KR20220097284A - 히터 오프셋 값 도출 방법 - Google Patents

Abstract

복수의 영역으로 분할된 기판의 온도를 균일하게 히팅하기 위한 히터 오프셋값 도출 방법에 있어서, 상기 복수의 영역에 대한 온도 데이터와 관련된 인공 신경망 모델을 통하여 복수의 히팅 모델을 도출하고, 상기 기판에 대한 1차 온도를 측정하여, 상기 히팅 모델중 어느 하나를 선별한다. 이어서, 상기 선별된 히팅 모델로부터 1차 오프셋 값을 도출한다. 이로써, 기존에 학습된 히팅 모델에 의거하여 오프셋 값이 용이하게 도출될 수 있다.

Description

히터 오프셋 값 도출 방법{METHOD OF OBTAIING AN OFFSET VALUE FOR A HEATER AND APPARATUS OF CONTROLLING A TEMERATURE USING THE SAME}

본 발명의 실시예들은 히터 오프셋 값 도출 방법에 관한 것이다. 보다 상세하게는, 반도체 제조 설비에 포함된 포토 공정 모델에 포함된 히터 오프셋 값 도출 방법에 관한 것이다.

일반적으로 반도체 제조 설비 예를 들어, 포토리소그라피 공정을 처리하는 스피너 시스템은 공정을 처리하는 다수의 프로세스 모델과, 기판 이송을 위한 트랜스퍼 모델을 구비한다. 프로세스 모델은 예컨대 코터, 디벨로퍼, 베이커 및 노광 장치 등으로 구성되며 트랜스퍼 모델은 다수의 이송 로봇들을 포함한다. 이들 프로세스 모델들과 트랜스퍼 모델들은 네트워크를 통해 연결된 제어 장치에 의해 제어된다.

상기 프로세스 모델에는 상기 기판을 가열하는 히터가 구비된다. 상기 히터는 기판 척에 안착될 기판의 전체 영역을 균일하게 가열할 필요가 있다. 하지만, 상기 기판 척에 안착된 기판의 주변 영역이 중심 영역에 비하여 상대적으로 낮은 온도를 갖는 온도 편차가 발생할 수 있다.

따라서, 상기 기판의 중심 영역에 비하여 상기 주변 영역을 상대적으로 상대적으로 더 높게 히터가 가동될 필요가 있다.

특히, 기판 척은 다양한 구조로 이루어진 기판 처리 장치들에 설치될 수 있으므로, 실제 기판의 온도가 입력된 목표 온도와 상이할 수 있다. 이를 위하여 기판 척의 온도를 보정하여야 하고, 온도 보정을 위한 오프셋 값은 기판 처리 장치의 초기 셋업 과정에서 사용자가 임의로 설정하는 것이 일반적이다. 이때, 사용자는 본인의 직감이나 목표 온도를 참고하여 오프셋 값을 임의로 정하게 된다. 이러한 오프셋 값은 사용자가 전문적인 기술이 아닌 본인의 경험에만 의존함으로써, 사용자의 숙련도에 따라서 오프셋 값의 튜닝에 많은 시간과 비용이 소요될 수 있다.

본 발명의 실시예들은 기판의 중심 영역 및 주변 영역에 대한 온도 편차를 보상하기 위한 히터용 오프셋 값을 도출할 수 있는 히터 오프셋 값 도출 방법을 제공한다.

본 발명의 실시예들에 따른 복수의 영역으로 분할된 기판의 온도를 균일하게 히팅하기 위한 히터 오프셋값 도출 방법에 있어서,

상기 복수의 영역에 대한 온도 데이터와 관련된 인공 신경망 모델을 통하여 복수의 히팅 모델을 도출하고, 상기 기판에 대한 1차 온도를 측정하여, 상기 히팅 모델중 어느 하나를 선별한다. 이어서, 상기 선별된 히팅 모델로부터 1차 오프셋 값을 도출한다.

본 발명의 일 실시예에 있어서, 상기 히팅 모델은 상기 복수의 영역들의 온도에 대하여 실측되거나 유추된 온도에 관한 센싱 데이터 및 상기 영역들 각각의 온도에 대한 목표 데이터로부터 학습을 통하여 수립된다.

여기서, 상기 히팅 모델은, 상기 센싱 데이터를 학습하여 히터들의 종류를 분류하는 히터 모델 및 상기 히터의 종류에 따라 목표 데이터로 설정하기 위한 오프셋 값을 도출하는 오프셋 추정 모델을 포함할 수 있다.

또한, 상기 히터 모델은 상기 기판의 온도 변화 데이터 및 상기 히터의 온도 변화 데이터를 학습하여 수립될 수 있다.

한편, 상기 오프셋 추정 모델은 상기 기판의 온도 변화 데이터 및 상기 히터의 온도 변화 데이터를 학습하여 수립될 수 있다.

본 발명의 일 실시예에 있어서, 상기 인공 신경망 모델은, 완전 연결 신경망을 이용할 수 있다.

본 발명의 일 실시예에 있어서, 1차 오프셋 값을 이용하여 히터를 제어하여 상기 기판의 온도를 조절하고, 상기 기판에 대한 제2 온도를 측정하여 상기 기판의 제2 온도가 목표값 범위 내에 있는지를 확인할 수 있다.

본 발명의 실시예들에 따르면, 인공 신경망 모델을 통하여 복수의 히팅 모델을 도출하고, 상기 기판에 대한 1차 온도를 측정하여, 상기 히팅 모델중 어느 하나를 선별하고, 상기 선별된 히팅 모델로부터 1차 오프셋 값을 도출한다. 이로써, 인공 신경망 모델을 통하여 형성된 히팅 모델로부터 오프셋 값을 도출함에 따라, 온도 평탄화를 위한 작업이 간소화되어 작업시간, 고가의 웨이퍼형 센서 사용시간이 감소될 수 있다.

도 1은 본 발명의 일 실시예에 따른 온도 제어 장치와 기판 척을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 온도 제어 장치의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 히터 오프셋 값 도출 방법을 설명하기 위한 순서도이다.

이하, 본 발명의 실시예들은 첨부 도면들을 참조하여 상세하게 설명된다. 그러나, 본 발명은 하기에서 설명되는 실시예들에 한정된 바와 같이 구성되어야만 하는 것은 아니며 이와 다른 여러 가지 형태로 구체화될 수 있을 것이다. 하기의 실시예들은 본 발명이 온전히 완성될 수 있도록 하기 위하여 제공된다기보다는 본 발명의 기술 분야에서 숙련된 당업자들에게 본 발명의 범위를 충분히 전달하기 위하여 제공된다.

본 발명의 실시예들에서 하나의 요소가 다른 하나의 요소 상에 배치되는 또는 연결되는 것으로 설명되는 경우 상기 요소는 상기 다른 하나의 요소 상에 직접 배치되거나 연결될 수도 있으며, 다른 요소들이 이들 사이에 개재될 수도 있다. 이와 다르게, 하나의 요소가 다른 하나의 요소 상에 직접 배치되거나 연결되는 것으로 설명되는 경우 그들 사이에는 또 다른 요소가 있을 수 없다. 다양한 요소들, 조성들, 영역들, 층들 및/또는 부분들과 같은 다양한 항목들을 설명하기 위하여 제1, 제2, 제3 등의 용어들이 사용될 수 있으나, 상기 항목들은 이들 용어들에 의하여 한정되지는 않을 것이다.

본 발명의 실시예들에서 사용된 전문 용어는 단지 특정 실시예들을 설명하기 위한 목적으로 사용되는 것이며, 본 발명을 한정하기 위한 것은 아니다. 또한, 달리 한정되지 않는 이상, 기술 및 과학 용어들을 포함하는 모든 용어들은 본 발명의 기술 분야에서 통상적인 지식을 갖는 당업자에게 이해될 수 있는 동일한 의미를 갖는다. 통상적인 사전들에서 한정되는 것들과 같은 상기 용어들은 관련 기술과 본 발명의 설명의 문맥에서 그들의 의미와 일치하는 의미를 갖는 것으로 해석될 것이며, 명확히 한정되지 않는 한 이상적으로 또는 과도하게 외형적인 직감으로 해석되지는 않을 것이다.

본 발명의 실시예들은 본 발명의 이상적인 실시예들의 개략적인 도해들을 참조하여 설명된다. 이에 따라, 상기 도해들의 형상들로부터의 변화들, 예를 들면, 제조 방법들 및/또는 허용 오차들의 변화는 충분히 예상될 수 있는 것들이다. 따라서, 본 발명의 실시예들은 도해로서 설명된 영역들의 특정 형상들에 한정된 바대로 설명되어지는 것은 아니라 형상들에서의 편차를 포함하는 것이며, 도면들에 설명된 요소들은 전적으로 개략적인 것이며 이들의 형상은 요소들의 정확한 형상을 설명하기 위한 것이 아니며 또한 본 발명의 범위를 한정하고자 하는 것도 아니다.

도 1은 본 발명의 일 실시예에 따른 온도 제어 장치와 기판 척을 도시한 도면이다. 도 2는 본 발명의 일 실시예에 따른 온도 제어 장치의 구성도이다.

도 1 및 도 2를 참조하면, 온도 제어 장치(100)가 제공될 수 있는 기판 처리 장치(미도시)는 챔버(미도시) 및 기판 척(10)을 포함할 수 있다.

챔버는 기판을 처리할 수 있는 처리 공간을 제공한다. 기판 척(10)은 챔버 내에 구비된다. 기판 척(10)은 기판이 처리되는 처리 공간 내부에 설치되어 기판을 지지할 수 있다. 기판 척(10)은 일례로 정전기력을 이용하여 기판을 지지하는 정전척일 수 있다. 이와 다르게, 기판 척(10)은 기계적 클램핑 방식으로 기판은 지지하는 것일 수 있으나, 이에 한정하지는 않는다.

한편, 기판은 복수의 영역으로 구획될 수 있다. 또한, 기판 척에 구비된 히터는 상기 기판의 영역에 대응되는 히팅 존으로 구획될 수 있다.

본 발명의 일 실시예에 따른 온도 제어 장치(100)는 학습부(110), 측정부(120), 판단부(130), 도출부(140) 및 제어부(150)를 포함한다.

학습부(110)는 기판(170) 및 히터의 온도 데이터를 수집하여 기계 학습을 수행한다. 상기 학습부는 인공 신경망을 이용하여 기계 학습을 수행할 수 있다. 학습부는 측정부가 측정한 히터 및 기판에 대한 온도 데이터를 수집할 수 있다.

또한, 학습부(110)는 복수의 영역에 대응되는 복수의 히팅 존들 각각에 대한 목표 온도 데이터를 이용하여 기계 학습을 수행한다.

이로써, 학습부(110)는 인공 학습망을 이용하여 기계 학습을 수행하여 복수의 히팅 모델들을 도출한다. 상기 히팅 모델들은 히터 추정 모델 및 오프셋 추정 모델을 포함할 수 있다.

상기 히터 추정 모델은 센싱 데이터를 학습하여 히터들의 종류를 분류할 수 있다. 예를 들면, 히터 추정 모델의 경우, 각 히터가 갖는 고유의 히팅 패턴을 통하여 히터의 종류를 학습하여 분류할 수 있다. 즉, 상기 히터 추정 모델은 가변하는 온도 값을 통해 히터에 가해지는 온도 변화 인자의 유사성을 통하여 히터의 종류를 분류할 수 있다.

상기 히터 추정 모델을 위한 학습 데이터로서 기판의 온도 변화 추이를 보이는 온도 상승 및 온도 포화 상태의 연속된 기판 온도 데이터 및 히터 온도 데이터 셋 혹은 그 온도 데이터에서 일정 주기로 샘플링한 데이터가 이용될 수 있다. 즉, 히터 추정 모델은, 히터 내부로 진입한 센서가 열적 평형을 이루는 과정의 온도 추이 데이터를 입력 데이터로 이용한다.

따라서, 상기 히터 추정 모델은 상기 온도 추이 데이터를 학습하여 히터 종류를 선택할 수 있도록 히터 종류를 출력한다.

한편, 오프셋 추정 모델은 상기 선택된 히터의 종류에 따라 목표 데이터로 설정할 수 있도록 오프셋 값을 도출할 수 있다.

상기 오프셋 추정 모델을 위한 학습 데이터는 주로 포화 상태에서의 각 채널의 온도 데이터와 해당 시점의 히터의 목표 온도 셋을 활용하여 학습한다. 특히, 상대적으로 넓은 범위의 온도 오프셋을 도출할 수 있도록 각 채널의 온도 데이터가 다양하게 발생할 수 있도록 구성될 수 있다. 즉, 오프셋 추정 모델은, 해당 히터에서 열적 평형을 이룬 시점의 지점별 센서 데이터를 입력 데이터로 이용한다.

또한, 상기 오프셋 추정 모델은 상기 학습 데이터를 이용하여 학습하여 히팅 제어 존의 오프셋 값을 출력한다.

여기서, 히터 추정 모델 및 오프셋 추정 모델은 완전 연결 신경망을 이용할 수 있다. 즉, 완전 연결 신경망은 각 계층의 노드들이 모두 연결된다. 이때, 사전 학습 알고리즘을 통하여 계층들 사이의 가중치 값을 획득하고, 상기 가중치 값이 성숙하면 기존의 학습 알고리즘에 의하여 미세 조정을 수행한다.

이때, 각 계층의 노드는 n개 보다 많을 수 있으며, 활성화 함수(activation function)은 ReLU와 linear를 활용한다. 한편, 손실 함수(loss function)은 mse, 옵티마이저(optimizer)는 adam, 메트릭(metric)는 accuracy를 기본으로 하는 모델이 이용된다. 또한, 계층은 5 내지 15개 범위의 개수 수준으로 학습 시간과 학습 데이터 량을 고려하여 각 함수 및 은닉 계층의 수는 가변 될 수 있다. 또한, 일정 영역에서 Dropout/BatchNormalization으로 가중치 노드를 재편하는 형태의 모델을 구성할 수 있다.

측정부(120)는, 복수의 영역들로 분할된 기판에 대하여 각 영역에 대한 온도를 측정할 수 있다. 이때, 측정부(120)는 각 영역에 대응되게 구비된 온도 센서(미도시)를 포함한다. 이로써, 상기 측정부(120)는 각 영역에 대한 센싱 온도를 측정할 수 있다. 나아가, 상기 측정부(120)는 각 영역들 사이에 경계 부분에 대한 온도를 유추할 수 있다. 상기 유추된 온도는 유추 온도로 정의된다. 따라서, 측정부(120)는 기판의 전체 영역에 걸쳐 온도를 측정할 수 있다.

또한, 측정부(120)는 시간의 경과에 따라 상승하는 기판의 온도 상승 추이 및 포화 상태의 최대 온도를 포함하는 기판에 대한 온도 변화 데이터를 수집할 수 있다.

판단부(130)는 상기 측정부(120)가 측정한 기판에 대한 1차 온도 관련 데이터를 이용한 히터 추정 모델 중 어느 하나를 선별한다.

즉, 판단부(130)는, 상기 1차 온도 관련 데이터 이용하여 상기 복수의 히터 추정 모델중 어느 하나를 선별할 수 있다.

도출부(140)는 상기 선별된 히터에서 오프셋 추정 모델을 이용하여 오프셋 값을 도출한다. 즉, 상기 도출부는 학습된 히터 모델들 중 선택된 히터 모델을 적용한다.

제어부(150)는 도출된 오프셋 값을 이용하여 히터를 구동하여 기판에 대하여 온도를 조절한다. 즉, 제어부(150)는 각 채널에 대한 구동을 제어함으로써 제어부(150)는 기판에 대한 전체 영역에 대하여 온도 균일도를 확보할 수 있다.

도 3은 본 발명의 일 실시예에 따른 히터 오프셋 값 도출 방법을 설명하기 위한 순서도이다.

도 1 내지 도 3을 참조하면, 본 발명의 일 실시예에 따른 히터 오프셋 값 도출 방법은 복수의 영역으로 분할된 기판의 온도를 균일하게 히팅할 수 있다.

상기 도출 방법에 있어서, 상기 복수의 영역에 대한 온도 데이터와 관련된 인공 신경망 모델을 통하여 복수의 히터 추정 모델들을 도출한다(S110). 이를 위하여, 학습부가 인공 신경망 모델을 이용하여 복수의 히터 추정 모델들을 도출할 수 있다.

즉, 학습부는 복수의 영역에 대응되는 복수의 히팅 존들 각각에 대한 목표 온도 데이터를 이용하여 기계 학습을 수행한다.

이로써, 학습부는 인공 학습망을 이용하여 기계 학습을 수행하여 복수의 히터 추정 모델들을 도출한다.

상기 히터 추정 모델은 센싱 데이터를 학습하여 히터들의 종류를 분류할 수 있다. 예를 들면, 히터 추정 모델의 경우, 히터가 갖는 고유의 히팅 패턴을 통하여 히터의 종류를 학습하여 분류할 수 있다.

상기 히터 추정 모델을 위한 학습 데이터로서 기판의 온도 변화 추이를 보이는 온도 상승 및 온도 포화 상태의 연속된 웨이퍼 온도 데이터 및 히터 온도 데이터 셋 혹은 그 온도 데이터에서 일정 주기로 샘플링한 데이터가 이용될 수 있다.

즉, 히터 추정 모델은, 히터 내부로 진입한 센서가 열적 평형을 이루는 과정의 온도 추이 데이터를 입력 데이터로 이용한다. 또한, 상기 히터 추정 모델은 상기 온도 추이 데이터를 학습하여 히터 종류를 선택할 수 있도록 히터 종류를 출력한다.

한편, 오프셋 추정 모델은 상기 히터의 종류에 따라 목표 데이터로 설정할 수 있도록 오프셋 값을 도출할 수 있다.

상기 오프셋 추정 모델을 위한 학습 데이터는 주로 포화 상태에서의 각 채널의 온도데이터와 해당 시점의 히터의 목표 온도 셋을 활용하여 학습한다. 특히, 상대적으로 넓은 범위의 온도 오프셋을 도출할 수 있도록 각 채널의 온도 데이터가 다양하게 발생할 수 있도록 구성될 수 있다.

여기서, 히터 추정 모델 및 오프셋 추정 모델은 완전 연결 신경망을 이용할 수 있다. 즉, 완전 연결 신경망은 각 계층의 노들이 모두 연결된다. 이때, 사전 학습 알고리즘을 통하여 계층들 사이의 가중치 값을 획득하고, 상기 가중치 값이 성숙하면 기존의 학습 알고리즘에 의하여 미세 조정을 수행한다.

이어서, 상기 기판에 대한 1차 온도를 측정하여, 상기 히터 추정 모델중 어느 하나를 선별한다(S120). 1차 온도의 패턴에 따라 상기 히터 추정 모델 중 특정 히터 모델이 선별될 수 있다.

이후, 상기 선별된 히터 모델에 대응되는 오프셋 추정 모델로부터 1차 오프셋 값을 도출한다(S130). 따라서, 작업자가 별도의 히팅 값을 수작업으로 세팅하지 않고, 기존에 학습된 히터 모델에 따라 최적의 오프셋 값이 도출될 수 있다.

본 발명의 일 실시예에 있어서, 상기 인공 신경망 모델은, 완전 연결 신경망을 이용할 수 있다.

즉, 완전 연결 신경망은 각 계층의 노드들이 모두 연결된다. 이때, 사전 학습 알고리즘을 통하여 계층들 사이의 가중치 값을 획득하고, 상기 가중치 값이 성숙하면 기존의 학습 알고리즘에 의하여 미세 조정을 수행한다.

이때, 각 계층의 노드는 n개 보다 많을 수 있으며, 활성화 함수(activation function)은 ReLU와 linear를 활용한다. 한편, 손실 함수(loss function)은 mse, 옵티마이저(optimizer)는 adam, 메트릭(metric)는 accuracy를 기본으로 하는 모델이 이용된다. 또한, 계층은 5 내지 15개 범위의 개수 수준으로 학습 시간과 학습 데이터 량을 고려하여 각 함수 및 은닉 계층의 수는 가변 될 수 있다. 또한, 일정 영역에서 Dropout/BatchNormalization으로 가중치 노드를 재편하는 형태의 모델을 구성할 수 있다.

본 발명의 일 실시예에 있어서, 1차 오프셋 값을 이용하여 히터를 제어하여 상기 기판의 온도를 조절한다. 이어서, 상기 기판에 대한 2차 온도를 측정하여, 상기 기판의 제2 온도가 목표값 범위 내에 있는지를 확인한다. 이로써, 기판의 온도 균일도가 확보되었지를 검증할 수 있다.

본 발명의 실시예들에 따르면, 인공 신경망 모델을 통하여 형성된 히터 추정 모델 및 오프셋 추정 모델로부터 오프셋 값을 도출함으로써, 온도 균일화를 위한 작업이 간소화되어 작업시간, 고가의 웨이퍼형 센서 사용시간이 감소될 수 있다.

100: 온도 제어 장치 110: 학습부
120: 측정부 130: 판단부
140: 도출부 150: 제어부

Claims (7)

1. 복수의 영역으로 분할된 기판의 온도를 균일하게 히팅하기 위한 히터 오프셋값 도출 방법에 있어서,
   상기 복수의 영역에 대한 온도 데이터와 관련된 인공 신경망 모델을 통하여 복수의 히팅 모델들을 도출하는 단계;
   상기 기판에 대한 1차 온도를 측정하여, 상기 히팅 모델들 중 어느 하나를 선별하는 단계; 및
   상기 선별된 히팅 모델로부터 1차 오프셋 값을 도출하는 단계를 포함하는 히터 오프셋 값 도출 방법.
2. 제1항에 있어서, 상기 히팅 모델은 상기 복수의 영역들의 온도에 대하여 실측되거나 유추된 온도에 관한 센싱 데이터 및 상기 영역들 각각의 온도에 대한 목표 데이터로부터 학습된 것을 특징으로 하는 히터 오프셋 값 도출 방법.
3. 제2항에 있어서, 상기 히팅 모델은, 상기 센싱 데이터를 학습하여 히터들의 종류를 분류하는 히터 추정 모델; 및
   상기 히터의 종류에 따라 목표 데이터로 설정하기 위한 오프셋 값을 도출하는 오프셋 추정 모델을 포함하는 것을 특징으로 하는 히터 오프셋 값 도출 방법.
4. 제3항에 있어서, 상기 히터 추정 모델은 상기 기판의 온도 변화 데이터 및 상기 히터의 온도 변화 데이터를 학습하여 수립되는 것을 특징으로 하는 히터 오프셋 값 도출 방법.
5. 제3항에 있어서, 상기 오프셋 값 도출 모델은 상기 히터의 열적 평형 상태에서의 지점별 센싱 데이터를 입력 데이터로 이용하는 것을 특징으로 하는 히터 오프셋 값 도출 방법.
6. 제1항에 있어서, 상기 인공 신경망 모델은, 완전 연결 신경망을 이용하는 것을 특징으로 하는 히터 오프셋 값 도출 방법.
7. 제1항에 있어서, 상기 1차 오프셋 값을 이용하여 히터를 제어하여 상기 기판의 온도를 조절하는 단계; 및
   상기 기판에 대한 제2 온도를 측정하여, 상기 기판의 제2 온도가 목표값 범위 내에 있는지를 확인하는 단계를 더 포함하는 것을 특징으로 하는 히터 오프셋값 도출 방법.

Images