KR102700155B1 - 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법 - Google Patents
반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법 Download PDFInfo
- Publication number
- KR102700155B1 KR102700155B1 KR1020230167934A KR20230167934A KR102700155B1 KR 102700155 B1 KR102700155 B1 KR 102700155B1 KR 1020230167934 A KR1020230167934 A KR 1020230167934A KR 20230167934 A KR20230167934 A KR 20230167934A KR 102700155 B1 KR102700155 B1 KR 102700155B1
- Authority
- KR
- South Korea
- Prior art keywords
- monitoring
- expected
- monitoring data
- measurement
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 303
- 238000005137 deposition process Methods 0.000 title claims abstract description 126
- 238000012423 maintenance Methods 0.000 title claims abstract description 112
- 239000004065 semiconductor Substances 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 claims abstract description 471
- 230000008569 process Effects 0.000 claims abstract description 225
- 238000005259 measurement Methods 0.000 claims description 249
- 238000009795 derivation Methods 0.000 claims description 162
- 238000012937 correction Methods 0.000 claims description 160
- 238000013135 deep learning Methods 0.000 claims description 47
- 230000005856 abnormality Effects 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 25
- 238000007689 inspection Methods 0.000 claims description 23
- 239000002131 composite material Substances 0.000 claims description 20
- 230000008021 deposition Effects 0.000 claims description 14
- 238000000053 physical method Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 abstract description 21
- 238000011112 process operation Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 28
- 238000000151 deposition Methods 0.000 description 13
- 239000007789 gas Substances 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 239000000463 material Substances 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010926 purge Methods 0.000 description 8
- 230000002194 synthesizing effect Effects 0.000 description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 7
- 229910001873 dinitrogen Inorganic materials 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 230000002250 progressing effect Effects 0.000 description 3
- 238000001269 time-of-flight mass spectrometry Methods 0.000 description 3
- 238000000231 atomic layer deposition Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/52—Controlling or regulating the coating process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/02104—Forming layers
- H01L21/02107—Forming insulating materials on a substrate
- H01L21/02225—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer
- H01L21/0226—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process
- H01L21/02263—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process deposition from the gas or vapour phase
- H01L21/02271—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process deposition from the gas or vapour phase deposition by decomposition or reaction of gaseous or vapour phase compounds, i.e. chemical vapour deposition
- H01L21/0228—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process deposition from the gas or vapour phase deposition by decomposition or reaction of gaseous or vapour phase compounds, i.e. chemical vapour deposition deposition by cyclic CVD, e.g. ALD, ALE, pulsed CVD
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 더욱 상세하게는, 반도체 증착 공정시 설비에 입력되는 공정파라미터, 공정 가동 중 센서로부터 실시간으로 수신되는 모니터링데이터, 공정 완료 후 제조된 결과물의 특성을 측정한 측정값 및 공정파라미터를 입력 시, 가상의 모니터링데이터인 예상모니터링데이터를 출력하는 머신러닝기반의 제1모델, 모니터링데이터 입력 시, 가상의 측정값을 출력하는 머신러닝기반의 제2모델을 포함하여, 반도체 증착 공정 시 모니터링데이터 및 측정값과 예상모니터링데이터 및 예상측정값을 비교하여 공정 진행 중 메인터넌스시점을 결정하는,반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법에 관한 것이다.
Description
본 발명은 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 더욱 상세하게는, 반도체 증착 공정시 설비에 입력되는 공정파라미터, 공정 가동 중 센서로부터 실시간으로 수신되는 모니터링데이터, 공정 완료 후 제조된 결과물의 특성을 측정한 측정값 및 공정파라미터를 입력 시, 가상의 모니터링데이터인 예상모니터링데이터를 출력하는 머신러닝기반의 제1모델, 모니터링데이터 입력 시, 가상의 측정값을 출력하는 머신러닝기반의 제2모델을 포함하여, 반도체 증착 공정 시 모니터링데이터 및 측정값과 예상모니터링데이터 및 예상측정값을 비교하여 공정 진행 중 메인터넌스시점을 결정하는,반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법에 관한 것이다.
반도체 증착 공정에서는, 공정 시작 전 입력하는 입력파라미터, 센서에 의한 모니터링데이터, 제작된 반도체의 측정값을 정밀하게 분석하여 반도체 증착 공정의 설비에 문제가 없는지 파악하였다.
종래의 경우, 설비에 문제가 발생했다는 사실은 제작된 반도체의 측정값을 분석하여 판단했는데, 이 경우 이미 설비에 문제가 발생하였고, 문제된 설비로 제작된 반도체는 이미 불량품으로 제조되어 그만큼의 손실로 이어진다는 한계점이 있었다.
이를 해결하기 위해 다양한 센세를 통해 각종 모니터링데이터를 얻고, 이를 분석하여 반도체 제작 전에 공정의 이상을 발견하는 시도가 있었으나, 설비 내에서 실시간으로 변동하는 모니터링데이터를 사람이 직접 분석하는 것은 어려웠고, 이를 해결하기 위해서는 매우 정밀한, 매우 고가의 장비를 도입해야 해서 반도체 제조 공정의 경제성을 하락시키는 결과로 나타났다.
한편, 국내등록특허 제10-1234567호(특허문헌 0001)은, 이러한 모니터링데이터를 정밀하게 측정하기 위한 반도체 공정 챔버 및 가스라인의 가스분석을 위한 tof ms 가스질량분석 모니터링 시스템을 개시하고 있으나, 해당 발명 또한 고가의 분석 장비를 도입해야한다는 문제점을 해결하지는 못하였다.
이를 해결하기 위해 실제 입력파라미터, 모니터링데이터, 측정값을 학습한 머신러닝 모델을 통해 실제 입력파라미터로부터 예상모니터링데이터, 예상측정값을 구하고, 실제 모니터링데이터, 측정값과 예상모니터링데이터, 예상측정값을 비교하여 비싼 설비를 사용하지 않고도 반도체 증착 공정의 설비에 문제 발생 여부를 파악하는 시스템에 대한 개발필요성이 대두되고 있다.
본 발명은 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 더욱 상세하게는, 반도체 증착 공정시 설비에 입력되는 공정파라미터, 공정 가동 중 센서로부터 실시간으로 수신되는 모니터링데이터, 공정 완료 후 제조된 결과물의 특성을 측정한 측정값 및 공정파라미터를 입력 시, 가상의 모니터링데이터인 예상모니터링데이터를 출력하는 머신러닝기반의 제1모델, 모니터링데이터 입력 시, 가상의 측정값을 출력하는 머신러닝기반의 제2모델을 포함하여, 반도체 증착 공정 시 모니터링데이터 및 측정값과 예상모니터링데이터 및 예상측정값을 비교하여 공정 진행 중 메인터넌스시점을 결정하는,반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법을 제공하는 것을 목적으로 한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예에서는, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 공정파라미터수신단계; 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 모니터링데이터수신단계; 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 측정값수신단계; 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 예상모니터링데이터도출단계; 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 예상측정값도출단계; 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 메인터넌스결정단계;를 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법을 제공 할 수 있다.
본 발명의 일 실시예에서는, 상기 메인터넌스결정단계는, 상기 복수의 측정값 각각을 합산하여 측정종합값을 도출하는 측정종합값도출단계; 상기 복수의 예상측정값 각각을 합산하여 예상측정종합값을 도출하는 예상측정종합값도출단계; 및 상기 측정종합값과 상기 예상측정종합값의 차이인 제1차이를 도출하고, 상기 제1차이가 기설정된 값보다 큰 경우, 상기 설비를 메인터넌스해야한다고 판단하는, 제1차이도출단계;를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 메인터넌스결정단계는, 상기 복수의 측정값 각각에 측정보정치를 설정하는 측정보정치설정단계; 상기 복수의 측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 측정종합보정값을 도출하는 측정종합보정값도출단계; 상기 복수의 예상측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 예상측정종합보정값;을 산출하는 예상측정종합보정값도출단계; 및 상기 측정종합보정값과 상기 예상측정종합보정값의 차이인 제2차이를 계산하고, 상기 제2차이가 기설정된 값보다 큰 경우, 반도체 증착공정 설비를 메인터넌스해야한다고 판단하는, 제2차이도출단계;를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 메인터넌스결정단계는, 상기 복수의 측정값 각각과 서로 상응하는 상기 복수의 예상측정값 각각을 비교하여 그 차이인 복수의 제1오차를 도출하고, 특정 제1오차가 기설정된 값 보다 큰 경우, 설비 내에서 해당 제1오차가 발생한 모니터링데이터와 연동된 반도체 증착공정 설비내의 장비를 도출하는 제1오차도출단계;를 더 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 결정방법은, 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 모니터링오차도출단계; 상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 설비이상점검단계;를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 모니터링오차도출단계는, 복수의 모니터링데이터 각각을 합산하여 모니터링종합데이터를 도출하는 모니터링종합데이터도출단계; 복수의 예상모니터링데이터 각각을 합산하여 예상모니터링종합데이터를 도출하는 예상모니터링종합데이터도출단계; 상기 모니터링종합데이터와 상기 예상모니터링종합데이터의 차이인 제3차이를 도출하는 제3차이도출단계;를 더 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 설비이상점검단계는, 상기 복수의 모니터링데이터 각각에 복수의 모니터링보정치를 설정하는 모니터링보정치설정단계; 상기 복수의 모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 모니터링종합보정데이터;를 도출하는 모니터링종합보정데이터도출단계; 상기 복수의 예상모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 예상모니터링종합보정데이터를 도출하는 예상모니터링종합보정데이터도출단계; 및 상기 모니터링종합보정데이터와 상기 예상모니터링종합보정데이터의 차이인 제4차이를 도출하는 제4차이도출단계;를 더 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 설비이상점검단계는, 복수의 모니터링데이터 각각과 서로 상응하는 복수의 예상모니터링데이터 각각을 비교하여 그 차이인 복수의 제2오차를 구하고, 특정 제2오차가 기설정된 값 보다 큰 경우, 반도체 증착공정 설비 내에서 해당 제2오차가 발생한 모니터링데이터와 연동된 장비를 도출하는, 제2오차도출단계;를 더 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 결정방법은, 복수의 모니터링오차 중 기설정된 범위를 초과하는 특정 모니터링오차인 제3오차를 선정하는, 제3오차판별단계; 상기 제3오차가 발견된 특정 모니터링데이터를 상기 제3오차에 상응하도록 보정하여 보정모니터링데이터를 도출하는 보정모니터링데이터도출단계; 상기 보정모니터링데이터를 도출할 수 있는 공정파라미터인 보정공정파라미터를 도출하는 보정공정파라미터도출단계; 상기 증착공정의 상기 공정파라미터를 상기 보정공정파라미터로 입력하는 보정파라미터입력단계;를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 머신러닝을 통해 예상모니터링데이터 및 예상측정값을 산출하고 이를 실제 값과 비교함으로써, 제품에 불량이 발생하기 전에 설비의 결함을 미리 인지하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 머신러닝을 통해 예상모니터링데이터 및 예상측정값을 산출하고 이를 실제 값과 비교함으로써, 설비 내에서 점검이 필요한 장치를 특정하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 머신러닝을 통해 예상모니터링데이터 및 예상측정값을 산출하고 이를 메인터넌스 시점을 정하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 측정종합값과 예상측정종합값을 비교한 제1차이를 도출하여 이를 통해 메인터넌스 시점을 정하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 측정값 각각과 복수의 예상측정값 각각을 따로 비교하여 제1오차를 도출하고, 제1오차가 기설정된 값보다 큰 경우, 해당 측정값과 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 본 발명의 일 실시예에 따르면, 복수의 측정값 각각과 복수의 예상측정값 각각을 따로 비교하여 제1오차를 도출하고, 제1오차가 기설정된 값보다 큰 경우, 해당 측정값과 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스함으로써, 메인터넌스에 소요되는 인력, 시간, 예산 등의 리소스를 최소화하여 공정의 효율을 상승시키는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 실시간 데이터인 모니터링데이터를 분석하고, 모니터링오차를 도출하여 설비의 이상여부를 판단하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 모니터링데이터와 복수의 예상모니터링데이터 각각을 비교하여 제2오차를 도출하고, 제2오차가 기설정된 값보다 큰 경우, 해당 모니터링데이터와 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 모니터링데이터와 복수의 예상모니터링데이터 각각을 비교하여 제2오차를 도출하고, 제2오차가 기설정된 값보다 큰 경우, 해당 모니터링데이터와 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스함으로써 , 메인터넌스에 소요되는 인력, 시간, 예산 등의 리소스를 최소화하여 공정의 효율을 상승시키는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 공정횟수가 반복될수록 설비의 환경이 초기와 달라지며 모니터링데이터가 변경되는데, 이때 변경되는 모니터링데이터를 분석하여 이를 예상모니터링데이터와 비교하여 제3오차를 도출하고, 제3오차를 바탕으로 공정파라미터를 보정한 보정공정파라미터를 공정에 입력함으로써, 설비가 변화되더라도 항상 최적의 공정 환경을 유지하는 효과를 발휘할 수 있다.
도 1은 본 발명의 일 실시예에 따른 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법의 구성요소를 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 공정파라미터, 모니터링데이터, 측정값의 종류를 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 제1차이를 도출하는 과정을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 제2차이를 도출하는 과정을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 제1오차를 도출하는 과정을 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 모니터링오차를 도출하는 과정을 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 제3차이를 도출하는 과정을 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 제4차이를 도출하는 과정을 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 제2오차를 도출하는 과정을 개략적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 제3오차를 도출하여 공정파라미터를 보정하는 과정을 개략적으로 도시한다.
도 11은 본 발명의 일 실시예에 따른 제4모델을 통해 보정공정파라미터를 도출하는 과정을 개략적으로 도시한다.
도 12는 본 발명의 일 실시예에 따른 메인터넌스시점 결정방법의 측정값에 관한 모식도를 개략적으로 도시한다.
도 13은 본 발명의 일 실시예에 따른 메인터넌스시점 결정방법의 모니터링데이터에 관한 모식도를 개략적으로 도시한다.
도 14는 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 공정파라미터, 모니터링데이터, 측정값의 종류를 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 제1차이를 도출하는 과정을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 제2차이를 도출하는 과정을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 제1오차를 도출하는 과정을 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 모니터링오차를 도출하는 과정을 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 제3차이를 도출하는 과정을 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 제4차이를 도출하는 과정을 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 제2오차를 도출하는 과정을 개략적으로 도시한다.
도 10은 본 발명의 일 실시예에 따른 제3오차를 도출하여 공정파라미터를 보정하는 과정을 개략적으로 도시한다.
도 11은 본 발명의 일 실시예에 따른 제4모델을 통해 보정공정파라미터를 도출하는 과정을 개략적으로 도시한다.
도 12는 본 발명의 일 실시예에 따른 메인터넌스시점 결정방법의 측정값에 관한 모식도를 개략적으로 도시한다.
도 13은 본 발명의 일 실시예에 따른 메인터넌스시점 결정방법의 모니터링데이터에 관한 모식도를 개략적으로 도시한다.
도 14는 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법의 구성요소를 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 결정방법은, 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 모니터링오차도출단계(S410); 상기 모니터링오차가 기설정된 기준 이상인 경우, 증착공정 설비의 이상발생 여부를 판단하는 설비이상점검단계(S420);를 포함할 수 있다.
구체적으로, 본 발명의 결정방법은, 반도체 제조 중, 증착공정에 사용되는 설비에 관한 것으로써, 증착을 위한 투입물, 증착공정을 위한 복수의 장치 및 장비를 포함하는 설비, 증착공정이 완료된 투입물인 결과물, 딥러닝에 기반한 학습모델인 제1모델, 제2모델, 제3모델 및 제4모델 및 이를 제어하는 제어부가 설치되는 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템을 포함하는 반도체 증착공정 시스템에 사용되는 자동적 메인터넌스시점 결정방법에 대한 것이다.
이를 통해 투입물을 설비에 투입하기 전 설비의 제어부에 입력되는 데이터 혹은 투입물 그 자체의 특성을 포함하는 복수의 공정파라미터, 설비에 포함되는 복수의 장치 및 센서로부터 수신되는 복수의 모니터링데이터, 결과물에 대한 물리적 측정값인 복수의 측정값을 통하여 반도체 증착공정을 모니터링하고, 결과물에 불량이 발생하기 이전 시점에 설비의 오류를 검출하여 설비를 미리 메인터넌스함으로써 결과물의 불량을 방지하는 효과를 발휘할 수 있다.
한편, 도 1(B)는 본 발명의 일 실시예에 따른 딥러닝에 기반한 학습모델인 제1모델을 개략적으로 도시한다.
반도체 증착 공정에 있어서, 설비의 세팅값 혹은 투입물의 특성 요소인 공정파라미터의 변화에 따라서, 공정 진행 중 설비의 다양한 장치 및 센서에 의해 검출되는 데이터인 모니터링데이터가 다양하게 변하게 된다.
상기 제1모델은, 복수의 최적의 공정파라미터와 이를 설비에 입력했을 때 수신되는 복수의 최적의 모니터링데이터를 딥러닝 기반의 기계학습을 통해 학습한 모델로써, 공정에 실제로 입력되는 복수의 공정파라미터를 제1모델에 입력 시 예상되는 모니터링데이터인 복수의 예상모니터링데이터를 출력하는 기계학습모델이다.
본 발명의 일 실시예에 따르면, 실제로 센서에 의해 측정된 모니터링데이터와 예상모니터링데이터를 비교함으로써 공정이 잘 진행되는지, 즉, 복수의 장치에 이상이 생겼는지 여부를 결과물이 생성되기 전에 미리 파악하는 효과를 발휘할 수 있다.
또한, 도 1(C)는 본 발명의 일 실시예에 따른 딥러닝에 기반한 학습모델인 제2모델을 개략적으로 도시한다.
반도체 증착 공정에 있어서, 설비의 세팅값 혹은 투입물의 특성 요소인 공정파라미터의 변화에 따라서, 공정 진행 중 설비의 다양한 장치 및 센서에 의해 검출되는 데이터인 모니터링데이터가 다양하게 변하게 된다. 그리고 이러한 모니터링데이터와 상응하여 결과물이 제조되고, 이를 측정한 데이터값인 측정값을 생성할 수 있다.
제2모델은, 복수의 최적의 모니터링데이터와, 모니터링데이터가 이러할 때 제조되는 결과물의 측정값을 딥러닝 기반의 기계학습을 통해 학습한 모델로써, 공정에서 실제로 발생하는 모니터링데이터를 제2모델에 입력 시 예상되는 측정값인 복수의 예상측정값을 출력하는 기계학습모델이다.
본 발명의 일 실시예에 따르면, 실제로 센서에 의해 측정된 측정값과 예상측정값을 비교함으로써 공정이 잘 진행되는지, 즉, 현재 공정이 효율적으로 잘 진행되는지 파악하는 효과를 발휘할 수 있다.
도 2는 본 발명의 일 실시예에 따른 공정파라미터, 모니터링데이터, 측정값의 종류를 개략적으로 도시한다.
도 2는 본 발명의 반도체 제조 증착 공정에 사용되는 공정파라미터, 모니터링데이터, 측정값의 예시를 개략적으로 도시한 것이다.
본 발명의 일 실시예에 따르면, 본 발명은 반도체 증착 공정 중 ALD(Atomic Layer Deposition)에 관한 것으로서, 이에관한 공정파라미터의 예시는 하기와 같다.
DCS (H2SiCl2) Flow Rate, DCS (H2SiCl2) Valve Time, (After DCS) N2 Purge Gas Flow Rate, (After DCS) N2 Purge Gas Valve Time, NH3 Flow Rate, NH3 Valve Time, (After NH3) N2 Purge Gas Flow Rate, (After NH3) N2 Purge Gas Valve Time, Loading Temperature, Process Temperature, RF Power, Rotation (rpm)
다음으로, 모니터링데이터의 예시는 하기와 같다.
DCS (H2SiCl2) Flow Rate, DCS (H2SiCl2) Valve (on/off), (After DCS) N2 Purge Gas Flow Rate, (After DCS) N2 Purge Gas Valve (on/off), NH3 Flow Rate, NH3 Valve (on/off), (After NH3) N2 Purge Gas Flow Rate, (After NH3) N2 Purge Gas Valve (on/off), Loading Temperature, Process Temperature, RF Power, 12.RF Reflect Power, Rotation (rpm), Loading Chamber Humidity, Loading Chamber Static, DCS Valve 전후 Pressure, NH3 Valve 전후 Pressure, N2 Valve 전후 Pressure, (ToF) Exhaust Gas, (ToF) Exhaust Pressure, (Tof) Exhaust Flow Rate, PCW Flow, Robot Position
마지막으로, 측정값의 예시는 다음과 같다.
