 모델은 용액 코팅 장치에 의한 용액의 코팅 시 목표되는 타겟 코팅 형상(즉, 타겟 코팅 너비)을 확보하기 위한 최적 코팅 조건을 결정하는데 적용될 수 있다. 타겟 코팅 형상 및 최적 코팅 조건을 지표하는 파라미터를 각각 타겟 코팅 형상 파라미터 및 최적 코팅 조건 파라미터로 정의한다.Meanwhile, the coating shape function and neural network model defined in this embodiment can be applied to determine optimal coating conditions to secure the target coating shape (i.e., target coating width) when coating a solution by a solution coating device. Parameters indicating the target coating shape and optimal coating conditions are defined as target coating shape parameters and optimal coating condition parameters, respectively.

위 과정에 대하여 구체적으로 설명하면, S300 단계에서의 대상 코팅 조건은 타겟 코팅 형상을 확보하기 위한 후보군으로 기능하는 복수의 코팅 조건으로서 제1 내지 제N 코팅 조건을 포함할 수 있으며, 이에 따라 대상 코팅 조건 파라미터는 제1 내지 제N 코팅 조건을 각각 지표하는 제1 내지 제N 조건 파라미터를 포함할 수 있다(N은 2 이상의 자연수),To describe the above process in detail, the target coating conditions in step S300 may include the first to Nth coating conditions as a plurality of coating conditions that serve as candidates for securing the target coating shape, and accordingly, the target coating conditions The condition parameters may include first to Nth condition parameters respectively indicating the first to Nth coating conditions (N is a natural number of 2 or more),

이에 따라, S300 단계에서 프로세서(200)는 제1 내지 제N 조건 파라미터를 S200 단계에서 학습된 신경망 모델에 적용하여, 대상 코팅 거동 파라미터로서 제1 내지 제N 거동 파라미터를 각각 도출한다.Accordingly, in step S300, the processor 200 applies the first to Nth condition parameters to the neural network model learned in step S200 to derive the first to Nth behavior parameters as target coating behavior parameters, respectively.

그리고, S400 단계에서 프로세서(200)는 S300 단계에서 이용된 제1 내지 제N 조건 파라미터와 제1 내지 제N 거동 파라미터를 코팅 형상 함수에 피팅하여, 제1 내지 제N 코팅 조건에서 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 각각의 코팅 형상을 각각 지표하는 제1 내지 제N 형상 파라미터(제1 내지 제N 너비 파라미터)를 코팅 형상 파라미터로서 도출한다.Then, in step S400, the processor 200 fits the first to Nth condition parameters and the first to Nth behavior parameters used in step S300 to the coating shape function, and applies the solution coating device to the solution coating device under the first to Nth coating conditions. The first to Nth shape parameters (first to Nth width parameters), which respectively indicate the respective coating shapes expected to be formed as a result of coating the solution, are derived as coating shape parameters.

후속하여, 프로세서(200)는 S400 단계에서 도출된 제1 내지 제N 형상 파라미터(제1 내지 제N 너비 파라미터)를 타겟 코팅 형상 파라미터(타겟 코팅 너비 파라미터)와 비교하는 방식을 통해, 용액이 타겟 코팅 형상에 따라 대상 기판에 코팅되도록 하기 위한 최적 코팅 조건 파라미터를 결정한다(S500). S500 단계에서, 프로세서(200)는 S400 단계에서 도출된 제1 내지 제N 형상 파라미터 각각에 대하여, 타겟 코팅 형상 파라미터와의 차이를 통해 타겟 코팅 형상에 대한 코팅 과부족 영역의 면적을 산출하고, 산출된 면적이 최소인 제M 형상 파라미터에 대응되는 제M 조건 파라미터를 최적 코팅 조건 파라미터로 결정한다(M은 1 이상 N 이하의 자연수).Subsequently, the processor 200 compares the first to Nth shape parameters (first to Nth width parameters) derived in step S400 with the target coating shape parameter (target coating width parameter), so that the solution is applied to the target. Depending on the coating shape, the optimal coating condition parameters for coating the target substrate are determined (S500). In step S500, the processor 200 calculates the area of the coating excess or deficiency area for the target coating shape through the difference with the target coating shape parameter for each of the first to Nth shape parameters derived in step S400, and calculates the area of the coating excess or deficiency area for the target coating shape. The M condition parameter corresponding to the M shape parameter with the minimum area is determined as the optimal coating condition parameter (M is a natural number between 1 and N).

즉, 도 6에 도시된 것과 같이 S400 단계에서 도출된 형상 파라미터(너비 파라미터, ℓmodel)와 타겟 코팅 형상 파라미터(타겟 코팅 너비 파라미터, ℓtarget) 간의 차이를 코팅 거리(coating distance)에 따라 적분하는 방식으로 타겟 코팅 형상에 대한 코팅 과부족 영역의 면적(under coated area + over coated area = area diffence)이 산출될 수 있으며, 산출된 면적이 최소인 형상 파라미터가 타겟 코팅 형상과의 형상 적합도가 최대인 것으로 판단하여 해당 형상 파라미터에 대응되는 조건 파라미터를 최적 코팅 조건 파라미터로 결정한다. 이에 따라, 타겟 코팅 형상을 확보하기 위한 후보군으로 최초 설정된 복수의 코팅 조건 중, 타겟 코팅 형상을 가장 정확히 형성할 것으로 예측되는 어느 하나 또는 복수의 코팅 조건이 최적 코팅 조건으로 결정된다.That is, as shown in Figure 6, the difference between the shape parameter (width parameter, ℓ model ) derived in step S400 and the target coating shape parameter (target coating width parameter, ℓ target ) is integrated according to the coating distance. In this way, the area of the over and undercoating area for the target coating shape (under coated area + over coated area = area diffence) can be calculated, and the shape parameter with the minimum calculated area has the maximum shape fit with the target coating shape. The condition parameter corresponding to the corresponding shape parameter is determined as the optimal coating condition parameter. Accordingly, among the plurality of coating conditions initially set as candidates for securing the target coating shape, one or a plurality of coating conditions predicted to most accurately form the target coating shape is determined as the optimal coating condition.

도 7은 복수의 대상 코팅 조건에서 형상 적합도를 표현한 예시로서, 원으로 표시된 영역이 최적 코팅 조건에 가까운 영역을 나타낸다. 도 8은 S500 단계를 통해 결정된 최적 코팅 조건 파라미터에 따라 용액 코팅을 수행한 결과를 보이고 있으며, 목표 너비(20cm)로 균일하게 코팅되어 목표 코팅 형상이 확보됨을 확인할 수 있다.Figure 7 is an example of shape suitability under a plurality of target coating conditions, where the area indicated by a circle represents an area close to the optimal coating condition. Figure 8 shows the results of solution coating according to the optimal coating condition parameters determined through step S500, and it can be confirmed that the target coating shape is secured by uniformly coating to the target width (20 cm).

한편, 본 실시예에 따른 용액 코팅 형상 예측 방법은 하드웨어와 결합되어 전술한 S100 단계 내지 S500 단계를 실행시키기 위한 컴퓨터 프로그램으로 작성될 수 있으며, 컴퓨터로 판독 가능한 기록매체에 저장되어 상기 컴퓨터 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 컴퓨터로 판독 가능한 기록매체는 ROM, RAM, 하드 디스크, 플로피 디스크, 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), 플래시 메모리(flash memory)와 같은 프로그램 명령어들을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 해당될 수 있다.Meanwhile, the solution coating shape prediction method according to this embodiment can be written as a computer program for executing steps S100 to S500 described above in combination with hardware, and is stored in a computer-readable recording medium to operate the computer program. It can be implemented on a general-purpose digital computer. Recording media that can be read by a computer include magnetic media such as ROM, RAM, hard disk, floppy disk, and magnetic tape, optical media such as CD-ROM and DVD, and floptical disk. A hardware device specifically configured to store and execute program instructions, such as magneto-optical media or flash memory, may be applicable.

이와 같이 본 실시예는 용액 전단 코팅 조건에 따른 코팅 거동을 분석하기 위해 요구되는 실험적 접근에 대한 의존성을 최소화할 수 있고, 코팅 과정에서 나타나는 계면의 물리적 거동을 나타내는 코팅 형상 함수와 그 거동을 예측하도록 학습된 신경망 모델을 통해 코팅 거동 및 형상을 보다 정확하고 용이하게 예측할 수 있으며, 그 예측 결과를 통해 목표하는 코팅 형상을 확보할 수 있는 최적의 코팅 조건을 도출할 수 있어, 용액 전단 코팅에 소요되는 시간적 및 비용적 소모를 최소화할 수 있다.In this way, this embodiment can minimize the dependence on the experimental approach required to analyze the coating behavior according to the solution pre-coating conditions, and predicts the coating shape function representing the physical behavior of the interface that appears during the coating process and its behavior. Through the learned neural network model, coating behavior and shape can be predicted more accurately and easily, and the prediction results can be used to derive optimal coating conditions to secure the target coating shape, reducing the cost required for solution pre-coating. Time and cost consumption can be minimized.

본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.Implementations described herein may be implemented, for example, as a method or process, device, software program, data stream, or signal. Although discussed only in the context of a single form of implementation (eg, only as a method), implementations of the features discussed may also be implemented in other forms (eg, devices or programs). The device may be implemented with appropriate hardware, software, firmware, etc. The method may be implemented in a device such as a processor, which generally refers to a processing device that includes a computer, microprocessor, integrated circuit, or programmable logic device. Processors also include communication devices such as computers, cell phones, portable/personal digital assistants (“PDAs”) and other devices that facilitate communication of information between end-users.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention has been described with reference to the embodiments shown in the drawings, but these are merely illustrative, and those skilled in the art will recognize that various modifications and other equivalent embodiments can be made therefrom. You will understand. Therefore, the true technical protection scope of the present invention should be determined by the scope of the patent claims below.

100: 메모리
200: 프로세서100: memory
200: processor

Claims (15)

컴퓨팅 디바이스에 의해 수행되며, 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하는 방법으로서,
학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 상기 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하는 단계;
상기 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 상기 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키는 단계;
대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하는 단계; 및
상기 대상 코팅 조건 파라미터 및 상기 대상 코팅 거동 파라미터를 상기 코팅 형상 함수에 대입하여, 상기 대상 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하는 단계;
를 포함하고,
상기 학습 코팅 조건 파라미터 및 상기 대상 코팅 조건 파라미터는 상기 대상 기판에 토출되는 용액의 토출 유량 파라미터를 포함하고,
상기 학습 코팅 거동 파라미터 및 상기 대상 코팅 거동 파라미터는 상기 대상 기판에 코팅되는 용액의 두께 파라미터를 포함하며,
상기 코팅 형상 파라미터는 상기 대상 기판에 코팅되는 용액의 너비 파라미터를 포함하는 것을 특징으로 하는 용액 코팅 형상 예측 방법.
A method for predicting the coating shape of a solution performed by a computing device and performed by a solution coating device, comprising:
The coating behavior of the solution is derived by fitting the learning coating shape parameter, which indicates the coating shape that appears in the process of coating the solution on the target substrate by the solution coating device under learning coating conditions, to a predefined coating shape function. Obtaining a learning coating behavior parameter indicating the learning coating condition and a learning coating condition parameter indicating the learning coating condition;
Based on the obtained learning coating condition parameters and learning coating behavior parameters, learning a neural network model in which a relationship between the coating conditions and coating behavior is defined when coating a solution by the solution coating device;
Applying a target coating condition parameter indicating a target coating condition to the learned neural network model to derive a target coating behavior parameter corresponding to the target coating condition parameter; and
By substituting the target coating condition parameters and the target coating behavior parameters into the coating shape function, a coating shape parameter indicating the coating shape predicted to be formed as a result of coating the solution by the solution coating device under the target coating conditions is derived. steps;
Including,
The learning coating condition parameter and the target coating condition parameter include a discharge flow rate parameter of a solution discharged to the target substrate,
The learning coating behavior parameter and the target coating behavior parameter include a thickness parameter of a solution coated on the target substrate,
A solution coating shape prediction method, characterized in that the coating shape parameter includes a width parameter of the solution coated on the target substrate.
 삭제delete 제1항에 있어서,
상기 획득하는 단계는,
상기 학습 코팅 조건 파라미터와, 상기 학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 실측된 학습 코팅 형상 파라미터를 상기 코팅 형상 함수에 피팅하여 상기 학습 코팅 거동 파라미터로서 용액의 두께 파라미터와 코팅 비드의 단면적 파라미터를 획득하는 것을 특징으로 하는 용액 코팅 형상 예측 방법.
According to paragraph 1,
The obtaining step is,
The learning coating condition parameters and the learning coating shape parameters actually measured in the process of coating the solution on the target substrate by the solution coating device under the learning coating conditions are fitted to the coating shape function, and the thickness of the solution is used as the learning coating behavior parameter. A solution coating shape prediction method characterized by obtaining parameters and cross-sectional area parameters of coating beads.
 제3항에 있어서,
상기 학습시키는 단계는,
상기 학습 코팅 조건 파라미터 및 상기 학습 코팅 거동 파라미터를 기반으로 상기 신경망 모델을 학습시키되, 학습되는 신경망 모델에 상기 학습 코팅 조건 파라미터를 적용하여 도출되는 코팅 거동 파라미터와 상기 학습 코팅 거동 파라미터 간의 오차가 최소화되는 방식으로 상기 신경망 모델에 대한 학습을 반복 수행하는 것을 특징으로 하는 용액 코팅 형상 예측 방법.
According to paragraph 3,
The learning step is,
The neural network model is trained based on the learning coating condition parameters and the learning coating behavior parameters, and the error between the learning coating behavior parameters and the coating behavior parameters derived by applying the learning coating condition parameters to the learned neural network model is minimized. A solution coating shape prediction method characterized by repeatedly performing learning on the neural network model in a method.
 제1항에 있어서,
상기 대상 코팅 조건은 제1 내지 제N 코팅 조건을 포함하고, 상기 대상 코팅 조건 파라미터는 상기 제1 내지 제N 코팅 조건을 각각 지표하는 제1 내지 제N 조건 파라미터를 포함하며(N은 2 이상의 자연수),
상기 대상 코팅 거동 파라미터를 도출하는 단계는,
상기 제1 내지 제N 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 거동 파라미터로서 제1 내지 제N 거동 파라미터를 각각 도출하고,
상기 코팅 형상 파라미터를 도출하는 단계는,
상기 제1 내지 제N 조건 파라미터와 상기 제1 내지 제N 거동 파라미터를 상기 코팅 형상 함수에 피팅하여, 상기 제1 내지 제N 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 각각의 코팅 형상을 각각 지표하는 제1 내지 제N 형상 파라미터를 상기 코팅 형상 파라미터로서 도출하는 것을 특징으로 하는 용액 코팅 형상 예측 방법.
According to paragraph 1,
The target coating conditions include first to Nth coating conditions, and the target coating condition parameters include first to Nth condition parameters respectively indicating the first to Nth coating conditions (N is a natural number of 2 or more. ),
The step of deriving the target coating behavior parameters is,
Applying the first to Nth condition parameters to the learned neural network model to derive first to Nth behavior parameters as the target coating behavior parameters, respectively,
The step of deriving the coating shape parameter is,
By fitting the first to Nth condition parameters and the first to Nth behavior parameters to the coating shape function, it is predicted to be formed as a result of coating the solution by the solution coating device in the first to Nth coating conditions. A method for predicting the shape of a solution coating, characterized in that the first to Nth shape parameters that respectively indicate each coating shape are derived as the coating shape parameters.
 제5항에 있어서,
상기 제1 내지 제N 형상 파라미터를, 상기 용액 코팅 장치에 의한 용액의 코팅 시 목표되는 타겟 코팅 형상을 지표하는 타겟 코팅 형상 파라미터와 비교하는 방식을 통해, 용액이 상기 타겟 코팅 형상에 따라 대상 기판에 코팅되도록 하기 위한 최적 코팅 조건 파라미터를 결정하는 단계;를 더 포함하는 것을 특징으로 하는 용액 코팅 형상 예측 방법.
According to clause 5,
By comparing the first to Nth shape parameters with target coating shape parameters that indicate the target coating shape targeted when coating the solution by the solution coating device, the solution is applied to the target substrate according to the target coating shape. A solution coating shape prediction method further comprising: determining optimal coating condition parameters for coating.
 제6항에 있어서,
상기 최적 코팅 조건 파라미터를 결정하는 단계는,
상기 제1 내지 제N 형상 파라미터 각각에 대하여, 상기 타겟 코팅 형상 파라미터와의 차이를 통해 상기 타겟 코팅 형상에 대한 코팅 과부족 영역의 면적을 산출하고, 산출된 면적이 최소인 제M 형상 파라미터에 대응되는 제M 조건 파라미터를 상기 최적 코팅 조건 파라미터로 결정하는 것을 특징으로 하는 용액 코팅 형상 예측 방법(M은 1 이상 N 이하의 자연수).
According to clause 6,
The step of determining the optimal coating condition parameters is,
For each of the first to N-th shape parameters, the area of the coating excess/deficiency area for the target coating shape is calculated through the difference with the target coating shape parameter, and the calculated area corresponds to the minimum M-th shape parameter. A solution coating shape prediction method characterized by determining the M condition parameter as the optimal coating condition parameter (M is a natural number of 1 or more and N or less).
 프로세서(processor); 및
상기 프로세서를 통해 실행되며, 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하기 위한 적어도 하나의 명령이 저장된 메모리;를 포함하고,
상기 프로세서를 통해 실행되는 상기 적어도 하나의 명령은,
학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 상기 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하도록 하는 제1 명령,
상기 제1 명령에 따라 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 상기 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키도록 하는 제2 명령,
대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하도록 하는 제3 명령, 및
상기 대상 코팅 조건 파라미터 및 상기 대상 코팅 거동 파라미터를 상기 코팅 형상 함수에 대입하여, 상기 대상 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하도록 하는 제4 명령을 포함하고,
상기 학습 코팅 조건 파라미터 및 상기 대상 코팅 조건 파라미터는 상기 대상 기판에 토출되는 용액의 토출 유량 파라미터를 포함하고,
상기 학습 코팅 거동 파라미터 및 상기 대상 코팅 거동 파라미터는 상기 대상 기판에 코팅되는 용액의 두께 파라미터를 포함하며,
상기 코팅 형상 파라미터는 상기 대상 기판에 코팅되는 용액의 너비 파라미터를 포함하는 것을 특징으로 하는 용액 코팅 형상 예측 장치.
processor; and
It is executed through the processor and includes a memory storing at least one command for predicting the coating shape of the solution performed by the solution coating device,
The at least one instruction executed through the processor is:
The coating behavior of the solution is derived by fitting the learning coating shape parameter, which indicates the coating shape that appears in the process of coating the solution on the target substrate by the solution coating device under learning coating conditions, to a predefined coating shape function. First instructions for obtaining a learning coating behavior parameter indicative of the learning coating condition and a learning coating condition parameter indicative of the learning coating condition,
An agent for learning a neural network model in which the relationship between the coating conditions and coating behavior is defined when coating a solution by the solution coating device, based on the learning coating condition parameters and learning coating behavior parameters obtained according to the first command. 2 command,
A third command to apply a target coating condition parameter indicating a target coating condition to the learned neural network model to derive a target coating behavior parameter corresponding to the target coating condition parameter, and
By substituting the target coating condition parameters and the target coating behavior parameters into the coating shape function, a coating shape parameter indicating the coating shape predicted to be formed as a result of coating the solution by the solution coating device under the target coating conditions is derived. Contains a fourth command to do so,
The learning coating condition parameter and the target coating condition parameter include a discharge flow rate parameter of a solution discharged to the target substrate,
The learning coating behavior parameter and the target coating behavior parameter include a thickness parameter of a solution coated on the target substrate,
A solution coating shape prediction device, characterized in that the coating shape parameter includes a width parameter of the solution coated on the target substrate.
 삭제delete 제8항에 있어서,
상기 프로세서는, 상기 제1 명령 실행 시,
상기 학습 코팅 조건 파라미터와, 상기 학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 실측된 학습 코팅 형상 파라미터를 상기 코팅 형상 함수에 피팅하여 상기 학습 코팅 거동 파라미터로서 용액의 두께 파라미터와 코팅 비드의 단면적 파라미터를 획득하는 것을 특징으로 하는 용액 코팅 형상 예측 장치.
According to clause 8,
When executing the first instruction, the processor
The learning coating condition parameters and the learning coating shape parameters actually measured in the process of coating the solution on the target substrate by the solution coating device under the learning coating conditions are fitted to the coating shape function, and the thickness of the solution is used as the learning coating behavior parameter. A solution coating shape prediction device characterized by obtaining parameters and cross-sectional area parameters of coating beads.
 제10항에 있어서,
상기 프로세서는, 상기 제2 명령 실행 시,
상기 학습 코팅 조건 파라미터 및 상기 학습 코팅 거동 파라미터를 기반으로 상기 신경망 모델을 학습시키되, 학습되는 신경망 모델에 상기 학습 코팅 조건 파라미터를 적용하여 도출되는 코팅 거동 파라미터와 상기 학습 코팅 거동 파라미터 간의 오차가 최소화되는 방식으로 상기 신경망 모델에 대한 학습을 반복 수행하는 것을 특징으로 하는 용액 코팅 형상 예측 장치.
According to clause 10,
When executing the second instruction, the processor
The neural network model is trained based on the learning coating condition parameters and the learning coating behavior parameters, and the error between the learning coating behavior parameters and the coating behavior parameters derived by applying the learning coating condition parameters to the learned neural network model is minimized. A solution coating shape prediction device characterized in that iteratively performs learning on the neural network model in a method.
 제8항에 있어서,
상기 대상 코팅 조건은 제1 내지 제N 코팅 조건을 포함하고, 상기 대상 코팅 조건 파라미터는 상기 제1 내지 제N 코팅 조건을 각각 지표하는 제1 내지 제N 조건 파라미터를 포함하며(N은 2 이상의 자연수),
상기 프로세서는, 상기 제3 명령 실행 시,
상기 제1 내지 제N 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 거동 파라미터로서 제1 내지 제N 거동 파라미터를 각각 도출하고,
상기 프로세서는, 상기 제4 명령 실행 시,
상기 제1 내지 제N 조건 파라미터와 상기 제1 내지 제N 거동 파라미터를 상기 코팅 형상 함수에 대입하여, 상기 제1 내지 제N 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 각각의 코팅 형상을 각각 지표하는 제1 내지 제N 형상 파라미터를 상기 코팅 형상 파라미터로서 도출하는 것을 특징으로 하는 용액 코팅 형상 예측 장치.
According to clause 8,
The target coating conditions include first to Nth coating conditions, and the target coating condition parameters include first to Nth condition parameters respectively indicating the first to Nth coating conditions (N is a natural number of 2 or more. ),
When executing the third instruction, the processor
Applying the first to Nth condition parameters to the learned neural network model to derive first to Nth behavior parameters as the target coating behavior parameters, respectively,
When executing the fourth instruction, the processor
By substituting the first to Nth condition parameters and the first to Nth behavior parameters into the coating shape function, it is predicted to be formed as a result of coating the solution by the solution coating device in the first to Nth coating conditions. A solution coating shape prediction device, characterized in that the first to Nth shape parameters each indicating each coating shape are derived as the coating shape parameters.
 제12항에 있어서,
상기 프로세서를 통해 실행되는 상기 적어도 하나의 명령은,
상기 제1 내지 제N 형상 파라미터를, 상기 용액 코팅 장치에 의한 용액의 코팅 시 목표되는 타겟 코팅 형상을 지표하는 타겟 코팅 형상 파라미터와 비교하는 방식을 통해, 용액이 상기 타겟 코팅 형상에 따라 대상 기판에 코팅되도록 하기 위한 최적 코팅 조건 파라미터를 결정하도록 하는 제5 명령을 더 포함하는 것을 특징으로 하는, 용액 코팅 형상 예측 장치.
According to clause 12,
The at least one instruction executed through the processor is:
By comparing the first to Nth shape parameters with target coating shape parameters that indicate the target coating shape targeted when coating the solution by the solution coating device, the solution is applied to the target substrate according to the target coating shape. A solution coating shape prediction device, characterized in that it further comprises a fifth instruction for determining optimal coating condition parameters for coating.
 제13항에 있어서,
상기 프로세서는, 상기 제5 명령 실행 시,
상기 제1 내지 제N 형상 파라미터 각각에 대하여, 상기 타겟 코팅 형상 파라미터와의 차이를 통해 상기 타겟 코팅 형상에 대한 코팅 과부족 영역의 면적을 산출하고, 산출된 면적이 최소인 제M 형상 파라미터에 대응되는 제M 조건 파라미터를 상기 최적 코팅 조건 파라미터로 결정하는 것을 특징으로 하는 용액 코팅 형상 예측 장치(M은 1 이상 N 이하의 자연수).
According to clause 13,
When executing the fifth instruction, the processor
For each of the first to N-th shape parameters, the area of the coating excess/deficiency area for the target coating shape is calculated through the difference with the target coating shape parameter, and the calculated area corresponds to the minimum M-th shape parameter. A solution coating shape prediction device characterized in that the M condition parameter is determined as the optimal coating condition parameter (M is a natural number between 1 and N).
 하드웨어와 결합되어, 용액 코팅 장치에 의해 수행되는 용액의 코팅 형상을 예측하기 위한 단계들을 실행시키기 위해 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램으로서, 상기 단계들은,
학습 코팅 조건에서 상기 용액 코팅 장치에 의해 용액이 대상 기판에 코팅되는 과정에서 나타나는 코팅 형상을 지표하는 학습 코팅 형상 파라미터를 미리 정의된 코팅 형상 함수에 피팅(fitting)하여 도출된, 용액의 코팅 거동을 지표하는 학습 코팅 거동 파라미터와, 상기 학습 코팅 조건을 지표하는 학습 코팅 조건 파라미터를 획득하는 단계;
상기 획득된 학습 코팅 조건 파라미터 및 학습 코팅 거동 파라미터를 기반으로, 상기 용액 코팅 장치에 의한 용액의 코팅 시 그 코팅 조건 및 코팅 거동 간의 관계가 정의된 신경망 모델을 학습시키는 단계;
대상 코팅 조건을 지표하는 대상 코팅 조건 파라미터를 상기 학습된 신경망 모델에 적용하여, 상기 대상 코팅 조건 파라미터에 대응되는 대상 코팅 거동 파라미터를 도출하는 단계; 및
상기 대상 코팅 조건 파라미터 및 상기 대상 코팅 거동 파라미터를 상기 코팅 형상 함수에 대입하여, 상기 대상 코팅 조건에서 상기 용액 코팅 장치에 의한 용액의 코팅 결과 형성될 것으로 예측되는 코팅 형상을 지표하는 코팅 형상 파라미터를 도출하는 단계;
를 포함하는 것을 특징으로 하는, 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램으로서,
상기 학습 코팅 조건 파라미터 및 상기 대상 코팅 조건 파라미터는 상기 대상 기판에 토출되는 용액의 토출 유량 파라미터를 포함하고,
상기 학습 코팅 거동 파라미터 및 상기 대상 코팅 거동 파라미터는 상기 대상 기판에 코팅되는 용액의 두께 파라미터를 포함하며,
상기 코팅 형상 파라미터는 상기 대상 기판에 코팅되는 용액의 너비 파라미터를 포함하는 것을 특징으로 하는, 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램.A computer program coupled with hardware and stored on a computer-readable recording medium for executing steps for predicting the coating shape of a solution performed by a solution coating device, the steps comprising:
The coating behavior of the solution is derived by fitting the learning coating shape parameter, which indicates the coating shape that appears in the process of coating the solution on the target substrate by the solution coating device under learning coating conditions, to a predefined coating shape function. Obtaining a learning coating behavior parameter indicating the learning coating condition and a learning coating condition parameter indicating the learning coating condition;
Based on the obtained learning coating condition parameters and learning coating behavior parameters, learning a neural network model in which a relationship between the coating conditions and coating behavior is defined when coating a solution by the solution coating device;
Applying a target coating condition parameter indicating a target coating condition to the learned neural network model to derive a target coating behavior parameter corresponding to the target coating condition parameter; and
By substituting the target coating condition parameters and the target coating behavior parameters into the coating shape function, a coating shape parameter indicating the coating shape predicted to be formed as a result of coating the solution by the solution coating device under the target coating conditions is derived. steps;
A computer program stored on a computer-readable recording medium, comprising:
The learning coating condition parameter and the target coating condition parameter include a discharge flow rate parameter of a solution discharged to the target substrate,
The learning coating behavior parameter and the target coating behavior parameter include a thickness parameter of a solution coated on the target substrate,
A computer program stored in a computer-readable recording medium, wherein the coating shape parameter includes a width parameter of the solution coated on the target substrate.
KR1020210001028A 2021-01-05 2021-01-05 Method and apparatus for predicting shape of solution coating, computer program KR102620434B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210001028A KR102620434B1 (en) 2021-01-05 2021-01-05 Method and apparatus for predicting shape of solution coating, computer program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210001028A KR102620434B1 (en) 2021-01-05 2021-01-05 Method and apparatus for predicting shape of solution coating, computer program

Publications (2)

Publication Number Publication Date
KR20220099204A KR20220099204A (en) 2022-07-13
KR102620434B1 true KR102620434B1 (en) 2024-01-04

Family

ID=82401228

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210001028A KR102620434B1 (en) 2021-01-05 2021-01-05 Method and apparatus for predicting shape of solution coating, computer program

Country Status (1)

Country Link
KR (1) KR102620434B1 (en)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7873585B2 (en) * 2007-08-31 2011-01-18 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
KR102038140B1 (en) * 2017-11-24 2019-10-29 아주대학교산학협력단 Apparatus and method for monitoring spreading condition of coating material

Also Published As

Publication number Publication date
KR20220099204A (en) 2022-07-13

Similar Documents

Publication Publication Date Title
He et al. Robust aerodynamic shape optimization—from a circle to an airfoil
US10296672B2 (en) Generating inviscid and viscous fluid-flow simulations over an aircraft surface using a fluid-flow mesh
Bagheri et al. Constraint handling in efficient global optimization
Keane Wing optimization using design of experiment, response surface, and data fusion methods
Jahangirian et al. Aerodynamic shape optimization using efficient evolutionary algorithms and unstructured CFD solver
US8437990B2 (en) Generating a simulated fluid flow over an aircraft surface using anisotropic diffusion
US8538738B2 (en) Predicting transition from laminar to turbulent flow over a surface
Krimmelbein et al. Transition prediction for three-dimensional flows using parallel computation
US20090182538A1 (en) Multi-objective optimum design support device using mathematical process technique, its method and program
US20210158152A1 (en) Simulation system for semiconductor process and simulation method thereof
Chunna et al. Adaptive optimization methodology based on Kriging modeling and a trust region method
Shao et al. Development of an immersed boundary-phase field-lattice Boltzmann method for Neumann boundary condition to study contact line dynamics
CN112231847A (en) Transition position determination method and device, electronic equipment and storage medium
Lozano-Durán et al. Machine learning building-block-flow wall model for large-eddy simulation
JP4823864B2 (en) Air pool generation simulation apparatus and method
KR102620434B1 (en) Method and apparatus for predicting shape of solution coating, computer program
CN116341097A (en) Transonic wing optimal design method based on novel high-dimensional proxy model
US6816756B2 (en) Paint film thickness predicting method and system for actual car, and recording medium
Echavarria et al. Optimal airfoil design through particle swarm optimization fed by CFD and XFOIL
CN108734207B (en) Method for predicting concentration of butane at bottom of debutanizer tower based on model of double-optimization semi-supervised regression algorithm
JP4746949B2 (en) Prediction method of air pool occurrence
CN117473890A (en) Micro turbine flow field prediction method and device based on mechanical learning
JP2002180295A (en) Method and apparatus for analyzing electrodeposition coating
KR101849170B1 (en) Method and apparatus for managing aerodynamic analysis
CN109033678A (en) A kind of aircraft near-optimal design method generated based on virtual sample

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