KR20010022606A - 결정 성장 장치 및 프로세스 - Google Patents

Abstract

본 발명은 결정 성장용 장치와 프로세스에 관한 것으로, 상기 장치에서 PID 제어기용 제어신호가 신경 회로망에서 온 신호 위에 중첩된다. 여기서 외부 형태와 내부 특성이 매우 높은 품질의 단결정 및 다결정이 얻어진다.

Description

결정 성장 장치 및 프로세스 {DEVICE AND METHOD FOR GROWING CRYSTALS}

반도체, 광전자 공학, 마이크로파 및 기타 기술에 있어서, 다결정 또는 비정질 물질은 자주 상기 제품 제조에 필요한 조건을 만족시키지 못한다. 따라서 그와 같은 경우에는 높은 비용이 드는 단결정 물질을 사용해야함을 의미한다. 사실상 단결정 물질은 자연계에 존재하지 않으므로, 인공적으로 제조되어야만 한다.

단결정 제조법으로는 초크랄스키(Czochralski) 법, 키로플러스(Kyropoulos) 법, 수직 브리지먼(Bridgman) 법 또는 수직 변환 대역(changing zone)의 부유대역법이 알려져 있다.

초크랄스키법에서 제조에 매우 중요한 점은 원료, 예를 들면 실리콘, 게르마늄 또는 갈륨 비소를 빈 챔버나 불활성 가스로 채워진 챔버 내에 배치된 도가니 안에 넣는 것이다. 원료가 용해된 후, 시드 요소(seed element)를 용액에 담근다. 이어서 시드 요소를 회전시키면서 인상한다. 바라는 단결정이 상기 시드 요소에서 성장한다.

나머지 프로세스들은 실험실 작업으로 제한된다. 초크랄스키법과 유사하게 키로플러스법에서는 먼저 원료를 도가니에 넣고 용해시킨다. 시드 결정은 결정화 열을 제거하기 위해 물로 냉각된 막대에 매달려서 용액 안으로 도입된다. 그 후 용액의 온도가 내려가서 시드 결정에서 용액쪽으로 단결정이 성장한다.

브리지먼법에서, 하단이 원뿔형으로 좁아들고, 그 끝에 시드 결정을 포함하고 있는 도가니에 원료 물질을 용해시킨다. 이 영역을 온도 기울기에 노출시킴으로써, 단결정이 시드 결정에서 상부 용액 방향으로 성장해간다.

수직 대역 변경법에서 단결정은 도가니 없이 성장할 수 있다. 여기에 각각 홀더를 가진 두개의 인상 막대가 제공된다. 시드 결정은 하부 홀더에 연결되고, 다결정 봉은 상부 홀더에 연결된다. 이어서 다결정 봉의 하단은 고주파 유도 코일에 의해 융점까지 가열된다. 이 시점에서 시드 결정이 하부에서 용융부분으로 서서히 도입된다. 이제 상부 인상 막대 및 시드 결정은 유도 코일 내의 용융 대역을 가로질러 서로 연결되고, 서로 반대 방향으로 회전하면서 아래 방향으로 이동할 수 있다.

이들 모든 단결정 제조 프로세스와 함께 각각의 개별 프로세스의 수행은 자동 제어된다. 여기서 제어되는 것은 결정목 길이, 결정 어깨 형태, 가능하다면 결정 방향, 산소 함유량, 저항 기울기 및 도핑 같은 고체 내부 파라미터는 물론 결정 직경, 같은 기하학적 파라미터들이다. 따라서 이들 파라미터들은 제어되는 파라미터들이다. 상기 파라미터들은 도가니를 둘러싼 하우징내의 온도, 가스 흐름 및 가스 압력에 의해서 영향을 받는것은 물론, 결정이 매달리는 받침대의 회전 속도나 내부에서 용액을 처리하는 도가니의 회전속도에 의해서도 영향받을 수 있다. 따라서 상기 물리적 파라미터들은 자동제어시스템의 변동 파라미터를 나타낸다.

무결점 결정의 생산을 위해서 용융조(melt bath)로 부터의 또는 그 내부의 결정 성장이 특정한 온도 분포를 가지는 것이 중요하다. 그와 같은 온도 분포는 예를 들면 열카메라(DE 39 19 920 A1 참조)로 기록될 수 있다. 그 후 특별 제어 장치로 결정 형성에 필요한 특정 온도 기울기를 생성하는 것이 가능하다.

폐회로 자동 제어 시스템에서 소위 피드백이 사용되는데, 즉 앰프의 출력신호가 동일 앰프의 입력으로 다시 공급된다. 상기 피드백이 비례적이면, 비례 동작 제어기라고 부르고, 상기 피드백이 차동식이면 적분 동작 제어기라고 부른다. P 및 I 피드백의 조합은 "융통성있는 피드백(elastic feedback)"으로 부른다. 따라서 해당하는 제어기는 PI 제어기로 부른다. 유사하게 PD 제어기는 지연 제어기로 부른다. 그러나 결정 성장 프로세스에서는 융통성있는 피드백과 지연 피드백을 가진 PID 제어기가 가장 자주 사용된다. 제어기가 단지 안정되게 동작해야한다면, PI 제어기로 충분하다. 상기 PI 제어기는 파라미터의 정확한 설정으로 매우 좋은 정지 정밀도를 공급하고, 적당한 속도로 좋은 안정도를 제공한다. 그러나 PI 제어기는 고속 제어가 요구되는 데서 좋은 안정성을 제공하기에 더이상 충분하지 않다. 그 경우에 PID 제어기가 사용된다.

PID 제어기는 등축 결정을 얻기위해 온도 프로파일의 신속하고 정밀한 제어가 가능하게 만든다. 여기서 결정의 품질이 얼마나 많이 변하든지 그것은 PID 제어기에 영향을 미치지 않는다. 이것은 PID 제어기에 의하여 생산된 단결정이 균형잡힌 외부 몸체를 갖지만, 그 내부값들, 예를 들면, 산소 함량 및 오옴 저항 등은 불규칙하게 분포될 수 있음을 의미한다.

복합 시스템의 경우에 있어서, 단결정 또는 다결정 생산 프로세스 중에 소위 퍼지 제어기가 또한 사용될 수 있다. 그와 같은 제어기에는 퍼지 기술이 채용된다. (K. Goser,Fuzzy-Technik: Unscharfe Regler fur komplexe Systeme, Phys. B1. 50, 1994, No. 11, pp. 1064 to 1067; Preuß: "Fuzzy-Control-heuristische Regelung mittels unscharfer Logik", atp-Automatisierungs-technische Praxis, 4/92, pp. 176 to 184 and 5/92, pp. 239 to 244 참조)

확률이론을 사용하여 다룰 수 있는 무작위 비크리습(noncrispness)과 반대로, 퍼지 이론의 쟁점은 빠른, 큰, 작은 등과 같이 특성 묘사에 있어서 언어상의 모호함에 있다.

"퍼지 논리"라는 용어는 퍼지 집합 이론 및 퍼지 논리의 집합적인 용어로 사용된다. 전형적인 제어 프로세스에서, 압력 ＞ 3 bar 이면, 모호한 규칙이 적용되는 퍼지 논리"에서 냉각 필요가 온(on)되고, 온도가 높아지면 냉각이 강해진다. 따라서 퍼지 논리에 따르면, 전제는 값을 "0" 또는 "1"로 가정하지 않고, "0" 과 "1" 사이의 더 가까운 값을 취한다.

퍼지 논리에 기초한 지능형 제어기는 단순 구조 및 단순 설계 등의 여러가지 이점이 있다. 퍼지 제어기들이 부정확하게 측정된 입력 특성값에 영향받지 않는다는 사실은 단순한 측정 감지 분석으로 얻은 입력 특성값으로 동작을 가능하게 만든다.

퍼지 기술은 또한 용액에서 단결정을 인상하는 것과 관련하여서도 알려져 있다(DE 43 01 072 A1 = US 5 485 802). 여기서 측정 센서 또는 측정 도구의 도움으로 결정되는 결정 인상 프로세스 파라미터들, 예를 들면 용융조의 레벨 및 용액 온도와 같은 것들이, 고려할 파라미터를 경험적으로 결정해주는 제어 구조에 따라서 실행되고, 컨베이어용 설정 신호를 출력하는 퍼지 프로세서를 내부에 가진 제어기에 입력 신호로 계속 공급된다. 여기서 사용되는 경험적으로 결정되는 데이터 필드는 제1그룹에서 나온 적어도 두개의 파라미터 및 제2그룹에서 나온 적어도 하나의 파라미터를 포함하고, 상기 제1그룹은 용액 온도, 용액 레벨 및 결정 직경을 포함하고, 제2그룹은 재료 공급률, 인상속도, 및 가열 용량을 포함한다. 상기 제1그룹에서 나온 두 파라미터는 연속해서 측정되고, 상기 제2그룹에서 나온 상기 적어도 하나의 파라미터는 퍼지 프로세서에 의해 제어되므로 상기 제1그룹에서 측정된 적어도 두개의 파라미터 및 상기 제2그룹에서 측정된 상기 적어도 하나의 파라미터 모두 경험적으로 결정되는 데이터 필드에 상응한다.

퍼지 논리가 많은 장점을 수반하지만, 또한 몇가지 단점도 있다. 제어 시스템의 복잡성이 증가하면 시스템 동작을 정밀하게 묘사하기 위한 멤버 함수와 소위 "전문가" 규칙이라는 전문가들의 경험에 근거하여 세워진 규칙들의 정확한 집합(correct set)을 결정하기가 급속히 매우 어려워진다. 더 나아가, 전문가라 하더라도 언제나 자신의 지식을 명쾌하게 묘사할 위치에 있지는 않다.

복잡성이 더 증가하면 소정의 최적 목표에 관한 언어변수 및 기지의 규칙 집합을 개선하기가 매우 어렵고 시간도 많이 걸린다. 퍼지 규칙과 조합 함수를 결정하는 시행착오법이 심지어 완전히 실패할 경우도 간혹있다.

더욱이, 특히 피드포워드(feed forward) 시스템에는 순환하는 정보가 없다. 달리 설명하면, 종래의 퍼지 논리 규칙은 보다 앞의 결과나 결정에 대한 어떠한 정보도 계속 보유하지 않는다. 따라서 시스템의 동작을 설명하는 능력에 한계가있다.

그러므로 학습가능 구성의 도움으로 이문제를 해결하고자 하는 노력이 계속되어왔다. 그와 같은 학습가능 구성은 인공 신경 회로망(artificial neural network; ANN)이다. 특히 찾은량(sought-for quantity)과 가능량(available quantity) 사이에 가능한 알고리즘이 없거나, 결정에 막대한 비용이들 경우 상기 인공 신경 회로망이 사용된다. 그와 같은 경우에 한 벡터(예를 들면 압력 및 온도)를 다른 벡터(예를 들면 특정 기판의 농도)에 연결하는 일반 알고리즘이 필요하다.

신경 회로망 알고리즘으로 특정량들 사이의 상호 관계가 학습될 수 있다.

신경 회로망은 인간의 뇌에서 발견되는 신경 세포의 기계적인 모델링과 그것들의 연결을 말한다. 회로망들 중에서 신경회로망은 적응(adaptation)과 연상(association)의 두 특성으로 특징지어진다. 적응은 지식을 학습하고 저장하는 능력으로 이루어진다. 연상은 회로망이 정보를 저장된 지식과 비교하여 기지의 사실을 다지 인식하도록할 수 있다. 신경회로망은 그 노드를 뉴런이라고 하고, 회로망의 뉴런의 연결은 하중치(weights)라고도하는 역치를 운반한다.

뉴런은 휴식 상태(resting state) 및 여기 상태(excitation state)로 불리는 두가지 상태를 가질 수 있는것으로 여겨진다. 뉴런은 부가적으로 여러개의 입력을 포함할 수 있으나, 정확하게 하나의 출력만 내보낸다. 뉴런의 출력은 다른 뉴런의 입력 또는 외부 환경에 연결된다. 입력들의 충분한 수가 뉴런의 특정 역치 이상으로 여기되면 뉴런은 여기 상태로 변한다. 알려진 신경회로망은 3층 구조로된 피드포워드 회로망이다. 입력 정보는 뉴런의 입력층에서 숨은층으로 연결되고, 거기서 다시 출력층으로 연결된다. 연결의 하중치(weights)는 뉴런의 입력들에 각각 배치될 수 있다.

반도체 웨이퍼의 제조를 위한 CVD 프로세스 제어용 신경회로망은 이미 알려져있다(US 5 649 063). 상기 신경회로망은 신호 프로세서와 함께 작용하여 프로세스 요동을 감소시키는 피드백 제어가 실현된다.

신경회로망의 구현은 퍼지 논리의 구현보다 훨씬 많은 비용이 들기 때문에 신경회로망이 언제나 지능형 제어기를 사용하는 가장 효율적인 방법은 아니다. 예를 들면, 퍼지 논리는 특정 응용 및 퍼지 논리를 사용하기 위해 사용될 수 있는 종래의 제어기(적합한 프로그래밍과 함께)에 더 효과적이다. 프로그래밍에 의해 종래 제어기에 삽입된 신경회로망의 구현 또한 가능하기는 하지만, 매우 느리다. 더욱이, 퍼지 논리에 사용되는 하드웨어는 신경회로망의 경우보다 더 쉽다.

따라서 퍼지 논리를 신경회로망과 결합하려는 노력이 있다(B. Kosko: Neural Networks and Fuzzy Systems, Prentice-Hall, 1992; Mahyon et al.: Neural Network and Fuzzy Models for Real Time Control of a CVD Epitacral[sic: Epitaxial] Reactor, Proc. SPIE-Int. Soc. Opt. Eng., 1992). 퍼지의 관점에서 회로망의 하중치(weights)는 퍼지 제어기의 규칙 내에 있는 언어 용어들의 퍼지 집합으로 선택된다. 따라서 신경 퍼지 제어기는 신경회로망 상의 퍼지 제어기로 실현되며, 회로망 동작 함수는 퍼지 추론 모델에의해 결정된다.

퍼지 논리 시스템은 반복 신경 회로망 상에 놓인것이 이미 알려져있다(US 5 606 646). 상기 시스템은 규칙 기반층에 뉴런을 포함하고, 각 뉴런은 시간 지연 요소 및 신경 하중치를 포함하는 입출력 피드백 가지(branch)를 가진 반복 구조를 갖는다. 상기 시스템은 추가로 회로망 상에 기반을 둔 유한 상태를 갖는 신경 퍼지 논리 머신을 포함하고, 신경 회로망에 기반을 둔 퍼지 논리 시스템은 적어도 하나의 지연 요소를 포함하는 입출력 피드백 패스를 구비한 반복 구조를 포함한다. 추가로 입력 데이터를 수신하여 그 입력 데이터를 퍼지화 시켜 퍼지 논리 멤버 함수와 반복 퍼지 논리 규칙에 따르도록한 데이터를 제공하는 신경회로망에 기반을 둔 반복 퍼지 논리 규칙 생성기가 포함된다.

추가로 신경회로망을 사용하는 프로세스 최적화도 알려져있다(US 5 671 335). 상기 프로세스는 예를 들면 주입 몰딩 프로세스같은 여러입력을 갖는 복합 프로세스로 최적화되어 상기 프로세스에 학습된 신경회로망에 의해 타겟(target)을 출력한다. 시험 입력은 신경회로망으로 퍼져나가고, 회로망의 출력은 타겟 출력과 비교된다. 회로망에서 입력 에러값을 결정하기 위해서 차이값이 뒤돌아서 다시 상기 회로망에 전송된다. 상기 에러값은 시험 입력을 보정하기 위한 목적으로 사용된다. 보정 프로세스는 시험 입력이 소정의 정밀도 내의 타겟 출력을 생성할 때까지 반복된다.

본 발명은 특허 청구범위 제1항 및 제6항 내지 제16항의 전제부에 따른 결정 성장용 장치 및 프로세스에 관한 것이다.

도 1은 신경 퍼지 제어를 가진 크조랄스키법에 따른 단결정 인상용 장치의 기본 개념도.

도 2는 신경 퍼지 제어기와 PID 제어기 사이의 연결을 나타내는 기본 개념도.

도 3은 인공 신경 회로망.

도 4는 다중 입력에 단일 출력을 갖는 뉴런.

도 5는 퍼지 제어기.

도 6은 중첩된 신경 퍼지 제어를 구비한 PID 제어기 구성도.

본 발명은 특별한 제어기를 사용하여 단결정 및/또는 다결정의 품질을 개선하는 것을 목적으로하고있다.

상기 목적은 본 발명의 특허 청구범위 제1항, 제6항 내지 제16항의 특성에 따라서 해결된다.

본 발명으로 얻어지는 이점은 특히 프로세스 에러를 인지하고 즉시 보정하여 외부 형상 및 내부 특성에 대해 매우 높은 품질의 단결정 및 다결정을 얻는것이다. 덧붙여 본 발명은 쉽게 컴퓨터 집적 제조 프로세스에 집적될 수 있다.

더욱이 다단계 인공 신경 회로망을 통하여 결정 제조중의 조건 지도를 만들 수 있으므로, 제조 프로세스중 결정에 에러 부분이 있는지의 여부를 초기에 인지할 수 있다. 이어서 해당되는 파라미터의 보정이 퍼지 제어기를 통하여 적절한 시간 내에 행해진다. 추가로 오퍼레이터 학습은 콜드 모델(cold model) 상에서 수행될 수 있다.

더욱이, 추가로 석영 도가니의 거품 단면, 가열기 부분의 서비스 시간, 숙성의 정도, 결정핵 당 담그기 횟수, 차징(charge) 및 도핑 물질 등과 같은 보조 수단의 품질 데이터는 소프트 센서로 사용될 수 있다. 또한 예를 들면 해당되는 제어 회로의 시간 동작을 보정하기 위한 용융조 점도용 가상의 분석기를 형성할 수 있다. 안정화, 담그기(dip), 목, 어깨, 몸체, 단부 원뿔(end cone) 및 예를 들면 어깨에서 몸체로 변하는 과정에서 직경의 과다 증가 같은 후속 단계에서의 셧다운(shut-down)과 같이 순서 또는 서로 다른길이의 시간 조각들의 영향은 중첩된 퍼지 제어기 및 로버스트 필터(robustness filter)를 통한 모델 분석에따라 제어전략이 보정된다. 상응하는 프로세스 데이터가 주어지고, 예측은 온도, 직경, 인상속도 등과 같은 측정값으로 이루어진다. 예측은 예를 들면, 프로세스가 이 상태로 계속되면, 제품은 특정 품질값을 갖게될 것이다라고 말할 수 있는 것이다.

결과적으로 본 발명은 결정 성장용 장치 및 프로세스에 관한 것으로, PID 제어기용 제어 신호들이 신경회로망에서 나온 신호들과 중첩된다. 이것은 외부 형태 및 내부 특성에 대하여 단결정 및 다결정의 매우 높은 품질을 산출한다.

본 발명의 실시예는 도면으로 묘사되고 이하에서 더 상세히 묘사될 것이다.

도 1은 결정(2)을 인상하는 장치(1)를 묘사하는데, 결정의 밑면(3)은 용액(5)의 용융된 표면(4)에 연결되어 있다. 여기서 상기 결정(2)은 화살표(6) 방향으로 회전하거나 또는 (6a) 방향으로 상승 또는 하강한다. 상기 용액(5)은 전기 모터(9)에 연결된 샤프트(8)로 구동되는 도가니(7) 내부에 놓인다. 샤프트(8)와 모터(9)는 플랜지(flange; 10, 11)를 통하여 서로 연결되어 있다. 상기 도가니(7)는 상부(12), 중앙부(13), 하부(14)로 구성되는 하우징의 내부에 위치한다. 상기 도가니는 화살표(15) 방향으로 회전할 수 있고, (6b) 방향으로 상승하거나 하강할 수 있다. 상기 도가니(7)는 프로그램 가능 내장 제어(SPC; 17)에 의해 제어되는 전기 가열 장치(16) 근처에 놓인다.

상기 결정(2)의 회전은 봉 또는 로프(18)에 의해서 발생하는데, 예를 들면 전기 모터(19)에 의해 구동되는 나사봉이 있다. 상기 모터(19)는 또한 프로그램 가능 내장 제어(17)에 의해 제어된다.

수직축이 (22)로 표시되는 상기 봉(18)은 상기 하우징(12, 13, 14)의 상부(12)에 연결된 튜브(23)에 의해 둘러싸인다. 상기 튜브(23)는 플랜지(180)를 통하여 상부(12)에 연결되고, 가스 흡입구(24)를 포함한다. 하우징(12, 13, 14)의 바닥부(14)에 밸브(31, 32)에 의해 차단될 수 있는 가스 배출구(25, 26)가 제공된다. 상기 밸브는 흡입 펌프와 조합될 수 있어, 하우징(12, 13, 14) 내부의 가스가 단지 차단될뿐만 아니라 배출될 수도 있다.

화살표(6 및 6a)가 증거하듯이 상기 봉(18)은 전기 모터(19)에 의해 회전할 수 있을뿐만 아니라 또한 상승할 수도 있다. 상기 전기모터(19)는 다양한 동작 상태 정보를 제공하는 프로그램 가능 내장 제어(17)를 통하여 제어된다. 상기 다양한 동작 상태 정보는 여러가지 센서에 의해 공급되는데, 센서에는 예를 들면 용액(5)의 레벨을 검출하는 센서(43), 용액(5) 상부의 온도를 검출하는 센서(44), 가스 압력을 검출하는 센서(45) 및 결정(2)의 모양을 검출하는, 예를 들면 카메라 같은 센서(47)가 있다. 상기 센서들의 데이터는 프로그램 가능 내장 제어(17)로 공급되고, 그곳에서 라인(60 내지 64)을 통하여 신경 퍼지 논리(52)로 공급되고, 컴퓨터(50)에 있는 소프트웨어에 의해 파악된다. 센서(43 내지 47)는 도 1에 단지 개략적으로만 도시되었다. 추가로, 예를 들면 가스흐름 검출 또는 가열 코일(16)의 온도를 얻기 위한 센서를 제공할 수 있음은 물론이다.

프로그램 가능 내장 제어(17)로 가스 탱크(28)와 가스 흡입구(24) 사이에 배치되는 밸브(27)를 제어할 수 있다. 상기 밸브(27)로 튜브(23) 내부로 및 용기[원문대로는 하우징](12, 13, 14) 내부로의 가스 유입을 제어할 수 있다. 상기 펌프 또는 밸브(31, 32)의 제어는 또한 프로그램 가능 내장 제어(17)을 통해서도 이루어진다.

프로그램 가능 내장 제어(17)는 모니터(51)에 연결되고 가급적 PC인 컴퓨터(50)와 함께 작용한다. PC(50)와 프로그램 가능 내장 제어(17) 사이에서 데이터 라인(20)에 의해 표시되는 데이터 교환이 발생한다. 유사하게 신경 퍼지 논리(52)와 프로그램 가능 내장 제어(17) 사이에서 데이터 라인(60 내지 64), 또는 (65, 66)을 통하여 각각 데이터교환이 발생한다.

도 2는 여기서 중요한 제어 프로세스를 얼마간 자세히 도시하였다. 상기 도면에서 신경 퍼지 논리(52)는 신경 부분(53)과 퍼지 부분(54)을 포함하여 도시될 수 있고, 상기 두 부분(53, 54)은 컴퓨터(50)에 포함될 수 있다. 추가로 프로그램 가능 내장 제어(17)는 컴퓨터(50)에 의해 구동되는 PID 제어기(55)를 포함하여 도시될 수 있다. 상기 PID 제어기는 단순 스위칭으로 P 또는 D 또는 DI 또는 PD 또는 PID 제어기로 전환될 수 있다. 도 2에 따르는 구성의 상세한 묘사는 도 6에서 발견할 수 있다.

종래의 장치에서는 PID 제어기가 널리 사용된다. 상기 제어기들은 일반적으로 가장 널리 배포된 것이다. 이 사실은 많은 원인을 갖는다. 예를 들면 PID 제어기의 사용은 제어되는 시스템을 특정한 종류로 제한하지 않으며, 거의 모든 형태의 프로세스에 사용될 수 있다. 사실상 모든 전통적인 설계 프로세스들이 PID 제어기에 적합하다. PID 제어기들은 그것들의 견고성(robustness)에 의해 구분된다. PID 제어기의 구조는 P, I, 및 D 소자의 병렬 회로로써 표현될 수 있다. 상기 P 소자는 일반적으로 최적 제어 행동을 보증하고, 상기 I 소자는 정지 정밀도를, 및 상기 D 소자는 신속 편향 제어를 보증한다. 현대식 하드웨어인 PID 제어기는 차동증폭기에 의해서 동작하며, 상기 차동증폭기는 피드백 범위 내에서 직렬 RC 회로를 포함하고 저항과 캐패시터를 포함하는 병렬 회로의 한쪽 입력에 연결된다.

상기 PID 알고리즘은 예를 들면 프로그램 가능 내장 제어 또는 디지털 컴퓨터용 소프트웨어의 관점에서 더 자주 실현되며, 증가되고 있다. 실현의 이러한 현상은 특히 그 적응성으로 인해 두드러진다.

도 3은 센서(43 내지 47)에서 라인(33 내지 37)을 통하여 프로그램 가능 내장 제어(17)까지 전송된 데이터가 라인(60 내지 64)을 지나 컴퓨터(50)의 신경 부분(53)까지 이동하는것을 도시한다. 상기 신경 부분(53)은 뉴런(72 내지 76)을 가진 회로망(70), 6개의 뉴런(78 내지 83)을 가진 제1숨은층, 5개의 뉴런(85 내지 89)을 가진 제2숨은층 및 두개의 뉴런(91, 92)을 가진 출력층(90)을 포함한다. 상기 뉴런(91, 92)은 출력 라인(65, 66)에 연결된다.

도 3은 소위 피드포워드(feed-forward) 회로망을 나타낸다. 신경 회로망은 정규화 구조이고, 따라서 0고 1, 또는 -1과 +1 사이의 프로세스값만을 가질 수 있다. 실수는 반드시 변환된다.

도 4에 도시된 바와 같이, 연결의 하중치(w1, w2, w3)는 뉴런의 입력(x1, x2, x3)에 배치될 수 있다. 뉴런의 입력 하중치 및 뉴런 자체의 역치에서, 상기 지식은 적응을 통해 저장된다. 저장된 정보에 대한 입력 정보의 조합은 뉴런에서 비교 알고리즘을 통하여 일어난다. 하중치와 함께 상기 비교 알고리즘은 회로망 함수를 정의한다. 예를 들어 w1=0 이면, 선행하는 뉴런과 후속 뉴런 사이에 연결이 없다. w1=0에서 뉴런은 따라오는 뉴런을 금지시키고, w＞0에서 상기 뉴런은 후속 뉴런을 활성화시킨다. 인공 뉴런에 의해서 학습 가능한 형태는 새로운 연결 개발, 존재하는 연결 삭제, 연결 힘 w의 변경, 뉴런의 역치 변경, 활성화 및 출력 함수의 변경, 새로운 뉴런의 삽입 및 뉴런의 삭제가 있다.

뉴런의 경사(鏡寫) 모델로 허브(Hebb)의 퍼셉트론이라고 부르는 것이있다. 센서와 같은 전단의 데이터 소스의 출력인 입력(x1, x2, x3)은 뉴런 내부에서 소위 하중치(w1, w2, w3)(예를 들면 2; 0.1; 0.5)로 불리는 것으로 곱해진다. 거기서 나온 결과인 중첩된 입력은 소위 전달 함수를 통하여 처리되고, 총출력(y)을 산출한다. 인공 뉴런은 수학적 방정식 시스템의 형태로 컴퓨터에서 시물레이션되므로, 입력을 출력으로 변화시키는 방정식으로 뉴런의 완전한 함수를 설명하는 것이 필요하다.

도 3에 도시된 바와 같이 여러개의 퍼셉트론이 하중치(w1, w2, w3)의 해당하는 설정과 회로망의 해당하는 복잡성으로 순차적으로 다음 단에 서로 연결되면, 이론적으로 어떠한 수학적 함수나 어떠한 형식의 상관관계도 표현될 수 있다. 전체 인공 신경 회로망은 수백개의 계수(하중치)를 가진 큰 함수로 표현될 수 있고, 특정 값의 범위 내에서 어떤 다른 함수로도 표현될 수 있다.

단지 개별 뉴런만 특정 합계값에서 활성화될 수 있는 지수 전달 함수는 특정 뉴런 클러스터들이 특정 역치에서 활성화되고 따라서 엄격하게 비선형 상관관계 또한 도 3에 따른 회로망을 통하여 그려질 수 있음을 확신한다.

신경 회로망(70)의 하중치는 한 학습방법에서 학습 즉 적응될 수 있다. 존재하는 많은 학습방법 중 가장 많이 알려진 것중의 하나는 역전파법(逆傳播法; back-propagation method)이다. 학습방법을 통하여, 다음층의 뉴런들 각각에 연결되는 연결에서 하중치들은 프로세스에 들어가는 입력 신호 및 프로세스에서 나오는 출력 신호에 상응하게 설정된다. 신경회로망이 정상적으로 학습되면, 그것은 결정인상 프로세스의 역모델 같이 기능한다. 프로세스 출력 계산기를 나타내는 입력 신호에 대한 반응으로, 인공 신경 회로망은 결정화 프로세스를 결정하는 여러가지 신호를 생성한다. 상기 신호들이 상기 프로세스에 입력되면, 그것들은 출력 신호의 바람직한 그룹에 더 근접한 출력 신호를 생성하게된다.

다층 역전파법의 경우에 있어서, 수학적인 알고리즘은 하중치 변경을 통해서 에러가 0에 가깝게한다.

각 뉴런은 먼저 자신의 앞에 놓여있는 뉴런들의 출력의 하중치 총합을 계산한다. 그 후, 각 뉴런은 출력값을 계산하고, 전달함수를 통하여 하중치 총합으로 변환시킨다. 상기 출력값은 이제 다음 뉴런이나 그렇지 않으면 출력으로 전달된다. 룸멜하드(Rummelhard)에 의해 개발된 역전파법과 별도로, 신경 회로망을 사용하는 다른 방법이 있는데, 예를 들면 1988년경에 티. 코호넨(T. Kohonen)에 의해 개발된 소위 코호넨 회로망이 있다. 여기서 모든 뉴런은 입력과 모든 다른 뉴런에 연결되고, 인접한 뉴런들은 상호 강화되고, 원격 뉴런은 서로 지연시키고, 각 입력 패턴은 활성화된 중심부와 관련이 있다. 델타 규칙, 다층 인공 신경 회로망 등 다른 것들을 1985년경에 데이비드 룸멜하드(David Rummelhard)에 의해 제안된 일반화된 역전파법에 비교하면, 이들 대안적인 방법들은 실행가능성이 낮다.

역전파 알고리즘에서, 먼저 학습 데이터 집합이 선택되어 신경 회로망이 학습된다. 일반적으로, 그와 같은 학습 데이터 집합은 상호 관련있는 입출력 벡터의 유한수(연속된 수)를 포함한다. 각 입력 벡터는 예를 들면 3개의 숫자(3개의 입력)로 구성되고, 각 출력 벡터는 각 경우당 한 숫자(1개의 출력)로 구성된다.

그 후 하나의 에러 역전파 알고리즘이 결정된다. 여기서 회로망의 마지막층의 모든 출력의 평균 에러가 계산된다. 이어서 개별 뉴런의 하중치가 설정되므로 어떤 의미에서 상기 에러는 반복적으로 효과가없다. 룸멜하드 이후로 인공 신경 회로망은 최적에 점진적으로 접근하는 반복형태이고, 하중치를 소정의 작은 값으로 변화시켜 에러를 최소화한다.

전술한 동작을 실행하는 계산 프로그램은 이미 여러 회사에 의해 알려지고 제공되는데, 예를 들면 캘리포니아 회사 Neuro DynamX(Dynamind) 또는 CSS(Brain-Maker)가 있다.

도 5에 하나의 출력 파라미터와 여러개의 입력 파라미터를 가진 퍼지 제어기(54)의 논리 구조가 도시되어 있다. 외부에서 보면 상기 제어기는 크리습(crisp)한, 즉 다루어지는 변수는 물론 입력도 크리습(crisp) 값이다. 오히려 퍼지성(fuzziness)은 상기 제어기의 내부 동작 내에 그 뿌리를 가지고 있다. 또한 처리된 변수는 물론 입력도 언어적 변수이고, 관련 함수 즉 개별 언어 용어의 퍼지 집합에 의해 특징지어진다. 퍼지화 유니트(100, 101, 102)를 통하여, 상기 크리습 입력 파라미터들이 라인(65, 66) 상에서 비(非)크리습(noncrisp) 파라미터로 전환된다. 주어진 제어값에 기초하여, 제2단계에서, 추론 머신(103)은 상기 퍼지화된 입력 파라미터로부터 비(非)크리습(noncrisp) 처리된 변수를 생성한다. 마지막으로 이것은 다시 역퍼지화 유니트(104)를 통하여 크리습 신호로 되돌아가도록 변환된다.

따라서 퍼지화에서 퍼지 제어기의 입력 파라미터는 언어 변수 및 언어 용어로 지정된다. 따라서 온도는 예를 들면 온도 변화에따라 언어 용어 "고온", "중온", "저온"으로 지정한다. 그러므로 900 ℃는 0.26(26%)으로"중온" 집합에 속하고, 또한 동시에 0.68 만큼 "고온" 집합에 속할 수 있다. 지식의 이러한 불명확함은 언어의 불명확함과 일치한다.

"만일 온도가 높으면" 및 "만일 온도가 중간이면"이라는 전제와 함께 제공되는 두가지 규칙은 모두 이경우에 프로세스에서 동작하는데, 크기에따라 다르게 하중치가 계산된다.

상기 하중치 계산은 소위 추론이라는 정보 처리의 제2단계 중에 실행된다. 퍼지 제어기의 추론 머신은 언어 변수를 이용하고, 모든 언어 규칙과 모순되는 규칙들에서 유일한 상태를 고려한다. 예를 들어 만일 가능성 0.36인 규칙이 폐쇄되어야만 하는 값으로 결론에 이르고, 다른 제어기가 가능성 0.65의 가능성으로 단지 반만 폐쇄되어야할 필요가 있는 값으로 끝나면, 퍼지 머신에서 추론 머신은 여러가지 가능한 방법을 조합한후 타협값을 형성하고, 그 값을 예를 들면 전체 개방의 60% 값으로 닺는다.

언어 문장을 다시 물리적(처리된) 변수로 변환하기 위해서 그리고 상기 규칙들의 모순된 결론에서 단일 결론을 이끌어내기 위해서 퍼지 제어기(54)의 마지막 정보처리 단계에서 역퍼지화(defuzzification)가 적용된다. 이것은 "활짝 열다", "조금 열다" 또는 "높은 관통흐름"과 같은 퍼지 문장을 다시 물리적인 파라미터로 변환하는 것이 가능하며, 이것으로 예를 들면 PID 제어기의 공칭값으로 인도하는 것이 가능하다.

도 6은 결정 인상 장치의 기본적인 신경 퍼지 제어를 다시 도시한 블록 회로도로 원리를 도시한다.

결정 인상법은 결정 회전, 도가니 회전, 결정 또는 도가니의 상승 또는 하강 속도, 가스 흐름, 가스 챔버 압력, 가열 온도, 용융 온도, 결정 직경, 용융조 레벨 등과 같은 여러 변수가 고려되어야 하는 대표적인 다변수 문제이다. 인공 신경 회로망과 관련하여, 모델 지원 프로세스의 그와 같은 프로세스에 사용된다. 상기 프로세스는 본질적으로 2단계를 포함하는데, 첫째로 모델이 형성되고, 이어서 제어기가 설계된다. 모델 형성에서, 다시 2가지 유용한 가능성이 있는데, 자동 제어 기술 관찰자 모델의 형성 또는 반응 운동 모델의 개발이다. 그러나 제어 목적 운동 모델 형성은 상대적으로 비싸다. 왜냐하면 모든 알려진 물질 변화, 열전송, 확산 프로세스 및 균형 방정식은 미분 방정식의 형태로 획득되고, 정량화되고, 공식화되어야만하며, 그 후 상기 미분 방정식의 전체 지도는 그 동작의 관점에서 모델이 되는 방법으로 만들어져야한다. 상기 제어기술 모델의 창조에서, 대조적으로, 고려되는 방법은 "블랙 박스"로 간주되고, 요동에 대한 프로세스의 반응의 분석에서, 결론은 제어되는 시스템의 동적 동작을 고려하여 얻어진다. 상기 관찰된 반응은 다시 고위의 미분 방정식으로 공식화되고, 모델을 형성한다. 대부분의 모델이 폐수학적 방정식으로 구성되지않고 오히려 예를 들면 편미분 방정식을 포함하고 있으므로, 폐제어기 개발은 드물다.

초크랄스키법에 따른 결정 인상은 여러 단계를 포함한다. 최종 분석에서, 상기 프로세스 동작의 목표는 상기 프로세스를 돌려서 특정 품질의 파라미터를 제품의 품질을 보장하는 수준으로 유지하는 것이다. 이들 품질 파라미터들 중에는, 예를 들면 결정 방향, 결정의 산소 함유량, 전기 저항 기울기 및 도핑농도가 있다.

너무큰 결정 인상 중의 문제점으로 무반응시간(dead time) 또는 파라미터의 부정확한 획득이 고려될 수 있다.

순수 퍼지 제어기의 기반위에 경험적인 제어시스템으로 상기 문제들을 해결하려는 여러가지 시도가 있어왔다. 전통 제어기와 같이 순수한 퍼지 제어기의 문제점은 본질적으로 내부에 긴 무반응 시간을 통하여 상기 기술된 문제를 수반하는 것, 즉 장치 오퍼레이터와 같은 것을 포함한다.

모든 환경의 장치와 같은 곳의 퍼지 제어기를 정확하게 파라미터화 하기 위하여는, 매우 큰비용이 수반되고, 따라서 그러한 시스템은 최종 분석에서 정비와 구성비용이 너무 높아 부담이 된다.

그러므로 본 발명에 따라서 결정 인상 장치(1)의 모든 상관 데이터는 주기적으로 획득되어 데이터 베이스에 저장된다. 가열 대역(16)의 온도값은 별문제로 하고, 가스 흐름, 인상 속도 등이 또한 저장된다.

신경모델(202)의 도움과 상기 데이터로부터 신경 프로세스 모델이 생성되어 결정의 특성을 예측한다. 특정 파라미터를 상기 신경모델(202)에 입력함으로써, 인상되는 결정의 서로 다른 특성이 결정될 수 있다.

이러한 방법으로 완성된 상기 신경모델(202)은 예를 들면 프로세스 컴퓨터에서 수행되는데, 예를 들면 도 1의 컴퓨터(50)로 수행되고, 프로세스에 온라인으로 연결된다. 상기 신경모델(202)의 예측 기반 상에서, 겹쳐진 퍼지 제어기(201)는 연속적으로 결정의 기대되는 품질을 기재하고, 따라서 이미 대응 품질은 이것이 이미 측정되었더라도 돌파한다.

상기 퍼지 제어기(201)가 폭포형 프로세스 제어기의 공칭값(nominal value)에 변화를 기록하기 전에, 변화를 충분히 시험해 보는데, 예를 들면 상기 신경모델(202)사의 가열기(16)용 온도 제어기상에서 충분히 시험해본다.

말하자면, 상기 신경모델(202)은 프로세스를 따라서 돌고, 통계 모델 모니터링(200) 및 로버스트 필터(203)를 통하여 교정된다. 저역 필터인 상기 로버스트 필터(203)의 필터링은 필요한 정도로 느리지만 가능한한 빠르다. 상기 데이터의 신호와 노이즈 소자는 분리되어있다. 그러한 분리를 위해서 자동 교정 분석의 시스템 이론 프로세스가 사용되는데, 상기 프로세스는 연속적으로 기록되는 데이터의 상기 노이즈 소자 및 상기 신호 소자로 식별될 수 있다.

재료 및 분석 데이터(94)가 공급되는 통계적 모델 모니터링(200)에서, ANN은 학습 데이터 준비분에 속하지 않는 테스트 데이터로 검증된다. 퍼지 제어기(201)의 각 추천값은 따라서 첫번째로 신경모델(202)로 전송되고, 다시 퍼지제어기에 의해 하중치가 계산되고, 그 후 단지 로버스트 필터(203)를 통하여 프로세스에 쓰여진다. 결정 인상 장치(1)의 재료 및 분석 데이터가 상기 신경모델(202)에 공급되고, 소위 품질 데이터(QA (t+1); QB (t+1))가 제공된다.

프로그램 가능 내장 제어(17)에서 실현되는 종래의 PID 제어기들이(204 내지 206) 남아있다. 그것들은 단지 로버스트 필터(203)에서 나온 신호들에 의해 교정된다. 다변수 문제에 대해, 단지 제어기(204 내지 206)만 사용되면, 최적 제어가 나올 수 없다. 상기 개별 제어기(204 내지 206)는 장치 오퍼레이터에 의해 수동으로 교정되어야만 한다.

그러나 수동 제어기는 언제나 불편을 수반하는데, 개인적인 조작으로 조작의 재현성이 떨어지는것을 별개로 하더라도, 작업이 언제나 시간지연 및 그에 따른 낮은 정확도로 수행된다.

장치 오퍼레이터의 경험 기반 지식은 퍼지 제어기(201) 내에 간직된다.

그러나 종래 제어기(204 내지 206)는 이미 장치가 최적으로 수행되지 않더라도 장치를 다룰 수 있는 능력이 있다. 그러므로 퍼지 제어기(201)는 공칭값 지시 또는 파라미터화를 위하여 PID 제어기(204 내지 206)에 제어기를 최적화함으로 중첩되게한다. 제어기의 정의되지 않은 상태의 잠재적 발생은 종래 제어기술이 적어도 비임계치 제한 내에서 프로세스를 유지할 수 있다는 확신을 제공한다. 회로망은 (93)으로 표시되고, 재료 및 분석 데이터용 데이터 수집은 (94)로 표시된다. 회로망(93)은 QC 회로망이될 수 있다.

그 결과 본 발명에 따른 프로세스로, 특히 단결정이 생산될 수 있고, 다른 한편으로 용융 온도 또는 가스 흐름과 같은 프로세스 파라미터, 다른 한편으로 원료의 분석 데이터(예를 들면 실리콘의 순수함 또는 도핑농도)와 같은 품질 특성, 또는 도가니 벽의 경우에서 치수 허용오차 또는 기본 재료 및 도핑 재료의 양이 검출되고 처리될 수 있다.

히터, 펌프 및 그와 같은 것을 위한 조정 장치는 PID 제어기를 사용한 종래 방법으로 제어된다.

현재 프로세스 파라미터는 검출되어 현재값 및 공칭값으로 데이터 베이스(200)에 저장된다. 종래 제어 기술과는 반대로 공칭값 역시 변수이다.

현재 품질 특성이 프로세스 단계 "차징(charging)"까지, 즉 자동 프로세스 동작을 위한 준비의 마지막까지간 품질 특성은 일단 현재값으로 획득되면 고정된 최적 공칭값으로 데이터 베이스에 저장된다.

데이터 베이스(200)에서 프로세스 파라미터는 이어서 SPC 법으로 처리된다. SPC법은 통계적 가정의 기초 위에 제품의 품질을 보증한다. 그것은 연속되는 데이터가 가우시안 분포를 갖는다는 가정에 기초한다. 데이터 분석을 위하여, 슬라이딩 코리도(corridor)가 데이터 집합과 평균값 및 거기서 결정되는 경험적 넓이 사이를 다닌다. SPC 프로세스로 프로세스 파라미터를 얻어가는 과정에 있어서, 퍼지 클러스터 프로세스를 통하여 통계적으로 확인한 후 대표적인 데이터가 한 테이블로 압축되고, 신경회로망 학습을 위하여 사용된다.

SE(Standard Electric) 규칙은 프로세스 가능성에 대한 데이터 집합의 자동 분석을 위한 지침(guideline)을 가지고있다. 상기 규칙에 따르면, 예를 들어 한 포인트가 +/- 3 시그마 외부에 위치하면 이용할 수 없고, 또한 3개의 연속하는 포인트 중 2개가 +/- 2 시그마 외부에 있거나, 연속하는 5개의 포인트가 위를 향하거나 아래로 향하는 경향이 있으면 이용할 수 없다.

데이터 베이스(200) 내에서 처리되는 프로세스 파라미터로부터, 신경 프로세스 모델은 (202) 내부에 생성되고, 신경 회로망의 각 문장을 위한 지역 에러 판단이 출력된다. 알고리즘의 선택 및 신경 회로망의 구성은 전문가 시스템의 제어하에 (202) 내에서 자동으로 실행된다. 어느 입력 파라미터가 관련이 없는지 결정되고, 그에 따라 관련없는 것을 버린다. 이렇게해서 신경모델은 서로 중요한 파라미터만으로 연결된다. 상기 파라미터들은 각 출력 파라미터에 영향을 미치는 모델의 각 입력 파라미터와 함께 검출되는 힘을 통하여 감도 분석을 당하며, 출력 파라미터는 프로세서 파라미터 또는 품질 파라미터의 공칭값을 예측한다. 품질 특성, 프로세스 파라미터 및 품질 파라미터를 고려한 테이블이 다음에 온다.

공칭값을 최적화하는 유전 알고리즘(genetic algorithm) 파라미터에 의해서, 프로세스 모델에 의해 예측된, 프로세스 파라미터들이 퍼지 제어기(201)에서 테스트 공칭값으로 변한다. 여기서 벡터[x, y,...z]를 발견하기 위한 품질 함수 g(x, y,...z)용 계산은 찾은 최종점을 표시하는 개별 변수 집합을 가능하게 한다.

유전 알고리즘은 염색체라고도 부르는 비트 체인의 형태로 자신들의 정보를 나타낸다. 상기 비트 체인은, 예를 들면, 66 비트 길이일 수 있다. 상기 알고리즘에 진입하는 초기 개체 수는 난수 발생기로 결정되는 값인 예를 들면 100개의 "염색체"를 포함한다. 상기 염색체는 이어서 [원문대로] 실수로 변환되고, 개별적으로 학습된 신경모델로 전송된다. 이것은 품질 파라미터의 값, 예를 들면 다른 파라미터들의 조합으로부터 결론에 이를 수 있는 결정의 직경을 계산한다. 상기 품질 파라미터들은 예를 들면 "상대적인 적합"인 품질값으로 변환된다. 더 높은, 더 큰 품질값은 염색체의 적합성이다. 상기 유전 알고리즘은 서로에 대해 대결하는 2개의 염색체를 무작위로 선택한다. 높은 확률로 더 낳은 염색체가 이길 것이고, 다른 것은 거부되는 동안 목표 개체에 받아들여질 것이다. 다음 단계로, 선택된 개체들은 이종교배되고 돌연변이된다. 염색체에서 "교차"의 위치는 물론 돌연변이와 이종교배 선택확률은 난수 발생기의 유도대로 결정된다. 상기 프로세스는 개체의 평균 품질값이 소정의 제한 값보다 커질 때까지 반복된다.

퍼지 제어기에서 상기 유전 알고리즘 파라미터에 의한 최적화 이후에 프로세스 파라미터의 예측된 공칭값은 테스트 공칭값으로 변화되어 왔고, 상기 테스트 공칭값으로부터 다시 프로세스 모델이 프로세스 파라미터의 공칭값을 결정하는 (200) 내에서 생성된다. 신경 프로세스 모델을 통하여 결정되는 공칭값 프로세스 파라미터는 데이터 베이스에서 에러 교정 결정을 당한다. 상기 교정은 축적되는 에러 교정이며, 모든 시대(epoch) 이후에 하중치는 축적된 하중치 변화에따라 교정된다.

데이터 베이스 에러 교정 결정에 의해 변화된 프로세스 데이터 공칭값은 이제 로버스트 필터(203)의 입력이고, 변화된 프로세스 파라미터 공칭값은 저역 필터된다. 상기 로버스트 필터(203)는 이어서 프로세스 파라미터의 관련된 공칭값 각각과 함께 PID 제어기(204 내지 206)에 영향을 준다.

본 발명을 사용함으로 프로세스 에러를 실시간으로 인지하고 즉시 보정하여 외부 형상 및 내부 특성에 대해 매우 높은 품질의 단결정 및 다결정을 얻을 수 잇고, 덧붙여 본 발명은 쉽게 컴퓨터 집적 회로 제조 프로세스에 적용될 수 있다.

Claims (22)

1. 특히 단결정에서, 예를 들면 용융 온도, 가스 압력, 용액 레벨, 가스 흐름 및 그와 같은 것의 프로세스 데이터가 검출되고 처리되며, 예를 들면 가열기, 펌프 및 그와 같은 것들인 조정 가능 장치가 PID 제어기에 의해 제어되는데 있어서,

   PID 제어기(55; 204 내지 206) 상에 인공 신경 회로망(53, 202)의 제어가 중첩되는 장치를 특징으로 하는 결정 성장용 장치.
2. 제1항에 있어서,

   a) 결정 성장 프로세스중에 예를 들면 용액 온도, 가스 압력, 용액 레벨, 가스 흐름 및 그와 같은 것의 프로세스 데이터의 현재 값을 검출하는 여러 가지 센서(43 내지 47);

   b) 상기 센서(43 내지 47)에 의해 획득된 현재 값이 공급되는 프로그램 가능 내장 제어(17);

   c) 데이터 라인(각각 60 내지 64 또는 65, 66)을 통하여 프로그램 가능 내장 제어(17)에 연결되는 신경 퍼지 논리(52);

   d) 신경 퍼지 논리를 통하여 일어나는 PID 제어기가 유도하는 공칭값과 함께 PID 제어기(55, 204 내지 206)를 통하여 공칭값으로 제어되는 것들 예를 들면 가열기, 펌프, 인상 장치, 회전 모터, 값 및 그와 같은 것을 위한 여러 가지 조정가능 장치(9, 16, 19, 31, 32)

   를 포함하는 것을 특징으로 하는 결정 성장용 장치.
3. 제1항에 있어서,

   로버스트 필터(203)가 상기 PID 제어기(55, 204 내지 206)에 선행하는 것을 특징으로 하는 결정 성장용 장치.
4. 제1항에 있어서,

   PID 제어기 가 P, PI, PD 등의 제어기인 결정 성장용 장치.
5. 제2항에 있어서,

   신경 퍼지 논리(52)가 컴퓨터(50) 소프트웨어를 통하여 실현되는 결정 성장용 장치.
6. 특히 단결정에서, 예를 들면 용융 온도, 가스 압력, 용액 레벨, 가스 흐름 및 그와 같은 것들인 프로세스 데이터가 검출되고 처리되며, 예를 들면 가열기, 펌프 및 그와 같은 것들이 PID 제어기를 통하여 제어되는 조정 가능 장치에 있어서,

   인공 신경 회로망(53, 202)의 제어가 PID 제어기(55; 204 내지 206) 위에 중첩되는 장치를 특징으로 하는 결정 성장용 프로세스.
7. 제6항에 있어서,

   상기 PID 제어기(55, 204 내지 206)의 제어 위에 퍼지 제어기(54, 201)의 제어가 중첩되는 것을 특징으로 하는 결정 성장용 프로세스.
8. 제6항에 있어서,

   결정 인상 장치(1)로부터 나오는 프로세스 데이터는 라인(33 내지 37)을 통하여 신경모델(202)에 공급되고, 상기 신경모델(202)은 상기 데이터로부터 결정 형태의 신경 모델을 생성하는 것을 특징으로 하는 결정 성장용 프로세스.
9. 제6항에 있어서,

   모델 형성이 학습을 통하여 최적화되는 것을 특징으로 하는 결정 성장용 프로세스.
10. 제6항에 있어서,

    신경모델(202)의 예측에 기반을 둔 퍼지 제어기(201)가 결정의 기대되는 품질에 따라 작용하는 결정 성장용 프로세스.
11. 제6항에 있어서,

    인공 신경 회로망(202)을 테스트 데이터로 검증하도록 통계적인 모델 모니터링(202)을 제공하는 것을 특징으로 하는 결정 성장용 프로세스.
12. 제11항에 있어서,

    재료 및 분석 데이터(94)가 통계적 모델 모니터링(202)에 공급되는 것을 특징으로 하는 결정 성장용 프로세스.
13. 제6항에 있어서,

    신경모델(202)이 제어 프로세스에 제공되는 품질 데이터(QA(t+1)); (QB)t+1))를 출력한다.
14. 제6항에 있어서,

    안정, 담금, 어깨, 몸체, 엔드 콘(end cone) 및 이어서 나오는 셧다운과 같은 서로 다른 긴 순서의 효과, 예를 들면 어깨에서 몸체로 변경될 때 직경의 과대 성장은 중첩된 퍼지 제어기 및 로버스트 필터를 통하여 모델 분석에 따라 교정되는 것을 특징으로 하는 결정 성장용 프로세스.
15. 중첩된 퍼지제어를 통하여, SPC(프로그램 가능 내장 제어) 및/또는 통계적 모델 모니터링(200)이 로버스트 필터를 통하여 제어를 중재하게 되면 결정 형태의 모델의 교정이 초기화되는 것을 특징으로 하는 결정 성장용 프로세스.
16. 결정 생산 프로세스, 특히 단결정에서, 예를 들면 원료 순도, 도가니 벽의 치수, 기타의 품질 특성은 물론 예를 들면 용융 온도, 가스 흐름 같은 프로세스 파라미터가 검출되고 처리되며, 가열기, 펌프 및 그와 같은 것들이 PID 제어기를 통하여 제어되는 결정 생산 프로세스에 있어서,

    p) 프로세스 파라미터가 정기적으로 검출되고 데이터 베이스(200)에 현재 값 및 변수 공칭값으로 저장되는 단계;

    q) 자동 프로세스 제어로 변환될 때까지, 품질 특성이 한번 현재 값으로 검출되면 고정된 공칭값으로 데이터 베이스(200)에 저장되는 단계;

    r) 프로세스 파라미터가 데이터 베이스(200) 내에서 처리되는 단계;

    s) 데이터 베이스(200) 내에서 처리되는 프로세스 파라미터로부터 (202) 내에 신경 프로세스 모델이 생성되는 단계;

    t) 유전 알고리즘 파라미터 최적화에 의해서 프로세스 모델에 의해 예측되는 프로세스 파라미터의 공칭값이 퍼지 제어기(201) 내에서 테스트 공칭값으로 변화되는 단계;

    u) 퍼지 제어기(201)에 의해 생성된 프로세스 파라미터의 테스트 공칭값으로부터 다시 프로세스 파라미터의 공칭값을 결정하는 프로세스 모델이 생성 (200 내에서) 되는 단계;

    v) 신경 프로세스 모델에 의해 결정되는 공칭값 프로세스 파라미터가 에러 교정을 결정하도록 데이터 베이스(200) 내에 드러나는 단계;

    w) 데이터 베이스 에러 교정 결정에 의해 변경되는 프로세스 파라미터가 로버스트 필터(203)―여기서 로버스트 필터는 변경된 프로세스 파라미터 공칭값이 저대역으로 필터링함―의 입력이되는 단계;

    x) 프로세스 파라미터의 공칭값의 관련된 각 실례와 함께 로버스트 필터(203)가 PID 제어기(204 내지 206)에 영향을 미치는 단계

    로 특징을 이루는 결정 생산 프로세스.
17. 제16항에 있어서,

    프로세스 파라미터가 데이터 베이스 내에서 SPC법―SPC법 내에서 알고리즘 및 통계적 검증이 퍼지 클러스터 프로세서를 통하여 수행된 후 대표적인 데이터 집합 및 신경 회로망 학습을 위하여 사용되는 한 테이블이 압축됨―으로 처리되는 것을 특징으로 하는 결정 생산 프로세스.
18. 제 16항에 있어서,

    신경모델에 의한 각 문장 출력 및 지역 에러 판단이 수행되는 것을 특징으로 하는 결정 생산 프로세스.
19. 제16항에 있어서,

    신경 프로세스 모델(202 내에서)의 알고리즘 및 구성의 선택은 전문가 시스템의 제어아래 자동으로 수행되는 것을 특징으로 하는 결정 생산 프로세스.
20. 제19항에 있어서,

    관련이 없는 입력 파라미터를 결정하고, 상기 입력을 버려서 신경 프로세스 모델이 단지 서로 중요한 파리미터만으로 지도를 그리는 것을 특징으로 하는 결정 생산 프로세스.
21. 제20항에 있어서,

    중요한 파라미터들이 감지 분석을 받고, 힘이 모델의 각 출력 파리미터가 영향을 받는 각 입력 파라미터와 함께 검출되고, 각 출력 파라미터는 프로세스 파라미터 또는 품질 파라미터의 공칭값을 예측하는 것을 특징으로 하는 결정 생산 프로세스.
22. 제16항에 있어서,

    프로세스 파라미터의 공칭값이 테스트 공칭값으로 변하는데 있어서, 개별 변수 집합용 품질 함수 g(x, y, z...)의 계산이 극치점 표시로 나타내는 가능함을 특징으로 하는 결정 생산 프로세스.