Thickness, Composition ratio, Dielectric constant, Surface Roughness, Capacitance, Workfunction, Particle, Uniformity, Grow Rate
상기와 같은 항목들은 명확하게 정해진 것은 아니고 예시이며, 공정의 설비, 목표로하는 결과물, 투입물의 종류 등과 같은 다양한 변수에 의해 변경될 수 있다.
도 3은 본 발명의 일 실시예에 따른 제1차이를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 메인터넌스결정단계(S600)는, 상기 복수의 측정값 각각을 합산하여 측정종합값을 도출하는 측정종합값도출단계(S610); 상기 복수의 예상측정값 각각을 합산하여 예상측정종합값을 도출하는 예상측정종합값도출단계(S620); 및 상기 측정종합값과 상기 예상측정종합값의 차이인 제1차이를 도출하고, 상기 제1차이가 기설정된 값보다 큰 경우, 상기 설비를 메인터넌스해야한다고 판단하는, 제1차이도출단계(S630);를 포함할 수 있다.
구체적으로, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템, 즉, 제어부는, 설비의 결과물에 대해서 측정된 측정값들의 수치를 합산한 측정종합값을 도출할 수 있고, 모니터링데이터를 제2모델에 입력하여 도출되는 예상측정값들의 수치를 합산한 예상측정종합값을 도출할 수 있다.
도 3은 이렇게 도출된 측정종합값과 예상측정종합값을 X축이 공정횟수인 그래프로 도시한 것이다.
보다 상세하게, 본 발명의 결정방법이 적용되는 증착공정은 1회로 끝나는 것이 아니고, 지속적으로 반복해서 수행될 수 있다. 증착공정이 반복됨에 따라서 설비 내부의 환경은 증착공정 과정 중 발생하는 물리, 화학적 반응에 의해 계속해서 변화하게 되고, 이에 따라 일정한 공정파라미터가 입력된 상태에서도 모니터링데이터와 측정값이 변동되게 된다.
즉, 도 3에 도시된 그래프에서 예상측정종합값과 측정종합값이 일정하지 않고 변동되는 것은 정상적인 상황이다.
이때, 설비에 이상이 발생하지 않은 상황에서, 예상측정종합값과 측정종합값의 차이인 제1차이는 기설정된 범위를 벗어나지 않고 일정하게 유지되는 것이 정상이다.
하지만 도 3의 그래프의 A지점에서와 같이, 제1차이가 기설정된 범위를 벗어나 커진 경우, 제어부는 설비에 이상이 발생했다고 판단하고 메인터넌스, 구체적으로 PM(Preventive Maintenance)을 진행할 수 있다.
한편, 예상측정종합값 및 측정종합값의 제1차이가 기설정된 범위보다 커지더라도, 예상측정종합값 혹은 측정종합값 그 자체는 정상범위로 실제 결과물에 오류가 발생되지 않는 상태일 수 있다.
하지만, 제1차이가 기설정된 범위를 초과한 상태에서 공정이 계속 진행될 경우 측정종합값 혹은 예상측정종합값은 정상범위를 벗어나게되고, 즉, 결과물에 불량이 발생할 수 있다.
즉, 제2모델을 사용하여 예상측정종합값을 도입하여 예상측정종합값과 측정종합값을 비교함으로써, 측정종합값이 기설정된 범위를 벗어나기 전, 실제 결과물에 불량이 발생하기 전에 미리 설비의 이상을 감지하고 설비를 메인터넌스하는 효과를 발휘할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 메인터넌스는 PM(Preventive Maintenance)을 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 제2차이를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 메인터넌스결정단계(S600)는, 상기 복수의 측정값 각각에 측정보정치를 설정하는 측정보정치설정단계(S640); 상기 복수의 측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 측정종합보정값을 도출하는 측정종합보정값도출단계(S650); 상기 복수의 예상측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 예상측정종합보정값;을 산출하는 예상측정종합보정값도출단계(S660); 및 상기 측정종합보정값과 상기 예상측정종합보정값의 차이인 제2차이를 계산하고, 상기 제2차이가 기설정된 값보다 큰 경우, 반도체 증착공정 설비를 메인터넌스해야한다고 판단할 수 있다.
구체적으로, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템, 즉, 제어부는, 설비의 결과물에 대해서 측정된 측정값들의 수치를 합산할 때, 각각의 측정값들에 가중치를 설정할 수 있다. 이 가중치를 측정보정치라고 한다.
이렇게 설정된 각각의 측정값에 대한 측정보정치와 측정값을 연산 후, 모든 측정보정치와 측정값을 연산한 값을 합산하여 측정종합보정값을 도출할 수 있다.
또, 상기 과정을 통해 설정된 가중치인 측정보정치와, 제2모델을 통해 도출된 예상측정값을 합산한, 즉, 측정보정치와 예상측정값을 연산한 값을 합산한 예상측정종합보정값을 도출할 수 있다.
한편, 측정보정치와 예상측정값 혹은 측정값의 연산은 곱연산으로 정해진 것이 아니고, 특정 함수가 사용되는 연산일 수 있다.
도 4는 이렇게 도출된 측정종합보정값과 예상측정종합보정값을 X축이 공정횟수인 그래프로 도시한 것이다.
보다 상세하게, 본 발명의 결정방법이 적용되는 증착공정은 1회로 끝나는 것이 아니고, 지속적으로 반복해서 수행될 수 있다. 증착공정이 반복됨에 따라서 설비 내부의 환경은 증착공정 과정 중 발생하는 물리, 화학적 반응에 의해 계속해서 변화하게 되고, 이에 따라 일정한 공정파라미터가 입력된 상태에서도 모니터링데이터와 측정값이 변동되게 된다.
도 3과 비교하여, 도 4는 이러한 변동을 측정보정치를 통해 보안해줌으로써, 실제적으로 변동이 발생하더라도 나타나는 그래프는 일정하여 설비의 관리자, 결정방법의 사용자에게 더 깔끔한 인터페이스를 제공하는 효과를 발휘할 수 있다.
혹은, 측정보정치를 통하여 측정값 중 더 중요한 요소의 비중을 늘리고 중요하지 않은 요소의 비중을 줄여 결과물에서 불필요한 요소들을 배제하고 중요한 요소들에 집중하여 관련된 공정의 메인터넌스시점을 더욱 정확하고 정밀하게 정할 수 있다.
한편, 설비에 이상이 발생하지 않은 상황에서, 예상측정종합보정값과 측정종합보정값의 차이인 제2차이는 기설정된 범위를 벗어나지 않고 일정하게 유지되는 것이 정상이다.
하지만 도 4의 그래프의 B지점에서와 같이, 제2차이가 기설정된 범위를 벗어나 커진 경우, 제어부는 설비에 이상이 발생했다고 판단하고 메인터넌스, 구체적으로 PM(Preventive Maintenance)을 진행할 수 있다.
한편, 예상측정종합보정값 및 측정종합보정값의 제2차이가 기설정된 범위보다 커지더라도, 예상측정종합보정값 혹은 측정종합보정값 그 자체는 정상범위 이내의 값으로써, 실제 결과물에 오류가 발생되지 않는 상태일 수 있다.
하지만, 제2차이가 기설정된 범위를 초과한 상태에서 공정이 계속 진행될 경우 측정종합보정값 혹은 예상측정종합보정값은 정상범위를 벗어나게되고, 즉, 결과물에 불량이 발생할 수 있다.
즉, 제2모델을 사용하여 예상측정종합값을 도입하여 예상측정종합값과 측정종합값을 비교함으로써, 측정종합값이 기설정된 범위를 벗어나기전, 실제 결과물에 불량이 발생하기 전에 미리 설비의 이상을 감지하고 설비를 메인터넌스하는 효과를 발휘할 수 있다.
도 5는 본 발명의 일 실시예에 따른 제1오차를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 메인터넌스결정단계(S600)는, 상기 복수의 측정값 각각과 서로 상응하는 상기 복수의 예상측정값 각각을 비교하여 그 차이인 복수의 제1오차를 도출하고, 특정 제1오차가 기설정된 값 보다 큰 경우, 설비 내에서 해당 제1오차가 발생한 모니터링데이터와 연동된 반도체 증착공정 설비내의 장비를 도출하는 제1오차도출단계(S680);를 더 포함할 수 있다.
구체적으로, 도 5에 도시된바와 같이, 제1오차검출단계에서는, 상기 측정값수신단계(S300)에서 수신받은 복수의 측정값과, 상기 예상측정값도출단계(S500)에서 도출된 복수의 예상측정값 각각을 비교하는 단계를 포함할 수 있다.
복수의 측정값 각각과 예상측정값 각각은 서로 일대일로 대응되는 관계일 수 있으며, 제어부는 이를 각각 비교하여 복수의 제1오차를 도출한다.
도 5는 제어부가 측정값과 예상측정값을 비교하는 과정을 개략적으로 도시한 것이다.
구체적으로, 각각의 측정값과 예상측정값은, 해당 측정값에 영향을 주는 장치가 존재하며, 이는 도 5에서 x축에 도시된것과 같지만, 실제로 측정값 하나에 단일의 장치가 각각 상응하는 것이 아니며 단일 혹은 복수의 장치가 동시에 상응될 수 있다.
이때, 측정값과 연동되는 장치를 판별하는 과정은 딥러닝기반의 머신러닝모델을 사용할 수 있고, 이는 제2모델을 사용할 수 있다.
즉, 본 발명의 일 실시예에 따르면, 제어부는 딥러닝 기반의 제2모델을 사용해 장치와 측정값 사이의 상관관계를 파악할 수 있다.
제어부는, 복수의 제1오차 중 기설정된 정상범위를 초과한 특정 제1오차를 판별하고, 해당 제1오차와 연관 있는 장치를 식별하여 도출할 수 있으며, 이는 도 5의 장치2와 연관된 측정값 및 예상측정값에서 도출된 제1오차를 예시로 들 수 있다.
도 6은 본 발명의 일 실시예에 따른 모니터링오차를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 결정방법은, 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 상기 모니터링오차도출단계(S410); 상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 상기 설비이상점검단계(S420);를 포함할 수 있다.
구체적으로, 도 6에 도시된 바와 같이, 증착공정이 반복될 때마다 같은 공정파라미터를 입력한 상태에서도 모니터링데이터는 매 공정마다 변하게 된다. 이는 도 6에서 a2, b2, c2, d2, e2로 도시되어 있다.
이는, 증착공정의 특징상, 반응이 일어나는 챔버내의 환경이 증착공정이 반복될 때마다 변동되기 때문이다. 증착공정이란, 특정 물질을 나노미터단위로 얇게 다른 물질(일반적으론 반도체 웨이퍼이다.)위에 전사시키는 공정으로써, 공정의 특성상 특정 물질이 다른 물질 위에만 전사되는 것이 아닌, 챔버 내부에도 전사될 수 있다. 따라서 챔버 내부의 환경은 증착공정이 수행될수록 쌓여가는 특정 물질에 의해 변동되게 되고, 이에 따라 같은 공정파라미터 내에서도 다른 모니터링데이터가 나타날 수 있다. 따라서 모니터링데이터가 공정횟수가 반복됨에 따라 변하는 것은 정상범위 이내의 상태이다.
참고적으로, 상기에서 설명된 챔버 내부에 특정 물질이 증착되어 환경이 변하는 것은, 환경의 변화에 관한 한가지 예시이고, 실제 공정에서 환경은 다양한 변수에 의해 변할 수 있다.
본 발명의 일 실시예에 따르면, 예상모니터링데이터는, 이렇게 변동되지만 정상범위 이내인 이론적인 모니터링데이터들의 값이다. 이는 도 6(A)의 a1, b1, c1, d1, e1으로 도시되어 있으며, 이는 제1모델에 입력된 공정파라미터에 따라 증착공정 T1, T2, T3, T4, T5이 수행될 때 예상되는 예상모니터링데이터의 값을 그래프로 도시한 것이다.
반면에, 증착공정 T1, T2, T3, T4, T5가 수행되면 실제 모니터링데이터는 a2, b2, c2, d2, e2로 계속 변동하게 되며, 도 6(B)에 도시된바와 같이 a2, b2, c2, d2까지의 변화폭은 정상범위이내의 당연한 변동일 수 있다.
하지만, T5공정이 수행되었을 때 나타난 모니터링 데이터 e2에 관해서, 제어부는 e1과 e2의 차이를 비교하고, d2와 e2의 변동폭 
e2가 큰 폭으로 변화했다고 판단할 수 있다.
그리고 이는 딥러닝기반의 제3모델에 의하여 분석될 수 있다.
즉, 예상모니터링데이터와 모니터링데이터를 딥러닝기반의 학습모델인 제3모델에 입력하여 모니터링오차를 도출 할 수 있다.
이를 비교하는 방식에 대한 보다 상세한 설명은 도 7과 도8에서 후술하기로 한다.
즉, 이는 설비에 이상이 발생했다는 근거로 작용하여, 제어부는 설비에 이상이 생겼다는 신호를 외부로 송출할 수 있다.
한편, 본 발명의 다른 실시예에 따르면, 상기 메인터넌스결정단계(S600)는, 상기 복수의 모니터링데이터와 상기 예상모니터링데이터 값의 차이인 모니터링오차를 공정횟수가 반복될 때마다 도출하는 상기 모니터링오차도출단계(S410); 상기 모니터링오차도출단계(S410)에서 도출된 복수의 모니터링오차를 통합하여 모니터링통합오차를 도출하는단계; 딥러닝 기반으로 학습된 제3모델을 통하여, 상기 모니터링통합오차가 기설정된 수준을 초과했는지 판단하는 모니터링오차판단단계;를 더 포함할 수 있다.
즉, 모니터링데이터 및 예상모니터링데이터를 딥러닝기반의 제3모델에 입력함으로써 모니터링오차를 도출할 수 있다.
도 7은 본 발명의 일 실시예에 따른 제3차이를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 결정방법은, 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 상기 모니터링오차도출단계(S410); 상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 상기 설비이상점검단계(S420);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 모니터링오차도출단계(S410)는, 복수의 모니터링데이터 각각을 합산하여 모니터링종합데이터를 도출하는 모니터링종합데이터도출단계(S411); 복수의 예상모니터링데이터 각각을 합산하여 예상모니터링종합데이터를 도출하는 예상모니터링종합데이터도출단계(S412); 상기 모니터링종합데이터와 상기 예상모니터링종합데이터의 차이인 제3차이를 도출하는 제3차이도출단계(S413);를 더 포함할 수 있다.
구체적으로, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템, 즉, 제어부는, 증착공정 진행 중 장치 및 센서에서 수신한 모니터링데이터들의 수치를 합산한 모니터링종합데이터를 도출할 수 있고, 공정파라미터를 제1모델에 입력하여 도출되는 예상모니터링데이터들의 수치를 합산한 예상모니터링종합데이터를 도출할 수 있다.
도 7은 이렇게 도출된 모니터링종합데이터와 예상모니터링종합데이터를 X축이 공정횟수인 그래프로 도시한 것이다.
보다 상세하게, 본 발명의 결정방법이 적용되는 증착공정은 1회로 끝나는 것이 아니고, 지속적으로 반복해서 수행될 수 있다.
설비 및 장치는 영구적인 것이 아니며, 공정 시작 전 점검에서 이상이 발견되지 않은 설비, 장비 및 장치라도, 증착공정이 반복적으로 수행되는 과정에서 손상이 생기거나 이상이 발생할 수 있다.
그리고 설비 및 장치에 이상이 생기는 경우 모니터링데이터와 측정값이 변동되게 된다.
즉, 도 7에 도시된 그래프에서 모니터링종합데이터와 예상모니터링종합데이터가 일정하지 않고 변동되는 것은 정상적인 상황이다.
이때, 설비 장비, 및 장치에 이상이 발생하지 않은 상황에서, 모니터링종합데이터와 예상모니터링종합데이터의 차이인 제3차이는 기설정된 범위를 벗어나지 않고 일정하게 유지되는 것이 정상이다.
하지만 도 7의 그래프의 C지점에서와 같이, 제3차이가 기설정된 범위를 벗어나 커진 경우, 제어부는 설비에 이상이 발생했다고 판단하고 메인터넌스, 구체적으로 PM(Preventive Maintenance)을 진행할 수 있다.
혹은, 문제가 생긴 설비 및 장치, 장비를 찾아 고칠 수 있다.
한편, 모니터링종합데이터와 예상모니터링종합데이터의 제3차이가 기설정된 범위보다 커지더라도, 모니터링종합데이터 혹은 예상모니터링종합데이터 그 자체는 정상범위로, 아직 공정의 결과물에 오류나 불량이 발생하지 않을 수 있다. 이는 설비나 장치에 결함이 존재하지 않는 것이 아니고, 결함이 있되 아직 미세하여 결과물에 영향을 줄 정도는 아니라는 의미로써, 본 발명은 이러한 결함을 사전에 탐색하여 결과물의 불량을 미리 예방하는 효과를 발휘할 수 있다.
즉, 제1모델을 사용하여 예상모니터링종합데이터를 도입하여 모니터링종합데이터와 예상모니터링종합데이터를 비교함으로써, 모니터링종합데이터가 기설정된 정상범위를 벗어나기전, 즉, 실제 결과물에 불량이 발생하기 전에 미리 설비의 이상을 감지하고 설비를 결함을 탐지하는 효과를 발휘할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 메인터넌스는 문제가 생긴 설비 및 장치를 탐색하여 고치는 행위를 포함할 수 있다.
한편, 본 발명의 다른 실시예에 따르면, 공정파라미터로부터 모니터링데이터를 출력하는 제1모델을 사용하여, 실제 모니터링데이터를 출력하는데 사용되는 고가의 센서장비를 저렴한 센서장비 및 제1모델로 대체하는 효과를 발휘할 수 있다.
본 발명의 다른 실시예에 따른 고가의 센서장비는 PM-ToF(Process Monitoring Time-of-flight), ToF MS(Time-of-flight mass spectrometry) 중 1이상을 포함할 수 있다.
도 8은 본 발명의 일 실시예에 따른 제4차이를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 결정방법은, 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 상기 모니터링오차도출단계(S410); 상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 상기 설비이상점검단계(S420);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 설비이상점검단계(S420)는, 상기 복수의 모니터링데이터 각각에 복수의 모니터링보정치를 설정하는 모니터링보정치설정단계(S414); 상기 복수의 모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 모니터링종합보정데이터;를 도출하는 상기 모니터링종합보정데이터도출단계(S416); 상기 복수의 예상모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 예상모니터링종합보정데이터를 도출하는 상기 예상모니터링종합보정데이터도출단계(S416); 및 상기 모니터링종합보정데이터와 상기 예상모니터링종합보정데이터의 차이인 제4차이를 도출하는 제4차이도출단계(S417);를 더 포함할 수 있다.
구체적으로, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템, 즉, 제어부는, 증착공정 진행 중 장치 및 센서에서 수신한 모니터링데이터들의 수치를 합산할 때, 각각의 모니터링데이터들에 가중치를 설정할 수 있다. 이 가중치를 모니터링보정치라고 한다.
이렇게 설정된 각각의 모니터링데이터에 대한 모니터링보정치와 모니터링데이터를 연산 후, 모든 모니터링보정치와 모니터링데이터를 연산한 값을 합산하여 모니터링종합보정데이터를 도출할 수 있다.
또, 상기 과정을 통해 설정된 가중치인 모니터링보정치와, 제1모델을 통해 도출된 예상모니터링데이터를 합산한, 즉, 모니터링보정치와 예상모니터링데이터를 연산한 값을 합산한 예상모니터링종합보정데이터를 도출할 수 있다.
한편, 모니터링보정치와 모니터링데이터 혹은 예상모니터링데이터의 연산은 곱연산으로 정해진 것이 아니고, 특정 함수가 사용되는 연산일 수 있다.
도 8는 이렇게 도출된 모니터링종합보정데이터와 예상모니터링종합보정데이터를 X축이 공정횟수인 그래프로 도시한 것이다.
보다 상세하게, 본 발명의 결정방법이 적용되는 증착공정은 1회로 끝나는 것이 아니고, 지속적으로 반복해서 수행될 수 있다.
설비 및 장치는 영구적인 것이 아니며, 공정 시작 전 점검에서 이상이 발견되지 않은 설비 및 장치라도, 증착공정이 반복적으로 수행되는 과정에서 손상이 생기거나 이상이 발생할 수 있다.
그리고 설비 및 장치에 이상이 생기는 경우 모니터링데이터와 측정값이 변동되게 된다.
도 7과 비교하여, 도 8은 이러한 변동을 모니터링보정치를 통해 보안해줌으로써, 실제적으로 변동이 발생하더라도 나타나는 그래프는 일정하여 설비의 관리자, 결정방법의 사용자에게 더 깔끔한 인터페이스를 제공하는 효과를 발휘할 수 있다.
혹은, 모니터링보정치를 통하여 모니터링데이터 중 더 중요한 요소의 비중을 늘리고 중요하지 않은 요소의 비중을 줄여 결과물에서 불필요한 요소들을 배제하고 중요한 요소들에 집중하여 관련된 장치의 고장, 이상, 결함을 더욱 정확하고 정밀하게 측정하는 효과를 발휘할 수 있다.
한편, 설비에 이상이 발생하지 않은 상황에서, 모니터링종합보정데이터와 예상모니터링종합보정데이터의 차이인 제4차이는 기설정된 범위를 벗어나지 않고 일정하게 유지되는 것이 정상이다.
하지만 도 8의 그래프의 D지점에서와 같이, 제4차이가 기설정된 범위를 벗어나 커진 경우, 제어부는 설비에 이상이 발생했다고 판단하고 이상이 생긴 장치를 식별하는 단계를 수행할 수 있다.
한편, 모니터링종합보정데이터와 예상모니터링종합보정데이터의 제4차이가 기설정된 범위보다 커지더라도, 모니터링종합보정데이터 혹은 예상모니터링종합보정데이터 그 자체는 정상범위 이내의 값으로써, 실제 결과물에 오류가 발생되지 않는 상태일 수 있다.
즉, 모니터링종합데이터와 예상모니터링종합데이터의 제3차이가 기설정된 범위보다 커지더라도, 모니터링종합데이터 혹은 예상모니터링종합데이터 그 자체는 정상범위로, 아직 공정의 결과물에 오류나 불량이 발생하지 않을 수 있다. 이는 설비나 장치에 결함이 존재하지 않는 다는 것이 아니고, 결함이 있되 아직 미세하여 결과물에 영향을 줄 정도는 아니라는 의미로써, 본 발명은 이러한 결함을 사전에 탐색하여 결과물의 불량을 미리 예방하는 효과를 발휘할 수 있다.
하지만, 제4차이가 기설정된 범위를 초과한 상태에서 공정이 계속 진행될 경우 이후 공정에서 모니터링종합데이터 혹은 예상모니터링종합데이터는 정상범위를 벗어나게 되고, 즉, 결과물에 불량이 발생할 수 있다.
즉, 제1모델을 사용하여 예상모니터링종합데이터를 도입하여 모니터링종합데이터와 예상모니터링종합데이터를 비교함으로써, 모니터링데이터가 기설정된 범위를 벗어나기 전, 실제 결과물에 불량이 발생하기 전에 미리 설비 및 장치의 이상을 감지하고 메인터넌스하는 효과를 발휘할 수 있다.
도 9는 본 발명의 일 실시예에 따른 제2오차를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 결정방법은, 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 상기 모니터링오차도출단계(S410); 상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 상기 설비이상점검단계(S420);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 설비이상점검단계(S420)는, 복수의 모니터링데이터 각각과 서로 상응하는 복수의 예상모니터링데이터 각각을 비교하여 그 차이인 복수의 제2오차를 구하고, 특정 제2오차가 기설정된 값 보다 큰 경우, 반도체 증착공정 설비 내에서 해당 제2오차가 발생한 모니터링데이터와 연동된 장비를 도출할 수 있다.
구체적으로, 도9에 도시된바와 같이, 상기 제2오차도출단계(S421)에서는, 상기 모니터링데이터수신단계(S200)에서 수신받은 복수의 모니터링데이터와, 상기 예상모니터링데이터도출단계(S400)에서 도출된 복수의 예상모니터링데이터 각각을 비교하는 단계를 포함할 수 있다.
복수의 모니터링데이터 각각과 예상모니터링데이터 각각은 서로 일대일로 대응되는 관계일 수 있으며, 제어부는 이를 각각 비교하여 복수의 제2오차를 도출한다.
도 9는 제어부가 모니터링데이터와 예상모니터링데이터를 비교하는 과정을 개략적으로 도시한 것이다.
구체적으로, 각각의 모니터링데이터와 예상모니터링데이터는, 해당 모니터링데이터에 영향을 주는 공정파라미터가 존재하며, 이는 도 9에서 x축에 파라미터 1 내지 5로 도시된것과 같지만, 실제로 모니터링데이터 하나에 단일의 공정파라미터가 각각 상응하는 것이 아니며 단일 혹은 복수의 장치가 동시에 상응될 수 있다.
이때, 모니터링데이터와 연동되는 장치를 판별하는 과정은 딥러닝기반의 머신러닝모델을 사용할 수 있으며, 이는 제1모델일 수 있다.
즉, 본 발명의 일 실시예에 따르면 딥러닝기반의 제1모델을 통해 복수의 모니터링데이터와 복수의 공정파라미터의 상응관계를 파악할 수 있다.
따라서, 제어부는, 복수의 제2오차 중 기설정된 정상범위를 초과한 특정 제2오차를 판별하고, 해당 제2오차와 연관 있는 공정파라미터를 식별하여 도출할 수 있으며, 이는 도 9의 파라미터3과 연관된 모니터링데이터 및 예상모니터링데이터에서 도출된 제2오차를 예시로 들 수 있다.
도 10은 본 발명의 일 실시예에 따른 제3오차를 도출하여 공정파라미터를 보정하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서, 증착공정과 관련된 복수의 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100); 증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200); 반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 상기 측정값수신단계(S300); 상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 및 상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 상기 메인터넌스결정단계(S600);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 결정방법은, 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 상기 모니터링오차도출단계(S410); 상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 상기 설비이상점검단계(S420);를 포함할 수 있다.
본 발명의 일 실시예에 따른 상기 결정방법은, 복수의 모니터링오차 중 기설정된 범위를 초과하는 특정 모니터링오차인 제3오차를 선정하는, 제3오차판별단계; 상기 제3오차가 발견된 특정 모니터링데이터를 상기 제3오차에 상응하도록 보정하여 보정모니터링데이터를 도출하는 보정모니터링데이터도출단계; 상기 보정모니터링데이터를 도출할 수 있는 공정파라미터인 보정공정파라미터를 도출하는 보정공정파라미터도출단계; 상기 증착공정의 상기 공정파라미터를 상기 보정공정파라미터로 입력하는 보정파라미터입력단계;를 더 포함할 수 있다.
구체적으로, 제어부는, 이론상 최적의 공정파라미터가 투입?瑛? 때 도출되는 최적의 예상모니터링데이터를 도출할 수 있다. 이는 제1모델을 통해 도출된다.
상기에서도 언급했듯, 공정이 진행되는 챔버 내부의 환경은 공정이 반복됨에 따라 지속적으로 변하며, 이에 따라 모든 설비가 정상적인 상태에서도 수신되는 모니터링데이터가 변한다. 이렇게 변하는 모니터링오차는 설비에 오류나 결함이 발생하여 나타나는 제1차이, 제2차이, 제2오차와는 다른 별개의 오차이다.
이러한 오차를 제3오차라고 하고, 제3오차가 발생하여도 공정엔 문제가 발생하지 않는 상태일 수 있다.
예시적으로 100ml/s의 질소가스가 주입되야 하는 상황에서 가스노즐에 증착물질이 증착되면서 노즐이 좁아지며 99ml/s의 질소가스가 주입되는 경우를 들 수 있다.
질소가스 중 증착공정에 실제로 사용되는 질소량이 50ml/s라면, 99ml/s의 질소가스나 100ml/s의 질소가스나 결과물에 영향을 미치지 않고 공정이 그대로 끝나는 정도의 차이일 수 있다.
하지만, 이는 분명 이론적으로 입력한 최적의 공정파라미터 100ml/s에 의해 도출되야하는 최적의 예상모니터링데이터 100ml/s와 다르며, 이를 제3오차라 할 수 있고, 본 발명의 다른 실시예에 따르면 제어부는 딥러닝기반의 제4모델에 기반하여 제3오차를 판별할 수 있다.
상기의 예시는 그저 이해를 돕기 위한 예시로써, 실제 본 발명의 일 실시예에 따른 증착공정에 사용되는 가스의 종류 및 수치(공정파라미터)와는 관련성이 없음을 밝혀 둔다.
즉, 제3오차판별단계에서는 수신된 모니터링데이터중에서, 정상범위이고, 제1차이, 제2차이, 제2오차로 판별되지 않으나, 예상모니터링데이터와 차이가 나는 모니터링데이터들에 대해서 예상모니터링데이터와 차이를 구하고, 그 차이를 제3오차로 선정할 수 있다. 이는 도 10(A)로 도시되어 있다.
그리고 보정모니터링데이터도출단계에서는 제3오차가 검출된 모니터링데이터들을 최적의 예상모니터링데이터와 동일하도록 보정하여 보정모니터링데이터를 산출한다.
보정공정파라미터도출단계에서는, 상기 보정모니터링데이터도출단계에서 산출된 보정모니터링데이터를 근거로, 어떠한 공정파라미터를 제1모델에 투입했을 때, 보정모니터링데이터가 산출되는지를 도출한다.
예시적으로, 제1모델이 1을 넣으면 3을, 2를 넣으면 4를, 3을 넣으면 5를 도출하는 간단한 모델이라고 할 때, 보정모니터링데이터도출단계에서 도출된 보정모니터링데이터가 4였다면, 제1모델에 X를 넣었을 때 4가 나오는 X를 찾고 이는 2임을 할 수 있다. 이렇게 찾아낸 공정파라미터를 보정공정파라미터라고한다.
이는 도 10(B)에 도시되어 있다.
보정파라미터입력단계에서는 상기 보정공정파라미터도출단계에서 도출된 보정공정파라미터를 실제 공정에 입력하는 단계이며, 이를 통해 항상 최적의 모니터링데이터가 유지되는 공정을 수행하는 효과를 발휘할 수 있다.
예시적으로, 상기 예시에서 질소가스 100ml/s의 공정파라미터를 입력하여 100ml/s의 최적모니터링데이터가 나와야 하는 공정에서, 챔버 내부의 환경에 의해 99ml/s의 모니터링데이터가 수신되었다면, 현재 환경에서 모니터링데이터가 100ml/s가 나오게하는 보정공정파라미터인 101ml/s를 산출하여 이를 공정파라미터로 입력하여 모니터링데이터에서 질소가스 100ml/s의 결과가 수신되게 조절하는 것이 도 10에 기재된 제3오차판별단계, 보정모니터링데이터도출단계; 보정공정파라미터도출단계; 보정파라미터입력단계;에 관한 것이다.
도 11은 본 발명의 일 실시예에 따른 제4모델을 통해 보정공정파라미터를 도출하는 과정을 개략적으로 도시한다.
본 발명의 일 실시예에 따른 상기 결정방법은, 상응하는 공정파라미터를 제3오차와 상응하도록 보정하여 보정파라미터를 도출하는단계; 상기 보정파라미터를 공정에 입력했을 때 도출되는 모니터링데이터와 예상모니터링데이터의 제3오차를 도출하고, 제3오차가 기설정된 범위 이내인지 판별하는 제3오차보정단계; 를 더 포함하고, 상기 제3오차보정단계에서 판별된 제3오차가 기설정된 범위를 초과하는 경우, 제3오차를 보정함으로써 공정 진행 중 설비에 변경이 발생해도 최적의 모니터링데이터를 도출할 수 있다.
제어부는, 최적의 공정파라미터가 입력되었을 때 설비에서 출력되는 최적의 최적예상모니터링데이터를 산출하는 제4모델을 더 포함하고, 복수의 예상모니터링데이터와 복수의 모니터링데이터의 복수의 제3오차를 도출하는, 제3오차도출단계; 상기 데이터비교단계에서 산출된 제3오차 중 기설정된 범위를 초과하는 특정 제3오차를 선정하는, 제3오차판별단계; 상기 제3오차를 딥러닝 기반의 제4모델에 입력하여 모니터링데이터를 제3오차에 상응하게 산출하는 공정파라미터를 찾아 도출하는 보정공정파라미터도출단계를 수행할 수 있다.
즉, 제어부는 상기 모니터링데이터와 상기 최적예상모니터링데이터의 차이값인 제3오차를 산출하고 산출하여, 상기 제3오차가 기설정된 값 이상인 경우, 머신러닝에 혹은 룰베이스에 기반한 알고리즘에 따라 실제 입력되는 공정파라미터를 보정공정파라미터로 보정하여 산출할 수 있다.
요약하면, 도 10에 도시된 제3오차판별단계, 보정모니터링데이터도출단계; 보정공정파라미터도출단계; 보정파라미터입력단계 중 보정모니터링데이터도출단계; 보정공정파라미터도출단계는 도 11에 도시된 제4모델을 통해 수행 될 수 있다.
도 12는 본 발명의 일 실시예에 따른 메인터넌스시점 결정방법의 측정값에 관한 모식도를 개략적으로 도시한다.
도 12는 본 발명의 메인터넌스시점 결정방법 중 측정값에 관한 결정방법을 모식도로 도시한 것이다.
구체적으로, 본 발명의 일 실시예에 따른 결정방법은, 공정 시작 시, 설비에 입력되거나 투입물의 물리적 특성을 포함하는 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100), 설비의 장치 및 센서로부터 공정 진행 중 발생하는 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200), 결과물의 특성인 측정값을 수신하는 상기 측정값수신단계(S300), 제1모델에 공정파라미터를 입력하여 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 제2모델에 모니터링데이터를 입력하여 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 상기 과정을 통해 수신된 모니터링데이터, 측정값, 예상모니터링데이터, 예상측정값에 기반하여 메인터넌스시점을 결정하는 상기 메인터넌스결정단계(S600);를 포함하고,
상기 메인터넌스결정단계(S600)는, 하기의 두가지 방법 중 1 이상을 포함할 수 있다.
상기 두가지 방법 중 첫번째는, 상기 측정값수신단계(S300)에서 수신된 복수의 측정값을 단일의 데이터로 종합하는 상기 측정종합값도출단계(S610); 상기 예상측정값도출단계(S500)에서 도출된 복수의 예상측정값을 단일의 데이터로 종합하는 상기 예상측정종합값도출단계(S620); 측정종합값과 예상측정종합값을 비교하여 그 차이인 제1차이를 도출하는 상기 제1차이도출단계(S630);를 포함하고,
상기 두가지 방법 중 두번째는, 복수의 측정값 혹은 복수의 예상측정값 각각에대한 가중치를 부여하는 어떠한 함수인 측정보정치를 설정하는 상기 측정보정치설정단계(S640); 상기 측정값수신단계(S300)에서 수신된 복수의 측정값에 측정보정치를 연산 후, 그 결과값을 종합하여 단일의 데이터로 종합하는 상기 측정종합보정값도출단계(S650); 상기 예상측정값도출단계(S500)에서 도출된 복수의 예상측정값에 측정보정치를 연산 후, 그 결과값을 종합하여 단일의 데이터로 종합하는 상기 예상측정종합보정값도출단계(S660); 측정종합보정값과 예상측정종합보정값을 비교하여 그 차이인 제2차이를 도출하는 제2차이도출단계(S670)를 포함할 수 있다.
본 발명의 일 실시예에 따른 결정방법은, 상기 제1차이도출단계(S630) 혹은 상기 제2차이도출단계(S670)를 거친 후, 복수의 측정값 각각과 복수의 예상측정값 각각을 비교하고 그 차이인 제1오차를 도출하는 상기 제1오차도출단계(S680)를 포함할 수 있다.
제어부는 상기의 과정을 거치며 측정값과 예상측정값을 비교하여 반도체 증착공정 설비의 메인터넌스시점을 자동적으로 결정하는 효과를 발휘할 수 있다.
한편, 도 12는, 상기 메인터넌스결정단계(S600)가 수행된 후, 상기 측정종합값도출단계(S610), 상기 예상측정종합값도출단계(S620), 상기 제1차이도출단계(S630) 혹은 상기 측정보정치설정단계(S640), 상기 측정종합보정값도출단계(S650), 상기 예상측정종합값도출단계(S620), 상기 제2차이도출단계(S670)가 수행되고 상기 제1오차도출단계(S680)가 수행되는 것으로 도시되어 있으나, 이는 도면의 구조상 이렇게 나타나있을 뿐이지 실제론 청구항과 발명에 관한 상세한 설명에 기재된것과 같이 상기 메인터넌스결정단계(S600)가 측정종합값 도출단계, 상기 예상측정종합값도출단계(S620), 상기 제1차이도출단계(S630) 혹은 상기 측정보정치설정단계(S640), 상기 측정종합보정값도출단계(S650), 상기 예상측정종합값도출단계(S620), 상기 제2차이도출단계(S670), 상기 제1오차도출단계(S680)를 포함하고,
제어부에서 상기 측정종합값도출단계(S610), 상기 예상측정종합값도출단계(S620), 상기 제1차이도출단계(S630) 혹은 상기 측정보정치설정단계(S640), 상기 측정종합보정값도출단계(S650), 상기 예상측정종합값도출단계(S620), 상기 제2차이도출단계(S670), 상기 제1오차도출단계(S680)가 수행된 후, 상기 메인터넌스결정단계(S600)의 메인터넌스시점 결정 여부가 결정된다.
도 13은 본 발명의 일 실시예에 따른 메인터넌스시점 결정방법의 모니터링데이터에 관한 모식도를 개략적으로 도시한다.
도 13는 본 발명의 메인터넌스시점 결정방법 중 모니터링데이터에 관한 결정방법을 모식도로 도시한 것이다.
구체적으로, 본 발명의 일 실시예에 따른 결정방법은, 공정 시작 시, 설비에 입력되거나 투입물의 물리적 특성을 포함하는 공정파라미터를 수신하는 상기 공정파라미터수신단계(S100), 설비의 장치 및 센서로부터 공정 진행 중 발생하는 모니터링데이터를 수신하는 상기 모니터링데이터수신단계(S200), 결과물의 특성인 측정값을 수신하는 상기 측정값수신단계(S300), 제1모델에 공정파라미터를 입력하여 예상모니터링데이터를 도출하는 상기 예상모니터링데이터도출단계(S400); 제2모델에 모니터링데이터를 입력하여 예상측정값을 도출하는 상기 예상측정값도출단계(S500); 상기 과정을 통해 수신된 모니터링데이터, 측정값, 예상모니터링데이터, 예상측정값에 기반하여 메인터넌스시점을 결정하는 상기 메인터넌스결정단계(S600);를 포함하고,
상기 예상모니터링데이터도출단계(S400)는, 상기 모니터링오차도출단계(S410)를 포함하고, 상기 모니터링오차도출단계(S410)는 하기의 두가지 방법 중 1 이상을 포함할 수 있다.
상기 두가지 방법 중 첫번째는, 상기 모니터링데이터수신단계(S200)에서 수신된 복수의 측정값을 단일의 데이터로 종합하는 상기 모니터링종합데이터도출단계(S411); 상기 예상모니터링데이터도출단계(S400)에서 도출된 복수의 예상모니터링데이터를 단일의 데이터로 종합하는 상기 예상모니터링종합데이터도출단계(S412); 모니터링종합데이터와 예상모니터링종합데이터를 비교하여 그 차이인 제3차이를 도출하는 상기 제3차이도출단계(S413);를 포함하고,
상기 두가지 방법 중 두번째는, 복수의 모니터링데이터 혹은 복수의 예상모니터링데이터 각각에 대한 가중치를 부여하는 어떠한 함수인 모니터링보정치를 설정하는 상기 모니터링보정치설정단계(S414); 상기 모니터링데이터수신단계(S200)에서 수신된 복수의 모니터링데이터에 모니터링보정치를 연산 후, 그 결과값을 종합하여 단일의 데이터로 종합하는 상기 모니터링종합보정데이터도출단계(S415); 상기 예상모니터링데이터도출단계(S400)에서 도출된 복수의 예상모니터링데이터에 모니터링보정치를 연산 후, 그 결과값을 종합하여 단일의 데이터로 종합하는 상기 예상모니터링종합보정데이터도출단계(S416); 모니터링종합보정데이터와 예상모니터링종합보정데이터를 비교하여 그 차이인 제차이를 도출하는 제차이도출단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 결정방법은, 상기 제3차이도출단계(S413) 혹은 상기 제4차이도출단계(S417)를 거친 후, 상기 제3차이 혹은 제4차이를 통해 증착공정의 설비 및 장치에 결함, 이상, 문제가 생긴 여부를 파악하는 상기 설비이상점검단계(S420)를 포함할 수 있다.
본 발명의 일 실시예에 따른 결정방법은 상기 설비이상점검단계(S420)에서 이상이 없는 경우, 최적의 모니터링데이터를 유지하기 위한 최적의 공정파라미터를 도출하기 위하여 제2오차를 도출하는 상기 제2오차도출단계(S421)를 포함할 수 있다.
구체적으로, 복수의 모니터링데이터 각각과 복수의 예상모니터링데이터 각각을 비교하고 그 차이인 제2오차를 도출하는 상기 제2오차도출단계(S421)를 포함할 수 있다.
제어부는 상기의 과정을 거치며 모니터링데이터와 예상모니터링데이터를 비교하여 반도체 증착공정 설비 및 장치, 장비의 이상을 점검하고, 증착공정에서 반응이 발생하는 챔버내부의 환경 변화에 따라 달라지는 모니터링데이터를 공정파라미터를 보정함으로써 최적의 모니터링데이터로 유지하는 효과를 발휘할 수 있다.
도 14은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
상술한 딥러닝에 기반한 학습모델인 제1모델, 제2모델, 제3모델 및 제4모델 및 이를 제어하는 제어부는 상기 도 14에 도시된 컴퓨팅장치(11000)의 구성요소들을 포함할 수 있다.
도 14에 도시된 바와 같이, 컴퓨팅장치(11000)는 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅장치(11000)는 딥러닝에 기반한 학습모델인 제1모델, 제2모델, 제3모델 및 제4모델 및 이를 제어하는 제어부에 해당될 수 있다.
메모리(11200)는 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그 밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅장치(11000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅장치(11000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅장치와 통신을 가능하게 할 수도 있다.
이러한 도 14의 실시예는, 컴퓨팅장치(11000)의 일례일 뿐이고, 컴퓨팅장치(11000)는 도 14에 도시된 일부 컴포넌트가 생략되거나, 도 14에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅장치는 도 14에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(11600)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 어플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 컴퓨팅장치(11000)에 설치될 수 있다. 일 예로, 파일 배포 시스템은 컴퓨팅장치(11000)의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅장치 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명의 일 실시예에 따르면, 머신러닝을 통해 예상모니터링데이터 및 예상측정값을 산출하고 이를 실제 값과 비교함으로써, 제품에 불량이 발생하기 전에 설비의 결함을 미리 인지하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 머신러닝을 통해 예상모니터링데이터 및 예상측정값을 산출하고 이를 실제 값과 비교함으로써, 제품에 불량이 발생하기 전에 설비의 결함을 미리 인지하여, 제품에 불량이 발생하기 전에 선제적으로 메인터넌스 시점을 결정 할 수 있다.
본 발명의 일 실시예에 따르면, 머신러닝을 통해 예상모니터링데이터 및 예상측정값을 산출하고 이를 실제 값과 비교함으로써, 설비 내에서 점검이 필요한 장치를 특정하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 머신러닝을 통해 예상모니터링데이터 및 예상측정값을 산출하고 이를 메인터넌스 시점을 정하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 측정종합값과 예상측정종합값을 비교한 제1차이를 도출하여 이를 통해 메인터넌스 시점을 정하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 측정값 각각과 복수의 예상측정값 각각을 따로 비교하여 제1오차를 도출하고, 제1오차가 기설정된 값보다 큰 경우, 해당 측정값과 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 본 발명의 일 실시예에 따르면, 복수의 측정값 각각과 복수의 예상측정값 각각을 따로 비교하여 제1오차를 도출하고, 제1오차가 기설정된 값보다 큰 경우, 해당 측정값과 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스함으로써, 메인터넌스에 소요되는 인력, 시간, 예산 등의 리소스를 최소화하여 공정의 효율을 상승시키는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 실시간 데이터인 모니터링데이터를 분석하고, 모니터링오차를 도출하여 설비의 이상여부를 판단하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 모니터링데이터와 복수의 예상모니터링데이터 각각을 비교하여 제2오차를 도출하고, 제2오차가 기설정된 값보다 큰 경우, 해당 모니터링데이터와 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 모니터링데이터와 복수의 예상모니터링데이터 각각을 비교하여 제2오차를 도출하고, 제2오차가 기설정된 값보다 큰 경우, 해당 모니터링데이터와 관련된 장비를 도출하여 해당 장비만 선택적으로 메인터넌스함으로써 , 메인터넌스에 소요되는 인력, 시간, 예산 등의 리소스를 최소화하여 공정의 효율을 상승시키는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 공정횟수가 반복될수록 설비의 환경이 초기와 달라지며 모니터링데이터가 변경되는데, 이때 변경되는 모니터링데이터를 분석하여 이를 예상모니터링데이터와 비교하여 제3오차를 도출하고, 제3오차를 바탕으로 공정파라미터를 보정한 보정공정파라미터를 공정에 입력함으로써, 설비가 변화되더라도 항상 최적의 공정 환경을 유지하는 효과를 발휘할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
S100: 공정파라미터수신단계
S200: 모니터링데이터수신단계
S300: 측정값수신단계
S400: 예상모니터링데이터도출단계
S410: 모니터링오차도출단계
S411: 모니터링종합데이터도출단계
S412: 예상모니터링종합데이터도출단계
S413: 제3차이도출단계
S414: 모니터링보정치설정단계
S415: 모니터링종합보정데이터도출단계
S416: 예상모니터링종합보정데이터도출단계
S417: 제4차이도출단계
S420: 설비이상점검단계
S421: 제2오차도출단계
S500: 예상측정값도출단계
S600: 메인터넌스결정단계
S610: 측정종합값도출단계
S620: 예상측정종합값도출단계
S630: 제1차이도출단계
S640: 측정보정치설정단계
S650: 측정종합보정값도출단계
S660: 예상측정종합보정값도출단계
S670: 제2차이도출단계
S680: 제1오차도출단계
S200: 모니터링데이터수신단계
S300: 측정값수신단계
S400: 예상모니터링데이터도출단계
S410: 모니터링오차도출단계
S411: 모니터링종합데이터도출단계
S412: 예상모니터링종합데이터도출단계
S413: 제3차이도출단계
S414: 모니터링보정치설정단계
S415: 모니터링종합보정데이터도출단계
S416: 예상모니터링종합보정데이터도출단계
S417: 제4차이도출단계
S420: 설비이상점검단계
S421: 제2오차도출단계
S500: 예상측정값도출단계
S600: 메인터넌스결정단계
S610: 측정종합값도출단계
S620: 예상측정종합값도출단계
S630: 제1차이도출단계
S640: 측정보정치설정단계
S650: 측정종합보정값도출단계
S660: 예상측정종합보정값도출단계
S670: 제2차이도출단계
S680: 제1오차도출단계
Claims (9)
1 이상의 프로세서 및 1 이상의 메모리를 포함하는 컴퓨팅 시스템에서 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법으로서,
증착공정과 관련된 복수의 공정파라미터를 수신하는 공정파라미터수신단계;
증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 모니터링데이터수신단계;
반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 측정값수신단계;
상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 예상모니터링데이터도출단계;
상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 예상측정값도출단계; 및
상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 메인터넌스결정단계;를 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
증착공정과 관련된 복수의 공정파라미터를 수신하는 공정파라미터수신단계;
증착공정이 진행되는 과정에서 복수의 센서에 의해 수집되는 복수의 모니터링데이터를 수신하는 모니터링데이터수신단계;
반도체 증착공정이 완료된 후 결과물에 대한 물리적 측정값인 복수의 측정값을 수신하는 측정값수신단계;
상기 복수의 공정파라미터를 딥러닝 기반의 제1모델에 입력하여, 설비의 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 모니터링데이터인 복수의 예상모니터링데이터를 도출하는 예상모니터링데이터도출단계;
상기 복수의 모니터링데이터를 딥러닝 기반의 제2모델에 입력하여, 문제가 발생하지 않은 공정이 진행되는 경우에 예상되는 가상의 측정값인 복수의 예상측정값을 도출하는 예상측정값도출단계; 및
상기 복수의 예상측정값과 상기 복수의 측정값의 차이가 기설정된 기준 이상인 경우, 해당 증착설비의 메인터넌스가 필요함을 결정하는 메인터넌스결정단계;를 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 1에 있어서,
상기 메인터넌스결정단계는,
상기 복수의 측정값 각각을 합산하여 측정종합값을 도출하는 측정종합값도출단계;
상기 복수의 예상측정값 각각을 합산하여 예상측정종합값을 도출하는 예상측정종합값도출단계; 및
상기 측정종합값과 상기 예상측정종합값의 차이인 제1차이를 도출하고, 상기 제1차이가 기설정된 값보다 큰 경우, 상기 설비를 메인터넌스해야한다고 판단하는, 제1차이도출단계;를 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 메인터넌스결정단계는,
상기 복수의 측정값 각각을 합산하여 측정종합값을 도출하는 측정종합값도출단계;
상기 복수의 예상측정값 각각을 합산하여 예상측정종합값을 도출하는 예상측정종합값도출단계; 및
상기 측정종합값과 상기 예상측정종합값의 차이인 제1차이를 도출하고, 상기 제1차이가 기설정된 값보다 큰 경우, 상기 설비를 메인터넌스해야한다고 판단하는, 제1차이도출단계;를 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 1에 있어서,
상기 메인터넌스결정단계는,
상기 복수의 측정값 각각에 측정보정치를 설정하는 측정보정치설정단계;
상기 복수의 측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 측정종합보정값을 도출하는 측정종합보정값도출단계;
상기 복수의 예상측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 예상측정종합보정값;을 산출하는 예상측정종합보정값도출단계; 및
상기 측정종합보정값과 상기 예상측정종합보정값의 차이인 제2차이를 계산하고, 상기 제2차이가 기설정된 값보다 큰 경우, 반도체 증착공정 설비를 메인터넌스해야한다고 판단하는, 제2차이도출단계;를 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 메인터넌스결정단계는,
상기 복수의 측정값 각각에 측정보정치를 설정하는 측정보정치설정단계;
상기 복수의 측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 측정종합보정값을 도출하는 측정종합보정값도출단계;
상기 복수의 예상측정값 각각에 상기 복수의 측정보정치를 연산 후, 합산하여 예상측정종합보정값;을 산출하는 예상측정종합보정값도출단계; 및
상기 측정종합보정값과 상기 예상측정종합보정값의 차이인 제2차이를 계산하고, 상기 제2차이가 기설정된 값보다 큰 경우, 반도체 증착공정 설비를 메인터넌스해야한다고 판단하는, 제2차이도출단계;를 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 1에 있어서,
상기 메인터넌스결정단계는,
상기 복수의 측정값 각각과 서로 상응하는 상기 복수의 예상측정값 각각을 비교하여 그 차이인 복수의 제1오차를 도출하고, 특정 제1오차가 기설정된 값 보다 큰 경우, 설비 내에서 해당 제1오차가 발생한 모니터링데이터와 연동된 반도체 증착공정 설비내의 장비를 도출하는 제1오차도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 메인터넌스결정단계는,
상기 복수의 측정값 각각과 서로 상응하는 상기 복수의 예상측정값 각각을 비교하여 그 차이인 복수의 제1오차를 도출하고, 특정 제1오차가 기설정된 값 보다 큰 경우, 설비 내에서 해당 제1오차가 발생한 모니터링데이터와 연동된 반도체 증착공정 설비내의 장비를 도출하는 제1오차도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 1에 있어서,
상기 결정방법은,
상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 모니터링오차도출단계;
상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 설비이상점검단계;를 포함하고,
상기 예상모니터링데이터도출단계는,
상기 모니터링오차도출단계 및 설비이상점검단계를 포함하고, 상기 설비이상점검단계 이후 상기 예상측정값도출단계가 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 결정방법은,
상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터를 딥러닝 기반의 제3모델에 입력하여 상기 복수의 예상모니터링데이터와 상기 복수의 모니터링데이터의 차이인 모니터링오차를 도출하는 모니터링오차도출단계;
상기 모니터링오차가 기설정된 기준 이상인 경우, 반도체 증착공정 설비의 이상발생 여부를 판단하는 설비이상점검단계;를 포함하고,
상기 예상모니터링데이터도출단계는,
상기 모니터링오차도출단계 및 설비이상점검단계를 포함하고, 상기 설비이상점검단계 이후 상기 예상측정값도출단계가 수행되는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 5에 있어서,
상기 모니터링오차도출단계는,
복수의 모니터링데이터 각각을 합산하여 모니터링종합데이터를 도출하는 모니터링종합데이터도출단계;
복수의 예상모니터링데이터 각각을 합산하여 예상모니터링종합데이터를 도출하는 예상모니터링종합데이터도출단계;
상기 모니터링종합데이터와 상기 예상모니터링종합데이터의 차이인 제3차이를 도출하는 제3차이도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 모니터링오차도출단계는,
복수의 모니터링데이터 각각을 합산하여 모니터링종합데이터를 도출하는 모니터링종합데이터도출단계;
복수의 예상모니터링데이터 각각을 합산하여 예상모니터링종합데이터를 도출하는 예상모니터링종합데이터도출단계;
상기 모니터링종합데이터와 상기 예상모니터링종합데이터의 차이인 제3차이를 도출하는 제3차이도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 5에 있어서,
상기 설비이상점검단계는,
상기 복수의 모니터링데이터 각각에 복수의 모니터링보정치를 설정하는 모니터링보정치설정단계;
상기 복수의 모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 모니터링종합보정데이터;를 도출하는 모니터링종합보정데이터도출단계;
상기 복수의 예상모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 예상모니터링종합보정데이터를 도출하는 예상모니터링종합보정데이터도출단계; 및
상기 모니터링종합보정데이터와 상기 예상모니터링종합보정데이터의 차이인 제4차이를 도출하는 제4차이도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 설비이상점검단계는,
상기 복수의 모니터링데이터 각각에 복수의 모니터링보정치를 설정하는 모니터링보정치설정단계;
상기 복수의 모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 모니터링종합보정데이터;를 도출하는 모니터링종합보정데이터도출단계;
상기 복수의 예상모니터링데이터 각각에 상기 복수의 모니터링보정치를 연산 후, 예상모니터링종합보정데이터를 도출하는 예상모니터링종합보정데이터도출단계; 및
상기 모니터링종합보정데이터와 상기 예상모니터링종합보정데이터의 차이인 제4차이를 도출하는 제4차이도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 5에 있어서,
상기 설비이상점검단계는,
복수의 모니터링데이터 각각과 서로 상응하는 복수의 예상모니터링데이터 각각을 비교하여 그 차이인 복수의 제2오차를 구하고, 특정 제2오차가 기설정된 값 보다 큰 경우, 반도체 증착공정 설비 내에서 해당 제2오차가 발생한 모니터링데이터와 연동된 장비를 도출하는, 제2오차도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 설비이상점검단계는,
복수의 모니터링데이터 각각과 서로 상응하는 복수의 예상모니터링데이터 각각을 비교하여 그 차이인 복수의 제2오차를 구하고, 특정 제2오차가 기설정된 값 보다 큰 경우, 반도체 증착공정 설비 내에서 해당 제2오차가 발생한 모니터링데이터와 연동된 장비를 도출하는, 제2오차도출단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
청구항 5에 있어서,
상기 결정방법은,
복수의 모니터링오차 중 기설정된 범위를 초과하는 특정 모니터링오차인 제3오차를 선정하는, 제3오차판별단계;
상기 제3오차가 발견된 특정 모니터링데이터를 상기 제3오차에 상응하도록 보정하여 보정모니터링데이터를 도출하는 보정모니터링데이터도출단계;
상기 보정모니터링데이터를 도출할 수 있는 공정파라미터인 보정공정파라미터를 도출하는 보정공정파라미터도출단계;
상기 증착공정의 상기 공정파라미터를 상기 보정공정파라미터로 입력하는 보정파라미터입력단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
상기 결정방법은,
복수의 모니터링오차 중 기설정된 범위를 초과하는 특정 모니터링오차인 제3오차를 선정하는, 제3오차판별단계;
상기 제3오차가 발견된 특정 모니터링데이터를 상기 제3오차에 상응하도록 보정하여 보정모니터링데이터를 도출하는 보정모니터링데이터도출단계;
상기 보정모니터링데이터를 도출할 수 있는 공정파라미터인 보정공정파라미터를 도출하는 보정공정파라미터도출단계;
상기 증착공정의 상기 공정파라미터를 상기 보정공정파라미터로 입력하는 보정파라미터입력단계;를 더 포함하는, 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230167934A KR102700155B1 (ko) | 2023-11-28 | 2023-11-28 | 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230167934A KR102700155B1 (ko) | 2023-11-28 | 2023-11-28 | 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102700155B1 true KR102700155B1 (ko) | 2024-08-29 |
Family
ID=92586379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230167934A KR102700155B1 (ko) | 2023-11-28 | 2023-11-28 | 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102700155B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110073527A (ko) * | 2008-09-19 | 2011-06-29 | 어플라이드 머티어리얼스, 인코포레이티드 | 자체진단형 반도체 장비 |
| JP2013166970A (ja) * | 2012-02-14 | 2013-08-29 | Panasonic Corp | スパッタリング装置のメンテナンス時期決定方法、メンテナンス方法、スパッタリング装置 |
| KR20190068836A (ko) | 2017-12-11 | 2019-06-19 | 주식회사 이엘 | 반도체 공정 챔버 및 가스라인의 가스분석을 위한 tof ms 가스질량분석 모니터링 시스템 |
| KR20230104540A (ko) * | 2020-11-12 | 2023-07-10 | 램 리써치 코포레이션 | 반도체 제작 장비를 위한 예측 유지 보수 |
-
2023
- 2023-11-28 KR KR1020230167934A patent/KR102700155B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110073527A (ko) * | 2008-09-19 | 2011-06-29 | 어플라이드 머티어리얼스, 인코포레이티드 | 자체진단형 반도체 장비 |
| JP2013166970A (ja) * | 2012-02-14 | 2013-08-29 | Panasonic Corp | スパッタリング装置のメンテナンス時期決定方法、メンテナンス方法、スパッタリング装置 |
| KR20190068836A (ko) | 2017-12-11 | 2019-06-19 | 주식회사 이엘 | 반도체 공정 챔버 및 가스라인의 가스분석을 위한 tof ms 가스질량분석 모니터링 시스템 |
| KR20230104540A (ko) * | 2020-11-12 | 2023-07-10 | 램 리써치 코포레이션 | 반도체 제작 장비를 위한 예측 유지 보수 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10409231B2 (en) | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology | |
| KR101018545B1 (ko) | 적응형 다변수 결함 검출 | |
| US8073667B2 (en) | System and method for using first-principles simulation to control a semiconductor manufacturing process | |
| US8050900B2 (en) | System and method for using first-principles simulation to provide virtual sensors that facilitate a semiconductor manufacturing process | |
| US8296687B2 (en) | System and method for using first-principles simulation to analyze a process performed by a semiconductor processing tool | |
| KR101019459B1 (ko) | 결함 진단을 위한 분류된 결함 시그니처들 | |
| US20050087298A1 (en) | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor | |
| US6778873B1 (en) | Identifying a cause of a fault based on a process controller output | |
| US20050071035A1 (en) | System and method for using first-principles simulation to control a semiconductor manufacturing process | |
| US20050071034A1 (en) | System and method for using first-principles simulation to facilitate a semiconductor manufacturing process | |
| US8892237B2 (en) | Systems and methods for fabricating semiconductor device structures using different metrology tools | |
| US20240310819A1 (en) | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing | |
| US11749543B2 (en) | Chamber matching and calibration | |
| US20090282296A1 (en) | Multivariate fault detection improvement for electronic device manufacturing | |
| TWI836282B (zh) | 用以偵測和校正實時產品基板的強化處理和硬體架構 | |
| KR102700155B1 (ko) | 반도체 증착공정 설비의 자동적 메인터넌스시점 결정방법 | |
| JP2006148070A (ja) | センサデータの補正方法及びインターロックシステムのインターロック評価方法 | |
| US20230222394A1 (en) | Predictive modeling for chamber condition monitoring | |
| CN118020083A (zh) | 使用缺陷模型估计缺陷风险并优化处理配方 | |
| KR100446926B1 (ko) | 반도체제조장치의 감시 및 제어방법과 그 실시장치 | |
| TW531823B (en) | Multi-variable monitoring method for semiconductor processing | |
| Subramany et al. | CPE run-to-run overlay control for high volume manufacturing | |
| TW202424831A (zh) | 在使用機器學習的製造系統處的裝備參數管理 | |
| TW202409764A (zh) | 用於基板處理設備的多維感測器資料的整體分析 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |