KR20230108459A - 인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비 - Google Patents

인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비 Download PDF

Info

Publication number
KR20230108459A
KR20230108459A KR1020220003878A KR20220003878A KR20230108459A KR 20230108459 A KR20230108459 A KR 20230108459A KR 1020220003878 A KR1020220003878 A KR 1020220003878A KR 20220003878 A KR20220003878 A KR 20220003878A KR 20230108459 A KR20230108459 A KR 20230108459A
Authority
KR
South Korea
Prior art keywords
data
gas
artificial intelligence
diamond
control signal
Prior art date
Application number
KR1020220003878A
Other languages
English (en)
Inventor
송오성
Original Assignee
서울시립대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울시립대학교 산학협력단 filed Critical 서울시립대학교 산학협력단
Priority to KR1020220003878A priority Critical patent/KR20230108459A/ko
Publication of KR20230108459A publication Critical patent/KR20230108459A/ko

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B25/00—Single-crystal growth by chemical reaction of reactive gases, e.g. chemical vapour-deposition growth
    • C30B25/02—Epitaxial-layer growth
    • C30B25/16—Controlling or regulating
    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B25/00—Single-crystal growth by chemical reaction of reactive gases, e.g. chemical vapour-deposition growth
    • C30B25/02—Epitaxial-layer growth
    • C30B25/14—Feed and outlet means for the gases; Modifying the flow of the reactive gases
    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B29/00—Single crystals or homogeneous polycrystalline material with defined structure characterised by the material or by their shape
    • C30B29/02—Elements
    • C30B29/04—Diamond
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Materials Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)
  • Chemical Vapour Deposition (AREA)

Abstract

본 발명은 인공지능 기반의 다이아몬드 제조 방법과 관련된다. 상기 인공지능 기반의 다이아몬드 제조 방법은, 센싱 데이터를 수신하는 단계, 센싱 데이터를 전처리하여, 전처리된 센싱 데이터를 생성하는 단계, 전처리된 센싱 데이터와, 미리 학습된 제1 딥러닝 모듈을 이용하여 제1 제어 신호를 생성하는 단계 및 제1 제어 신호를 이용하여 다이아몬드 제조 장비를 제어하는 단계를 포함하고, 센싱 데이터는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터, 초분광 이미지 데이터, 제1 가스의 유량 데이터, 제1 가스와 다른 제2 가스의 유량 데이터, 제1 가스의 분압 데이터, 제2 가스의 분압 데이터, 제1 가스의 순도 데이터, 제2 가스의 순도 데이터, 전력 데이터, 챔버 압력 데이터, 디스크 온도 데이터 및 기판 온도 데이터 중 적어도 하나를 포함한다.

Description

인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비{Method and apparatus for manufacturing diamond based on artificial intelligence}
본 발명은 인공지능을 기반의 다이아몬드 제조 방법 및 장비에 관한 것이다. 구체적으로 본 발명은 인공지능을 통해 다이아몬드 제조 공정의 최적화 조건을 결정하고, 제조된 다이아몬드의 품질을 향상시키기 위한 인공지능 기반의 다이아몬드 제조 방법 및 장비에 관한 발명이다.
다이아몬드를 제조할 때, 챔버의 공정 압력, 온도, 유량 등과 같은 변수들이 다이아몬드의 성장 속도에 큰 영향을 미친다. 다만, 다이아몬드의 제조 공정은 통상 1주 내지 3주의 기간이 소요되며, 1주 내지 3주 동안 인력으로 공정 상태를 상시 모니터링하고, 이들 변수들을 직접 조절하는 것은 시간적/경제적 비용이 낭비된다.
또한, 다이아몬드 제조 공정을 진행하는 중 결함의 발견이 늦어지면, 다이아몬드의 품질에 영향을 끼칠 수 있고, 이는 다이아몬드 제조 공정의 수율 문제로 이어진다는 문제점이 있다.
등록특허공보 제10-1277232호
본 발명의 과제는, 인공지능을 이용하여, 공정 조건을 최적화한 다이아몬드 공정 제조 방법 및 장비를 제공하는 것이다.
또한, 본 발명의 다른 과제는, 인공지능을 이용하여 결함을 사전에 감지함으로써 품질 및 효율의 향상을 꾀할 수 있는 인공지능 기반의 다이아몬드 공정 제조 방법 및 장비를 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 인공지능 기반의 다이아몬드 제조 방법은 센싱 데이터를 수신하는 단계, 센싱 데이터를 전처리하여, 전처리된 센싱 데이터를 생성하는 단계, 전처리된 센싱 데이터와, 미리 학습된 제1 딥러닝 모듈을 이용하여 제1 제어 신호를 생성하는 단계 및 제1 제어 신호를 이용하여 다이아몬드 제조 장비를 제어하는 단계를 포함하고, 센싱 데이터는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터, 초분광 이미지 데이터, 제1 가스의 유량 데이터, 제1 가스와 다른 제2 가스의 유량 데이터, 제1 가스의 분압 데이터, 제2 가스의 분압 데이터, 제1 가스의 순도 데이터, 제2 가스의 순도 데이터, 전력 데이터, 챔버 압력 데이터, 디스크 온도 데이터 및 기판 온도 데이터 중 적어도 하나를 포함한다.
몇몇 실시예에서, 제1 제어 신호는 다이아몬드 제조 공정의 공정 조건을 최적화하는데 이용될 수 있다.
몇몇 실시예에서, 제1 딥러닝 모듈을 이용하여 제1 제어 신호를 생성하는 단계는, 제1 딥러닝 모듈을 이용하여, 다이아몬드의 성장 두께를 결정하는 단계를 포함할 수 있다.
몇몇 실시예에서, 제1 딥러닝 모듈을 이용하여 제1 제어 신호를 생성하는 단계는, 결정된 다이아몬드의 성장 두께에 따라 제1 제어 신호를 생성하는 단계를 더 포함할 수 있다.
몇몇 실시예에서, 제1 제어 신호는 다이아몬드가 성장되는 기판의 높이를 조절하는데 이용될 수 있다.
몇몇 실시예에서, 제1 제어 신호는 다이아몬드 제조 공정의 공정 순서를 변경하는데 이용될 수 있다.
몇몇 실시예에서, 제1 딥러닝 모듈을 이용하여 제1 제어 신호를 생성하는 단계는, 제1 딥러닝 모듈을 이용하여, 다이아몬드 성장체에 흑연 스팟 결함이 존재하는지 여부를 결정하는 단계를 포함하고, 다이아몬드 성장체에 흑연 스팟 결함이 존재하는 경우, 제1 딥러닝 모듈은 제1 제어 신호를 생성할 수 있다.
몇몇 실시예에서, 제1 제어 신호는 CH4 가스의 유입을 중단하도록 제어하는 신호일 수 있다.
몇몇 실시예에서, 제1 가스는 H2, O2, CH4, Ar, N2, Ne 및 Xe 중 어느 하나이고, 제2 가스는 제1 가스와 다르고, H2, O2, CH4, Ar, N2, Ne 및 Xe 중 어느 하나일 수 있다.
상기 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 인공지능 기반의 다이아몬드 제조 장비는 챔버 내에 마이크로파 필드를 형성하는 마이크로파 생성부, 다이아몬드가 성장되는 기판의 위치를 조절하는 무빙부, 제1 가스 및 제1 가스와 다른 제2 가스를 챔버 내로 유입하는 가스 조절부, 센싱 데이터를 생성하는 센싱부 및 인공지능 기반 공정 컨트롤러 및 인공지능 기반 결함 컨트롤러를 포함하고, 마이크로파 생성부, 무빙부 및 가스 조절부를 제어하는 제어부를 포함하고, 인공지능 기반 공정 컨트롤러는 센싱 데이터를 기초로, 다이아몬드 제조 공정의 공정 조건을 최적화하기 위한 제1 제어 신호를 생성하고, 인공지능 기반 결함 컨트롤러는 센싱 데이터를 기초로, 다이아몬드 제조 공정의 공정 순서를 변경하기 위한 제2 제어 신호를 생성한다.
본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비는 딥러닝 모듈을 통해 센싱 데이터를 분석함으로써, 다이아몬드 제조 공정의 시간을 단축시키고, 다이아몬드 성장체의 품질을 향상시키기 위해, 공정 조건을 최적화할 수 있다.
본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비는 특정 두께 이상에서 열응력으로 인한 결함이 발생되는지 여부를 사전에 감지하고, 이를 결함 다이아몬드로 분류함으로써 다이아몬드의 품질 관리를 손쉽게 할 수 있다.
본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비는 결함 다이아몬드로 분류된 다이아몬드 성장체가 특정 개수 이상인 경우, 공정 시간 및 공정 비용 절감을 위해 다이아몬드 제조 공정을 조속히 중단시켜 불필요한 비용 낭비를 감소시킬 수 있다.
본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비는 흑연 스팟 결함의 발생 여부를 사전에 감지하고, 사전에 감지된 흑연 스팟 결함을 제거하도록 공정 순서를 제어함으로써 다이아몬드 제조 공정을 통해 결함이 최소화된 높은 품질의 다이아몬드를 제조할 수 있다.
상술한 내용과 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 몇몇 실시예에 따른 인공지능 기반의 다이아몬드 제조 장비를 설명하기 위한 개념도이다.
도 2는 본 발명의 몇몇 실시예에 따른 인공지능 모듈을 포함하는 제어부를 설명하기 위한 도면이다.
도 3은 본 발명의 몇몇 실시예에 따른 인공지능 기반 공정 컨트롤러를 설명하기 위한 도면이다.
도 4는 본 발명의 몇몇 실시예에 따른 인공지능 기반 공정 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 조건을 변경하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반 공정 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 조건을 변경하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러를 설명하기 위한 도면이다.
도 7은 본 발명의 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 순서를 변경하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 순서를 변경하는 과정을 설명하기 위한 도면이다.
본 명세서 및 특허청구범위에서 사용된 용어나 단어는 일반적이거나 사전적인 의미로 한정하여 해석되어서는 아니된다. 발명자가 그 자신의 발명을 최선의 방법으로 설명하기 위해 용어나 단어의 개념을 정의할 수 있다는 원칙에 따라, 본 발명의 기술적 사상과 부합하는 의미와 개념으로 해석되어야 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명이 실현되는 하나의 실시예에 불과하고, 본 발명의 기술적 사상을 전부 대변하는 것이 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 및 응용 가능한 예들이 있을 수 있음을 이해하여야 한다.
본 명세서 및 특허청구범위에서 사용된 제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 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.
본 명세서 및 특허청구범위에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호 간 모순되지 않는 범위 내에서 공유될 수 있다.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
본 발명에서 딥러닝(Deep Learning)은 사물이나 데이터를 군집화하거나 분류하는 데 사용하는 기술이다. 즉, 딥러닝은 많은 양의 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술이다. 이때 데이터를 어떻게 분류할 것인가를 놓고 이미 많은 기계훈련 알고리즘이 등장했다. 딥러닝은 인공신경망의 한계를 극복하기 위해 제안된 기계훈련 방법이다.
이하 도 1 내지 도 8을 참조하여, 인공지능 기반의 다이아몬드 제조 방법 및 인공지능 기반의 다이아몬드 제조 장비에 대해 설명한다.
도 1은 본 발명의 몇몇 실시예에 따른 인공지능 기반의 다이아몬드 제조 장비를 설명하기 위한 개념도이다.
도 1을 참조하면, 인공지능 기반의 다이아몬드 제조 장비(100)는 제어부(110), 전원부(120), 마이크로파 생성부(130), 무빙부(140), 센싱부(150) 및 가스 조절부(160)를 포함할 수 있다.
제어부(110)는 인공지능 기반의 다이아몬드 제조 장비(100)의 각 구성요소와 데이터 교환을 수행할 수 있다.
몇몇 실시예에 따르면, 제어부(110)는 전원부(120), 마이크로파 생성부(130), 무빙부(140), 센싱부(150) 및 가스 조절부(160) 중 적어도 하나에 대해, 제어부(110)에서 생성한 제어 신호를 제공할 수 있다. 다시 말해서, 제어부(110)는 인공지능 기반의 다이아몬드 제조 장비(100)의 각 구성요소에 대한 동작을 제어할 수 있다.
예를 들어, 제어부(110)는 마이크로파 생성부(130)에 제1 제어 신호를 제공하여, 마이크로파 생성부(130)의 출력을 제어할 수 있다. 다른 예를 들어, 제어부(110)는 가스 조절부(160)에 제1 제어 신호를 제공하여, 가스 조절부(160)에서 유출되는 가스 유량을 제어할 수 있다. 또 다른 예를 들어, 제어부(110)는 무빙부(140)에 제1 제어 신호를 제공하여, 무빙부(140)의 위치를 조절하여 기판이 실장되는 디스크의 위치를 변경할 수 있다. 또 다른 예를 들어, 제어부(110)는 전원부(120), 마이크로파 생성부(130) 및 가스 조절부(160)에 제2 제어 신호를 제공하여, 인공지능 기반의 다이아몬드 제조 공정을 중단할 수 있다.
본 명세서 전반적으로, '제1 제어 신호' 및 '제2 제어 신호'라는 용어가 사용된다. 제1 제어 신호는 본 발명의 몇몇 실시예들에 따른 인공지능 기반의 다이아몬드 제조 공정을 최적화하기 위한 제어 신호에 관한 것이다. 예를 들어, 인공지능 기반의 다이아몬드 제조 장비(100)는 제1 제어 신호를 통해, 마이크로파의 출력을 변경하거나, 가스 유량을 조절하거나, 디스크의 높낮이를 조절하는 등의 동작을 수행할 수 있다.
한편, 제2 제어 신호는 본 발명의 몇몇 실시예들에 따른 인공지능 기반의 다이아몬드 제조 공정의 순서를 제어하기 위한 신호이다. 다시 말해서, 제2 제어 신호는 다이아몬드 제조 공정의 순서를 제어함으로써, 다이아몬드 제조 공정을 통해 제조되는 다이아몬드 성장체의 결함을 최소화할 수 있다. 예를 들어, 인공지능 기반의 다이아몬드 제조 장비(100)는 제2 제어 신호를 통해 메탄 가스의 유입을 중단시킴으로써 흑연 스팟 결함을 제거할 수 있다.
또한, 몇몇 실시예에 따르면, 제어부(110)는 전원부(120), 마이크로파 생성부(130), 무빙부(140), 센싱부(150) 및 가스 조절부(160) 중 적어도 하나로부터 각 구성요소의 동작 신호를 제공받을 수 있다. 예를 들어, 제어부(110)는 전원부(120)로부터 전원부(120)에서 공급하는 전력에 관한 신호를 제공받을 수 있다. 다른 예를 들어, 제어부(110)는 마이크로파 생성부(130)로부터 마이크로파 생성부(130)에서 생성되는 마이크로파의 출력에 관한 신호를 제공받을 수 있다. 또 다른 예를 들어, 제어부(110)는 센싱부(150)로부터 센싱부(150)에서 측정된 센싱 신호를 제공받을 수 있다. 또 다른 예를 들어, 제어부(110)는 가스 조절부(160)로부터 가스 조절부(160)를 통과하는 가스 유출량에 관한 신호를 제공받을 수 있다.
몇몇 실시예에 따른 제어부(110)는 인공지능 기반 공정 컨트롤러(AIPC) 및 인공지능 기반 결함 컨트롤러(AIDC)를 포함할 수 있다. 인공지능 기반 공정 컨트롤러(AIPC) 및 인공지능 기반 결함 컨트롤러(AIDC)에 관한 구체적인 설명은 후술한다.
전원부(120)는 인공지능 기반의 다이아몬드 제조 장비(100)의 각 구성요소에 각 구성요소가 구동하기 위한 전원을 제공할 수 있다. 다시 말해서, 인공지능 기반의 다이아몬드 제조 장비(100)의 각 구성요소는 전원부(120)로부터 구동 전원을 제공받고, 제어부(110)로부터 제어 신호를 제공받아 동작을 수행할 수 있다.
마이크로파 생성부(130)는 마이크로파를 생성하는 마그네트론을 포함할 수 있다. 마이크로파 생성부(130)는 전원부(120)로부터 전원을 인가받아, 마그네트론을 이용하여 마이크로파 필드를 챔버 내에 형성시킬 수 있다. 예를 들어, 마이크로파 생성부(130)는 10kW, 2.45GHz의 마이크로파를 생성할 수 있다.
가스 조절부(160)는 챔버 내부로 공정 가스를 제공할 수 있다. 또한, 가스 조절부(160)는 챔버 내부로 제공되는 공정 가스의 분압 및 유량을 조절할 수 있다. 공정 가스는 H2, O2, CH4 등 반응가스와, Ar, N2, Ne, Xe 등 불활성 가스를 포함할 수 있다.
몇몇 실시예에 따르면, 마이크로파 생성부(130)에 의해 챔버 내에 마이크로파가 형성된 상태에서, 가스 조절부(160)를 통해 H2 가스가 챔버로 제공되는 경우, 챔버 내에 플라즈마가 형성될 수 있다. 이때, 가스 조절부(160)에 의해 CH4 가스가 챔버 내로(형성된 플라즈마로) 제공되는 경우, CH4 가스의 탄소 성분이 라디칼로 분해되어 기판 표면에 다이아몬드가 단결정으로 형성될 수 있다.
무빙부(140)는 기판(예를 들어, 다이아몬드 기판)이 실장되는 디스크의 위치를 조절할 수 있다. 예를 들어, 무빙부(140)는 스텝 모터 또는 서보 모터로 구성될 수 있으나, 실시예들이 이에 제한되는 것은 아니다. 몇몇 실시예에 따르면, 무빙부(140)는 제1 제어 신호에 따라, 기판이 플라즈마의 중심부에 위치하도록 무빙부(140)의 위치를 제어하여, 다이아몬드의 성장 속도를 증가시킬 수 있다. 이에 대한 구체적인 설명은 후술한다.
센싱부(150)는 다이아몬드 제조 공정의 상태를 센싱하는 다양한 센서들을 포함할 수 있다. 몇몇 실시예에 따르면 센싱부(150)는 압력 센서, 유량 센서, 순도 센서, 온도 센서, 광학 카메라, 적외선 카메라, 엑스선 카메라, 초분광 카메라, 라만 분광기 및 방출 분광기 중 적어도 하나를 포함할 수 있다. 센싱부(150)는 다양한 센서들을 통해, 가스별 분압 데이터, 가스별 유량 데이터, 가스별 순도 데이터, 챔버 내부 압력 데이터, 기판 온도 데이터, 디스크 온도 데이터, 전력 데이터, 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 이미지 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터 및 초분광 이미지 데이터 중 적어도 하나를 생성할 수 있다.
다만, 이러한 설명은 예시적인 것이며, 실시예들이 이에 제한되는 것은 아니다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고, 상술한 센서들 외에 다양한 센서들을 더 이용할 수 있을 것이다.
본 발명의 몇몇 실시예에 따른 인공지능 기반의 다이아몬드 제조 장비(100)는 센싱부(150)에 포함된 다양한 센서들을 통해 획득한 센싱 데이터를, 미리 학습된 인공지능 모듈에 제공하여, 최적의 공정 조건을 결정할 수 있다. 또한, 본 발명의 몇몇 실시예에 따른 인공지능 기반의 다이아몬드 제조 장비(100)는 센싱부(150)에 포함된 다양한 센서들을 통해 획득한 센싱 데이터를, 미리 학습된 인공지능 모듈에 제공하여, 결함이 상대적으로 적은 다이아몬드를 생성할 수 있다. 따라서, 본 발명의 몇몇 실시예에 따른 인공지능 기반의 다이아몬드 제조 장비(100)는 최적의 공정 조건을 결정함으로써 공정 효율을 증가시킬 수 있고, 최적의 품질을 갖는 다이아몬드를 제조할 수 있다는 장점이 있다. 도 2를 더 참조하여, 인공지능 모듈을 포함하는 제어부(110)에 대해 추가적으로 설명한다.
도 2는 본 발명의 몇몇 실시예에 따른 인공지능 모듈을 포함하는 제어부를 설명하기 위한 도면이다.
도 2를 더 참조하면, 인공지능 기반의 다이아몬드 제조 장비(100)의 제어부(110)는 데이터 수집 모듈(111) 및 제어 신호 결정 모듈(112)을 포함할 수 있다.
먼저, 데이터 수집 모듈(111)은 센싱부(150)에 포함된 각종 센서로부터 생성된 센싱 데이터를 수집할 수 있다. 몇몇 실시예에 따르면, 데이터 수집 모듈(111)은 센싱부(150)에서 생성된 가스별 분압 데이터, 가스별 유량 데이터, 가스별 순도 데이터, 챔버 내부 압력 데이터, 기판 온도 데이터, 디스크 온도 데이터, 전력 데이터, 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 이미지 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터 및 초분광 이미지 데이터 중 적어도 하나를 제공받을 수 있다. 데이터 수집 모듈(111)에서 수집된 센싱 데이터는 제어 신호 결정 모듈(112)에 제공될 수 있다.
제어 신호 결정 모듈(112)은 인공지능 기반 공정 컨트롤러(AIPC)와 인공지능 기반 결함 컨트롤러(AIDC)를 포함할 수 있다.
인공지능 기반 공정 컨트롤러(AIPC)는 인공지능을 기반으로 다이아몬드 제조 공정에 대한 최적의 공정 조건을 결정할 수 있다. 인공지능 기반 공정 컨트롤러(AIPC)는 센싱부(150)에서 생성되는 센싱 데이터를 분석하여, 최적의 공정 조건을 도출하고, 이를 달성하기 위한 제1 제어 신호를 생성할 수 있다. 예시적인 설명을 위해 도 3을 더 참조한다.
도 3은 본 발명의 몇몇 실시예에 따른 인공지능 기반 공정 컨트롤러를 설명하기 위한 도면이다.
도 3을 더 참조하면, 인공지능 기반 공정 컨트롤러(AIPC)는 제1 데이터 전처리 모듈(PM_1) 및 제1 딥러닝 모듈(DM_1)을 포함할 수 있다.
제1 데이터 전처리 모듈(PM_1)은 제공받는 센싱 데이터(Data_Sensing)들의 형식을, 제1 딥러닝 모듈(DM_1)에 제공할 데이터의 형식으로 가공할 수 있다. 다시 말해서, 제1 데이터 전처리 모듈(PM_1)은 센싱 데이터(Data_Sensing)를 제공받아, 전처리된 센싱 데이터(pData_Sensing)를 생성할 수 있다. 전처리된 센싱 데이터(pData_Sensing)는 제1 딥러닝 모듈(DM_1)에 제공될 수 있다.
제1 딥러닝 모듈(DM_1)은 데이터베이스에 저장된 복수의 훈련 데이터를 이용하여 미리 학습될 수 있다. 예를 들어, 훈련 데이터는 가스별 분압 데이터, 가스별 유량 데이터, 가스별 순도 데이터, 챔버 내부 압력 데이터, 기판 온도 데이터, 디스크 온도 데이터, 전력 데이터, 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 이미지 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터 및 초분광 이미지 데이터 중 적어도 하나와, 공정 결과에 대한 데이터를 포함할 수 있다.
몇몇 실시예에 따르면, 제1 딥러닝 모듈(DM_1)은 복수의 훈련 데이터를 이용하여, 가스별 분압 데이터, 가스별 유량 데이터, 가스별 순도 데이터, 챔버 내부 압력 데이터, 기판 온도 데이터, 디스크 온도 데이터 및 전력 데이터와, 다이아몬드의 성장 속도 및/또는 다이아몬드의 품질과의 관계를 학습할 수 있다.
다른 몇몇 실시예에 따르면, 제1 딥러닝 모듈(DM_1)은 복수의 훈련 데이터를 이용하여, 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 초분광 이미지 데이터, 방출 스펙트럼 데이터 및 라만 스펙트럼 데이터와, 다이아몬드의 성장 두께와의 관계를 학습할 수 있다.
몇몇 실시예에 따르면, 제1 딥러닝 모듈(DM_1)은 제공받은 전처리된 센싱 데이터(pData_Sensing)를 이용하여, 다이아몬드의 성장 속도 및/또는 다이아몬드의 품질을 최적화하기 위한 제1 제어 신호(Csgn_1)를 생성할 수 있다. 제1 제어 신호(Csgn_1)는 전원부(120), 마이크로파 생성부(130), 가스 조절부(160) 및 무빙부(140) 중 적어도 하나에 제공되어, 공정 조건을 변경시킬 수 있다. 부가적인 설명을 위하여, 도 4 및 도 5를 더 참조한다.
도 4는 본 발명의 몇몇 실시예에 따른 인공지능 기반 공정 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 조건을 변경하는 과정을 설명하기 위한 도면이다.
도 4를 더 참조하면, 인공지능 기반 공정 컨트롤러(AIPC)는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터, 초분광 이미지 데이터, 제1 가스 유량 데이터, 제2 가스 유량 데이터, 제1 가스 분압 데이터, 제2 가스 분압 데이터, 제1 가스 순도 데이터, 제2 가스 순도 데이터, 전력 데이터, 챔버 압력 데이터, 디스크 온도 데이터 및 기판 온도 데이터 중 적어도 하나를 센싱 데이터(Data_Sensing)로 제공받을 수 있다(S100).
예를 들어, 제1 가스는 H2, O2, CH4, Ar, N2, Ne, Xe 중 어느 하나일 수 있고, 제2 가스는 제1 가스와 다르고 H2, O2, CH4, Ar, N2, Ne, Xe 중 어느 하나일 수 있다. 이때, 제1 가스 유량 데이터는 제1 가스에 대한 유량 데이터이고, 제2 가스 유량 데이터는 제2 가스에 대한 유량 데이터일 수 있다. 이와 유사하게, 제1 가스 분압 데이터 및 제1 가스 순도 데이터는 제1 가스에 대한 분압 데이터 및 순도 데이터를 의미할 수 있다. 또한, 제2 가스 분압 데이터 및 제2 가스 순도 데이터는 제2 가스에 대한 분압 데이터 및 순도 데이터를 의미할 수 있다. 다만, 이는 예시적인 설명이며 실시예들이 이에 제한되는 것은 아니다.
인공지능 기반 공정 컨트롤러(AIPC)는 센싱 데이터(Data_Sensing)를 전처리하여, 전처리된 센싱 데이터(pData_Sensing)를 생성할 수 있다(S110). 전술한 바와 같이, 센싱 데이터(Data_Sensing) 각각은 제1 딥러닝 모듈(DM_1)에 제공되기 위한 형식으로 전처리될 수 있다. 다만, 실시예들이 이에 제한되는 것은 아니다. 예를 들어, 몇몇 센싱 데이터는 전처리가 필요 없을 수도 있고, 몇몇 센싱 데이터는 데이터 수집 모듈(111)에서 전처리될 수도 있을 것이다.
전술한 바와 같이, 미리 학습된 제1 딥러닝 모듈(DM_1)은 센싱 데이터(Data_Sensing)와 다이아몬드의 성장 속도 및/또는 다이아몬드의 품질에 대한 관계를 추정할 수 있으므로, 인공지능 기반 공정 컨트롤러(AIPC)는 전처리된 센싱 데이터(pData_Sensing)와 미리 학습된 제1 딥러닝 모듈(DM_1)을 이용하여, 마이크로파 생성부(130), 전원부(120) 및 가스 조절부(160) 중 적어도 하나를 제어하는 제1 제어 신호(Csgn_1)를 생성할 수 있다(S120).
다시 말해서, 제1 딥러닝 모듈(DM_1)은 다이아몬드의 성장 속도 및/또는 다이아몬드의 품질을 조절할 수 있도록, 마이크로파 생성부(130), 전원부(120) 및 가스 조절부(160) 중 적어도 하나를 제어하는 제1 제어 신호(Csgn_1)를 생성할 수 있다. 인공지능 기반 공정 컨트롤러(AIPC)에서 생성된 제1 제어 신호(Csgn_1)는 마이크로파 생성부(130), 전원부(120) 및 가스 조절부(160) 중 적어도 하나에 제공되고, 마이크로파 생성부(130), 전원부(120) 및 가스 조절부(160) 중 적어도 하나는 제1 제어 신호(Csgn_1)에 따라 공정 조건을 변경시킬 수 있다.
예를 들어, 제1 가스를 H2 가스, 제2 가스를 CH4 가스인 것을 가정하면, 인공지능 기반 공정 컨트롤러(AIPC)는 제1 가스 순도 데이터 및 제2 가스 순도 데이터에 따라, N2 가스의 분압을 조절하는 제1 제어 신호(Csgn_1)를 생성할 수 있다. 예를 들어, 인공지능 기반 공정 컨트롤러(AIPC)는 제1 가스 순도 데이터와 제2 가스 순도 데이터가 5N 이하인 경우, N2 가스가 챔버 내로 유입되는 것을 배제할 수 있다. 이 경우, 다이아몬드 제조 공정을 통해 고순도의 다이아몬드가 제조될 수 있다. 다른 예를 들어, 인공지능 기반 공정 컨트롤러(AIPC)는 제2 가스 순도 데이터가 3N인 경우, N2 가스 농도가 40~100ppm을 갖도록 하는 제1 제어 신호(Csgn_1)를 생성할 수 있다. 이 경우, 상대적으로 빠른 속도로 다이아몬드를 성장시킬 수 있다. 다만, 이는 인공지능 기반 공정 컨트롤러(AIPC)를 이용하여 공정 조건을 변화시키는 것에 관한 예시적인 설명일 뿐이며, 실시예들이 이에 제한되는 것은 아니다.
도 5는 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반 공정 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 조건을 변경하는 과정을 설명하기 위한 도면이다.
도 5를 더 참조하면, 인공지능 기반 공정 컨트롤러(AIPC)는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터, 초분광 이미지 데이터, 제1 가스 유량 데이터, 제2 가스 유량 데이터, 제1 가스 분압 데이터, 제2 가스 분압 데이터, 제1 가스 순도 데이터, 제2 가스 순도 데이터, 전력 데이터, 챔버 압력 데이터, 디스크 온도 데이터 및 기판 온도 데이터 중 적어도 하나를 센싱 데이터(Data_Sensing)로 제공받을 수 있다(S200).
인공지능 기반 공정 컨트롤러(AIPC)는 센싱 데이터(Data_Sensing)를 전처리하여, 전처리된 센싱 데이터(pData_Sensing)를 생성할 수 있다(S210). 전술한 바와 같이, 센싱 데이터(Data_Sensing) 각각은 제1 딥러닝 모듈(DM_1)에 제공되기 위한 형식으로 전처리될 수 있으나, 실시예들이 이에 제한되지는 않는다.
전술한 바와 같이, 미리 학습된 제1 딥러닝 모듈(DM_1)은 센싱 데이터(Data_Sensing)와 다이아몬드의 성장 두께와의 관계를 추정할 수 있으므로, 인공지능 기반 공정 컨트롤러(AIPC)는 전처리된 센싱 데이터(pData_Sensing)와 미리 학습된 제1 딥러닝 모듈(DM_1)을 이용하여, 다이아몬드의 성장 두께를 결정할 수 있다(S220).
인공지능 기반 공정 컨트롤러(AIPC)는 다이아몬드의 성장 두께에 따라 제1 제어 신호(Csgn_1)를 생성할 수 있다(S230). 인공지능 기반 공정 컨트롤러(AIPC)는 무빙부(140)에 제1 제어 신호(Csgn_1)를 제공할 수 있고, 무빙부(140)는 제1 제어 신호(Csgn_1)에 따라 기판이 실장되는 디스크의 높이를 조절할 수 있다.
몇몇 실시예에 따르면, 다이아몬드의 성장 속도를 증가시키기 위해서는, 마이크로파 생성부(130) 및 가스 조절부(160)에 의해 발생되는 플라즈마 영역 중심부에 기판을 위치시킬 필요가 있다. 다이아몬드의 성장 초기에 플라즈마 영역의 중심부에 기판을 위치시키더라도, 다이아몬드가 성장하는 동안 다이아몬드의 두께가 점점 두꺼워져, 결국 다이아몬드 성장체의 표면은 플라즈마 중심부 영역을 벗어나게 된다. 따라서, 본 발명의 몇몇 실시예에 따른 인공지능 기반 공정 컨트롤러(AIPC)는 다이아몬드의 성장 두께(또는 성장 속도)에 따라, 다이아몬드가 성장되는 기판의 표면 영역이 항상 플라즈마의 중심부에 위치하도록 무빙부(140)를 제어할 수 있다.
본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비(100)는 딥러닝 모듈을 통해 센싱 데이터를 분석함으로써, 다이아몬드 제조 공정의 시간을 단축시키고, 다이아몬드 성장체의 품질을 향상시키기 위해, 공정 조건을 최적화할 수 있다.
다시 도 2를 참조하면, 인공지능 기반 결함 컨트롤러(AIDC)는 인공지능을 기반으로 다이아몬드 제조 공정에서 발생될 수 있는 다이아몬드의 결함을 최소화하는 방향으로 공정 순서를 결정할 수 있다. 인공지능 기반 결함 컨트롤러(AIDC)는 센싱부(150)에서 생성되는 센싱 데이터를 분석하여, 결함이 최소화되는 방향으로 공정 순서를 결정하고, 이를 제어하기 위한 제2 제어 신호를 생성할 수 있다. 예시적인 설명을 위해 도 6을 더 참조한다.
도 6은 본 발명의 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러를 설명하기 위한 도면이다.
도 6을 더 참조하면, 인공지능 기반 결함 컨트롤러(AIDC)는 제2 데이터 전처리 모듈(PM_2) 및 제2 딥러닝 모듈(DM_2)을 포함할 수 있다.
제2 데이터 전처리 모듈(PM_2)은 제공받는 센싱 데이터(Data_Sensing)들의 형식을, 제2 딥러닝 모듈(DM_2)에 제공할 데이터의 형식으로 가공할 수 있다. 다시 말해서, 제2 데이터 전처리 모듈(PM_2)은 센싱 데이터(Data_Sensing)를 제공받아, 전처리된 센싱 데이터(pData_Sensing)를 생성할 수 있다. 전처리된 센싱 데이터(pData_Sensing)는 제2 딥러닝 모듈(DM_2)에 제공될 수 있다.
제2 딥러닝 모듈(DM_2)은 데이터베이스에 저장된 복수의 훈련 데이터를 이용하여 미리 학습될 수 있다. 예를 들어, 훈련 데이터는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 이미지 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터 및 초분광 이미지 데이터 중 적어도 하나와, 다이아몬드 제조 공정의 결과 데이터를 포함할 수 있다.
몇몇 실시예에 따르면, 제2 딥러닝 모듈(DM_2)은 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 이미지 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터 및 초분광 이미지 데이터 중 적어도 하나를 이용하여, 다이아몬드 제조 공정을 통해 성장 중인 다이아몬드에 결함이 발생되었는지 여부를 추정하고, 이를 반복적으로 학습할 수 있다.
몇몇 실시예에 따르면, 훈련 데이터를 이용하여 미리 학습된 제2 딥러닝 모듈(DM_2)은 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 이미지 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터 및 초분광 이미지 데이터 중 적어도 하나를 이용하여, 성장 중인 다이아몬드에 열응력으로 인한 결함이 발생되었는지 여부를 결정할 수 있다. 열응력으로 인한 결함은 주로 성장 초기와 성장 말기에 흔히 발생될 수 있으며, 플라즈마에 의해 급격한 열에너지가 생성되거나 소멸되면서 기판이나 성장체에 큰 열충격 가해져서 발생될 수 있다. 예를 들어, [100] 기판의 경우, [110] 방향의 크랙이 발생되거나, 기판 또는 다이아몬드 성장체가 돌출될 수 있다.
다른 몇몇 실시예에 따르면, 훈련 데이터를 이용하여 미리 학습된 제2 딥러닝 모듈(DM_2)은 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 이미지 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터 및 초분광 이미지 데이터 중 적어도 하나를 이용하여, 성장 중인 다이아몬드에 카본 스팟 결함이 발생되었는지 여부를 결정할 수 있다. 카본 스팟 결함은 다이아몬드 제조 공정의 진행 중, 플라즈마의 국부적 불균일이나 챔버 내벽의 카본 플레이크, 또는 외부 파티클의 유입으로 인해 발생될 수 있다. 카본 스팟 결함은 기판 표면에 다이아몬드가 성장되는 것이 아니라, 그라파이트가 성장되어 발생되는 결함이다.
몇몇 실시예에 따르면, 제1 딥러닝 모듈(DM_1)은 제공받은 전처리된 센싱 데이터(pData_Sensing)를 이용하여, 공정 순서를 제어하기 위한 제2 제어 신호(Csgn_2)를 생성할 수 있다. 제2 제어 신호(Csgn_2)는 전원부(120), 마이크로파 생성부(130), 가스 조절부(160) 및 무빙부(140) 중 적어도 하나에 제공되어, 공정 순서를 변경시킬 수 있다. 부가적인 설명을 위하여, 도 7 및 도 8을 더 참조한다.
도 7은 본 발명의 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 순서를 변경하는 과정을 설명하기 위한 도면이다. 이하에서는, 설명의 편의를 위해, 전술한 내용과 동일하거나 유사한 내용은 생략하거나 간단히 설명한다. 도 7은 인공지능 기반 결함 컨트롤러가 열응력으로 인한 결함을 감지한 경우를 가정하여 설명한다.
도 7을 더 참조하면, 인공지능 기반 결함 컨트롤러(AIDC)는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터, 초분광 이미지 데이터, 제1 가스 유량 데이터, 제2 가스 유량 데이터, 제1 가스 분압 데이터, 제2 가스 분압 데이터, 제1 가스 순도 데이터, 제2 가스 순도 데이터, 전력 데이터, 챔버 압력 데이터, 디스크 온도 데이터 및 기판 온도 데이터 중 적어도 하나를 센싱 데이터(Data_Sensing)로 수신할 수 있다(S300).
인공지능 기반 결함 컨트롤러(AIDC)는 센싱 데이터(Data_Sensing)를 전처리하여, 전처리된 센싱 데이터(pData_Sensing)를 생성할 수 있다(S310).
인공지능 기반 결함 컨트롤러(AIDC)는 전처리된 센싱 데이터(pData_Sensing)와 미리 학습된 제2 딥러닝 모듈(DM_2)을 이용하여, 열응력으로 인한 결함을 감지할 수 있다(S320).
제2 딥러닝 모듈(DM_2)을 통해 열응력으로 인한 결함이 감지되면, 인공지능 기반 결함 컨트롤러(AIDC)는 인공지능 기반 공정 컨트롤러(AIPC)로 하여금 성장 중인 다이아몬드의 두께를 추정하도록 할 수 있다. 다시 말해서, 인공지능 기반 공정 컨트롤러(AIPC)는 전처리된 센싱 데이터(pData_Sensing)와 미리 학습된 제1 딥러닝 모듈(DM_1)을 이용하여, 다이아몬드의 성장 두께를 결정할 수 있다(S330).
다이아몬드의 성장 두께가 제1 기준 이하인 경우(S340, N), 인공지능 기반 결함 컨트롤러(AIDC)는 다시 S300 단계를 통해 주기적 또는 실시간으로 성장 중인 다이아몬드에 열응력으로 인한 결함이 존재하는지 여부를 감지할 수 있다.
다이아몬드의 성장 두께가 제1 기준보다 큰 경우(S340, Y), 인공지능 기반 결함 컨트롤러(AIDC)는 해당 다이아몬드 성장체를 결함 다이아몬드로 분류할 수 있다(S350).
몇몇 실시예에 따르면, 다이아몬드 제조 공정에는 복수의 씨드 기판이 동시에 투입될 수 있다. 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러(AIDC)는 복수의 씨드 기판 각각에 대한 결함 발생 여부를 관리할 수 있고, 결함 다이아몬드로 분류된 다이아몬드 성장체는 다이아몬드 제조 공정이 완료된 후 폐기될 수 있다.
결함 다이아몬드로 분류된 다이아몬드 성장체의 개수가 제1 개수 이하인 경우(S360, N), 인공지능 기반 결함 컨트롤러(AIDC)는 다시 S300 단계를 통해 주기적 또는 실시간으로 성장 중인 다이아몬드에 열응력으로 인한 결함이 존재하는지 여부를 감지할 수 있다.
한편, 결함 다이아몬드로 분류된 다이아몬드 성장체의 개수가 제1 개수 보다 큰 경우(S360, Y), 인공지능 기반 결함 컨트롤러(AIDC)는 공정 순서를 변경하기 위해, 제2 제어 신호(Csgn_2)를 생성할 수 있다(S370). 제2 제어 신호(Csgn_2)는 전원부(120), 마이크로파 생성부(130), 무빙부(140), 센싱부(150) 및 가스 조절부(160) 중 적어도 하나에 제공될 수 있다. 몇몇 실시예에서, 제2 제어 신호(Csgn_2)는 다이아몬드 제조 공정을 중단하기 위한 제어 신호일 수 있다.
전원부(120), 마이크로파 생성부(130), 무빙부(140), 센싱부(150) 및 가스 조절부(160) 중 적어도 하나는 제2 제어 신호(Csgn_2)를 수신하여, 다이아몬드 제조 공정을 중단할 수 있다(S380).
몇몇 실시예에 따르면, 다이아몬드 제조 공정을 통한 다이아몬드의 성장 초기에는 열응력으로 인한 결함이 오히려 스트레스의 발산 역할을 하여, 결함 상부에는 더 이상 결함이 존재하지 않는 단결정의 다이아몬드로 성장할 수 있다. 그러나, 성장 두께가 제1 기준을 초과한 경우에 열응력으로 인한 결함이 발생된 경우, 해당 다이아몬드 성장체는 후속 보석 가공에서 치명적인 결함을 내포할 수 있으므로 폐기되어야 하므로, 결함 다이아몬드로 분류될 수 있다.
한편, 한 공정에서 발생된 결함 다이아몬드가 미리 정한 제1 개수를 초과하는 경우, 오히려 다이아몬드 제조 공정을 계속 진행할 때 시간적/경제적 비용이 과다하게 소요될 수 있다. 따라서, 몇몇 실시예에 따르면, 결함 다이아몬드로 분류된 다이아몬드 성장체의 개수가 제1 개수를 초과하는 경우, 인공지능 기반 결함 컨트롤러(AIDC)는 더 이상 다이아몬드 제조 공정을 진행할 필요가 없다고 판단하여, 다이아몬드 제조 공정을 중단하기 위한 제2 제어 신호(Csgn_2)를 생성할 수 있다.
본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비(100)는 특정 두께 이상에서 열응력으로 인한 결함이 발생되는지 여부를 사전에 감지하고, 이를 결함 다이아몬드로 분류함으로써 다이아몬드의 품질 관리를 손쉽게 할 수 있다.
또한, 본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비(100)는 결함 다이아몬드로 분류된 다이아몬드 성장체의 개수가 특정 개수 이상인 경우, 공정 시간 및 공정 비용 절감을 위해 다이아몬드 제조 공정을 조속히 중단시켜 불필요한 비용 낭비를 감소시킬 수 있다.
도 8은 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러를 이용하여, 다이아몬드 제조 공정의 공정 순서를 변경하는 과정을 설명하기 위한 도면이다.
도 8을 더 참조하면, 인공지능 기반 결함 컨트롤러(AIDC)는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터, 초분광 이미지 데이터, 제1 가스 유량 데이터, 제2 가스 유량 데이터, 제1 가스 분압 데이터, 제2 가스 분압 데이터, 제1 가스 순도 데이터, 제2 가스 순도 데이터, 전력 데이터, 챔버 압력 데이터, 디스크 온도 데이터 및 기판 온도 데이터 중 적어도 하나를 센싱 데이터(Data_Sensing)로 수신할 수 있다(S400).
인공지능 기반 결함 컨트롤러(AIDC)는 센싱 데이터(Data_Sensing)를 전처리하여, 전처리된 센싱 데이터(pData_Sensing)를 생성할 수 있다(S410).
인공지능 기반 결함 컨트롤러(AIDC)는 전처리된 센싱 데이터(pData_Sensing)와 미리 학습된 제2 딥러닝 모듈(DM_2)을 이용하여, 흑연 스팟 결함이 존재하는지 여부를 결정할 수 있다(S420).
인공지능 기반 결함 컨트롤러(AIDC)가 흑연 스팟 결함이 존재하지 않는 것으로 결정하면(S430, N), 인공지능 기반 결함 컨트롤러(AIDC)는 다시 S400 단계를 통해 주기적 또는 실시간으로 성장 중인 다이아몬드에 흑연 스팟 결함이 존재하는지 여부를 감지할 수 있다.
인공지능 기반 결함 컨트롤러(AIDC)가 흑연 스팟 결함이 존재하는 것으로 결정하면(S430, Y), 인공지능 기반 결함 컨트롤러(AIDC)는 제2 제어 신호(Csgn_2)를 생성할 수 있다(S440). 몇몇 실시예에 따르면, 제2 제어 신호(Csgn_2)는 CH4 가스의 유입을 중단하기 위한 제어 신호일 수 있다. 인공지능 기반 결함 컨트롤러(AIDC)에서 생성된 제2 제어 신호(Csgn_2)는 가스 조절부(160)에 제공될 수 있다.
가스 조절부(160)는 제2 제어 신호(Csgn_2)를 제공받아, CH4 가스가 챔버 내부로 유입되는 것을 중단할 수 있다(S450).
몇몇 실시예에 따르면, CH4 가스가 챔버 내부로 유입되는 것이 중단되면, 본딩 에너지가 작은 흑연 스팟 결함은 분해되고, 다이아몬드 성장체의 표면에는 순수한 다이아몬드 상만 남을 수 있다. 따라서, 몇몇 실시예에 따른 인공지능 기반 결함 컨트롤러(AIDC)는 실시간/주기적으로 흑연 스팟 결함이 발생하였는지 여부를 분석하고, 흑연 스팟 결함이 발생되는 경우 CH4 가스의 유입을 중단하여, 흑연 스팟 결함을 조기에 제거할 수 있다.
즉, 인공지능 기반 결함 컨트롤러(AIDC)는 지속적으로 흑연 스팟 결함이 존재하는지 여부를 결정하고(S460), 흑연 스팟 결함이 완전히 제거될 때까지 CH4 가스의 유입을 중단시키기 위한 제2 제어 신호(Csgn_2)를 생성할 수 있다(S440).
흑연 스팟 결함이 완전히 제거된 경우(S460, N), 인공지능 기반 결함 컨트롤러(AIDC)는 CH4 가스의 유입을 재개하고(S470), 다시 S400 단계를 통해 주기적 또는 실시간으로 성장 중인 다이아몬드에 흑연 스팟 결함이 존재하는지 여부를 감지할 수 있다.
본 발명의 몇몇 실시예에 따르면, 인공지능 기반의 다이아몬드 제조 장비(100)는 흑연 스팟 결함의 발생 여부를 사전에 감지하고, 사전에 감지된 흑연 스팟 결함을 제거하도록 공정 순서를 제어함으로써 다이아몬드 제조 공정을 통해 결함이 최소화된 높은 품질의 다이아몬드를 제조할 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

  1. 센싱 데이터를 수신하는 단계;
    상기 센싱 데이터를 전처리하여, 전처리된 센싱 데이터를 생성하는 단계;
    상기 전처리된 센싱 데이터와, 미리 학습된 제1 딥러닝 모듈을 이용하여 제1 제어 신호를 생성하는 단계; 및
    상기 제1 제어 신호를 이용하여 다이아몬드 제조 장비를 제어하는 단계를 포함하고,
    상기 센싱 데이터는 가시광선 이미지 데이터, 적외선 이미지 데이터, XRD 데이터, 방출 스펙트럼 데이터, 라만 스펙트럼 데이터, 초분광 이미지 데이터, 제1 가스의 유량 데이터, 상기 제1 가스와 다른 제2 가스의 유량 데이터, 상기 제1 가스의 분압 데이터, 상기 제2 가스의 분압 데이터, 상기 제1 가스의 순도 데이터, 상기 제2 가스의 순도 데이터, 전력 데이터, 챔버 압력 데이터, 디스크 온도 데이터 및 기판 온도 데이터 중 적어도 하나를 포함하는,
    인공지능 기반의 다이아몬드 제조 방법.
  2. 제1 항에 있어서,
    상기 제1 제어 신호는 다이아몬드 제조 공정의 공정 조건을 최적화하는데 이용되는 인공지능 기반의 다이아몬드 제조 방법.
  3. 제1 항에 있어서,
    상기 제1 딥러닝 모듈을 이용하여 상기 제1 제어 신호를 생성하는 단계는,
    상기 제1 딥러닝 모듈을 이용하여, 다이아몬드의 성장 두께를 결정하는 단계를 포함하는 인공지능 기반의 다이아몬드 제조 방법.
  4. 제3 항에 있어서,
    상기 제1 딥러닝 모듈을 이용하여 상기 제1 제어 신호를 생성하는 단계는,
    상기 결정된 다이아몬드의 성장 두께에 따라 상기 제1 제어 신호를 생성하는 단계를 더 포함하는 인공지능 기반의 다이아몬드 제조 방법.
  5. 제4 항에 있어서,
    상기 제1 제어 신호는 다이아몬드가 성장되는 기판의 높이를 조절하는데 이용되는 인공지능 기반의 다이아몬드 제조 방법.
  6. 제1 항에 있어서,
    상기 제1 제어 신호는 다이아몬드 제조 공정의 공정 순서를 변경하는데 이용되는 인공지능 기반의 다이아몬드 제조 방법.
  7. 제6 항에 있어서,
    상기 제1 딥러닝 모듈을 이용하여 상기 제1 제어 신호를 생성하는 단계는,
    상기 제1 딥러닝 모듈을 이용하여, 다이아몬드 성장체에 흑연 스팟 결함이 존재하는지 여부를 결정하는 단계를 포함하고,
    상기 다이아몬드 성장체에 흑연 스팟 결함이 존재하는 경우, 상기 제1 딥러닝 모듈은 상기 제1 제어 신호를 생성하는 인공지능 기반의 다이아몬드 제조 방법.
  8. 제7 항에 있어서,
    상기 제1 제어 신호는 CH4 가스의 유입을 중단하도록 제어하는 신호인 인공지능 기반의 다이아몬드 제조 방법.
  9. 제1 항에 있어서,
    상기 제1 가스는 H2, O2, CH4, Ar, N2, Ne 및 Xe 중 어느 하나이고,
    상기 제2 가스는 상기 제1 가스와 다르고, H2, O2, CH4, Ar, N2, Ne 및 Xe 중 어느 하나인 인공지능 기반의 다이아몬드 제조 방법.
  10. 챔버 내에 마이크로파 필드를 형성하는 마이크로파 생성부;
    다이아몬드가 성장되는 기판의 위치를 조절하는 무빙부;
    제1 가스 및 상기 제1 가스와 다른 제2 가스를 상기 챔버 내로 유입하는 가스 조절부;
    센싱 데이터를 생성하는 센싱부; 및
    인공지능 기반 공정 컨트롤러 및 인공지능 기반 결함 컨트롤러를 포함하고, 상기 마이크로파 생성부, 상기 무빙부 및 상기 가스 조절부를 제어하는 제어부를 포함하고,
    상기 인공지능 기반 공정 컨트롤러는 상기 센싱 데이터를 기초로, 다이아몬드 제조 공정의 공정 조건을 최적화하기 위한 제1 제어 신호를 생성하고,
    상기 인공지능 기반 결함 컨트롤러는 상기 센싱 데이터를 기초로, 상기 다이아몬드 제조 공정의 공정 순서를 변경하기 위한 제2 제어 신호를 생성하는 인공지능 기반의 다이아몬드 제조 장비.
KR1020220003878A 2022-01-11 2022-01-11 인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비 KR20230108459A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220003878A KR20230108459A (ko) 2022-01-11 2022-01-11 인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220003878A KR20230108459A (ko) 2022-01-11 2022-01-11 인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비

Publications (1)

Publication Number Publication Date
KR20230108459A true KR20230108459A (ko) 2023-07-18

Family

ID=87423452

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220003878A KR20230108459A (ko) 2022-01-11 2022-01-11 인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비

Country Status (1)

Country Link
KR (1) KR20230108459A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117516633A (zh) * 2024-01-03 2024-02-06 承德晶浪材料科技有限责任公司 适用于金刚石生产的远程监测方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101277232B1 (ko) 2004-09-10 2013-06-26 카네기 인스티튜션 오브 워싱턴 초인성 ｃｖｄ 단결정 다이아몬드 및 이의 삼차원 성장

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101277232B1 (ko) 2004-09-10 2013-06-26 카네기 인스티튜션 오브 워싱턴 초인성 ｃｖｄ 단결정 다이아몬드 및 이의 삼차원 성장

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117516633A (zh) * 2024-01-03 2024-02-06 承德晶浪材料科技有限责任公司 适用于金刚石生产的远程监测方法、装置、设备及介质
CN117516633B (zh) * 2024-01-03 2024-03-19 承德晶浪材料科技有限责任公司 适用于金刚石生产的远程监测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
KR20230108459A (ko) 인공지능 기반의 다이아몬드 제조 방법 및 다이아몬드 제조 장비
CN103710743B (zh) 连续蓝宝石生长
US8849438B2 (en) Factory level process and final product performance control system
KR20210067920A (ko) 예측 장치, 예측 방법 및 예측 프로그램
Yu et al. A rescheduling method for operation time delay disturbance in steelmaking and continuous casting production process
CN115769336A (zh) 加工设备的控制
Babu et al. Multi-sensor heterogeneous data-based online tool health monitoring in milling of IN718 superalloy using OGM (1, N) model and SVM
CN110202264B (zh) 一种钛合金蒙皮-桁条壁板双激光束双侧同步焊接微观组织的精确调控方法
JP2007188306A (ja) 処理時間の確率分布を考慮したスケジューリング装置
CN116771519B (zh) 一种基于plif的燃机当量比识别与调控装置及方法
WO2021247852A1 (en) Controlled growth system for biologicals
JP2024528498A (ja) プラズマ条件の画像分析
CN112394638A (zh) Pid模糊控制的自适应激光器功率稳定技术
CN114742289B (zh) 一种面向生产工艺参数的高斯过程稳健优化方法
Safdar et al. Transferability analysis of data-driven additive manufacturing knowledge: a case study between powder bed fusion and directed energy deposition
Surovi et al. Process map generation of geometrically uniform beads using support vector machine
CN106651003A (zh) 一种条件偏转近似次梯度的多项式动态规划方法
CN112116487B (zh) 一种基于人工免疫的智能制造系统
Assad et al. Process mapping and anomaly detection in laser wire directed energy deposition additive manufacturing using in-situ imaging and process-aware machine learning
Rea Disruption prevention via interpretable data-driven algorithms on DIII-D and EAST
CN111522306B (zh) 一种智能控制的热合机生产机群
CN113205219B (zh) 一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法
KR20240035856A (ko) 플라즈마 처리를 위한 균일성 제어
US12074074B2 (en) Method and system for processing wafer
CN108169920A (zh) 可传输吞吐微粒的椭圆光学传送带光束掩模板的设计方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal