KR20230151381A - 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템 - Google Patents
기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템 Download PDFInfo
- Publication number
- KR20230151381A KR20230151381A KR1020220051027A KR20220051027A KR20230151381A KR 20230151381 A KR20230151381 A KR 20230151381A KR 1020220051027 A KR1020220051027 A KR 1020220051027A KR 20220051027 A KR20220051027 A KR 20220051027A KR 20230151381 A KR20230151381 A KR 20230151381A
- Authority
- KR
- South Korea
- Prior art keywords
- simulation
- plasma process
- plasma
- result value
- machine learning
- Prior art date
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 174
- 238000010801 machine learning Methods 0.000 title claims abstract description 104
- 230000008569 process Effects 0.000 claims abstract description 122
- 239000004065 semiconductor Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 31
- 238000013528 artificial neural network Methods 0.000 description 27
- 239000007789 gas Substances 0.000 description 22
- 239000000306 component Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 150000002500 ions Chemical class 0.000 description 7
- 230000007935 neutral effect Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 150000001450 anions Chemical class 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000004020 luminiscence type Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000013626 chemical specie Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32926—Software, data control or modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/32—Processing objects by plasma generation
- H01J2237/33—Processing objects by plasma generation characterised by the type of processing
- H01J2237/332—Coating
- H01J2237/3321—CVD [Chemical Vapor Deposition]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/32—Processing objects by plasma generation
- H01J2237/33—Processing objects by plasma generation characterised by the type of processing
- H01J2237/334—Etching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Drying Of Semiconductors (AREA)
Abstract
위에서 살펴본 과제를 해결하기 위하여, 본 발명에 따른 시뮬레이션 방법은, 플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하는 단계와, 상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 단계, 및 기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력하는 단계를 포함한다.
Description
본 발명은 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템에 관한 것이다. 특히 본 발명은, 기계학습에 의한 시뮬레이션의 예측 값을 계산하여 플라즈마 시뮬레이션에 활용하는 시뮬레이션 방법 및 시스템에 관한 것이다.
반도체 제조 공정은 마이크로프로세서, 메모리 칩, 또는 다른 집적 회로와 같은 반도체 디바이스를 만들기 위해 다양한 제조 단계에서 플라즈마 처리를 사용하고 있다. 이러한, 플라즈마 공정은 플라즈마 장치에 의하여 수행되며, 예를 들어 웨이퍼 상에 물질막을 증착하거나 웨이퍼 상에 형성된 물질막을 식각하는 장비 등이 이용되고 있다.
플라즈마 장치나 공정의 특성을 분석하기 위해 플라즈마 시뮬레이터를 이용하여 플라즈마 장치의 내부 상태를 계산하고 공정의 물리적 현상을 설명하는 것은 시간과 비용을 절감하는데 있어서 매우 중요한 작업이다.
하지만, 플라즈마 시뮬레이터에서는 계산이 수렴할 때까지 반복 계산을 수행하게 되므로, 플라즈마 장치 내에서 발생하는 종(species)이 많거나 화학 반응이 많아지면 계산 시간이 많이 소요되는 문제점이 있다. 이러한 문제를 해결하기 위하여, 대한민국 공개특허 제10-2021-0131025호(2021년11월02일 공개)에서는 전자가 흡수한 파워를 계산하는 모듈의 호출 여부를 결정하여 계산 속도를 향상시키는 방법을 개시하고 있다.
하지만, 최근에는 반도체 디바이스의 크기가 줄어들고 복잡해짐에 따라 형상의 기하학적 구조가 매우 작아져서 처리 시간이 짧아지며, 결과적으로 플라즈마 공정에서 물리적 예측이 필요한 시간이 줄어들게 된다. 이에 따라, 플라즈마 시뮬레이터를 이용하여, 플라즈마 장치나 공정의 특성을 분석할 뿐만 아니라 공정이 진행되고 있는 동안에, 실시간으로 또는 실시간에 가깝게 공정의 물리적 현상을 예측하기 위한 기술적 니즈가 매우 중요하게 고려될 수 있다.
본 발명은, 기계학습을 이용하여 플라즈마 시뮬레이션의 계산 속도를 향상시키는 플라즈마 시뮬레이션 방법 및 시스템을 제공하는 것이다.
또한, 본 발명은 계산 속도를 기준으로 선택적으로 결과를 제공하여, 플라즈마 공정과 연동하여 사용자에게 즉각적인 예측 값을 제공하는 것이다.
또한, 본 발명은 플라즈마 장치 및 공정에 대한 시뮬레이션의 예측을 통하여, 플라즈마 장치를 실시간으로 제어할 수 있는 제어 방법을 제공하고자 한다.
위에서 살펴본 과제를 해결하기 위하여, 본 발명에 따른 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템은 기계학습 모델을 통하여 산출한 결과 값을 이용하여 플라즈마 공정에 대한 시뮬레이션을 수행한다.
보다 구체적으로, 본 발명의 플라즈마 공정의 시뮬레이션 방법은, 플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하는 단계와, 상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 단계, 및 기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력하는 단계를 포함한다.
나아가, 본 발명에서, 플라즈마 공정의 시뮬레이션 방법은 상기 파라미터를 상기 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치의 센서를 이용하여 센싱하는 단계를 더 포함할 수 있다. 상기 기 설정된 시간은 상기 플라즈마 장치에서 상기 플라즈마 공정을 수행하는 공정 시간보다 작은 시간으로 설정될 수 있다.
본 발명에 따른, 상기 기계학습 모델은 상기 플라즈마 공정에 대하여 기 획득된 입력값 및 출력값을 학습 데이터로 하는 딥 러닝에 의하여 도출될 수 있다.
상기 기계학습 모델은 복수의 기계학습 모델들 중 어느 하나이고, 본 발명의 플라즈마 공정의 시뮬레이션 방법은 상기 복수의 기계학습 모델들 중 적어도 하나를 상기 기계학습 모델로 선정하는 단계를 더 포함할 수 있다.
상기 시뮬레이션을 수행하는 단계는, 상기 제2 결과 값을 산출하도록, 상기 제1결과 값을 초기값으로 설정하여 상기 플라즈마 공정에 대한 시뮬레이션을 수행할 수 있다. 상기 초기값이 상기 시뮬레이션을 위한 격자에 대하여 설정되도록, 상기 제1결과 값은 상기 격자의 위치를 기준으로 산출되거나 상기 위치에 해당하는 값으로 변환된다.
또한, 본 발명에서는, 상기 기 설정된 시간 내에 상기 시뮬레이션이 수렴하면, 상기 제2결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력하고, 상기 기 설정된 시간 내에 수렴하지 않으면, 상기 제1결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력할 수 있다.
또한, 본 발명에서는, 상기 제1결과 값을 이용하는 상기 플라즈마 공정에 대한 시뮬레이션은 제1시뮬레이션이고, 상기 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치의 센서부터 상기 파라미터를 수신하여 상기 제1시뮬레이션과 초기값이 다른 제2시뮬레이션을 수행할 수 있다.
상기 예측 결과를 출력하는 단계는, 상기 기계학습 모델, 상기 제1시뮬레이션 및 상기 제2시뮬레이션 중 어느 하나의 결과 값을 상기 예측 결과로 출력할 수 있다.
나아가, 본 발명에 따른 시뮬레이션 장치는, 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치와 연결되는 통신부, 및 상기 플라즈마 장치와 연결되어 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 제어부를 포함하고, 상기 제어부는, 상기 플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하고, 상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하고, 기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력할 수 있다.
나아가, 본 발명에 따른 프로그램은, 플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하는 단계와, 상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 단계, 및 기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력하는 단계를 수행하는 명령어들을 포함한다.
이상에서 살펴본 것과 같이, 본 발명에 따른 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템은, 기계학습 모델을 통하여 산출한 결과 값을 이용하여 플라즈마 공정에 대한 시뮬레이션을 수행하여 사용자가 필요한 정보를 선택하여 사용할 수 있도록 할 수 있다.
특히, 플라즈마 시뮬레이션을 위한 초기값으로 기계학습의 예측 값을 활용하여, 플라즈마 시뮬레이션의 계산속도를 향상시킬 수 있는 효과가 발생될 수 있다.
나아가, 본 발명에 따른 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템은, 시뮬레이션의 결과 값이 설정된 시간 내에 출력되지 않을 때, 기계학습 예측 값을 결과 값으로 출력하여, 공정이 진행되고 있는 동안에, 실시간으로 또는 실시간에 가깝게 공정의 물리적 현상을 예측할 수 있다.
나아가, 본 발명에 따른 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템은, 시뮬레이션을 시작하기 전에 예측 값을 미리 알려줌에 따라, 시뮬레이션 계산의 진행 여부를 사용자가 결정할 수 있게 한다.
도 1및 도 2는 본 발명에 따른 기계학습을 이용한 플라즈마 시뮬레이션 방법을 설명하기 위한 개념도들이다.
도 3은 본 발명의 일 실시예에 따른 플라즈마 시뮬레이터의 메인 화면을 나타낸 개념도이다.
도 4는 본 발명의 일 실시예에 따른 예측 값이나 결과 값을 출력하는 플라즈마 시뮬레이터의 출력 화면을 나타낸 개념도이다.
도 5a 내지 도 5c는 도 1의 기계학습을 이용한 플라즈마 시뮬레이션 방법의 실시예들에 대한 순서도들이다.
도 6a 및 도 6b는 본 발명의 플라즈마 시뮬레이션 방법의 변형예들을 나타내는 순서도들이다.
도 7은 본 발명의 플라즈마 시뮬레이션 방법의 또 다른 변형예를 나타내는 순서도이다.
도 8은 본 발명의 기계학습을 이용한 플라즈마 시뮬레이션 시스템에 대한 블록 다이어그램이다.
도 9는 도 8의 시뮬레이션 시스템에서 시뮬레이션의 방법을 나타내는 순서도이다.
도 10a 및 도 10b는 도 8의 플라즈마 시뮬레이션 시스템에서 출력 결과를 나타낸 개념도이다.
도 3은 본 발명의 일 실시예에 따른 플라즈마 시뮬레이터의 메인 화면을 나타낸 개념도이다.
도 4는 본 발명의 일 실시예에 따른 예측 값이나 결과 값을 출력하는 플라즈마 시뮬레이터의 출력 화면을 나타낸 개념도이다.
도 5a 내지 도 5c는 도 1의 기계학습을 이용한 플라즈마 시뮬레이션 방법의 실시예들에 대한 순서도들이다.
도 6a 및 도 6b는 본 발명의 플라즈마 시뮬레이션 방법의 변형예들을 나타내는 순서도들이다.
도 7은 본 발명의 플라즈마 시뮬레이션 방법의 또 다른 변형예를 나타내는 순서도이다.
도 8은 본 발명의 기계학습을 이용한 플라즈마 시뮬레이션 시스템에 대한 블록 다이어그램이다.
도 9는 도 8의 시뮬레이션 시스템에서 시뮬레이션의 방법을 나타내는 순서도이다.
도 10a 및 도 10b는 도 8의 플라즈마 시뮬레이션 시스템에서 출력 결과를 나타낸 개념도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소에는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
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.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명은, 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템에 관한 것으로, 시뮬레이션 결과의 빠른 응답을 위하여, 기계학습을 이용하여 예측 값을 산출하고, 상기 예측 값을 이용하여 플라즈마 공정이나 장비에 대한 시뮬레이션 결과를 사용자에게 즉각적으로 제공할 수 있다.
보다 구체적으로, 본 발명에서는, 플라즈마 공정과 관련된 파라미터를 기계학습 모델에 입력하여 먼저 플라즈마 공정에 대한 예측을 수행하고, 이어서 예측 결과를 이용하여 시뮬레이션을 수행할 수 있다. 상기 기계학습 모델은 상기 플라즈마 공정에 대하여 기 획득된 입력값 및 출력값을 학습 데이터로 하는 딥 러닝에 의하여 도출될 수 있다.
여기서, 플라즈마는, 제4의 물질 상태라고 알려져 있는 물질의 형태로서, 강력한 전기장 혹은 열원으로 가열되어 기체상태를 뛰어넘어 전자, 중성입자, 이온 등 입자들로 나누어진 상태를 의미할 수 있다. 또한, 상기 플라즈마에서는, 전하 분리도가 상당히 높으면서도 전체적으로 음과 양의 전하수가 같아서 중성을 띠게 되는 상태가 될 수 있다. 또한, 상기 플라즈마는, 스마트 폰 등의 첨단 디지털기기의 핵심 부품인 반도체 디바이스의 제조공정, 예를 들어 식각 및 증착 기술에 이용되며, 플라즈마 전류가 수 암페어 미만인 저온 플라즈마를 의미할 수 있다.
상기 플라즈마는 시뮬레이션(simulation)에 의하여 물리적 거동이나 화학적 현상이 해석될 수 있다. 여기서, 시뮬레이션은 실제로 실행하기 어려운 실험을 간단히 행하는 모의실험을 의미할 수 있으며, 특히 컴퓨터와 수학적 모델을 이용하여 수치적으로 해석하는 컴퓨터 시뮬레이션이 될 수 있다. 상기 수학적 모델은, 예를 들어 플라즈마를 유동하는 유체처럼 해석하는 유체모델, 입자로 취급하는 입자모델 등이 될 수 있다.
본 발명의 플라즈마 시뮬레이션은, 예를 들어 플라즈마 장치 내부에서 발생하는 종들(species)의 밀도 등을 계산을 통하여 가상으로 측정하는 것으로, 계산해서 나온 결과물을 보고 플라즈마 장치의 내부상황이나 플라즈마 공정의 진행상황 등을 해석하는 것을 포함하는 개념이 될 수 있다. 나아가, 이러한 시뮬레이션을 할 수 있는 소프트웨어 또는 프로그램은 시뮬레이터라 정의될 수 있다. 상기 시뮬레이터를 통해, 본 발명에서는 플라즈마 공정이나 장치에 대한 가상의 실험을 수행하고, 그 결과를 여러가지 시각적 데이터로 사용자에게 제공할 수 있다.
여기에서, “시뮬레이터”는 본 발명에 따른 플라즈마 시뮬레이션 시스템(100)에 의해 제공되는 제어 프로세스의 일 부분으로 포함되는 용어로 이해될 수 있다. 상기 플라즈마 시뮬레이션 시스템은 시뮬레이터를 이용하여 계산 결과를 사용자에 제공하는 것은 물론, 시뮬레이터의 계산 결과를 이용하여 플라즈마 장치를 제어하거나, 제어하는 데 필요한 다양한 정보를 제공하는 것까지 포함할 수 있다.
한편, 상기 시뮬레이터는 플라즈마와 관련된 물리적 시스템의 구조, 유체 역학, 전자기학 등과 같은 다양한 특성에 대해 0D, 1D, 2D 또는 3D 환경을 대상으로 시뮬레이션을 수행할 수 있다. 이 경우에, 0D, 1D, 2D 또는 3D 환경의 각 계산점(메쉬, 노드, 격자 등)에서, n번째 결과 값과 n+1번째 결과 값의 차이가 기설정된 조건을 만족하면 계산이 중지되며, 이는 계산의 수렴으로 정의될 수 있다. 이 경우에, 상기 기설정된 조건은 결과 값의 변화량이 될 수 있다.
도 1을 참조하면, 시뮬레이션에서는 일반적으로 n번째 결과 값을 이용하여 계산을 수행하여 n+1번째 결과를 도출하는 과정을 반복하며, 이러한 반복은 계산이 수렴하여 최종 결과 값(xfinal)을 획득할 때까지 계속 된다. 이 경우에, 초기값(xinit)은 임의의 값으로 설정하여 시뮬레이션을 시작하므로, 계산이 수렴할 때까지 많은 반복횟수가 필요하게 된다. 초기값(xinit)과 최종 결과 값(xfinal)의 차이가 존재하며, 이 때문에 많은 반복횟수가 필요한 경우가 많이 발생한다.
본 발명에서는, 기계학습을 이용하여 상기 최종 결과 값(xfinal)을 예측하고, 이러한 기계학습의 예측 값을 시뮬레이션의 초기값(xinit)으로 사용한다. 이 경우에, 기계학습의 예측 값은 기계학습을 이용하여 시뮬레이션의 결과를 예측하거나, 또는 기계학습을 이용하여 시뮬레이션의 대상인 플라즈마 공정이나 장비에 대한 모의실험 또는 가상의 실험이 될 수 있다.
이 경우에, 상기 기계학습의 예측 값은 제1 결과 값(xfinal,ML)으로 정의될 수 있으며, 상기 제1 결과 값(xfinal,ML)이 상기 시뮬레이션의 초기값(xinit)으로 사용된다. 한편, 본 발명에서는 상기 제1 결과값(xfinal,ML)을 초기값(xinit)으로 이용하여 시뮬레이션을 수행한 상기 최종 결과 값(xfinal)은 제2 결과값(xfinal)으로 정의될 수 있다.
이하에서는, 상기 제2 결과값(xfinal)과, 기계학습의 예측값을 사용하지 않은 시뮬레이션의 결과 값 간의 용어의 혼동을 피하기 위하여, “제2결과값”은 “최종 결과 값”이라고 명명하고, 기계학습의 예측값을 사용하지 않은 시뮬레이션의 결과 값은 “결과 값”이라 명명한다. 즉, 본 발명에는 “제2결과값”은 “최종 결과 값”을 혼용하여 사용할 수 있다.
상기 기계학습은 다수의 파라미터(parameter)로 구성된 모델을 이용하며, 주어진 데이터나 경험을 통해 파라미터를 최적화하는 학습으로 정의될 수 있다. 상기 기계학습은 학습 문제의 형태에 따라 지도형, 비지도형, 및 강화형 기계학습으로 구분될 수 있으며, 본 발명에서는 이들 중 하나가 사용될 수 있다.
도 1을 참조하면, 본 발명에서는, 시뮬레이션의 대상인 플라즈마 공정이나 장비와 관련된 파라미터(a0,…을 입력값으로 하여, 기계학습을 수행하여 상기 제1 결과값(xfinal,ML)을 출력할 수 있다.
이 때에, 상기 파라미터는, 시뮬레이션을 수행하기 위하여 입력되는 데이터를 포함할 수 있다. 도 2를 참조하면, 상기 파라미터는, 예를 들어 인가되는 전력(electric power, 또는 전류), 가스 압력(gas pressure), 가스 유량(gas flow), 전자 밀도(electron density), 온도 중 적어도 하나를 포함할 수 있다. 이 경우에, 상기 파라미터는 예를 들어, 플라즈마 장치로부터 수신되는 데이터, 예를 들어, 온도, 발광, 질량 등과 관련된 데이터가 될 수 있다. 상기 파라미터는 압력 센서, 온도 센서, 플라즈마 이온 센서, 가스 센서, 발광 분석기, 흡수 분광 분석기, 질량 분석기 등에 의하여 플라즈마 장치로부터 센싱될 수 있다.
또한, 상기 기계학습은 인공 신경망(Artificial neural network)을 이용하여 수행될 수 있다. 이 경우에, 상기 인공 신경망은 컴퓨터 소프트웨어로 구현될 수 있다. 상기 인공 신경망은, 순환 신경망 (RNN, Recurrent Neural Network), 콘볼루션 신경망(CNN, Convolutional Neural Network), 자기 조직화 지도(SOM, Self-Organizing Map)와 같은 다양한 모델을 포함할 수 있다. 이 경우에, 상기 인공 신경망의 모델은 상기 플라즈마 장치로부터 수신되는 센서 정보를 기반으로 기계학습 학습을 수행하는 모델이 될 수 있다.
도 2를 참조하면, 상기 시뮬레이션에 의하여 결과값을 산출하는 경우에, 시간이 수 분이 소요될 수 있으나, 상기 기계학습에 의한 제1 결과값(xfinal,ML)을 도출하는 경우에 시간은 수초 이하 또는 수밀리미터초 이하로 줄어들 수 있다. 이 경우에, 상기 제1 결과값(xfinal,ML)은, 예를 들어 전자 온도, 중성종 밀도, 이온 밀도 중 적어도 하나가 될 수 있다.
다만, 제1 결과값(xfinal,ML)은 머신 러닝의 예측값이므로, 인경 신경망 모델이나 학습의 정밀도 등에 의하여, 오차가 1 내지 10%의 정도로 크게 나타날 수 있다. 이에 반해, 시뮬레이션에 의하여 결과값을 산출하는 경우에, 최종 결과 값(xfinal)은 오차가 1% 미만으로 매우 정밀한 계산이 가능하다.
본 발명에서는, 기계학습과 시뮬레이션의 장점을 각각 반영하여, 상기 기계학습에 의한 제1 결과값(xfinal,ML)을 시뮬레이션의 초기값으로 활용하여, 시뮬레이션의 제2 결과값(xfinal)의 빠른 응답을 가능하게 한다.
다시, 도 1 을 참조하면, 상기 기계학습에 의한 제1 결과값(xfinal,ML)이 시뮬레이션의 최종 결과 값(xfinal)에 근사한 값이므로, 시뮬레이션의 수렴까지 계산의 반복 횟수가 급격하게 감소함을 알 수 있다. 다시, 도 2를 참조하면, 기계학습에 의하여 제1 결과값(xfinal,ML)을 획득하는 것은 수밀리미터초 이하에서 가능하며, 상기 제1 결과값(xfinal,ML)을 시뮬레이션의 초기값으로 활용하는 경우에 시뮬레이션은 수초 이하에서 계산이 수렴될 수 있다.
이와 같이, 본 발명에서는, 플라즈마 시뮬레이션을 위한 초기값으로 기계학습의 예측 값을 활용하여, 플라즈마 시뮬레이션의 정확도 및 계산속도를 향상시킬 수 있는 효과가 발생될 수 있다.
한편, 본 발명에서는 제1 결과값(xfinal,ML)과 제2 결과값(xfinal)은 여러가지 형태로 사용자에게 정보를 전달하도록 시뮬레이터가 형성될 수 있다.
이하에서는, 이러한 시뮬레이터의 구성 및 동작에 대하여 도면을 참조하여 보다 상세히 설명한다.
도 3은 본 발명의 일 실시예에 따른 플라즈마 시뮬레이터의 메인 화면을 나타낸 개념도이고, 도 4는 본 발명의 일 실시예에 따른 예측 값이나 결과 값을 출력하는 플라즈마 시뮬레이터의 출력 화면을 나타낸 개념도이며, 도 5a 내지 도 5c는 도 1의 기계학습을 이용한 플라즈마 시뮬레이션 방법의 실시예들에 대한 순서도들이다.
도 5a를 참조하면, 플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하는 단계(S100)가 진행될 수 있다.
이 경우에, 상기 플라즈마 공정, 파라미터 및 기계학습 모델, 제1결과 값은 도 1 및 도 2를 참조하여 설명한 내용이 적용될 수 있으며, 따라서 이에 대한 설명은 전술한 내용으로 갈음한다.
도 5b를 참조하면, 상기 제1결과 값을 산출하는 단계(S100)는, 시뮬레이션 파라미터 조건을 설정하는 단계(S110)와, 상기 인공 신경망의 학습모델로 예측값을 산출하는 단계(S120)를 포함할 수 있다.
이를 위하여, 시뮬레이터는 상기 적어도 하나의 파라미터를 기계학습 모델에 입력하도록 이루어질 수 있다. 상기 파라미터를 기계학습 모델에 입력하는 것은 상기 시뮬레이터를 통하여 수행될 수 있다. 예를 들어, 상기 시뮬레이터가 실행되면, 상기 시뮬레이터가 탑재된 전자기기의 디스플레이부에는 도 3과 같은 메인화면(100)이 표시될 수 있다. 상기 메인화면(100)은 데이터파일 호출영역(110), 조건설정영역(120), 데이터파일 표시영역(130), 방정식 표시영역(140), 프로퍼티 표시영역(150) 중 적어도 하나를 포함할 수 있다.
상기 데이터파일 호출영역(110)은 공정 가스에 대한 화학반응식 등의 데이터를 선택하여 호출하기 위한 영역으로, 호출하기 위한 데이터와 관련된 정보를 입력하도록 이루어진다.
상기 조건설정영역(120)은 복수의 탭을 포함하고, 사용자는 복수의 탭을 선택하여 상세조건을 설정할 수 있다. 예를 들어, 조건설정영역(120)에서 Chamber 탭이 선택되면 조건설정영역(120)에는 따라 플라즈마 장치와 관련된 플라즈마 방전 조건 및 플라즈마 장치의 형상 조건을 설정하는 장비설정영역이 표시될 수 있다. 다른 예로서, 도시된 바와 같이, 상기 조건설정영역(120)에서 Pressure 탭(120a)이 선택되면 플라즈마 장치 내부의 압력, 가스 온도, 가스 유량, 가스 종 중 적어도 하나를 입력하거나 선택할 수 있는 압력설정영역이 표시될 수 있다. 또 다른 예로서, Source Power 탭이 선택되면 상기 조건설정영역(120)에는 플라즈마 장치와 관련된 소스 파워, 주파수, 코일의 형상, 위치 조건 및 전기밀도 중 적어도 하나를 입력하거나 선택할 수 있는 전력설정영역이 표시될 수 있다.
상기 데이터파일 표시영역(130)은 상기 데이터파일 호출영역(110)에서 선택된 공정 가스에 대한 화학반응식 등의 데이터를 표시하는 영역이 되고, 상기 방정식 표시영역(140)은 상기 데이터파일 표시영역(130)에 표시된 파일에서 선택된 파일에 포함된 방정식을 표시하는 영역이 될 수 있다. 또한, 상기 프로퍼티 표시영역(150)은 상기 방정식 표시영역(140)에 표시된 방정식 중 선택된 방정식과 관련된 특징을 나타내는 영역이 될 수 있다.
한편, 도 3을 참조하면, 상기 메인화면(100)에는 데이터파일 호출영역(110), 조건설정영역(120), 데이터파일 표시영역(130), 방정식 표시영역(140), 프로퍼티 표시영역(150) 중 적어도 하나를 이용하여 입력한 파라미터를 입력값으로 시뮬레이션의 결과를 예측하는 기계학습의 실행버튼(160)이 구비될 수 있다. 상기 기계학습의 실행버튼(160)은 시뮬레이션의 실행버튼과 별도로 구비되며, 사용자가 상기 기계학습의 실행버튼(160)을 선택하면, 상기 기계학습이 수행될 수 있다.
한편, 상기 기계학습 모델은 복수의 기계학습 모델들 중 어느 하나이고, 본 발명의 시뮬레이션 방법은 상기 복수의 기계학습 모델들 중 적어도 하나를 상기 기계학습 모델로 선정하는 단계를 포함할 수 있다. 상기 기계학습의 실행 전에, 기계학습 모델을 사용자가 선정할 수 있도록, 상기 시뮬레이터가 형성될 수 있다.
다음으로, 도 5b를 참조하면, 상기 기계학습의 수행에 의하며, 상기 시뮬레이션의 결과를 예측하는 예측 값이 출력될 수 있다(S130). 이 경우에, 도 4에 도시된 바와 같이, 예를 들어 Ar 의 이온 밀도(Ar+) 및 중성종 밀도(Ar*)가 예측되어 출력될 수 있다. 다만, 도 4의 출력은 단지 예시에 불과한 것이며, 설명의 편의를 위하여 시뮬레이션에 의한 출력값과 함께 표시한 것이며, 다양한 형태로 변형이 가능하다. 이러한 예로서, 상기 예측 값은 그래프의 형태가 아니라 수치 값으로 상기 메인화면(100)에서 제공될 수 있다. 또한, 상기 예측 값의 출력은 상기 메인화면(100)에서 시각정보로서 제공되는 것 뿐만 아니라, 산출된 예측 값을 특정 신호로 출력하여 이를 전송하는 것을 의미할 수 있다.
다시 도 5a를 참조하면, 본 발명의 기계학습을 이용한 플라즈마 시뮬레이션 방법에서는, 상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 단계(S200)가 진행될 수 있다. 도 5b를 참조하면, 상기 시뮬레이션을 수행하는 단계(S200)는 사용자의 선택을 수신하는 단계(S210)와, 메인 시뮬레이션을 실행하는 단계(S220)를 포함한다.
상기 사용자의 선택을 수신하는 단계(S210)에서는 사용자가 상기 메인화면(100)의 예측값을 확인한 후에, 메인 시뮬레이션을 실행할 것인지 아닌지를 판단하고, 상기 판단에 의하여 상기 메인 시뮬레이션의 실행 여부를 선택하는 단계가 될 수 있다. 이를 위하여, 도 5b와 같이 예측 값을 출력하는 단계(S130)가 구비될 수 있다.
다른 예로, 상기 사용자의 선택은 상기 기계학습에 의하여 상기 시뮬레이션의 예측 값을 산출하기 전에 기설정될 수 있다. 보다 구체적으로, 이러한 예로서, 상기 시뮬레이터의 메인화면(100)에는 상기 기계학습의 예측 값을 메인 시뮬레이션의 초기값으로 적용할지를 설정하는 설정버튼이 구비될 수 있다.
상기 사용자가 상기 설정버튼을 이용하여 상기 기계학습의 예측 값을 메인 시뮬레이션의 초기값으로 적용하도록 설정한 후에, 상기 시뮬레이션의 실행버튼을 선택하면, 상기 메인 시뮬레이션을 실행하는 단계(S220)가 진행될 수 있다.
상기 메인 시뮬레이션이 실행되면, 상기 시뮬레이터는 상기 인공 신경망의 학습모델로 예측값을 산출하는 단계(S120)와, 상기 메인 시뮬레이션을 실행하는 단계(S220)을 순차적으로 진행할 수 있다. 이 경우에, 상기 예측값의 출력은 상기 메인 시뮬레이션의 실행과 별도로 수행되거나, 도 5b 및 도 5c의 프로세스에서 배제될 수 있다.
한편, 도 5c를 참조하면, 메인 시뮬레이션에 대한 수렴 조건의 입력(S230)은 상기 인공 신경망의 학습모델로 예측값을 산출하는 단계(S120)의 이후에 이루어질 수 있다. 사용자는 상기 예측값을 확인하고, 상기 수렴 조건을 결정하여 상기 시뮬레이터에 입력한 후에 상기 메인 시뮬레이션을 실행하며, 이를 통하여 보다 효율적인 시뮬레이션이 수행될 수 있다.
다시, 도 5a를 참조하면, 다음으로 제1결과값 또는 제2결과값을 출력하는 단계(S300)가 진행될 수 있다.
예를 들어, 도 4에 도시된 바와 같이, 예를 들어 Ar 의 이온 밀도(Ar+) 및 중성종 밀도(Ar*)의 제2결과값이 계산되어 출력될 수 있다. 상기 제2결과값은 시뮬레이션에 의한 결과 값과 결과는 거의 동일하나, 계산 횟수는 획기적으로 줄어듬을 알 수 있다.
한편, 본 발명의 기계학습을 이용하여 플라즈마 시뮬레이션의 계산 속도를 향상시키는 플라즈마 시뮬레이션 방법은 여러가지 형태의 실시예들을 가질 수 있다.
이러한 예로서, 먼저 도 6a 및 도 6b를 참조하면, 수치적 최적화 방법을 이용하여 목표값을 얻기 위한 시뮬레이션 파라미터 조건 설정이 기계학습의 예측 값과 연동하여 수행될 수 있다. 도 6a 및 도 6b는 본 발명의 플라즈마 시뮬레이션 방법의 변형예들을 나타내는 순서도들이다.
이를 위하여, 먼저 시뮬레이션 결과에 대한 목표 값과, 상기 목표 값의 허용 범위 설정(S410)이 수행될 수 있다. 예를 들어, 시뮬레이션 결과 중 일부 혹은 전부에 대한 값이 상기 목표 값으로 지정될 수 있다. 또는 시뮬레이션 결과 일부를 가공한 값이 상기 목표 값으로 지정될 수 있다. 예를 들어, 상기 목표 값은 제1파라미터와 제2파라미터의 비로서 정의될 수 있다. 보다 구체적인 예로서, 상기 목표 값은 (음이온 밀도)/(전자 밀도) 또는 (활성종 밀도)/(양이온 밀도) 중 적어도 하나가 될 수 있다. 상기 목표 값이 (음이온 밀도)/(전자 밀도) 인 경우에, 상기 제1파라미터는 음이온 밀도가 되고, 상기 제2파라미터는 전자 밀도가 될 수 있다.
상기 제1파라미터와 제2파라미터의 비를 목표 값으로 설정하고, 상기 목표 값의 허용 범위를 설정(S411)한 후에, 다음으로 상기 시뮬레이션 파라미터의 초기 조건이 설정될 수 있다(S412).
상기 시뮬레이션 파라미터의 초기 조건의 설정(S412)은, 도 5b 및 도 5c를 참조하여 설명한 예시의 시뮬레이션 파라미터 조건을 설정하는 단계(S110)에 대한 내용이 적용될 수 있다. 따라서, 이에 대한 설명은 도 5b 및 도 5c를 참조하여 설명한 예시로 갈음한다.
이후에, 상기 인공 신경망의 학습모델로 예측값을 산출하는 단계(S420)와, 상기 시뮬레이션의 결과를 예측하는 예측 값을 출력하는 단계(S430)가 진행될 수 있다. 이 경우에, 각 단계는 도 5b 및 도 5c를 참조하여 설명한 인공 신경망의 학습모델로 예측값을 산출하는 단계(S120)와, 시뮬레이션의 결과를 예측하는 예측 값을 출력하는 단계(S130)의 내용이 적용될 수 있으며, 따라서 이에 대한 설명은 도 5b 및 도 5c를 참조하여 설명한 예시로 갈음한다.
도 6a를 참조하면, 다음으로 상기 예측 값이 상기 허용 범위를 만족하는지 여부가 판단(S440)될 수 있다.
상기 예측 값이 상기 허용 범위를 만족하면 메인 시뮬레이션이 수행될 수 있으며, 이 경우에 상기 예측 값이 상기 허용 범위를 만족하지 않으면, 수치적 최적화 방법을 이용하여 목표값을 얻기 위한 시뮬레이션 파라미터 조건 설정이 수행될 수 있다(S450). 상기 수치적 최적화 방법(Numerical optimization)은, 비선형적인 함수의 최저값을 수치적으로 찾는 알고리즘이 될 수 있으며, 예를 들어 Steepest decent 방법, Newton 방법, 및 BFGS(Broyden-Fletcher-Goldfarb-Shanno) 방법 중 적어도 하나가 될 수 있다.
이와 같은 방법을 이용하여, 상기 시뮬레이션 파라미터의 조건 설정이 수행되면, 다시 상기 인공 신경망의 학습모델로 예측값을 산출하는 단계(S420)와, 상기 시뮬레이션의 결과를 예측하는 예측 값을 출력하는 단계(S430)가 진행될 수 있다. 이 후에, 상기 예측 값이 상기 허용 범위를 만족하면 메인 시뮬레이션이 수행될 수 있다(S460).
한편, 본 예시에서도, 도 6b에 도시한 바와 같이 메인 시뮬레이션에 대한 수렴 조건의 입력(S470)은 허용 범위가 만족된 이후에 진행되는 것도 가능하다. 사용자는 상기 예측값을 확인하거나 상기 허용 범위의 만족을 확인한 후에, 상기 수렴 조건을 결정하여 상기 메인 시뮬레이션을 실행(S460)할 수 있다.
한편, 상기 목표 값을 얻기 위하여 시뮬레이션의 파라미터 조건을 설정하는 것은 기계학습에 의하여 수행될 수 있으며, 이하 도 7를 참조하여 보다 상세히 설명한다.
도 7은 본 발명의 플라즈마 시뮬레이션 방법의 또 다른 변형예를 나타내는 순서도이다.
본 도면을 참조하면, 시뮬레이션 결과 목표값을 설정(S511)한 후에, 인공 신경망의 학습모델로 시뮬레이션의 파라미터 초기 조건이 설정(S512)될 수 있다. 이 경우에, 시뮬레이션 결과 목표값을 설정(S511)하는 것은 도 6a 및 도 6b를 참조하여 설명한, 시뮬레이션 결과 목표값 및 허용범위 설정과 동일한 내용이 적용될 수 있다.
앞선 예시와 달리, 본 실시예에서는 시뮬레이션의 파라미터 초기 조건이 기계학습에 의하여 설정된다. 기계학습에 의하여 초기 조건을 설정한 후에, 인공 신경망의 학습모델로 예측값을 산출하는 단계(S520)와, 상기 시뮬레이션의 결과를 예측하는 예측 값을 출력하는 단계(S530)가 진행될 수 있다. 이 후에, 상기 예측 값을 목표 값과 비교 출력하고, 수렴 조건을 입력(S540)한 후에, 이들을 이용하여 메인 시뮬레이션이 수행(S550)될 수 있다.
이 때에, 예측 값을 산출하는 제1인공 신경망과 초기 조건을 설정하는 제2인공 신경망은 서로 다른 학습모델을 이용할 수 있다. 시뮬레이션 초기화를 위해서는 전자 온도, 전자 밀도, 화학종별 밀도 등 시뮬레이션 예측 값의 전체가 필요하나, 거의 모든 경우에 목표 값 자체를 시뮬레이션의 초기값으로 사용할 수 없으므로, 본 예시에서는 제1인공 신경망을 통하여 초기값을 다시 산출한다.
이 경우에, 상기 제1인공 신경망은 가스 압력, 파워, 가스 별 공급 유량, 장치의 구조 등의 시뮬레이션 조건에 해당하는 입력 값을 가지고, 전자 온도, 전자 밀도, 화학종별 밀도 등의 시뮬레이션 결과에 해당하는 출력 값을 가질 수 있다. 이에 반해, 상기 제2 인공 신경망은 시뮬레이션 결과로 구해지는 값 중 일부, 전부 혹은 그 값을 가공한 값인 목표 값을 입력 값으로 가지고, 시뮬레이션의 조건에 해당하는 예측 값을 산출한다.
따라서, 상기 제2 인공 신경망의 학습에 의하여 시뮬레이션의 조건이 예측되면, 상기 예측된 시뮬레이션의 조건을 입력 값으로 하는 상기 제1 인공 신경망의 학습에 의하여 최종적으로 시뮬레이션의 결과가 예측될 수 있다. 이 경우에, 기계학습 모델은 복수의 기계학습 모델들 중 어느 하나이고, 상기 복수의 기계학습 모델들 중 적어도 하나가 상기 제1 인공 신경망 및 제2 인공 신경망의 학습 모델로 각각 선택될 수 있다.
이상에서 설명한 기계학습을 이용한 플라즈마 시뮬레이션 방법에서, 상기 제1결과값 또는 제2결과값을 출력하는 단계(S300)는, 제1결과값을 출력하거나, 제2결과값을 출력하거나, 또는 제1결과값과 제2결과값 중 어느 하나만을 출력하는 것이 모두 가능하다.
특히, 본 발명에서는, 상기 제1결과값 또는 제2결과값을 출력하는 단계(S300)는, 기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력하는 단계가 될 수 있다.
이하에서는, 이와 같이 시뮬레이션의 수렴 여부에 따라 출력되는 정보를 달리하는 실시예에 대하여 도면을 참조하여 보다 상세히 설명한다.
도 8은 본 발명의 기계학습을 이용한 플라즈마 시뮬레이션 시스템에 대한 블록 다이어그램이고, 도 9는 도 8의 시뮬레이션 시스템에서 시뮬레이션의 방법을 나타내는 순서도이며, 도 10a 및 도 10b는 도 8의 플라즈마 시뮬레이션 시스템에서 출력 결과를 나타낸 개념도이다.
본 실시예에서 설명하는 플라즈마 시뮬레이션 방법 및 시스템은 시뮬레이션의 수렴 여부에 따라 출력되는 정보를 달리하여, 실시간으로 또는 실시간에 가깝게 공정의 물리적 현상이나 플라즈마 장치의 내부 상태를 예측하는 정보를 제공한다.
도 8을 참조하면, 플라즈마 시뮬레이션 시스템(200)은 플라즈마 장치(210)와 시뮬레이션 장치(220)를 포함한다. 이 경우에, 플라즈마 시뮬레이션 시스템(200)은 플라즈마 장치와 시뮬레이터가 정보를 서로 공유하는 시스템으로 정의될 수 있다.
상기 플라즈마 장치(210)는 가공부(211), 센서부(212) 및 제어부(213)를 포함할 수 있다.
상기 가공부(211)는 챔버, 상기 챔버에 가스를 공급하는 가스공급부, 상기 챔버 내의 가스를 배기하는 가스배기부, 상기 챔버 내에서 플라즈마를 생성하는 플라즈마 발생부(미도시) 등을 구비할 수 있다.
상기 센서부(212)는 압력 센서, 온도 센서, 플라즈마 이온 센서, 가스 센서, 발광 분석기, 흡수 분광 분석기, 질량 분석기 중 적어도 하나를 포함할 수 있다. 상기 센서부(212)는, 예를 들어 상기 가스공급부로부터 공급되는 가스유량을 검출하고, 플라즈마의 생성을 위한 전력의 전류 및 전압을 검출하며, 플라즈마 발생부에 의하여 생성되는 플라즈마로의 발광을 검출 및 분석하는 등의 기능을 수행한다.
이 때에, 상기 센서부(212)는 도 1 내지 도 7을 참조하여 설명한 시뮬레이션 방법에서 입력 파라미터에 해당하는 인가되는 전력(electric power, 또는 전류), 가스 압력(gas pressure), 가스 유량(gas flow), 전자 밀도(electron density), 온도 중 적어도 하나를 센싱할 수 있다.
상기 제어부(213)는 상기 가공부(211)의 동작을 제어하도록 이루어진다. 예를 들어, 상기 제어부(213)는 상기 가스공급부나 가스배기부에 가스의 공급 및 배기에 해당하는 제어명령을 전달하고, 상기 플라즈마 발생부에 인가되는 전력량을 제어할 수 있다.
이 때에, 상기 제어부(213)는 도 1 내지 도 7을 참조하여 설명한 시뮬레이션 방법에서 제1결과값이나 제2결과값에 해당하는 전자 온도, 중성 밀도, 이온 밀도 중 적어도 하나를 이용하여 상기 가공부(211)의 동작을 제어할 수 있다.
상기 시뮬레이션 장치(220)는 상기 센서부(212)에서 센싱한 정보를 이용하여 상기 제1결과값이나 제2결과값을 도출하도록 이루어진다. 이러한 예로서, 상기 시뮬레이션 장치(220)는 통신부(221), 저장부(222), 제어부(223) 및 출력부(224) 중 적어도 하나를 구비할 수 있다. 한편, 상기 시뮬레이션 장치(220)는 전자 장치로서 구현될 수 있다. 나아가, 상기 전자 장치는 프로세서, 즉 CPU(Central Processing Unit, 중앙처리장치, 제어부)가 탑재된 사용자 단말로서, 그 종류에 대하여 특별한 한정을 두지 않는다.
상기 통신부(221)는, 상기 플라즈마 장치(210)의 센서부(212)에서 센싱된 정보를 수신하도록 이루어지며, 도 9를 참조하면 이를 통하여 시뮬레이터는 플라즈마 공정으로부터 파라미터를 센싱하게 된다(S610). 이를 위하여, 상기 통신부(221)는 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치와 유선, 무선 및 네트워크 등으로 통하여 연결될 수 있다.
상기 파라미터를 센싱하는 단계(S610)는, 상기 파라미터를 상기 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치의 센서를 이용하여 센싱하는 단계가 될 수 있다.
이후에, 시뮬레이터는 인공 신경망의 학습 모델로 예측 값을 산출한다(S620). 이 경우에 예측 값의 산출은 도 1 내지 도 7을 참조하여 설명한 기계학습을 이용한 예측 값의 산출 방법이 적용될 수 있으며, 이에 대한 설명은 전술한 내용으로 갈음한다.
상기 저장부(222)는, 상기 인공 신경망의 학습 모델이나, 상기 시뮬레이터를 저장하거나, 상기 플라즈마 공정과 관련된 데이터나, 학습 데이터 및 상기 시뮬레이터와 관련된 프로그램 등을 기록하는 메모리가 될 수 있다.
상기 시뮬레이션 장치의 제어부(223)는, 상기 인공 신경망이나 시뮬레이터를 구동하는 컨트롤러가 될 수 있다. 이 경우에, 상기 제어부(223)는 상기 통신부(221)가 수신한 센서 정보를 입력 값으로 상기 시뮬레이션을 수행하거나, 상기 학습 모델의 예측 값 산출을 수행할 수 있다.
예를 들어, 상기 제어부(223)는 상기 플라즈마 장치와 연결되어 상기 플라즈마 공정에 대한 시뮬레이션을 수행한다. 나아가, 상기 제어부(223)는 상기 플라즈마 장치의 각 부품에 대한 감시 모델을 형성하여 센싱 정보를 이용하여 상기 부품들에 대한 진단 정보를 생성할 수 있다. 상기 감시 모델은, 신경망 모델, 통계 모델, 퍼지 모델 중 적어도 하나로 형성된 수 있으며, 상기 제어부는 이를 통하여 상기 플라즈마 장치의 각 부품에 대한 고정여부를 판단할 수 있다.
한편, 상기 제어부(223)의 제어 하에, 상기 시뮬레이터가 인공 신경망의 학습 모델로 예측 값을 산출(S620)한 후에, 상기 예측 값을 초기값으로 적용하여 계산하는 시뮬레이션을 수행하는 단계(S630)가 진행될 수 있다. 상기 시뮬레이션을 수행하는 단계(S630)는 도1 내지 도7을 참조하여 전술한 메인 시뮬레이션을 실행하는 단계의 방법이 적용될 수 있다. 따라서, 상기 시뮬레이션을 수행하는 단계(S630)는, 상기 제2 결과 값을 산출하도록, 상기 제1결과 값을 초기값으로 설정하여 상기 플라즈마 공정에 대한 시뮬레이션을 수행할 수 있으며, 이에 대한 상세한 설명은 전술한 내용으로 갈음한다.
또한, 이 경우에 상기 초기값이 상기 시뮬레이션을 위한 격자에 대하여 설정되도록, 상기 제1결과 값은 상기 격자의 위치를 기준으로 산출되거나 상기 위치에 해당하는 값으로 변환될 수 있다. 다른 예로서, 상기 초기값은 상기 시뮬레이션을 위한 계산 조건으로 설정되는 것도 가능하다.
이후에, 기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부가 판단될 수 있다(S640). 상기 기 설정된 시간은 상기 플라즈마 장치에서 상기 플라즈마 공정을 수행하는 공정 시간보다 작은 시간으로 설정될 수 있다.
이어서, 상기 기 설정된 시간 내에 상기 시뮬레이션이 수렴하면, 상기 제2결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력하고, 상기 기 설정된 시간 내에 수렴하지 않으면, 상기 제1결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력하는 단계가 진행된다. 상기 출력하는 단계는 상기 출력부(224)에 의하여 수행될 수 있다. 이 경우에 상기 출력부(224)는 상기 전자장치의 디스플레이가 되거나, 상기 시뮬레이터의 메인화면 등이 될 수 있다. 또한, 상기 출력부(224)는 시각적인 정보, 예를 들어 그래픽 객체를 출력하거나, 다른 전자 신호를 출력하는 장치가 될 수 있다.
이 경우에, 상기 수렴 여부의 판단 단계(S640)에서 기 설정된 시간 내에 상기 시뮬레이션이 수렴하면, 상기 시뮬레이션의 계산 결과가 출력된다(S651). 이러한 예로서, 전술한 제2 결과 값이 출력될 수 있다. 이에 반해, 상기 기 설정된 시간 내에 상기 시뮬레이션이 수렴하지 않으면, 상기 시뮬레이션의 초기 값인 상기 학습 모델의 예측 값(즉, 제1 결과 값)이 출력될 수 있다(S652).
이상에서 설명한 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템에 의하면, 도 10a에 도시된 바와 같이, 기계학습에 의하여 예측한 결과가 출력되거나, 도 10b에 도시된 바와 같이, 기계학습의 예측 값을 초기 값으로 계산을 수행한 시뮬레이션의 결과가 출력될 수 있다. 다만, 도 10a 및 도 10b의 출력 결과는 예시적인 것으로, 다양한 형태의 그래픽 객체가 출력될 수 있다.
이러한 그래픽 객체는, 사용자가 그래픽 객체를 보는 것만으로, 그래픽 출력과 관련된 계산 방법을 직관적으로 예측할 수 있도록, 그래픽 출력과 관련된 계산 방법 마다 형상 및 색상이 서로 다르게 설정될 수 있다.
예를 들어, 비록 도시되지는 않았지만, 제1 결과값이 출력되는 경우에, 제1 색상 및 형상(예를 들어, 표 형태)을 갖는 그래픽 객체가 출력되고, 제2 결과값이 출력되는 경우에, 제2 색상 및 형상(예를 들어, 그래프 형태)을 갖는 그래픽 객체가 출력될 수 있다. 이러한, 그래픽 객체의 색상 및 형상은, 시스템 관리자에 의해 다양하게 설정될 수 있다.
나아가, 제어부(223)는, 상기 출력되는 제1 결과값이나 제2결과값을 전기 신호로서 상기 플라즈마 장치(210)로 전송할 수 있다.
이 경우에, 상기 기 설정된 시간 내에 상기 시뮬레이션이 수렴하지 않으면 제1 결과 값이 상기 플라즈마 장치(210)로 전송되고, 수렴하면 상기 제2 결과 값이 상기 플라즈마 장치로 전송될 수 있다. 상기 플라즈마 장치(210)의 제어부(213)는 항상 상기 기 설정된 시간 내에 상기 시뮬레이션 장치(220)로부터 상기 플라즈마 장치(210)의 해석 결과를 피드백 받게 되며, 이를 이용하여 상기 플라즈마 장치(210)를 실시간으로 제어한다.
한편, 본 발명에서는 상기 제1결과 값을 이용하는 상기 플라즈마 공정에 대한 시뮬레이션은 제1시뮬레이션으로 정의될 수 있다. 이 경우에, 상기 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치의 센서부터 상기 파라미터를 수신하여 상기 제1시뮬레이션과 초기값이 다른 제2시뮬레이션이 수행될 수 있다.
보다 구체적으로, 상기 인공 신경망의 예측 값을 산출하여 상기 예측 값을 초기값으로 하는 제1 시뮬레이션을 수행하는 것과는 별개로, 상기 플라즈마 공정으로부터 센싱한 파라미터를 이용하여 제2 시뮬레이션을 수행할 수 있다. 이 경우에, 상기 제2 시뮬레이션이 기 설정된 시간 내에 수렴하면 상기 제2 시뮬레이션의 계산 결과가 출력될 수 있다(S653). 이 경우에, 상기 제2 시뮬레이션이 상기 기 설정된 시간 내에 수렴하지 않고, 상기 제1 시뮬레이션이 상기 기 설정된 시간 내에 수렴하면 상기 제1 시뮬레이션의 계산 결과가 출력될 수 있다(S651). 한편, 상기 제1 시뮬레이션의 수렴의 기준인 제1 기 설정된 시간과 상기 제2 시뮬레이션의 수렴의 기준인 제2 기 설정된 시간은 서로 동일하거나 다른 시간이 되는 것이 모두 가능하다.
이와 같이, 본 실시예에서 상기 예측 결과를 출력하는 단계는, 상기 기계학습 모델, 상기 제1시뮬레이션 및 상기 제2시뮬레이션 중 어느 하나의 결과 값을 상기 예측 결과로 출력할 수 있다.
이상에서 설명한, 본 발명에 따른 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템에 의하면, 시뮬레이션의 결과 값이 설정된 시간 내에 출력되지 않을 때, 기계학습 예측 값을 결과 값으로 출력하여, 실시간 또는 실시간에 가깝게 플라즈마 공정의 물리적 현상을 예측할 수 있다.
나아가, 위에서 살펴본 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드 또는 명령어로서 구현하는 것이 가능하다. 즉, 본 발명은 프로그램의 형태로 제공될 수 있다.
한편, 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.
나아가, 컴퓨터가 읽을 수 있는 매체는, 저장소를 포함하며 사용자 단말이 통신을 통하여 접근할 수 있는 서버 또는 클라우드 저장소일 수 있다. 이 경우, 컴퓨터는 유선 또는 무선 통신을 통하여, 서버 또는 클라우드 저장소로부터 본 발명에 따른 프로그램을 다운로드 받을 수 있다.
한편, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
Claims (13)
- 플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하는 단계;
상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 단계; 및
기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력하는 단계를 포함하는 플라즈마 공정의 시뮬레이션 방법. - 제1항에 있어서,
상기 파라미터를 상기 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치의 센서를 이용하여 센싱하는 단계를 더 포함하는 플라즈마 공정의 시뮬레이션 방법. - 제2항에 있어서,
상기 기 설정된 시간은 상기 플라즈마 장치에서 상기 플라즈마 공정을 수행하는 공정 시간보다 작은 시간으로 설정되는 것을 특징으로 하는 플라즈마 공정의 시뮬레이션 방법. - 제1항에 있어서,
상기 기계학습 모델은 상기 플라즈마 공정에 대하여 기 획득된 입력값 및 출력값을 학습 데이터로 하는 딥 러닝에 의하여 도출되는 것을 특징으로 하는 플라즈마 공정의 시뮬레이션 방법. - 제4항에 있어서,
상기 기계학습 모델은 복수의 기계학습 모델들 중 어느 하나이고,
상기 복수의 기계학습 모델들 중 적어도 하나를 상기 기계학습 모델로 선정하는 단계를 더 포함하는 플라즈마 공정의 시뮬레이션 방법. - 제1항에 있어서,
상기 시뮬레이션을 수행하는 단계는,
상기 제2 결과 값을 산출하도록, 상기 제1결과 값을 초기값으로 설정하여 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 것을 특징으로 하는 플라즈마 공정의 시뮬레이션 방법. - 제6항에 있어서,
상기 초기값이 상기 시뮬레이션을 위한 격자에 대하여 설정되도록, 상기 제1결과 값은 상기 격자의 위치를 기준으로 산출되거나 상기 위치에 해당하는 값으로 변환되는 것을 특징으로 하는 플라즈마 공정의 시뮬레이션 방법. - 제1항에 있어서,
상기 기 설정된 시간 내에 상기 시뮬레이션이 수렴하면, 상기 제2결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력하고,
상기 기 설정된 시간 내에 수렴하지 않으면, 상기 제1결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력하는 것을 특징으로 하는 플라즈마 공정의 시뮬레이션 방법. - 제1항에 있어서,
상기 제1결과 값을 이용하는 상기 플라즈마 공정에 대한 시뮬레이션은 제1시뮬레이션이고,
상기 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치의 센서부터 상기 파라미터를 수신하여 상기 제1시뮬레이션과 초기값이 다른 제2시뮬레이션을 수행하는 것을 특징으로 하는 플라즈마 공정의 시뮬레이션 방법. - 제9항에 있어서,
상기 예측 결과를 출력하는 단계는,
상기 기계학습 모델, 상기 제1시뮬레이션 및 상기 제2시뮬레이션 중 어느 하나의 결과 값을 상기 예측 결과로 출력하는 것을 특징으로 하는 플라즈마 공정의 시뮬레이션 방법. - 플라즈마 공정을 통하여 반도체를 가공하는 플라즈마 장치와 연결되는 통신부; 및
상기 플라즈마 장치와 연결되어 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 제어부를 포함하고,
상기 제어부는,
상기 플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하고,
상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하고,
기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력하는 것을 특징으로 하는 시뮬레이션 장치. - 제11항에 있어서,
상기 기 설정된 시간 내에 상기 시뮬레이션이 수렴하면, 상기 제2결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력하고,
상기 기 설정된 시간 내에 수렴하지 않으면, 상기 제1결과 값을 상기 플라즈마 공정에 대한 예측 결과로 출력하는 것을 특징으로 하는 시뮬레이션 장치. - 전자기기에서 하나 이상의 프로세스에 의하여 실행되며, 컴퓨터로 판독될 수 있는 기록매체에 저장된 프로그램으로서,
상기 프로그램은,
플라즈마 공정과 관련된 적어도 하나의 파라미터를 기계학습 모델에 입력하여 상기 플라즈마 공정에 대한 제1결과 값을 산출하는 단계;
상기 기계학습 모델을 통하여 산출한 제1결과 값을 이용하여, 제2 결과 값이 산출되도록 상기 플라즈마 공정에 대한 시뮬레이션을 수행하는 단계; 및
기 설정된 시간을 기준으로 상기 시뮬레이션의 수렴 여부에 따라, 상기 제1 결과 값 및 상기 제2 결과 값 중 적어도 하나를 이용하여 전자 장치에서 상기 플라즈마 공정에 대한 예측 결과를 출력하는 단계를 수행하는 명령어들을 포함하는 것을 특징으로 하는 컴퓨터로 판독될 수 있는 기록매체에 저장된 프로그램.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220051027A KR102693620B1 (ko) | 2022-04-25 | 2022-04-25 | 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템 |
PCT/KR2022/006819 WO2023210854A1 (ko) | 2022-04-25 | 2022-05-12 | 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220051027A KR102693620B1 (ko) | 2022-04-25 | 2022-04-25 | 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230151381A true KR20230151381A (ko) | 2023-11-01 |
KR102693620B1 KR102693620B1 (ko) | 2024-08-09 |
Family
ID=88519023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220051027A KR102693620B1 (ko) | 2022-04-25 | 2022-04-25 | 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102693620B1 (ko) |
WO (1) | WO2023210854A1 (ko) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050019231A (ko) * | 2003-08-18 | 2005-03-03 | 김헌창 | 플라즈마 공정 챔버의 최적화 진단시스템 및 진단방법 |
KR20190025474A (ko) * | 2017-09-01 | 2019-03-11 | 두산중공업 주식회사 | 플랜트 데이터 예측 장치 및 방법 |
KR20220023034A (ko) * | 2020-08-20 | 2022-03-02 | 한국핵융합에너지연구원 | 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100403616B1 (ko) * | 2001-01-03 | 2003-10-30 | 삼성전자주식회사 | 플라즈마 장치에 의한 플라즈마 처리 공정의 시뮬레이션방법 |
JP6157941B2 (ja) * | 2013-06-13 | 2017-07-05 | 住友重機械工業株式会社 | プラズマシミュレーション方法及びプラズマシミュレーションプログラム |
KR20210042633A (ko) * | 2019-10-10 | 2021-04-20 | 세메스 주식회사 | 기판 처리 장치 및 기판 처리 방법 |
-
2022
- 2022-04-25 KR KR1020220051027A patent/KR102693620B1/ko active IP Right Grant
- 2022-05-12 WO PCT/KR2022/006819 patent/WO2023210854A1/ko unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050019231A (ko) * | 2003-08-18 | 2005-03-03 | 김헌창 | 플라즈마 공정 챔버의 최적화 진단시스템 및 진단방법 |
KR20190025474A (ko) * | 2017-09-01 | 2019-03-11 | 두산중공업 주식회사 | 플랜트 데이터 예측 장치 및 방법 |
KR20220023034A (ko) * | 2020-08-20 | 2022-03-02 | 한국핵융합에너지연구원 | 플라즈마 장비의 센싱데이터를 이용한 공정 예측 방법 및 이를 위한 스마트센서 |
Also Published As
Publication number | Publication date |
---|---|
KR102693620B1 (ko) | 2024-08-09 |
WO2023210854A1 (ko) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Knowles | ParEGO: A hybrid algorithm with on-line landscape approximation for expensive multiobjective optimization problems | |
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 | |
US8036869B2 (en) | System and method for using first-principles simulation to control a semiconductor manufacturing process via a simulation result or a derived empirical model | |
US8073667B2 (en) | System and method for using first-principles simulation to control a semiconductor manufacturing process | |
US8032348B2 (en) | System and method for using first-principles simulation to facilitate a semiconductor manufacturing process | |
JP2023511122A (ja) | 半導体製造プロセスのための性能予測子 | |
US11947888B2 (en) | Semiconductor processing tools with improved performance by use of hybrid learning models | |
KR20210055057A (ko) | 학습 장치, 추론 장치 및 학습 완료 모델 | |
JP6718500B2 (ja) | 生産システムにおける出力効率の最適化 | |
TWI774919B (zh) | 資訊處理裝置、程式、製程處理執行裝置及資訊處理系統 | |
CN112767074A (zh) | 模块机选型方法、装置、计算机设备和存储介质 | |
Deb et al. | I-MODE: an interactive multi-objective optimization and decision-making using evolutionary methods | |
US20060015194A9 (en) | Methods and articles for detecting, verifying, and repairing collinearity in a model or subsets of a model | |
KR102693620B1 (ko) | 기계학습을 이용한 플라즈마 시뮬레이션 방법 및 시스템 | |
EP4068137B1 (en) | Apparatus and method for optimizing control parameter of solder printing apparatus | |
Bethke et al. | Approximate dynamic programming using support vector regression | |
CN104345637A (zh) | 用于自适应基于数据的函数模型的方法和设备 | |
CN110533159B (zh) | 一种基于介科学指导提高深度学习数据集质量及模型可解释性的方法 | |
KR102701411B1 (ko) | 플라즈마 시뮬레이션 방법 및 시스템 | |
WO2023223535A1 (ja) | 探索装置および探索方法並びに半導体装置製造システム | |
Jarvis et al. | Enabling in-time prognostics with surrogate modeling through physics-enhanced Dynamic Mode Decomposition method | |
US20200159885A1 (en) | Apparatus for diagnosing analysis and method therefor | |
Boada et al. | Multi-objective identification of synthetic circuits stochastic models using flow flcytometry data | |
JP2022045087A (ja) | モデル解析装置、モデル解析方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |