KR20240028361A - 플라즈마 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습하기 위한 방법 - Google Patents
플라즈마 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습하기 위한 방법 Download PDFInfo
- Publication number
- KR20240028361A KR20240028361A KR1020237045129A KR20237045129A KR20240028361A KR 20240028361 A KR20240028361 A KR 20240028361A KR 1020237045129 A KR1020237045129 A KR 1020237045129A KR 20237045129 A KR20237045129 A KR 20237045129A KR 20240028361 A KR20240028361 A KR 20240028361A
- Authority
- KR
- South Korea
- Prior art keywords
- processing
- signal
- input signal
- configuration
- plasma
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 270
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000010801 machine learning Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 314
- 238000012549 training Methods 0.000 claims description 123
- 238000004422 calculation algorithm Methods 0.000 claims description 71
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 238000011156 evaluation Methods 0.000 claims description 41
- 230000009471 action Effects 0.000 claims description 17
- 238000003909 pattern recognition Methods 0.000 claims description 12
- 230000002265 prevention Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 81
- 230000008569 process Effects 0.000 description 51
- 238000005259 measurement Methods 0.000 description 33
- 238000005457 optimization Methods 0.000 description 30
- 230000008901 benefit Effects 0.000 description 21
- 238000001914 filtration Methods 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 12
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 8
- 235000012431 wafers Nutrition 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000003321 amplification Effects 0.000 description 6
- 238000003199 nucleic acid amplification method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011068 loading method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 101100439969 Arabidopsis thaliana CLPD gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012949 factory acceptance testing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/34—Circuit design for reconfigurable circuits, e.g. field programmable gate arrays [FPGA] or programmable logic devices [PLD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- 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
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32082—Radio frequency generated discharge
- H01J37/32174—Circuits specially adapted for controlling the RF discharge
-
- 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
-
- 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
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
- H01J37/32944—Arc detection
-
- 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
- H01J37/3299—Feedback systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Drying Of Semiconductors (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Plasma Technology (AREA)
Abstract
본 발명은 플라즈마 시스템, 특히 RF 구동식 플라즈마 처리 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습하기 위한 방법에 관한 것으로,
- 플라즈마 시스템용 전력 전달 시스템(1)의 아날로그 신호 및/또는 전력 전달 시스템(1) 및/또는 플라즈마 시스템의 다른 특성과 각각 관련된 적어도 하나 입력 신호를 제공하는 단계 - 적어도 하나의 입력 신호(210)는 플라즈마 시스템에서 불규칙성을 나타내는 적어도 하나의 불규칙성 특성을 가지고 있음 - 와,
- 적어도 하나의 불규칙성 특징을 갖는 적어도 하나의 입력 신호(210)가 프로그래머블 회로(10)에 의해 플라즈마 시스템에서 불규칙성의 검출을 트레이닝하도록 처리되는 기계 학습 절차(310)를 수행하는 단계를 포함한다.
- 플라즈마 시스템용 전력 전달 시스템(1)의 아날로그 신호 및/또는 전력 전달 시스템(1) 및/또는 플라즈마 시스템의 다른 특성과 각각 관련된 적어도 하나 입력 신호를 제공하는 단계 - 적어도 하나의 입력 신호(210)는 플라즈마 시스템에서 불규칙성을 나타내는 적어도 하나의 불규칙성 특성을 가지고 있음 - 와,
- 적어도 하나의 불규칙성 특징을 갖는 적어도 하나의 입력 신호(210)가 프로그래머블 회로(10)에 의해 플라즈마 시스템에서 불규칙성의 검출을 트레이닝하도록 처리되는 기계 학습 절차(310)를 수행하는 단계를 포함한다.
Description
본 발명은 플라즈마 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습(machine learning)하기 위한 방법에 관한 것이다. 또한, 본 발명은 시스템뿐만 아니라 데이터 캐리어 신호에 관한 것이다.
디지털 신호 처리(digital signal processing), 약칭 "DSP"는 라디오 주파수 시스템에서 시스템의 특정 상황을 필터링 및/또는 검출하는 것과 같은 다양한 애플리케이션에 사용될 수 있다. 처리 및 성능 속도를 개선하기 위해, DSP는 적어도 부분적으로 하드웨어에서, 예를 들면, 집적 회로(integrated circuit), 약칭 "IC"에 의해 수행될 수 있다. 그러나 집적 회로의 파라미터화는 시간이 많이 걸리고 기술적으로 복잡한 것으로 판명될 수 있다. 상기 파라미터화 프로세스의 복잡성은 많은 원치 않는 방식으로 디지털 신호 처리에 영향을 미칠 수 있다. 그 중 하나는 집적 회로에서 DSP 효율의 부분적인 감소이다.
플라즈마 전력 전달 시스템에서, 라디오 주파수(radio frequency), 약칭 RF 신호가 측정될 수 있다. 전형적인 RF 측정에는 정방향 및 역방향 전력은 물론이고, 플라즈마 전력 전달 시스템 내의 다양한 지점에서 RF 전류 및 전압이 포함된다. 측정된 신호는 일반적으로 주파수, 진폭, 노이즈 또는 불요 콘텐츠(spurious content), 펄스 길이가 다를 수 있다. 주파수와 같은 일부 변동은 전력 전달 시스템의 양호한 제어 하에 있을 수 있지만, 특히 RF 전력을 플라즈마 처리 챔버에 전달할 때 다른 변동은 제어되지 않을 수 있다. 변동은 측정된 RF 신호에서 발견되는 다양한 종류의 간섭으로 이어질 수 있다. 예를 들어 간섭의 한 형태로서 고조파는 플라즈마 자체의 비선형적 특성으로 인해 발생될 수 있다. 다른 형태의 간섭은 RF 신호의 생성에 사용되는 상이한 주파수로 인해 발생할 수 있다. 선진화된 플라즈마 시스템에서, 플라즈마 여기를 위해 주파수가 상이한 여러 개의 RF 발생기가 사용될 수 있다. 그러나, 의도한 주파수 세트가 원하는 대로 생성되는 것 외에도, 기본 주파수와 그 고조파의 가산적 또는 감산적 결합과 같은 혼합 생성물이 또한 생성된다.
측정된 RF 신호에서 발견되는 많은 간섭은 측정된 RF 신호를 디지털화하기 전에 적절한 필터를 사용함으로써 억제되거나 적어도 줄일 수 있다. 그럼에도 불구하고, 기본 주파수에 가까운 원치 않는 측파대가 발생할 수 있으며, 이것은 DSP에 의한 추가 필터링을 필요로 할 수 있고/있거나 또한 필터링에 추가의 요구 사항을 부과할 수 있다. 실제 입력 신호는 이들 입력 신호가 예를 들어 신호 소스, 전송 경로 또는 측정 디바이스에 의해 야기되는 피할 수 없는 왜곡이나 기타 아티팩트를 항상 포함하고 있기 때문에 결코 이상적이지 않다. 필터 또는 필터 파라미터의 최적화는 네트워크의 안정적인 조절을 위해 왜곡되지 않은 이상적인 입력 신호를 재구성하는 데 중요하다. 그러나 각각의 필터는 유리한 특성과 불리한 특성을 가지고 있다. 예를 들어, 필터링으로 인해 신호 지연이 너무 많이 증가하면, 제어부는 의도한 전력 레벨로부터 벗어난 것에 대해 더 이상 적시에 응답할 수 없게 된다. 또한, 필터링은 플라즈마 프로세스의 품질을 평가하는 데 필요할 수 있는 신호의 관련 부분, 예를 들어, (의도한 영역 외부 위치에 있는 플라즈마 챔버에 존재할 수 있는) 2차 플라즈마, 아크 또는 기타 플라즈마 불안정성과 같은 불규칙성의 존재를 제거할 수 있다. 그러므로 이러한 특성을 균형 맞추어 성능을 최적화하기 위해서는 필터 유형뿐만 아니라 그 파라미터 구성도 신중하게 선택되어야 하다.
일반적으로, 간섭의 불충분한 감소는 RF 발생기의 출력 전력의 측정에서 변동을 야기할 수 있다. 이러한 변동은 "측정 아티팩트(measurement artefact)"로 이해될 수 있다. 측정은 출력 전력 레벨의 제어와 같은 다양한 애플리케이션에 사용될 수 있기 때문에, 이러한 애플리케이션은 훼손된 측정 신호에 의존적일 수 있다. 제어의 예와 관련하여, 출력 전력 레벨은 올바른 측정값 대신 측정 아티팩트를 잘못 따를 수 있다.
필터링에 의해 플라즈마 불안정성이 억제된 경우, 2차 플라즈마 또는 아크와 같은 불규칙성이 검출되지 않은 채 발생될 수 있고, 그러므로 아무런 대응 조치도 개시되지 않을 수 있다. 반도체 플라즈마 처리 시스템에서, 제어되지 않는 아크 발생(arcing)과 같은 플라즈마 불안정성은 처리되는 반도체 웨이퍼에 손상을 입히는 것으로 이어질 수 있다.
US 20060262889 A1은 컨트롤러로부터의 구동 신호에 의해 구동될 때 신호를 생성할 수 있는 전력원을 개시한다. 라디오 주파수에서, 동기식 언더샘플링 또는 동기식 오버샘플링이 그 사례일 수 있다.
DE102015212242A1 / US20180122625A1에서는 간섭을 제거하기 위해 샘플링 주파수가 변경된다. 두 간행물 모두 간섭 주파수를 보정하는 특정 방법을 기술하고 있는데, 이 방법은 샘플링 주파수의 적응을 포함하지만, 기계 학습에 의한, 특히 기계 학습 절차에 의한 필터 파라미터의 최적화는 포함하지 않는다.
시뮬레이션을 가속화하기 위한 프로그래머블 회로, 특히 필드 프로그래머블 게이트 어레이(field-programmable gate array, FPGA)의 일반적인 사용은 종래 기술, 예를 들어, WO2007095574A1 또는 DE102011103861A1로부터 공지되어 있을 수 있다.
플라즈마 프로세스 동안 특정 상황의 검출을 위한 지능형 시스템이 존재한다는 것은 또한 선행 기술로부터 알려져 있다. 그러나 검출은 이벤트가 제때 완료되기 전에 수정 조치를 개시하기에는 신뢰성과 처리 속도가 종종 부족하다.
플라즈마 프로세스에서 특정 상황의 검출을 위한 전용 솔루션의 사용은 종래 기술, 예를 들어, US8989888B2에서 보고된 바 있다.
특히, 플라즈마 프로세스에서 아크 발생 이벤트를 관리하는 전용 솔루션을 사용하는 것은 여러 종래 기술 간행물에서 보고된 바 있다:
EP3254295B1은 특히 특정 기간 동안 RF 전력을 턴 오프하여 아크를 억제하는 아크 처리 디바이스 및 방법을 기술하고 있다.
US9316675B2는 RF 전압 및 전류의 시프트를 모니터링하여 2차 플라즈마를 검출하는 방법을 기술하고 있다. 이 방법은 낮은 레벨의 플라즈마 이상(plasma abnormality)과 심각한 플라즈마 이상 간을 구분할 수 있도록 한다.
US8890537B2에서 아크는 적절한 필터링 동작과 고조파 분석을 통해 검출될 수 있다.
US7761247B2에는 특히 반사 전력, 전압 및 전류와 같은 RF 관련 신호에 동적 제한을 사용하여 아크를 식별하는 것은 물론 아크를 억제하기 위한 다양한 방법도 기술되어 있다.
US10209294B2는 여러 관측 신호의 조합으로 어떻게 아크의 검출을 개선할 수 있는지를 보여준다.
이러한 선행 기술 간행물에는 특정 프로세스 조건, 예를 들면 스퍼터링 시스템 하에서 또는 특정 이상(예를 들어, 2차 플라즈마 또는 배타적으로는 아크 발생)에 대해 작동하도록 맞추어진 하드웨어 또는 소프트웨어 솔루션이 기술되어 있다. 특히, 모든 솔루션은 시스템이 이상을 검출할 수 있기 전에 실제로 이상이 존재되어야 한다. 아크 발생의 경우, 기술된 아크 관리 방법은 특히 적어도 한 번 아크 이벤트가 발생된 후에 추가 아크를 억제하는 역할만 할 것이다.
이와는 대조적으로, 아래에서 설명되는 본 발명은 통계적 접근 방식을 사용하여 불규칙성이 완전히 진화하기 전에 이를 검출하고 특히 그 발생을 방지할 수 있도록 하는 사실로 인해 훨씬 더 광범위한 적용 가능성이 있으며 훨씬 더 다재다능할 수 있다.
그러므로 본 발명의 목적은 위에서 설명한 단점을 적어도 부분적으로 극복하는 것이다. 특히, 본 발명의 목적은 RF 시스템에서 디지털 신호 처리를 개선하는 것이다.
위에서 언급한 목적은 제 1 항의 특징을 갖는 방법, 제 16 항의 특징을 갖는 시스템 및 제 17항의 특징을 갖는 데이터 캐리어 신호에 의해 해결된다. 본 발명의 추가 특징 및 세부 사항은 각각의 종속항, 설명 및 도면에 개시된다. 본 발명에 따른 방법과 관련하여 설명된 특징 및 세부 사항은 또한 본 발명에 따른 시스템뿐만 아니라 본 발명에 따른 데이터 캐리어 신호에도 적용되고, 각각의 경우에 그 반대의 경우도 마찬가지이므로, 본 발명의 개별적인 양태에 관한 개시내용과 관련하여 항상 상호 참조될 수 있다.
본 발명의 방법 및 시스템의 장점
종래 기술의 이전 간행물과는 대조적으로, 본 발명의 방법, 시스템 및 캐리어 신호는 특히 라디오 주파수 시스템에서 디지털 신호 처리를 최적화할 수 있게 한다. 이를 위해, 처리 절차가 특히 본 발명의 시스템의 트레이닝에 사용될 수 있다는 것이 특히 본 발명의 사상이다. 트레이닝은 트레이닝 모드에서 참조 데이터를 이용하여 수행되어, 프로그래머블 회로 및/또는 알고리즘의 최적화된 파라미터화가 결정된 다음, 본 발명의 시스템이 최적화된 파라미터화가 관련된 입력 신호를 실시간으로 처리하는 데 사용되는 애플리케이션 모드로 전환될 수 있도록 한다. 프로그래머블 회로는 알고리즘을 수행함으로써 입력 신호를 처리하기 위한 FPGA와 같은 프로그래머블 신호 처리 회로일 수 있다.
종래 기술에 비해 본 발명의 방법, 시스템 및 캐리어 신호의 추가의 장점은 또한 동일한 시스템에서 트레이닝 모드 및 실시간 동작 모드를 실행함으로써 달성될 수 있다. 더욱이, 새로운 트레이닝 데이터 세트를 이용한 추가 트레이닝, 즉, 새로운 상황의 기계 학습은 나중에 유리하게 수행될 수 있으며, 이미 존재하는 파라미터화는 더욱 최적화될 수 있다(아래에서, 이것은 특히 "실시간 모드로부터 학습 모드로 처리 전환"이라고 지칭된다). 또한 최적화된 파라미터의 동일 종류의 다른 시스템으로의 이전은, 예를 들어 사용자 인터페이스를 사용함으로써 가능하다.
유리하게, 트레이닝 모드와 애플리케이션 모드 둘 모두에 대해 동일한 하드웨어 구성요소(FGPA, 제어, 메모리)를 사용하면 시스템들 사이에서 파라미터의 이전을 용이하게 하고, 아직 알려지지 않은 새로운 상황에 대해 플라즈마 처리 시스템의 향후 업그레이드를 가능하게 한다. 트레이닝은, 예를 들어, 현장에서 사용 중인 시스템에 선재하는(pre-existent) 입력 신호가 기록된 테스트 벤치 시스템 또는 실험실 플라즈마 처리 시스템에 대해 수행될 수 있다. 이러한 신호의 변동성은 스케일링, 필터링, 중첩 등에 의해 수치상 증가될 수 있다. 그런 다음 최적화된 파라미터화가 트레이닝 시스템으로부터 현장의 플라즈마 처리 시스템으로 쉽게 이전될 수 있다.
더욱이, 메모리로부터의 선재하는 입력 신호를 사용함으로써, 매우 다양한 상황 속에 있는 RF 시스템의 기능성은, 예를 들어, RF 시스템의 공장 수락 시험(factory acceptance test)에서 테스트될 수 있다. 이 경우, 입력 신호는 대신에 메모리에 의해 또는 ADC 데이터와 함께 공급되며, 시스템 거동, 이를테면 레귤레이션 루프의 성능, RF 신호의 필터링, 패턴 인식뿐만 아니라 임의의 대응 조치, 예를 들어 경고 또는 인터록은 풀 가동 시스템을 이용하여 검증될 수 있다.
목적은 특히 플라즈마 시스템, 특히 라디오 주파수(약칭 RF) 구동식 플라즈마 시스템(powered plasma system), 바람직하게는 RF 구동식 플라즈마 처리 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습하기 위한 방법에 의해 해결된다. 방법은 (차례로 또는 임의의 순서로 실행될 수 있는):
- 플라즈마 시스템용 전력 전달 시스템의 아날로그 신호 및/또는 전력 전달 시스템 및/또는 플라즈마 시스템의 다른 특성과 각각 관련된 적어도 하나(또는 다수의) 입력 신호(들)를 제공하는 단계 - 적어도 하나의 입력 신호는 플라즈마 시스템에서 불규칙성을 나타내는 적어도 하나의 불규칙성 특성을 가지고 있음 - 와,
- 적어도 하나의 불규칙성 특징을 갖는 적어도 하나의 입력 신호가 (바람직하게는 프로그래머블) 회로에 의해 플라즈마 시스템에서 불규칙성의 검출을 트레이닝하도록 처리되는 기계 학습 절차를 수행하는 단계 - 여기서 이러한 처리는 적어도 부분적으로 검출 절차에 의해 수행됨 - 를 포함할 수 있다.
이것은 효과적이고 빠른 기계 학습이 제공될 수 있다는 장점이 있다. 특히, 기계 학습 절차에 (바람직하게 프로그래머블) 회로를 사용하면 이 프로세스를 더 가속화할 수 있다. 뿐만 아니라, 불규칙성의 검출은 플라즈마 시스템의 더 안전하고 더 신뢰할 수 있는 동작을 제공할 수 있다.
본 발명의 다른 양태에 따르면, 기계 학습 절차는 처리 절차의 적어도 일부가 되도록 구성될 수 있다. 처리 절차 및/또는 기계 학습 절차를 수행할 때, 적어도 하나의 입력 신호는 회로, 바람직하게는 프로그래머블 회로에 의해, 바람직하게는 검출 절차에 의해, 처리(즉, 특히 처리 절차 및/또는 기계 학습 절차 내에서 수행되는 처리, 및 바람직하게는 디지털 신호 처리 형태의 처리)의 적어도 하나의 구성 가능한 파라미터를 사용하여 반복적으로 처리될 수 있다. 적어도 하나의 구성 가능한 파라미터는 적어도 하나의 검출 절차의 파라미터일 수 있다. 적어도 하나의 파라미터의 구성은 처리 절차 및/또는 기계 학습 절차 내에서 적어도 하나의 입력 신호의 각각의 처리마다 변경, 특히 수정되어 각각의 처리 결과를 획득할 수 있다. 구성 가능한 파라미터는 검출 절차의 파라미터, 특히 뉴럴 네트워크의 가중치 또는 알고리즘의 파라미터일 수 있다. 검출 절차는 라디오 주파수 시스템, 특히 라디오 주파수 전력 전달 시스템에서 디지털 신호 처리를 포함할 수 있다. 각각의 처리 결과는 검출 절차의 결과 또는 출력일 수 있다. 구성은 검출 절차를 개선하기 위해 이에 따라 디지털 신호 처리를 개선하기 위해 변경될 수 있다.
적어도 하나의 입력 신호는 라디오 주파수 시스템의 라디오 주파수 신호 및/또는 전력 전달 시스템 및/또는 플라즈마 시스템의 다른 특성, 이를테면 바람직하게는 플라즈마 챔버에서 측정된 (광학 신호와 같은) 플라즈마 챔버로부터의 신호 및/또는 외부 소스의 신호와 관련될 수 있다.
본 발명에 따른 방법은:
- 처리 결과에 기초하여 구성의 최적화를 위해, 특히 변경된 구성, 바람직하게는 (한 세트의) 가중치 및/또는 값 중의 (하나의) 선택을 포함하는 적어도 하나의 파라미터 결과를, 특히 기계 학습의 트레이닝 결과로서 결정하는 단계와,
- 개선된 디지털 신호 처리를 위한, 파라미터 결과 및 특히 선택을 사용하는 특히 회로의 파라미터화를 위한, 적어도 하나의 결정된 파라미터 결과, 특히 결정된 구성을 제공하는 단계를 더 포함할 수 있다.
제공된 및/또는 결정된 파라미터 결과는 바람직하게는 뉴럴 네트워크에 대한 가중치 세트를 포함하며 회로의 파라미터화에 사용될 수 있다. 파라미터화된 회로는 검출 절차를 수행할 수 있으며, 여기서 검출 절차는 파라미터 결과, 특히 파라미터 결과에 의해 주어진 가중치 세트를 사용하는 뉴럴 네트워크의 적용을 포함할 수 있다. 그러므로 회로는 뉴럴 네트워크를 구현할 수 있고, 뉴럴 네트워크는, 달리 말해서 파라미터 결과, 특히 가중치 세트를 사용하여 파라미터화된다.
회로의 파라미터화는 파라미터 결과에 의한 검출 절차의 파라미터화, 즉, 파라미터 결과에 따라 뉴럴 네트워크의 가중치를 구성하는 것을 포함할 수 있다. 파라미터화된 검출 절차의 수행은 플라즈마 시스템의 정규 (현장) 동작에서 적어도 하나의 불규칙성을 검출하려는 것일 수 있다.
프로그래머블 회로가 프로그래머블 집적 회로, 바람직하게는 디지털 신호 프로세서, 복합 프로그래머블 로직 디바이스 또는 필드 프로그래머블 게이트 어레이로서 구성되는 것이 선택적으로 가능할 수 있다.
유리하게, 본 발명의 맥락에서, 특히 프로그래머블 회로가 적어도 부분적으로, 적어도 하나의 불규칙성 특징을 식별하기 위한, 특히 뉴럴 네트워크의 애플리케이션, 바람직하게는 뉴럴 네트워크를 이용한 패턴 인식 또는 패턴 매칭, 및/또는 알고리즘을 포함하는 검출 절차를 수행하는 것이 제공될 수 있다. 뉴럴 네트워크의 가중치 및/또는 활성화 함수 및/또는 뉴런이 검출 절차에 의해 제공되는 것, 특히 회로에 의해 구현되는 것이 가능할 수 있다. 활성화 함수 및/또는 일부의 가중치는 수동으로 미리 정의될 수 있다.
기계 학습 절차는:
- 회로에 의해, 검출 절차 및 검출 절차의 적어도 하나의 구성 가능한 파라미터, 특히 뉴럴 네트워크의 가중치 또는 알고리즘의 파라미터를 사용하여 적어도 하나의 입력 신호의 처리를 수행하는 단계, 바람직하게는 반복하여 수행하는 단계 - 여기서 적어도 하나의 파라미터의 구성은 입력 신호의 각각의 처리마다 변경, 특히 수정되어 각각의 처리 결과를 획득함 - 와,
- 특히 변경된 구성 중의 선택을 포함하는 적어도 하나의 파라미터 결과를 처리 결과에 기초한 기계 학습의 학습 결과로서 결정하는 단계를 포함할 수 있다.
파라미터 결과 및/또는 트레이닝 결과는 뉴럴 네트워크의 분류기라고 지칭될 수 있다.
뿐만 아니라, 파라미터 결과는 검출 절차를 구현하는 다른 회로에 사용되도록 배부될 수 있다. 데이터 캐리어 신호, 바람직하게는 데이터 캐리어 신호를 갖는 데이터 캐리어가 이러한 배부를 위한 파라미터 결과를 포함할 수 있다. 그러므로 파라미터 결과를 포함하는 데이터 캐리어 신호 또는 데이터 캐리어 또한 본 발명의 대상이다.
본 발명의 맥락에서, 기계 학습 절차 및 특히 적어도 하나의 입력 신호의 처리가 반복 처리 단계를 포함하면, 각각의 처리 단계에서 동일한 적어도 하나의 입력 신호는 특히 프로그래머블 회로에 의해 처리되되, 파라미터의 상이한 변경된 구성을 사용하여 특히 사용된 구성에 할당된 각각의 처리 결과를 획득하도록 처리되는 것이 바람직할 수 있으며, 여기서 바람직하게는 변경된 구성의 평가는 획득된 처리 결과 각각을 참조 결과와 비교함으로써 수행된다. 평가는 또한 (예를 들어, 통상의 최적화 알고리즘을 사용하여) 구성을 최적화한다는 의미에서 트레이닝을 할 수 있게 하는 기계 학습 절차의 일부일 수도 있다. 그러므로 기계 학습은 인공 지능의 맥락에서 이해될 수 있을 뿐만 아니라 또한 추가적으로 또는 대안적으로, 최적화 알고리즘에 의한 최적화 문제의 자동 해결 또는 단순히 적어도 하나의 불규칙성 특징을 식별하기 위한 알고리즘의 최상의 파라미터를 찾기 위한 반복적 검색을 포함할 수도 있다. 평가는 제어 회로 또는 프로그래머블 회로 외부의 다른 디바이스에 의해 수행될 수 있다.
변경된 구성의 평가가 처리 결과와 참조 결과의 매칭에 따라 달라진다는 것 또한 선택적으로 상상 가능하며, 여기서 평가가 가장 높은 적어도 하나의 구성은 변경된 구성으로부터 적어도 하나의 결정된 파라미터 결과로서 선택된다.
뿐만 아니라, 참조 결과는 미리 결정된 적어도 하나의 불규칙성의 표시라는 것이 선택적으로 제공된다. 그러므로 평가는 처리 결과가 이상적인 참조 결과에 얼마나 근접한지에 따라 달라진다.
본 발명의 유리한 추가 전개에 따르면, 적어도 하나의 입력 신호 각각이,
- 플라즈마 시스템에 전력을 공급하는 데 사용되는 라디오 주파수 신호 및/또는
- 전력 전달 시스템 및/또는 플라즈마 시스템의 다른 특성에
관련 있다는 것이 제공될 수 있으며,
여기서 바람직하게 불규칙성은 플라즈마 처리 시스템에서 발생하는 아크에 특유하거나 아크의 발생 확률에 특유하다. 불규칙성은 특히 예상되는 아크의 발생 또는 다른 원치 않는 불규칙성을 시사하는 특정 패턴일 수 있다.
아크는 특히 플라즈마 처리 동안 전기적 플래시오버(electrical flashover) 또는 아크 방전으로서 이해될 수 있다. 특히 플라즈마 지원 코팅 프로세스(plasma-supported coating processe)에서, 이러한 불규칙성에 의해 플라즈마 코팅이 방해를 받을 수 있다. 그러므로 검출 절차가 가능한 한 짧은 시간 내에 아크를 검출할 수 있다면 유리하다.
적어도 하나의 불규칙성에 대한 기계 학습된 검출이 아크 검출 및/또는 아크 방지 및/또는 아크 관리에 사용되는 것이 선택적으로 가능할 수 있다. 검출은 경고 메시지의 출력을 초래할 수 있다. 차단과 같은 추가 조치는 아크 관리를 가능하게 한다. 예상되는 아크의 발생이 검출될 수 있다면, 이것은 아크 방지를 가능하게 한다.
바람직하게는, 기계 학습 절차가 검출을 위한 검출 절차의 적어도 하나의 파라미터의 구성, 특히 뉴럴 네트워크의 적어도 하나의 가중치 또는 알고리즘의 적어도 하나의 파라미터의 구성의 반복적 결정을 제공하는 것이 제공될 수 있다. 특히 뉴럴 네트워크 또는 알고리즘은 적어도 부분적으로 특히 프로그래머블 회로에 의해 구현된다. 결정된 구성은 이후 전력 전달 시스템의 현장 동작에서 검출 절차에 사용될 수 있으며, 방법은,
- 검출 절차에 의해 불규칙성이 검출되었을 때 경고 정보를 출력하는 단계를 포함한다.
적어도 하나의 입력 신호를 제공하는 단계가:
- 전력 전달 시스템의 아날로그 신호를 라디오 주파수 신호 및/또는 전력 전달 시스템 및/또는 플라즈마 시스템의 다른 특성의 형태로 기록 및 변환하여 아날로그 신호 및/또는 다른 특성의 디지털 표현을 획득하는 단계와,
- 아날로그 신호 및/또는 다른 특성의 디지털 표현을 특히 프로그래머블 회로로의 적어도 하나의 입력 신호로서 제공하는 단계
를 포함한다면 이 또한 유리하다.
추가의 장점 중, 적어도 하나의 불규칙성을 검출하기 위한 검출 절차가 특히 프로그래머블 회로에서, 실시간으로 계산을 수행하기 위한 회로의 기능 블록을 결합함으로써, 구현되는 것이 제공될 수 있다. 이것은 또한 뉴럴 네트워크의 빠른 실행을 가능하게 할 수 있다.
뿐만 아니라, 본 발명의 범위 내에서, 구현된 검출 절차가 적어도 하나의 입력 신호의 처리를 위한 기계 학습 절차 동안 실시간 계산과 함께 반복적으로 사용된다는 것이 상상 가능하다. 이것은 기계 학습을 가속화할 수 있게 한다.
뿐만 아니라, 기계 학습 절차가, 특히 프로그래머블 회로의 파라미터화를 위한 트레이닝 절차로서 구성된다는 것이 상상 가능하며, 여기서 정확히 동일한 회로 또는 파라미터화가 동일한 다른 회로는, 특히 아크 검출 및/또는 아크 방지 및/또는 아크 관리를 위해, 전력 전달 시스템의 현장 동작 중에 적어도 하나의 불규칙성을 검출하는 데 사용 가능하다.
뿐만 아니라, 특히 현장 동작에서, 적어도 하나의 불규칙성이 검출되면, 다음의 조치:
- 전력 전달 시스템의 적어도 일부 또는 전체의 스위치 오프, 여기서 특히 전력 전달 시스템의 일부만 스위치 오프되거나 전력 전달 시스템의 모든 부분이 스위치 오프됨,
- 차후 전력 전달 시스템의 재시작 없이 전력 전달 시스템의 스위치 오프,
- 전력 전달 시스템의 일시적 스위치 오프후 차후에 전력 전달 시스템의 재시작,
- 전력 전달 시스템의 출력 전력의 일시적 감소,
- 전력 전달 시스템의 출력 주파수, 특히 전력 전달 시스템의 RF 전력 신호의 및/또는 아날로그 신호의 출력 주파수의 일시적 수정,
- 임피던스 매칭 네트워크에서 적어도 하나의 조정 가능한 요소의 일시적 수정
중 적어도 하나의 조치가 바람직하게 개별적으로 또는 합동으로 개시되는 것이 제공될 수 있다.
이것은 효과적인 아크 관리 및/또는 방지를 가능하게 한다. 일반적으로, 전력 전달 시스템의 조정 가능한 파라미터 중 적어도 하나의 일시적인 변경, 예를 들어, RF 전력 신호 주파수의 변경 또는 임피던스 정합 회로에서 조정 가능한 구성요소의 값 변경은 적어도 하나의 불규칙성의 검출 시 바람직하게 개별적으로 또는 위에서 언급한 조치와 합동으로 개시될 수 있다. 이러한 조치에 사용되는 정확한 파라미터는 전력 전달 시스템의 사양과 정확한 구성에 따라 미리 정의될 수 있다. 이에 가장 적합한 파라미터는 특정 전력 전달 시스템을 사용하여 실험적으로 또는 경험적으로 찾을 수 있다.
본 발명의 맥락에서, 불규칙성의 검출이 확률적 검출, 특히 플라즈마 처리 시스템에서 아크가 발생하기 전에 아크를, 다시 말해 예상되는 아크를 검출하기 위한, 바람직하게는 아크의 발생 확률의 결정을 위한 및/또는 아크 방지를 위한 확률적 검출을 포함한다면 더 유리하다. 불규칙성의 검출이 플라즈마 처리 시스템에서 불규칙성이 발생하기 전에 다른 불규칙성을 검출하기 위한 확률적 검출을 포함하는 것 또한 가능하다.
본 발명의 다른 양태는 플라즈마 시스템, 특히 RF 구동식 플라즈마 시스템, 바람직하게는 RF 구동식 플라즈마 처리 시스템에서 적어도 하나의 불규칙성을 검출하기 위한 시스템이며, 시스템은,
- 플라즈마 시스템용 전력 전달 시스템의 적어도 하나의 라디오 주파수 신호 및/또는 전력 전달 시스템 및/또는 플라즈마 시스템의 다른 특성을 감지하기 위한 적어도 하나의 센서, 특히 방향성 커플러 및/또는 전압-전류 센서와,
- 센서와 연결되어, 적어도 하나의 감지된 라디오 주파수 신호 및/또는 다른 특성을 적어도 하나의 입력 신호로 변환하기 위한 적어도 하나의 변환기, 특히 아날로그-디지털 변환기와,
- 적어도 하나의 입력 신호의 디지털 신호 처리를 위한, 특히 프로그래머블 회로를 포함하며, 여기서 회로는 본 발명에 따른 방법에 따라 적어도 하나의 불규칙성을 검출하도록 트레이닝된다.
따라서, 본 발명에 따른 시스템은 본 발명에 따른 방법과 관련하여 상세히 설명한 바와 동일한 장점을 제공한다.
본 발명에 따른 방법은 사용되는 파라미터의 구성에 각각 특유한 다수의 처리 결과가 이용 가능해질 수 있으므로, 처리 결과에 기초하여 변경된 구성으로부터 최상의 구성이 선택될 수 있다는 장점이 있다. 달리 말해서, 파라미터는 구성을 변경함으로써 최적화될 수 있다("파라미터를 변경하는 것"이라고도 함). 그러므로 파라미터 결과의 선택은 처리 절차 내에서 최상의 처리 결과로 이어지는 변경된 구성 중 적어도 하나를 포함할 수 있다. 회로의 파라미터화를 위한 파라미터 결과를 사용하면 디지털 신호 처리(digital signal processing, DSP)의 개선을 달성할 수 있다.
처리 절차는 회로에 의한 반복 처리, 특히 디지털 신호 처리를 포함할 수 있지만, 아래에서 보다 상세하게 설명되는 바와 같이 평가 및/또는 구성의 변경과 같은 추가 단계도 포함할 수 있다. 뿐만 아니라, 처리 절차는 적어도 부분적으로 기계 학습 절차로 간주될 수 있다. 달리 말하면, 처리 절차는 기계 학습 절차를 포함할 수 있다. 기계 학습 절차는 (적어도) 결정된 파라미터 결과의 평가 및/또는 메모리 내 저장 및/또는 파라미터 결과의 결정 및/또는 제공 및/또는 바람직하게는 파라미터 값 및/또는 뉴럴 네트워크의 적어도 하나의 가중치의 학습 및/또는 구성의 최적화를 포함할 수 있다.
본 발명의 개시내용의 맥락에서, 달리 명시적으로 언급되지 않는 한, 부정관사 및 정관사 또는 숫자 표시, 예를 들어, "하나", "둘" 등은 "적어도"라는 표시로 이해되어야 한다. "적어도" 또는 이와 유사한 것의 명시적인 시사로부터 온 것이더라도, 예를 들면 "정확히 하나"라는 의미에서의 제한은 이러한 명시적인 시사 없는 항목의 단순한 다른 사용 또는 수치 표시에 의해 암시된다고 단정해서는 안 된다. 뿐만 아니라, 프로세스 파라미터 및/또는 디바이스 파라미터의 표시뿐만 아니라 수치 표시도 기술적 의미, 즉, 보통의 허용 오차를 갖는 것으로 이해해야 한다.
"최상의 처리 결과"라는 용어의 사용은 다음을 지칭할 수 있다:
- 디지털 신호 처리의 최적 결과, 예를 들어, 원치 않는 주파수의 최대 억제 또는 수많은 불규칙한 신호 중 검출된 최대 개수의 특정 불규칙성,
- RF 전력 전달 시스템과 관련된 측정된 파라미터에 대한 최적 결과, 예를 들어, 변동이 가장 낮은 RF 전력 출력,
- 측정된 신호 중 하나의 측정된 신호에서 특정 패턴의 최적 검출,
- 플라즈마 프로세스와 관련된 측정된 파라미터, 예를 들어, DC 셀프 바이어스 또는 이온 농도에 대한 최적 결과,
- 플라즈마 프로세스 챔버에서 처리되는 항목의 특성, 예를 들어, 증착된 층의 두께와 관련된 측정된 파라미터에 대한 최적 결과.
처리 절차의 수행은 프로그래머블 회로에 전기적으로 연결된 제어 회로(아래에서는 "제어부"라고도 지칭됨)에 의해 개시 및 제어되어 적어도 하나의 입력 신호를 제공할 수 있다. 뿐만 아니라, 결정하고 제공하는 것 또한 제어 회로에 의해 수행될 수 있다.
"디지털 신호 처리"라는 용어는 일반적으로 디지털 신호의 처리를 의미하는 것으로 이해된다. 구체적으로, 본 발명에 따른 디지털 신호 처리는 RF 신호가 적어도 하나의 센서에 의해 감지되고 이어서 RF 시스템의 아날로그-디지털 변환기(analog-to-digital converter), 약칭 ADC에 의해 실시간으로 디지털 신호로 변환된 후에 RF 신호를 처리하는 것을 포함할 수 있다. 디지털 신호 처리와 대조적으로, "처리 절차"는 실제로 실시간으로 감지되는 입력 신호를 사용하지 않는 트레이닝 절차로서 간주될 수 있다(그 대신 이것은 이전에 기록되거나 컴퓨터 시뮬레이션될 수 있다). 처리 절차 내 및 디지털 신호 처리 내 처리에 사용되는 알고리즘은 동일할 수 있다. 그러나 알고리즘의 구성은 처음에는 처리 절차 내에서 트레이닝되고 이후에는 디지털 신호 처리 내에서만 적용된다.
"RF 시스템"이라는 용어는 적어도 하나의 전기적 RF 신호를 출력하는 시스템을 말한다. 뿐만 아니라, RF 시스템은 RF 발생기를 포함하거나 그 일부일 수 있다. 그러므로 RF 신호는 RF 발생기의 출력일 수 있다. RF 시스템의 구체적인 구성일 수 있는 라디오 주파수 전력 전달 시스템이라는 용어는 플라즈마 시스템, 특히 플라즈마 발생기 시스템을 위한 전기적인 전력 공급 장치를 말한다. 이 시스템은 전송 라인 및/또는 임피던스 매칭 네트워크를 더 포함할 수 있다. 플라즈마 시스템은 플라즈마 처리, 바람직하게는 플라즈마 에칭 또는 플라즈마 증착에 사용되는 플라즈마를 생성하는 데 적합할 수 있다. 관련 기술분야의 통상의 기술자에게 잘 알려진 바와 같이, 플라즈마 처리 애플리케이션은 전형적으로 가스를 적절히 이온화하고 플라즈마 처리 챔버에서 플라즈마를 생성하기 위해, 100 W 이상, 종종 1 kW 신호를 초과하기도 하는 (증폭된) 전력 신호로 전력을 공급받는다. 그러나 이러한 고전력 신호를 제어하는 데 수반되는 제어 신호는 훨씬 더 낮은 전력 신호를 수반할 수 있으며 저전력 신호 처리 기법에 따라 처리될 수 있다. RF 신호와 같은 고전력 신호의 특성을 감지하는 것은 다양한 유형의 센서를 수반할 수 있으며, 고전력 신호 진폭의 작은 부분을 비롯한 해당 신호의 특징적인 양을 포착하는 것을 수반할 수 있다.
"적어도 하나의 입력 신호"는 바람직하게는 라디오 주파수 시스템의 라디오 주파수 신호(약칭: RF 신호, RF 전력 신호라고도 함)와 관련된 디지털 신호일 수 있다. 특히, 이것은 적어도 하나의 입력 신호가 RF 신호에 특유할 수 있고/있거나 RF 신호를 감지함으로써, 특히 측정함으로써 획득될 수 있다는 것을 의미한다. 그러므로 RF 신호는 RF 시스템의 또는 RF 시스템 내의 실제 전기적 출력인 라디오 주파수 범위에 있는 물리적 신호일 수 있다. RF 범위는 20 kHz 내지 300GHz, 바람직하게는 300 kHz 내지 300 MHz(중간 주파수 대역, 고주파 대역 및 초고주파 대역)의 주파수 범위일 수 있다. 입력 신호가 RF 신호로부터 도출되는 그리고 낮은 주파수에서, 예를 들어, 펄싱 애플리케이션(pulsing applications)에서 변할 수 있는 DC 신호, 예를 들면, 플라즈마 챔버에 존재하는 측정된 DC 바이어스 전압, 측정된 순방향 및/또는 반사 전력, 반사 계수, RF 전압과 전류 사이의 위상 또는 외부 센서로부터의 스칼라 신호인 것도 또한 가능하다.
기계 학습 절차가 수행된 후에, 불규칙성의 트레이닝된 검출은 신호 발생 유닛을 제어하는 데 사용되는 것이 가능하다. 달리 말해서, 현장 동작에서, 파라미터화된 프로그래머블 회로는 검출 절차를 사용하여 불규칙성을 검출하는 데 사용될 수 있으며, 여기서 적어도 하나의 불규칙성이 검출되면, 신호 발생 유닛의 제어가 개시될 수 있다. 적어도 하나의 불규칙성은 실제로 발생하기 전에 검출될 수 있다 - 이것은 불규칙성의 발생을 방지하는 신호 발생 유닛의 제어와 같은 조치가 개시될 수 있도록 파라미터화된 프로그래머블 회로에 의해 가능한 불규칙성의 발생이 예측될 수 있다는 것을 의미한다. 그러므로 불규칙성의 "검출"은 또한 불규칙성의 "예측"을 포함할 수도 있다. 트레이닝된 검출은 디지털 신호 처리의 일부일 수 있다.
디지털 신호 처리, 특히 검출 절차의 결과는 신호 발생 유닛, 예를 들어, DDS 코어 또는 RF 시스템의 추가 회로를 제어하는 데 사용될 수 있다. 신호 발생 유닛은, 예를 들어, 디지털-아날로그 변환기(DAC) 및 전력 증폭 스테이지에 의해 RF 전력 신호로 변환되는 출력 신호의 진폭, 주파수 및 위상을 조정하는 데 사용될 수 있다. RF 발생기의 출력에서 결과적인 RF 전력 신호는 임피던스 매칭 네트워크를 통해 플라즈마 프로세스 시스템으로 제공될 수 있다. 이러한 방식으로, 예를 들어 RF 발생기의 출력에서 방향성 커플러로부터 입력 신호를 필터링한 결과는, 예를 들어, 플라즈마 내로 전달되는 RF 전력이 안정화되고 플라즈마로부터 반사된 전력이 최소화되는 방식으로 RF 전력 신호를 적응시키는 데 직접 사용될 수 있다.
특히, RF 범위는 또한 300 kHz 내지 500 kHz, 1 MHz 내지 MHzz, 10 MHz 내지 16 MHz, 24 MHz 내지 30 MHz, 37 MHz 내지 43 MHz, 57 MHz 내지 63 MHz, 77 MHz 내지 83 MHz 또는 159 MHz 내지165 MHz 범위에 있을 수 있다. 예를 들어, 10 MHz 내지 16 MHz의 RF 범위에서, 라디오 주파수 신호의 특정 주파수는 13.56 MHz일 수 있다. 언급된 주파수 범위는 특히 플라즈마 애플리케이션에서 및/또는 RF 발생기에 사용된다.
처리 절차 내에서, 적어도 하나의 입력 신호는 회로에 의해 반복적으로 처리된다. 회로는 적어도 하나의 파라미터의 구성에 따라 적어도 하나의 입력 신호의 처리를 위한 알고리즘을 수행하기에 적합할 수 있다. 그러므로 파라미터는 알고리즘의 파라미터일 수 있다. 필터링의 경우, 알고리즘은 필터 알고리즘일 수 있고 파라미터는 필터 파라미터 및/또는 필터 계수일 수 있다. 아크 검출의 경우, 알고리즘은 패턴 인식 알고리즘일 수 있으며 파라미터는 특정 참조 패턴과 매칭하는 패턴의 확률일 수 있다. 다시 말해서, 상기 확률은 패턴과 특정 참조 패턴 간의 유사성 정도를 나타낼 수 있다. 뿐만 아니라, 회로는 뉴럴 네트워크를 적용하는 데 적합할 수 있다. 이 경우, 파라미터는 뉴럴 네트워크의 적어도 하나의 가중치일 수 있다. 회로는 적어도 하나의 파라미터의 구성이 변경될 수 있다는 의미에서 적어도 프로그램될 수 있다.
"반복 처리"는 알고리즘은 동일하되 구성이 상이한 알고리즘을 사용하여 동일한 적어도 하나의 입력 신호의 반복 처리를 의미한다고 이해될 수 있다. 그러므로 적어도 하나의 파라미터의 구성은 적어도 하나의 입력 신호의 처리마다 달라져 각각의 처리 결과를 획득한다. 다시 말해서 각각의 처리 결과는 각각의 구성을 가지고 수행될 때 알고리즘의 각각의 결과일 수 있다.
유리하게, 적어도 하나의 파라미터는 처리 결과에 영향을 미치는 처리 파라미터일 수 있다. 처리가 적어도 하나의 입력 신호의 필터링을 포함하는 경우, 적어도 하나의 파라미터는 적어도 하나의 필터 파라미터를 포함할 수 있다. 예를 들어, 적어도 하나의 파라미터는 조정 가능한 차단 주파수(cut-off frequency) 및/또는 임계값 등을 포함할 수 있다.
"적어도 하나의 파라미터 결과를 결정"이라는 것은 최상의 처리 결과로 이어지는 (이에 따라 처리 결과에 기초하는) 변경된 구성 중 적어도 하나 또는 정확히 하나의 선택으로 이해될 수 있다. 이것은 파라미터 구성의 최적화를 가능하도록 한다. "개선된 디지털 신호 처리를 위한 적어도 하나의 결정된 파라미터 결과를 제공"이라는 것은 선택된 구성을 사용하여 회로를 파라미터화하는 것으로 이해될 수 있다.
파라미터 결과는 변경된 구성으로부터 선택된 특정 구성을 포함할 수 있으며, 여기서 선택은 처리 결과에 따라 이루어질 수 있다. 예를 들어, 처리 결과 각각을 평가하는 데 사용되는 메트릭 또는 참조 결과와 같은 참조가 제공될 수 있다. 처리 결과 각각은 이러한 처리 결과를 획득하기 위해 사용된 구성에 대응한다. 그 결과, 처리 결과 각각은 구성을 평가하는 데, 특히 등급을 매기는 데 사용될 수 있다. 그러므로 가장 잘 평가되거나 가장 좋은 등급을 받은 처리 결과에 대응하는 정확한 구성이 선택될 수 있다. 달리 말해서, 구성은 대응하는 처리 결과와 참조 간의 차이가 최소화되도록 최적화된다. "구성의 최적화"는 "적어도 하나의 파라미터의 최적화"라고도 할 수 있으며, 여기서 적어도 하나의 최적화된 파라미터(즉, 선택된 구성)는 차후에 라디오 주파수 시스템의 "현장에서" 또는 "실시간" 동작 또는 "애플리케이션 모드"를 위한 그 (또는 다른) 프로그래머블 회로를 파라미터화하는 데 사용될 수 있다. 이들 용어는 아래에서 동의어로 사용된다.
"평가"는 처리 결과를 이상적인 처리 결과와 같은 참조와 비교하는 것으로 이해될 수 있다. 처리 결과와 참조가 더 잘 매칭할수록, 대응하는 구성의 평가는 더 좋아진다. 평가는 제어 회로에 의해 또는 전용의 프로그래머블 회로 부분에 의해 수행될 수 있다. 평가를 위해 사용될 수 있는 많은 상이한 최신의 방법, 예를 들어 신호 평가를 위한 통계적 방법, 다변량 통계 기법, 경험적 비교 시계열 분석이 있다.
실시예에서, 적어도 하나의 파라미터 결과는 DSP의 상이한 애플리케이션에 대한 적어도 두 개의 상이한 파라미터 결과를 포함한다. 대안적으로 또는 추가적으로, DSP 및 디지털 신호 처리는 구성에 의해 파라미터화된 필터링을 포함할 수 있다. 필터링의 구성의 선택은 RF 신호에서 간섭 감소에 상당한 영향을 미친다. 그러나 하나의 특정 구성이 다중 주파수 애플리케이션에서 RF 전력 레벨의 모든 조합에 대해 작동하지 않을 수 있으며, 플라즈마 시스템의 플라즈마 챔버에서 실행되는 모든 프로세스에 대해서도 적동하지 않을 수 있다. 그러므로 상이한 플라즈마 처리 조건에 최적화된 구성을 결정하기 위한 필요성이 있을 수 있다. 이것은 상이한 애플리케이션에 대해 다수의 파라미터 결과를 사용하여 달성될 수 있다.
유사하게, 아크 검출의 경우, 하나의 특정 구성은 특정 불규칙성을 검출하는 데만 최적화될 수 있지만 다른 유형의 불규칙성에는 작동하지 않을 수 있다. 그러므로 여러 개의 뚜렷이 다른 불규칙성이 검출되어야 한다면, 이것은 각각의 처리마다 상이한 구성이 적용되는 입력 신호의 순차적 및/또는 병렬적 처리에 의해 달성될 수 있다. 그러므로 기계 학습 절차는 불규칙성 특징이 상이한 유형의 불규칙성에 특유한 방식으로 상이한 유형의 불규칙성에 대해 여러 번 수행될 수 있다.
각각의 애플리케이션 및/또는 불규칙성 유형마다, 트레이닝 프로세스 중에 처리 절차에 따로따로 사용될 수 있는 상이한 입력 신호 세트가 제공될 수 있으며, 이에 따라 상이한 파라미터 결과를 초래할 수 있다.
플라즈마 프로세스 레시피의 단계에서 상이한 프로세스 조건의 순서에 따라, 예를 들어 실시간 동작 중에 프로세스 조건이 변경될 때 상이한 구성들 간에 빠른 전환이 또한 유리할 수 있다. 그러므로 빠른 전환을 위해 상이한 파라미터 결과가 메모리에 저장되는 것이 가능할 수 있다.
디지털 신호 처리 및/또는 처리 절차 내에서, 적어도 하나의 입력 신호는, 예를 들어, 트레이닝 입력 신호로서 또는 참조 입력 신호로서 사용되는 이미 디지털화된 신호를 제공함으로써 미리 정의될 수 있다. 이미 디지털화된 신호는 이전에 기록된 신호이거나 또는 예를 들면 시뮬레이션된 신호일 수 있는 선재하는 신호일 수 있다. 따라서 처리를 위해 ADC가 반드시 필요한 것은 아니다. 그러나, 실시간 동작에서, ADC는 감지된 아날로그 RF 신호를 이하 실시간 입력 신호라고 지칭되는 신호의 디지털 표현으로 변환할 수 있다. 트레이닝 모드에서, 적어도 하나의 미리 정의된 입력 신호는 처리 절차에 원하는 특성 및 특징으로서 미리 정의될 수 있고, 그래서 실제 라디오 주파수 신호를 "표현"만 할 수 있다. 그러나 실시간 모드에서, 프로그래머블 회로는 미리 정의된 입력 신호 대신 감지된 RF 신호로부터의 실시간 입력 신호를 처리할 수 있다.
RF 시스템은 플라즈마 시스템에 RF 전력을 공급하는 데 사용되는 RF 신호의 감지, 특히 측정을 수행하기 위한 적어도 하나의 센서를 포함할 수 있다. 측정은 특히 RF 시스템 내의 다양한 지점에서, 순방향 및 역방향 전력 및/또는 RF 전류 및/또는 RF 전압의 형태로 RF 신호를 측정하는 것을 포함할 수 있다. RF 발생기의 출력 전력이 조절되고, 이를 위해 RF 신호가, 특히 발생기의 출력에서 RF 파형의 형태로 센서에 의해 측정되는 것이 또한 의도되어 있을 수 있다. 방향성 커플러는 센서에 순방향 및 역방향 파형을 제공하는 데 사용될 수 있다. 그러므로 RF 신호는 아날로그 신호일 수 있으며, 아날로그 신호는 이후 ADC에 의해 특정 샘플 레이트로 변환되어 디지털 실시간 입력 신호를 제공한다. 유사한 방식으로, 예를 들면 임피던스 매칭 네트워크에 있는 다른 센서, 예를 들어 위상 및 크기 센서, 전압-전류 센서 또는 DC 바이어스 센서, 또는 바로 플라즈마 챔버에 있는 예를 들면 랭뮤어 프로브(Langmuir probe) 또는 광학 센서는 RF 전압 및 전류, 플라즈마의 DC 셀프 바이어스 또는 플라즈마 스펙트럼에서 특정 스펙트럼 라인의 강도와 같은 다양한 파라미터를 측정할 수 있다. 이러한 측정은 플라즈마로의 전력 전달을 극대화하기 위해 조정 가능한 요소를 제어하는 데 사용되거나 플라즈마 특성을 특성화하는 데 사용된다. 측정된 파라미터는 실시간 입력 신호로서 제공될 수 있거나 트레이닝 입력 신호로서 표현될 수 있다.
프로그래머블 회로는 프로그래머블 로직 디바이스, 예를 들어, 디지털 신호 프로세서(DSP), 복합 프로그래머블 로직 디바이스(complex programmable logic device, CPLD) 또는 FPGA로서 구성될 수 있다.
본 발명에 따르면, 특히 프로그래머블 회로는 적어도 부분적으로, 적어도 하나의 불규칙성 특징을 식별하기 위한, 특히 (인공) 뉴럴 네트워크의 애플리케이션, 바람직하게는 뉴럴 네트워크를 이용한 패턴 인식 또는 패턴 매칭, 및/또는 알고리즘을 포함하는 검출 절차를 수행하는 것이 제공될 수 있다. 검출 절차는 입력 신호의, 특히 아날로그 신호를 측정하여 획득된 측정 데이터의 평가를 제공할 수 있다.
바람직하게 입력 신호에서, 적어도 하나의 불규칙성 특징을 식별하기 위한, 특히 아크 검출을 위한 패턴 인식 또는 패턴 매칭 또는 알고리즘에 대해, 다양한 알고리즘이 사용될 수 있는데, 예를 들면 다음과 같다:
● 통계적 패턴 인식 알고리즘, 이 알고리즘에서는 측정된 데이터가 처리되어 평균값 및 표준편차, 상관 계수, 노이즈 레벨, 편차의 진폭 및 방향, 특히 서서히 변화하는 배경 패턴 및 빠르게 변화하는 불규칙성과 같은 특성 집합을 획득할 수 있음. 이러한 알고리즘을 특정 입력 신호에 적응시켜 불규칙성의 최적 검출 및 분류를 위해, 편차에 대한 임계값 및 상관 계수와 같은 파라미터가 사용될 수 있다. 더욱이, 각각의 특징에 조정 가능한 가중치를 줄 수 있는 여러 특징들의 조합이 사용되어 불규칙성의 정확한 검출 및 분류를 개선할 수 있다.
● 템플릿 매칭 알고리즘, 이 알고리즘에서는 입력 신호가 특정 구조를 포함하는 간격으로 분할될 수 있고, 그런 다음 특정 구조는 저장된 불규칙성의 템플릿과 비교될 수 있음. 입력 신호를 의미 있는 간격으로 분할하기 위한 파라미터, 예를 들어, 정상 상태 거동의 기간 대 평균 및/또는 노이즈 레벨로부터의 강한 편차가 있는 기간은 저장된 템플릿과 유사성 있는 특징의 최상의 검출을 위해 최적화될 수 있다. 또한, 입력 신호가 템플릿과 비교할 수 있도록 입력 신호를 정규화하는 데 사용될 수 있는 스케일링 팩터(scaling factor) 또는 스케일링 팩터 범위 또한 변경되고 최적화될 수 있는 파라미터이다. 더욱이, 상관 계수에 대한 임계값 레벨의 변경은 알고리즘을 더욱 최적화하는 데 사용될 수 있다.
전통적인 결정론적 알고리즘의 대안으로서, 뉴럴 네트워크는 입력 신호로부터 자동으로 특징을 추출하고 이를 분류하는 데 사용될 수 있다. 특히 시계열의 분석 및 아크와 같은 불규칙성의 검출을 위해, 다음과 같은 네트워크가 사용될 수 있다:
● 입력 계층, 하나 이상의 은닉 계층 및 출력 계층을 포함하는 피드포워드 인공 뉴럴 네트워크, 예를 들어, 비선형 활성화 함수를 갖는 다층 퍼셉트론(multilayer perceptron, MLP) 네트워크,
● 특히 시계열 입력 신호의 국부적 상관을 활용하기 위한 컨볼루션 계층을 포함하는 컨볼루션 뉴럴 네트워크(convolutional neural network, CNN),
● 순환 뉴럴 네트워크(recurrent neural network), 특히 장단기 기억(long short-term memory, LSTM) 네트워크는 그렇지 않았더라면 예상되는 기간을 넘어 눈에 띄지 않을 수 있는 입력 신호 내 개별적인 불규칙성을 식별하고 예측하는 데 특히 적합함.
입력 신호에서 패턴 인식을 위해 뉴럴 네트워크가 사용될 때, 뉴런의 가중치, 활성화 함수의 임계값 또는 비선형 활성화 함수의 형태를 제어하는 파라미터는 뉴럴 네트워크를 최적화하여 불규칙성 특징을 가장 잘 검출하고 분류하도록 변경될 수 있는 파라미터일 수 있다. 이러한 파라미터의 최적화와 관련된 뉴럴 네트워크의 트레이닝을 위해, 그라디언트 방법을 사용하는 역전파법(backpropagation)이 사용될 수 있다.
입력 신호의 처리에 사용될 수 있는 알고리즘 또는 뉴럴 네트워크의 트레이닝에서, 즉, 특히 기계 학습 절차에서, 트레이닝 데이터 세트, 즉, 다수의 선재하는 입력 신호는 (본 발명의 방법에 따른 적어도 하나의 입력 신호로서) 사용될 수 있으며, 입력 신호는 (그 중에서도) 다음의 요소 중 적어도 하나를 사용하여 생성되고 제공될 수 있다:
● 검출될 다양한 불규칙성 각각은, 불규칙성 트레이닝 데이터 세트가 불규칙성이 있는 입력 신호와 불규칙성이 없는 입력 신호를 둘 다 포함하도록, 트레이닝 데이터 세트에서 충분한 개수의 기록된 입력 신호, 예를 들어, 10% 또는 20%에 상당해야 할 수 있다.
● 특정 불규칙성은 플라즈마 프로세스의 적절한 프로세스 파라미터 또는 RF 전력 전달 시스템에 의해 인위적으로 트리거될 수 있어서 이러한 불규칙성은 정상 동작에 비해 더 자주 또는 더 높은 강도로 발생할 수 있다. 이러한 방식으로, 특정 불규칙성이 있는 더 많은 수의 입력 신호가 단시간에 기록될 수 있다.
● 불규칙성이 식별된, 예를 들면, 엔지니어에 의해 평가되는 기록된 입력 신호는 특징을 스케일링, 시프팅, 확장, 압축 및/또는 오프셋함으로써, 특정 특성을 가진 노이즈를 추가함으로써, 서서히 변화하는 기준선을 추가함으로써 또는 동작을 필터링함으로써 더 큰 유사한 입력 신호 세트를 자동으로 생성하는 데 사용될 수 있다. 이러한 방식으로 모두 유사한 불규칙성을 가진 입력 신호의 집단(batch)이 생성될 수 있고, 그 다음에 이 집단은 트레이닝 데이터 세트에 포함될 수 있다.
● 또한, 보다 긴 시간 스케일에 걸쳐 검출할 수 있는 특정 불규칙성, 예를 들어, 특정 구성요소의 저하를 시사할 수 있는 특징적인 추세가 시뮬레이션으로부터 생성될 수 있고 그런 다음 트레이닝 데이터 세트에 추가될 수 있는 입력 신호로 변환될 수 있다.
● 트레이닝 데이터 세트에 저장된 입력 신호 각각은 또한 각각의 올바른 분류 및/또는 예상된 처리 결과에 의해 보완될 수 있다. 그런 다음 트레이닝 모드에서, 파라미터는 트레이닝 데이터 세트의 모든 신호에 대한 처리 결과와 예상된 결과 간의 편차를 최소화하기 위해 변경될 수 있다.
특히 트레이닝 모드에서, 적어도 하나의 입력 신호는 다수의 미리 정의된 입력 신호 집단 또는 (예를 들어, 이전에 기록되거나 예를 들어 시뮬레이션된) 다수의 선재하는 입력 신호를 포함할 수 있다. 입력 신호 각각은 라디오 주파수(RF) 신호와 관련될 수 있다, 즉, 실제 또는 시뮬레이션된 RF 신호에 특유할 수 있거나 이를 나타낼 수 있다. 이것은 또한 측정된 RF 신호로부터, 예를 들어, 측정된 RF 신호로부터 디지털 표현을 생성함으로써 간단하게 도출될 수 있다. 뿐만 아니라, 각각의 입력 신호는 미리 알려진 패턴을 포함할 수 있고, 대응하는 참조 결과는 이러한 미리 알려진 패턴을 시사할 수 있으며, 이에 대해서는 아래에서 더 자세히 설명된다. 선재하는 입력 신호는 이러한 입력 신호가 특정 특징을 포함하고/하거나 대응하는 참조 결과를 제공할 수 있기 때문에 참조 대상 또는 참조 신호로 간주될 수 있다. 그런 다음 구성의 최적화, 즉, 프로그래머블 회로의 최적 파라미터화의 학습은 참조 결과와 처리 결과를 비교함으로써 달성될 수 있다. 참조 결과는 목표 파형 또는 목표 주파수 또는 원하는 패턴 검출 결과를 포함할 수 있다. 비교는 참조 결과와 처리 결과 간의 불일치 정도를 표시하는 적절한 메트릭을 사용하여 수행될 수 있다.
적어도 하나의 입력 신호를 입력 신호 집단, 즉, (적어도) 제 1 입력 신호 및 제 2 입력 신호를 가진, 특히 적어도 10개 또는 100개 또는 1000개의 추가 입력 신호를 가진 입력 신호 집단의 형태로 제공한 후에, 트레이닝 절차라고도 지칭될 수 있는 처리 절차는 다음과 같은 처리 흐름을 포함할 수 있다:
- 제 1 처리 단계에서, 제 1 구성을 사용하여 제 1 입력 신호를 처리하고, 제 1 구성을 사용하여 제 2 입력 신호를 처리하고, 역시 제 1 구성을 사용하여 추가 입력 신호를 처리하며, 이렇게 함으로써 제 1 구성에 대한 제 1 처리 결과를 획득한다,
- 제 2 처리 단계에서, 제 2 구성을 사용하여 제 1 입력 신호를 처리하고, 제 2 구성을 사용하여 제 2 입력 신호를 처리하고, 역시 제 2 구성을 사용하여 추가 입력 신호를 처리하며, 이렇게 함으로써, 제 1 구성에 대한 제 2 처리 결과를 획득한다,
- 추가 처리 단계에서, 추가 구성을 사용하여 제 1 입력 신호를 처리하고, 추가 구성을 사용하여 제 2 입력 신호를 처리하고, 역시 추가 구성을 사용하여 추가 입력 신호를 처리하며, 이렇게 함으로써 각각의 추가 구성 각각에 대한 대응하는 처리 결과를 획득한다.
그러므로 이 처리는 상이한 파라미터 구성에 대해 반복되며, 각각의 처리마다 구성이 달라진다. 트레이닝 절차에서, 구성의 변경(이에 따라 파라미터의 변경)은 확립된 방법, 예를 들면, 경사 하강(gradient descent) 또는 역전파(backpropagation) 기법에 의해 수행될 수 있다.
본 발명의 맥락에서, 프로그래머블 회로가 프로그래머블 집적 회로, 바람직하게는 디지털 신호 프로세서(DSP), 복합 프로그래머블 로직 디바이스(CPLD) 또는 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array, FPGA)로서 구성된다면, 이것은 유리할 수 있다. 대안적으로, 회로는 주문형 집적 회로(application-specific integrated circuit, ASIC) 또는 다른 집적 회로와 같은 고정 회로로서 구성될 수 있다. 일반적으로, 임의의 컴퓨터 또는 컨트롤러(예를 들어, PC, 마이크로컨트롤러, DSP, CLPD, FPGA 등)는 특히 기계 학습 절차에 의해 기계 학습에 사용될 수 있다. 특히 FPGA는 고속의 실시간 디지털 신호 처리에 적합하며 기계 학습 절차를 가속화할 수 있다. 또한 프로그래머블 회로, 특히 FPGA의 사용은 유연하고 자동화된 트레이닝을 가능하게 한다. 플라즈마 애플리케이션과 같은 라디오 주파수 시스템의 많은 애플리케이션은 다양한 방식으로 진화하며, FPGA 솔루션은 적응적 처리를 필요로 하는 미래의 애플리케이션, 예를 들면, 아직 알려지지 않은 필터 설계가 여전히 동일한 하드웨어 아키텍처로 다루어질 수 있다는 장점이 있다. 이와는 대조적으로, 고정 회로, 예를 들면, ASIC은 수정되어야 하거나 심지어는 완전히 재설계되어야 하다. 이것은 더 많은 작업과 비용을 초래할 것이다. 본 발명에 따른 방법은 바람직하게도 보다 선진화된 필터 구성을 포함할 수 있는 소프트웨어 업그레이드를 통해 간단하게 새로운 구성을 추가할 수 있도록 한다. 그런 다음 사용자는 새로운 애플리케이션에 대해 이러한 구성 중 하나를 선택할 수 있다.
뿐만 아니라, 본 발명의 범위 내에서 선택적으로, 방법이 다음의 단계:
- 적어도 하나의 결정된 파라미터 결과를 사용하여 동일한 또는 다른 프로그래머블 회로를 파라미터화하는 단계,
- 라디오 주파수 시스템의 라디오 주파수 신호를 감지하는 단계,
- 파라미터화된 회로에 의해 적어도 부분적으로 감지된 라디오 주파수 신호의 처리를 사용하여 디지털 신호 처리를 수행하는 단계,
- 감지 및 디지털 신호 처리를 반복적으로 수행하여 라디오 주파수 신호를 모니터링하는 단계 - 여기서 바람직하게 처리 절차는 트레이닝 입력 신호로서 선재하는 신호를 사용하는 처리의 트레이닝 모드에서 프로그래머블 회로의 파라미터화를 수행하는 데 사용되는 트레이닝 절차라고 지칭될 수 있고/있거나, 여기서 처리 절차는 메모리로부터 검색되고 트레이닝 모드에서 이전에 결정되었을 수 있는 파라미터화로 구성될 수 있는 반면, 특히 모니터링은 라디오 주파수 신호가 실시간 입력 신호로서 감지되고 처리되는 실시간 처리 모드에서 수행됨 - 를 더 포함하는 것이 가능하다.
이것은 라디오 주파수 시스템이 실제로 실시간으로 사용될 수 있고, 처리가 트레이닝 모드로부터 실시간 모드로 전환될 수 있다는 것을 의미한다.
나중에 라디오 주파수 시스템은 실시간 모드로부터 트레이닝 모드로 다시 전환될 수 있으며, 파라미터화는 추가적인 선재하는 신호, 예를 들면, 이전에 기록되거나 시뮬레이션된 신호의 반복 처리에 의해 더욱 최적화될 수 있다.
특히, 프로그래머블 회로가 입력 신호의 실시간 처리뿐만 아니라, 선재하는 트레이닝 신호를 반복적으로 처리하여 실시간 처리 모드에 최적한 구성을 결정하는 시스템의 트레이닝 둘 모두를 가능하게 하는 것이 본 발명의 장점이다. 선재하는 신호는 이전에 기록된 신호이거나 예를 들면 컴퓨터 시뮬레이션 신호일 수 있다.
이러한 두 가지 기능은 RF 시스템을 매우 다재다능하게 만들어 주며 RF 시스템이, 프로그래머블 회로의 파라미터화만 변경될 뿐이고 하드웨어와 알고리즘을 변경할 필요 없이, 새로운 플라즈마 처리 조건을 다루거나 새로운 상황을 검출하도록 트레이닝될 수 있도록 한다. 측정된 신호를 분석하고 개선된 구성을 결정하기 위해 외부 컴퓨터를 사용해야 하는 대신, 이러한 최적화된 구성은 실제 RF 시스템 자체에서 실제 RF 시스템 자체를 트레이닝 모드로 전환함으로써 결정될 수 있다. 이러한 방식으로, RF 시스템의 프로그래머블 회로는 기계 학습이 가능한 시스템의 특성 또는 온-디바이스 추론 프레임워크의 특성을 가지며, 이들 둘 모두 새로운 애플리케이션에 적응될 수 있다.
본 발명의 추가의 장점일 수 있는 것은, 사용된 프로그래머블 회로, 특히 FPGA가 표준 컴퓨터 및 매트랩/시뮬링크((Matlab/Simulink)와 같은 툴을 사용하는 표준 모델 시뮬레이션에 비해, 디지털 신호 처리를 수행하는데 있어서 훨씬 빠르다는, 예를 들면, 10,000 내지 100,000배 더 빠르다는 것이다.
파라미터 결과는 최적화된 파라미터 세트, 즉, 처리 절차를 사용하여 최적화된 적어도 하나의 파라미터 각각마다의 구성을 포함할 수 있기 때문에, 프로그래머블 회로는 이러한 파라미터 결과의 파라미터 세트를 사용하여 파라미터화될 수 있다. 그 결과, 본 발명에 따른 방법은 제 1 단계에서 적어도 하나의 파라미터의 고도로 가속화된 최적화를 사용하여 개선된 디지털 신호 처리를 달성한다. 실시간 동작의 제 2 단계에서, 처리 절차와 프로그래머블 회로가 사용되는데, 이것은 디지털 신호 처리를 위한 파라미터 세트의 더 빠르고 스마트한 선택을 가져올 수 있다. 실시간 동작 중에 감지된 라디오 주파수 신호의 디지털 신호 처리를 위해, 프로그래머블 회로는 감지된 라디오 주파수 신호로부터 아날로그-디지털 변환기에 의해 변환된 적어도 하나의 실시간 입력 신호를 수신할 수 있다.
뿐만 아니라, 적어도 하나의 파라미터의 최적화를 위한 회로는 라디오 주파수 시스템의 실시간 동작에서 최종 애플리케이션을 위한 회로와 동일할 수 있다.
뿐만 아니라, 본 발명의 범위 내에서, 처리 절차에서 처리되는 적어도 하나의 입력 신호가 적어도 하나의 트레이닝 입력 신호로 구성되는 것이 상상 가능하며, 방법은 다음의 단계:
- 이전에 결정된 파라미터 결과를 사용하여 적어도 하나의 파라미터를 구성함으로써 프로그래머블 회로의 파라미터화를 완결하는 단계 - 여기서 바람직하게 구성은 이후에 고정됨 - 와,
- 처리를 트레이닝 모드로부터 실시간 모드로 전환하는 단계 - 여기서 특히 실시간 모드에서, 실시간 입력 신호는 특히 실시간 입력 신호의 필터링을 위해, 고정 구성을 사용하여 프로그래머블 회로에 의해 실시간으로 처리되고, 여기서 바람직하게 실시간 입력 신호는 적어도 하나의 센서에 의해 감지된 라디오 주파수 신호를 적어도 하나의 실시간 입력 신호로 변환하는 적어도 하나의 아날로그-디지털 변환기로부터 수신되는 실제로 측정된 신호로서 구성됨 - 와,
- 처리를 실시간 모드로부터 트레이닝 모드로 전환하는 단계 - 여기서 바람직하게 트레이닝 모드에서, 기존 및 이전의 고정 구성은 적어도 하나의 추가 트레이닝 입력 신호를 처리된 트레이닝 입력 신호로서 사용하여 처리 절차를 다시 수행하여 적어도 하나의 파라미터 결과를 새로 결정함으로써 더욱 최적화되고, 여기서 새로 결정된 파라미터 결과와 이전에 결정된 파라미터 결과의 비교에 따라, 새로 결정된 파라미터 결과를 사용하여 적어도 하나의 파라미터를 구성함으로써 프로그래머블 회로의 재파라미터화가 수행됨 - 를 더 포함한다.
이것은 기존의 파라미터 세트의 추가 최적화를 가능하게 한다. 사용자는 시스템이 트레이닝 모드로 다시 전환되어 이미 존재하는 구성에 대한 더 많은 참조 입력 신호 및 참조 결과를 로드해야 하는지를 결정할 수 있다. 로딩 또는 업로딩은 전자 또는 사용자 인터페이스를 통해 수행될 수 있다. 대안적으로 또는 추가적으로, 추가적인 참조 입력 신호와 참조 결과는 RF 시스템 자체에 의해 기록되고 나중에 트레이닝 모드에서 사용하기 위해 실시간 동작으로 메모리에 직접 로드될 수 있다. 그 뒤에, 이전 및 새로운 파라미터 구성 세트는 평가된 다음 더 나은 파라미터 세트가 메모리에 저장된다. 또한, 실시간 모드로부터 트레이닝 모드로 전환하는 것은 나중에 새로운 상황의 트레이닝: 트레이닝 모드로의 전환, 메모리에 새로운 참조 입력 신호와 참조 결과의 로딩, 및 최적화된 파라미터 세트의 결정과 메모리에 저장을 할 수 있도록 한다.
새로운 참조 입력 데이터로 트레이닝한 결과가 이미 존재하는 파라미터 구성을 최적화하는 데 사용되는 경우, 즉, 이미 존재하는 구성을 최적화된 구성으로 덮어쓰는 경우, 또는 최적화된 파라미터 구성이 새로운 애플리케이션에 사용되고 메모리에 별도의 파라미터 구성으로서 저장되어 새로운 애플리케이션에 사용되는 경우, 사용자가 전자 인터페이스를 통해 RF 시스템에 지시하는 것이 또한 가능하다.
본 발명의 다른 실시예에 따르면, 적어도 하나의 입력 신호의 반복 처리는 반복 처리 단계에 의해 수행되며, 여기서 각각의 단계마다, 동일한 적어도 하나의 입력 신호는 적어도 하나의 파라미터의 변경된 구성을 사용하면서 동일한 프로그래머블 회로에 의해 처리되어, 각각의 처리 결과가 변경된 구성에 특유하고/하거나 변경된 구성에 할당되도록 하며, 여기서 특히 적어도 하나의 입력 신호는 하나 또는 복수의 미리 결정된 참조 입력 신호로서 제공되고, 참조 입력 신호 각각마다, 대응하는 입력 신호의 바람직한 처리의 결과를 나타내는 참조 결과가 제공되며, 처리 결과에 기초하여 구성의 최적화를 위한 적어도 하나의 파라미터 결과를 결정하는 단계는:
적어도 하나의 참조 입력 신호에 대해 획득된 각각의 처리 결과를 대응하는 참조 결과와 비교함으로써 변경된 구성을 평가하는 단계를 포함하고, 여기서 바람직하게는 평가는 특히 처리 결과와 참조 결과 간의 편차를 식별하기 위해 처리 결과와 참조 결과의 매칭에 따라 달라진다. 달리 말해서, 파라미터는 구성을 달리함으로써 최적화될 수 있다. 동일한 적어도 하나의 입력 신호의 반복 처리가 사용되고, 반복 처리는 파라미터 값이 상이하다는 의미에서 상이한 구성을 적용할 수 있다. 이것은 아마 약간만 상이한 처리 결과를 초래할 수 있다. 처리 결과 각각은 상기 처리 결과를 획득하는 데 사용된 특정 구성의 성능을 평가하는 데 사용될 수 있다.
특히, 본 발명의 맥락에서 언급된 참조 대상, 참조 입력 신호 및/또는 참조 결과는 참조 데이터라고도 지칭된다.
뿐만 아니라, 평가를 사용함으로써, 파라미터 결과가 모든 참조 입력 신호에 대한 참조 결과로부터 편차가 가장 적은 처리 결과에 이르게 하는 파라미터 세트를 포함할 수 있다는 의미에서 구성의 최적화가 제공될 수 있다. 구성의 최적화는 파라미터 최적화라고도 지칭될 수 있다. 그러므로 처리 절차는 트레이닝 및/또는 최적화 절차라고 지칭될 수 있다. 적어도 하나의 미리 결정된 참조 입력 신호 및 대응하는 참조 결과는 트레이닝 데이터라고 지칭될 수 있다. 그 뒤에, 결정된 적어도 하나의 파라미터 결과는 (새로운 입력 신호 및 대응하는 참조 결과를 포함하는) 제 2 참조 데이터 세트에 대한 처리 및 처리 결과의 평가를 다시 수행함으로써 검증될 수 있다. 이러한 방식으로, 파라미터 구성을 트레이닝 데이터에 과도하게 맞추는 문제가 회피될 수 있다.
본 발명의 범위 내에서, 처리 결과에 기초하여 구성을 최적화하기 위한 적어도 하나의 파라미터 결과를 결정하는 단계가:
- 평가가 가장 높은 적어도 하나의 구성을 적어도 하나의 결정된 파라미터 결과로서 선택하는 단계를 포함하고,
- 개선된 디지털 신호 처리를 위한 적어도 하나의 결정된 파라미터 결과를 제공하는 단계가 특히:
- 적어도 하나의 선택된 구성을 사용하여 동일한 또는 다른 프로그래머블 회로를 파라미터화하는 단계를 포함하며,
- 여기서 바람직하게는 상기 적어도 하나의 미리 결정된 참조 입력 신호 및 대응하는 참조 결과는 디지털 신호 처리의 상이한 애플리케이션마다 복수의 미리 결정된 참조 입력 신호 및 대응하는 참조 결과를 포함하여, 처리 결과에 기초하여 구성을 최적화하기 위한 상기 적어도 하나의 파라미터 결과를 결정하는 단계가 애플리케이션마다 별도로 수행되도록 하고, 바람직하게는 적어도 하나의 결정된 파라미터 결과를 제공하는 단계가 선택된 구성을 메모리에 저장하는 단계를 포함하며, 여기서 상기 동일한 또는 다른 프로그래머블 회로를 파라미터화하는 단계가 애플리케이션에 따라 저장된 구성으로부터 사용되는 구성을 선택하는 단계를 포함하는 것이 제공될 수 있다.
다시 말해서, 디지털 신호 처리 애플리케이션마다 상이한 트레이닝 데이터 세트가 제공될 수 있다. 이것은 상이한 애플리케이션별 파라미터 세트 간의 전환을 가능하게 한다.
추가의 가능성에서, 적어도 하나의 입력 신호는 선재하는 다수의 입력 신호(또한 "신호의 집단")로서 구성되며, 여기서 바람직하게는 처리 절차는 반복 처리 단계를 포함하고, 여기서 각각의 처리 단계는:
- 동일한 입력 신호를 차례로 처리하는 단계와,
- 제어 회로에 의해 이 처리 단계에서 사용된 적어도 하나의 파라미터의 구성을 설정하는 단계를 포함하고,
방법은:
- 각각의 처리 단계 이후, 제어 회로에 의해 미리 결정된 참조 결과로부터 처리 결과의 편차를 평가하는 단계와,
- 각각의 평가 이후, 상기 평가에 기초하여 다음 처리 단계에 사용되는 적어도 하나의 파라미터의 구성을 수정하는 단계를 더 포함하며,
여기서 바람직하게는 제어 회로는 프로그래머블 회로에 전기적으로 연결되고 프로그래머블 회로와는 별개로 구성되며,
여기서 특히 사용된 적어도 하나의 파라미터의 구성은 개선된 디지털 신호 처리를 위한 구성을 반복적으로 최적화하기 위해 상이한 처리 단계마다 달라진다.
제어 회로 또는 제어 유닛은 트레이닝 데이터, 예를 들면, 적어도 하나의 입력 신호 및/또는 다수의 선재하는 입력 신호 집단 및/또는 대응하는 참조 결과를 포함하는 메모리에 액세스할 수 있는 프로그래머블 회로와는 별개의 추가적인 제어 프로세서로서 구성될 수 있다. 선재하는 신호는 이전에 기록된 신호이거나 예를 들면 시뮬레이션된 신호일 수 있다. 제어 회로는 또한 프로그래머블 회로에서 구현될 수도 있다. 프로그래머블 회로는 FPGA일 수 있다. 적어도 하나의 입력 신호의 제공, 특히 (예를 들어, 트레이닝되어야 하는 애플리케이션에 기초하여) 처리 절차를 위한 트레이닝 데이터의 선택 및/또는 처리 절차 내의 구성의 변경은 프로그래머블 회로 자체에 의해서가 아니고 제어 회로에 의해 직접 수행될 수 있다. 예를 들어, 처리의 각각의 반복마다, 제어 회로는 입력 신호 및/또는 수정된 구성을 프로그래머블 회로에 공급할 수 있다. 그 뒤에 제어 회로는 평가를 수행할 수 있고 이에 따라 평가에 따라 구성의 다음 수정을 결정한다. 평가가 적어도 부분적으로 프로그래머블 회로에 의해 구현되어 트레이닝 절차를 가속화하는 것이 또한 가능하다.
대안적으로 또는 추가적으로, 프로그래머블 회로는 공유 메모리와의 직접 연결을 가질 수 있거나, 또는 메모리의 적어도 일부가 프로그래머블 회로에 의해 구현될 수 있다. 이 경우, 제어 회로는 프로그래머블 회로에 트레이닝 데이터가 로드될 메모리의 주소 범위를 지시할 수 있다. 그런 다음 프로그래머블 회로는 메모리에 직접 액세스하여, 학습 데이터를 차례로 로드하고 처리하며 처리 결과를 평가할 수 있다. 이 방법은 메모리로부터의 판독을 가속화하는 장점이 있다.
본 발명의 맥락에서, 처리 절차가 라디오 주파수 시스템의 애플리케이션에서 상이한 특정 상황에 대해 반복적인 방식으로 구성의 최적화를 위한 트레이닝 절차로서 구성되므로, 상이한 상황별로 결정된 파라미터 결과가 이러한 상이한 상황별로 상이한 최적화된 파라미터 세트로서 구성되는 것이 또한 제공될 수 있다. 상이한 상황은 디지털 신호 처리의 상이한 애플리케이션일 수 있다. 상이한 파라미터 세트는 이러한 상이한 상황에 적응된 상이한 다른 구성을 포함할 수 있다. 이것은 주어진 상황에 따라 파라미터 세트 간의 유연한 전환을 가능하게 한다. 그러므로 트레이닝 절차는 상황에 따라 최적화된 파라미터 세트를 상이하게 해줄 수 있는 상이한 상황의 트레이닝을 가능하게 한다.
다른 유리한 실시예에서, 적어도 하나의 입력 신호는 시간적 신호 과정(temporal signal course), 바람직하게는 순간 및 과거 값, 특히 라디오 주파수 신호 또는 그로부터 도출된 신호의 측정 값을 포함하며, 처리 결과는 신호 과정에서 특정 패턴의 검출에 대한 확률을 표시하는 신호 과정의 처리에 의해 획득된다. 그러므로 입력 신호의 순간 값만 고려될 뿐만 아니라, 최근 시점 이전의 특정 시간 간격의 일련의 값이 처리되어 검출 확률, 즉, 예상된 결과가 계산될 수 있다. 트레이닝 모드에서, 순간 및 과거 값은 미리 정의되고/되거나 이전에 기록될 수 있다. 그러나, 실시간 모드에서, 실시간 입력 신호는 또한 시간적 신호 과정, 바람직하게는 순간 및 과거 값, 특히 라디오 주파수 신호 또는 그로부터 도출된 신호의 측정 값을 포함할 수 있다. 다시 말해서, 실시간 모드에서, 처리는 라디오 주파수 신호의 순간적인 측정 값뿐만 아니라 최근 측정 지점 이전의 특정 시간 간격으로부터의 일련의 값도 고려한다. 이것은 확률론적 평가와 같은 상이한 애플리케이션에 처리가 사용될 수 있게 한다.
적어도 하나의 입력 신호, 즉, 트레이닝 입력 신호 및/또는 실시간 입력 신호는 적어도 하나의 디지털 신호로서 구성될 수 있다. 디지털 신호는 감지된 아날로그 RF 신호를 디지털 신호로 변환하는 아날로그-디지털 변환기에 의해 제공될 수 있다. 디지털 신호는 감지된 RF 신호의 디지털화된 표현일 수 있고 그래서 측정된 RF 신호의 순간 진폭을 서술하는 데이터 포인트의 1차원 어레이로서 취급될 수 있다. 시간 경과에 따른 연속적 측정의 경우, 어레이는 더 확장되어 최신의 데이터포인트(들)가 최신의 측정값을 나타내도록 할 수 있다. 측정의 시간적 측정 레이트 및 이에 따라 어레이의 확장 레이트는 디지털-아날로그 변환기의 샘플링 레이트에 따라 달라질 수 있다. 항상 최신 데이터포인트로 끝나는 특정 길이의 시간 프레임을 선택함으로써, 어레이의 한쪽 끝으로부터 오래된 데이터 포인트를 이동시키고 다른 쪽 끝에 새로운 데이터 포인트를 추가함으로써 디지털-아날로그 변환기의 측정 레이트 또는 샘플링 레이트로 업데이트되는 1차원 배열의 시퀀스가 획득될 수 있다.
특히, 실시간 측정에서, 중요한 상황이 실제로 원치 않는 이벤트로 진화하기 전에 이를 식별하고 이에 대해 조치를 취할 필요가 있다. 이러한 방법은 전기 장비에서 과전압 또는 과전류 상황의 처리, 또는 플라즈마 프로세스 동안 아크 이벤트의 관리에 특히 유용하다. 그 결과, 특정 패턴의 존재와 관련하여 측정된 데이터의 스트림에 대한 지속적인 분석이 필요할 수 있다.
유리하게, 본 발명에 따른 방법은 감지된 라디오 주파수 신호 및/또는 적어도 하나의 입력 신호에서 적어도 하나의 패턴의 검출을 더 포함한다. 특정 상황의 검출 신뢰성을 개선하기 위해, 여러 센서에 의해 측정된 라디오 주파수 신호는 각각의 신호에서 적어도 하나의 패턴이 특정 시점에 존재하도록 조합되어 사용될 수 있다. 예를 들어, 성공적인 이벤트의 검출은 두 개의 RF 신호에서 특정 패턴이 동일 시점에 검출되거나, 그 사이에 일정 시간 지연이 있어야 할 수 있다. 그러므로 하나의 신호만 평가되는 경우에 발생할 수 있는 측정 아티팩트 또는 간섭으로 인한 거짓 긍정 검출(false positive detection)은 적어도 두 개의 신호를 결합하여 평가함으로써 회피될 수 있다.
특히, "파라미터화된 회로에 의해 적어도 부분적으로 감지된 라디오 주파수 신호의 처리를 사용함으로써 디지털 신호 처리를 수행" 및/또는 "적어도 하나의 입력 신호가 프로그래머블 회로에 의해 처리의 적어도 하나의 구성 가능한 파라미터를 사용하여 반복적으로 처리되는 처리 절차를 수행"이라는 것은 감지된 라디오 주파수 신호 및/또는 적어도 하나의 입력 신호에서 각각 적어도 하나의 패턴의 검출을 포함한다. 감지된 라디오 주파수 신호는 위에서 설명한 바와 같이 실시간 입력 신호로서 구성될 수 있으며 그래서 디지털 신호 표현으로서 구성될 수 있다. 따라서, 적어도 하나의 입력 신호는 또한 처리 절차 내에서도 사용되고 위에서 설명한 바와 같이 트레이닝 입력 신호로서 구성될 수 있으며 그래서 또한 디지털 신호 표현으로서 구성될 수도 있다. 두 경우 모두, 처리는 적어도 하나의 패턴의 검출을 바람직하게는 패턴 인식의 형태로 제공하도록 설계될 수 있다. 그러므로 구성은 패턴 검출을 위한 구성, 특히 패턴 매칭 알고리즘 또는 패턴 인식 알고리즘의 구성 및/또는 뉴럴 네트워크의 개별 뉴런의 가중치일 수 있다. 패턴 매칭 알고리즘 또는 패턴 인식 알고리즘은 뉴럴 네트워크보다는 사용하기에 기술적으로 덜 복잡하다는 장점이 있을 수 있다. 그러나 일부 상황에서 뉴럴 네트워크는 단순한 패턴 매칭 알고리즘보다 잡음이 많거나 변동이 있는 신호에서 더 안정적으로 패턴을 검출할 수 있다. 둘 다의 결합이 또한 가능하다. 따라서, 구성 가능한 파라미터는 알고리즘의 파라미터 또는 뉴럴 네트워크의 뉴런으로서 구성될 수 있다. 처리 절차는 또한 기계 학습 및/또는 뉴럴 네트워크의 트레이닝을 위한 기계 학습 절차로 구성될 수 있거나, 이를 포함할 수 있거나 또는 그 일부일 수 있으며, 디지털 신호 처리는 트레이닝된 뉴럴 네트워크의 적용과 관련될 수 있다. 뿐만 아니라 구성의 최적화를 위한 적어도 하나의 파라미터 결과는 트레이닝 결과로서 뉴런에 대한 가중치 세트의 형태로 구성될 수 있다. 적어도 하나의 패턴의 검출에 기초하여 이벤트의 발생이 검출되고/되거나 예측되는 것이 제공될 수 있다.
뿐만 아니라, 검출 또는 예측에 기초하여 조치가 개시되는 것이 제공될 수 있다. 특히, 패턴 검출의 결과는 패턴의 발생에 대한 확률이다. 추가적으로 또는 대안적으로, 검출 및/또는 검출에 기초한 예측은 이벤트 발생에 대한 확률의 결정을 포함하다. 조치의 개시는 이 확률과 임계값의 비교에 따라 달라질 수 있다. 특히 이것은 이벤트의 완료 전에 조치를 개시할 수 있도록 한다. 조치는 이벤트의 발생에 대응하기 위한 시정 조치, 이를테면 RF 시스템을 셧 다운하는 것일 수 있다.
보다 진전된 실시예에서, 이벤트의 확률적 검출 또는 예측은 여러 조건에 기초할 수 있다. 이것은 특정 기간에 걸쳐 이벤트의 발생에 대한 확률의 진화를 모니터링함으로써 구현될 수 있다. 단순히 순간적인 확률 값과 임계값을 비교하여 이벤트를 검출하는 대신, 보다 안정적인 검출을 위한 추가적인 조건이 있을 수 있는데, 예를 들면 다음과 같다:
- 명시된 기간 동안 명시된 임계값을 일관되게 넘는 확률 값;
- 명시된 기간 동안 명시된 임계값을 넘는 평균 확률 값;
- 확률 값이 명시된 임계값을 초과한 후에 증가하는 확률 값;
- 명시된 기간 내에 임계값을 넘는 확률 값의 도함수;
- 모니터링되는 여러 신호에 대해 결정된 확률 값의 상관관계;
- 위 조건 중 하나 이상의 조건과 추가 조건의 임의의 조합.
보다 복잡한 조건의 도움으로, 이벤트의 검출은 더 신뢰할 수 있게 되고 확률 값의 순간적인 변동에는 덜 의존할 수 있다. 유리하게, 확률 값에 대한 모니터링 기간은 충분히 짧게 선택되어 그럼에도 이벤트의 완료 전에 조치를 개시함으로써 이벤트가 억제될 수 있도록 할 수 있다. 그러므로 시스템의 트레이닝은 가능한 한 빠른 이벤트의 검출 및/또는 가능한 한 정확한 이벤트의 분류에 관련한 파라미터화를 포함할 수 있다. 그런 다음 상기 결과는 파라미터화에서 더 높은 가중치를 부여 받을 수 있다.
적어도 하나의 디지털 신호에서, 특히 위에서 설명한 바와 같은 그러한 라인 어레이의 형태에서, 특정 패턴이 검출될 수 있는 것이 제공될 수 있다. 바람직하게, 패턴의 검출은 트레이닝 입력 신호를 디지털 신호로서 사용하여 트레이닝되고/되거나, 실시간 입력 신호를 디지털 신호로서 사용하여 실시간으로 수행된다. 후자는 RF 시스템 동작 동안 패턴 검출에 기초하여 이벤트의 식별을 가능하게 한다. 이벤트는 RF 시스템에서 또는 RF 시스템을 셧 다운하는 것과 같은 조치를 필요로 하는 플라즈마 처리 시스템에서 발생하는 문제와 관련이 있을 수 있다. 더욱이, 이벤트는 또한 RF 시스템 또는 플라즈마 처리 시스템의 특정 구성요소의 저하를 시사할 수도 있다. 이벤트는, 예를 들어, 전자 또는 사용자 인터페이스를 통해 제공될 수 있는 특정 아날로그 또는 디지털 신호를 통해 사용자에게 통지함으로써 보고되어, 사용자가 추가적인 시정 조치로 상황에 대응할 수 있도록 하거나, 나중에 수리 및/또는 예방적 유지보수가 스케줄링될 수 있도록 할 수 있다.
특정 패턴은 위에서 설명한 바와 같은 간섭 및/또는 불규칙성 및/또는 특성 변화를 포함할 수 있다. 이러한 패턴은 플라즈마 프로세스, 플라즈마 처리 시스템 또는 RF 전력 전달 시스템의 특정 현상과 관련이 있을 수 있다. RF 신호가 연속적인 측정에 의해 반복적으로 검출되면, 디지털 신호는 연속적으로 감지된 신호를 나타낸다. 디지털 신호, 특히 1차원 어레이의 결과 시퀀스를 연속적으로 처리함으로써, 시간에 따른 특정 패턴의 진화가 모니터링될 수 있는 것이 가능할 수 있다.
RF 전력 신호의 주기적 펄스 변조의 경우, 예를 들어 펄스 모드 동작(pulse-mode operation)에서 두 레벨 사이를 전환할 때 RF 전력의 급격한 변화는 패턴 매칭 알고리즘 및/또는 뉴럴 네트워크에 의해 거짓 아크 이벤트로서 등록될 수 있다. 특히, 적어도 두 개의 신호를 결합하여 평가하더라도, 이러한 의도적인 전력 변화는 아크 이벤트로서 플래그 지정될 수 있다. 유사하게, RF 전력을 턴 온하여 플라즈마가 초기에 점화될 때, 아크 이벤트도 플래그 지정될 수 있다.
이러한 거짓 긍정 검출을 피하기 위해, 플라즈마 프로세스 레시피 또는 펄스 패턴이 RF 전력 레벨의 전환을 필요로 할 때마다 패턴 매칭 알고리즘을 통한 및/또는 뉴럴 네트워크를 통한 불규칙성의 검출은 작은 기간("데드 타임") 동안 턴 오프될 수 있다. 이러한 방식으로, 일정한 RF 전력의 기간에 발생하는 실제 아크 이벤트만 검출될 수 있다.
뿐만 아니라, 인공 뉴럴 네트워크를 사용함으로써, 완전히 진화된 특정 패턴의 검출이 개별 뉴런의 가중치를 최적화하여 학습될 수 있으며, 최적화된 가중치 세트를 통해 네트워크는 특정 패턴의 발생을 실시간으로 인식할 수 있다. 이벤트가 완전히 완료되기 전에 이벤트를 검출하기 위해, 실시간 입력 신호 또는 데이터 스트림의 특정 패턴에 대한 확률을 생성하는 뉴럴 네트워크의 적절한 출력 함수가 선택될 수 있다.
동일한 결과는 참조 패턴과 실제로 측정된 신호 데이터 스트림 간의 교차 상관 관계를 계산함으로써 달성될 수 있다. 참조 패턴은 신호 파형에 대해 시간에 맞추어 지속적으로 시프트된다.
이벤트가 완전히 진화되었다면, 패턴은 1에 가까운 확률로 인식된다. 그러나 그 시점 이전에, 이미 계산된 확률은 0 또는 0에 가까운 값으로부터 1을 향해 점차 증가한다. 확률이 사용자 조정 가능한 특정 임계값 또는 위에서 설명한 바와 같은 여러 조건의 조합을 초과하기만 하면, 이벤트의 실제 완료 전에 이벤트가 보고될 수 있다. 이러한 방식으로, 원치 않거나 심지어 재난적인 이벤트와 상관이 있는 측정된 데이터 스트림에서의 불규칙성은 이벤트가 발생하기 전에 플래그 지정될 수 있다. 이 경우, 이벤트의 완전한 진화를 피하고 심각한 결과를 줄이고/줄이거나 억제하기 위한 대책이 개시될 수 있다. 위에서 설명한 바와 같은 확률 임계값 및 추가 조건은 각각의 이벤트 유형별로 개별적으로 설정될 수 있다. 예를 들어, 재난적인 이벤트는 낮은 임계값으로 다루어질 수 있는 반면에 작은 불규칙성은 더 높은 임계값을 가질 수 있다. 더 낮은 임계값을 심한 불규칙성에 사용하는 장점은 이벤트가 완전히 진화하기 전에 시정 조치를 수행하기 위한 기간이 더 길다는 것이다. 반면에, 더 높은 임계값은 이벤트를 더 높은 정확성으로 분류할 수 있게 한다.
예를 들어, 플라즈마 처리 시스템에서 반도체 웨이퍼 표면 위에 아크 발생은 웨이퍼에 심각한 결함과 하나 이상의 칩의 손실을 야기할 수 있다. 아크가 충분히 강하면, 플라즈마 처리 순서가 크게 교란되어 웨이퍼 전체가 폐기되는 결과를 가져올 수 있다. 그러므로 이러한 파국적 아크 이벤트의 경우, 이벤트가 초기 단계에서 억제될 수 있도록 낮은 확률 임계값이 유리하다. 아크가 완전히 진화하기 전에 아크를 억제하기 위한 이러한 확률적 기법을 사용하는 예가 아래에서 추가 설명된다. 다른 예에서, 덜 중요한 이벤트에는 높은 확률 임계값이 더 적합할 수 있다: 증착 프로세스를 위해 사용되는 플라즈마 처리 챔버에서, 반도체 웨이퍼뿐만 아니라 플라즈마 챔버의 일부도 증착 층으로 코팅된다. 많은 웨이퍼를 처리한 후에, 이들 챔버 부분은 입자가 떨어져 나올 수 있는 점점 더 두꺼운 증착 재료 층으로 덮인다. 플라즈마 프로세스 동안, 이러한 입자는 어느 정도 용인될 수 있는 플라즈마 불규칙성을 야기할 수 있다. 그럼에도 불구하고, 입자 관련 이벤트의 횟수가 임계값을 초과하면 예방적 유지보수, 이 경우에는 플라즈마 챔버의 세척이 개시될 수 있도록 모든 입자 관련 이벤트를 정확하게 분류하고 카운트하는 것이 중요하다. 이 경우, 높은 확률 임계값은 입자 관련 이벤트를 다른 불규칙성으로부터 분리할 수 있게 하며, 그래서 거짓 입자 이벤트를 카운팅함으로써 야기되는 챔버의 너무 이른 세척은 회피될 수 있다.
검출 후에 검출된 불규칙성을 상이한 불규칙성 부류로 분류하기를 수행하는 것이 가능할 수 있다. 분류는 검출과 동일한 방식으로 트레이닝될 수 있는데, 즉, 분류를 트레이닝하기 위해 기계 학습 절차가 수행될 수 있으며, 여기서 검출된 불규칙성은 프로그래머블 회로에 의해 검출된 불규칙성을 상이한 불규칙성 부류로 분류하기를 트레이닝하도록 처리될 수 있다. 입력 신호에서 불규칙성을 검출하는 것 및 이러한 불규칙성을 정상 동작으로부터 벗어난 특정 양상 또는 RF 전력 전달 시스템, 플라즈마 시스템 또는 플라즈마 프로세스의 오작동과 아마도 관련될 수 있는 상이한 불규칙성 부류로 분류하는 것은 검출 알고리즘 또는 뉴럴 네트워크 내에서 다양한 신호 전처리 기법을 수반할 수 있으며, 이에 따라 상기 신호 처리 기법은 예를 들어 다음 중 적어도 하나를 포함할 수 있다:
- (불규칙성이 없는 정상 입력 신호에서도 관찰될 수 있는) 서서히 변화하는 기준선 변동 및 오프셋 빼버리기
- 입력 신호를 정규화된 불규칙성 패턴과 비교하기 전에 (시간 및/또는 진폭의) 스케일링 작업하기
- 특히 여러 입력 신호가 조합되어 평가될 때, 시간 도메인에서 시프트 연산하기, 예를 들어, 불규칙성을 정렬하기 위해 시간적 오프셋을 더하거나 빼기 하기
- 적어도 두 개의 입력 신호 간의 상관 관계 계산하기
- 예를 들어 필터링 동작에 의한 배경 소음 제거하기
- 입력 신호로부터 적어도 하나의 특정 주파수 범위 제거하기
위에서 언급한 기법 중 하나 이상의 기법에 의해 입력 신호를 전처리한 후에, 확률의 계산을 포함할 수 있는 실제 패턴 검출 알고리즘은 결과적인 정규화된 입력 신호에 적용될 수 있다.
최적화된 뉴럴 네트워크를 프로그래머블 로직 디바이스, 예를 들면, FPGA에 구현하는 것은 뉴럴 네트워크의 모든 부분이 대응하는 로직 구성요소로 이전될 수 있으므로, 간단할 수 있다. 동일한 방식으로, 패턴 매칭 알고리즘은 시프트 레지스터와 간단한 로직 연산을 사용하여 FPGA에 쉽게 구현될 수 있다. 뉴럴 네트워크의 구성 및/또는 크기로의 변경 또는 패턴 매칭 알고리즘의 수정은 어떠한 하드웨어의 변경 없이 새로운 구성을 FPGA에 로드함으로써 수행될 수 있다.
애플리케이션이 여러 패턴 부류의 검출을 요구한다면, 각각의 특정 부류별로 최적화된 여러 병렬 뉴럴 네트워크 또는 패턴 매칭 알고리즘이 설정될 수 있다. 예를 들어, 입력 신호를 상이한 별개의 단계에서, 특히 각각의 부류마다 하나씩 순차적으로 평가함으로써, 하나의 공통 뉴럴 네트워크 또는 패턴 매칭 알고리즘을 사용하여, 다수의 패턴 부류를 검출하는 것 또한 가능할 수 있다. 이 경우, 네트워크의 출력으로서 하나의 확률 값 대신, 각각의 부류마다 하나씩 확률의 어레이가 생성된다. 추가의 패턴 부류 검출은 나중에 추가될 수 있다. 필요하다면, 뉴럴 네트워크 또는 패턴 매칭 알고리즘의 파라미터화는 추가적인 교시에 의해 최적화될 수 있다.
이에 따라 상이한 구성이 상이한 애플리케이션별로 저장된 다음 상황에 따라 활성화될 수 있다. 특히, 예를 들어, 상이한 연속 프로세스 단계별로 차례로 활성화될 수 있는 상이한 구성 간을 빠르게 전환하는 것이 가능하다. 이어서, 기존 구성의 추가 최적화 또는 참조 데이터가 추가되는 새로운 상황의 학습은 설치된 시스템에서 교시 모드를 활성화함으로써 가능해질 수 있다. 그러므로 측정된 신호에서 확률론적 패턴 인식은 패턴이 완전히 전개되기 전이라도, 여러 패턴 유형으로 병렬적 (동시적) 분류를 적용함으로써 또한 가능하다.
전자 인터페이스가 제공되어 적어도 하나의 입력 신호 또는 선재하는 구성을 본 발명의 시스템에, 특히 프로그래머블 회로에, 제어 유닛 또는 메모리에 업로드하는 것이 또한 가능할 수 있다. 그런 다음 본 발명의 방법은 업로드된 선재하는 구성을 사용하여 프로그래머블 회로를 추가로 파라미터화한다. 입력 신호가 제어 유닛에 업로드되면, 제어 유닛은 신호를 프로그래머블 회로에 공급하기 전에 신호를 메모리에 로드할 수 있다. 적어도 하나의 입력 신호는 업로드 후에 메모리에 저장되는 복수의 입력 신호로서 구성될 수 있다.
전자 인터페이스는 사용자가 적어도 하나의 입력 신호 및/또는 사용자 입력 신호 및/또는 사용자 구성 및/또는 시스템을 트레이닝 모드로부터 실시간 모드로 전환하는 제어 신호 및/또는 프로그래머블 회로의 파라미터화를 위해 메모리에 저장된 특정 구성을 사용하는 신호를 업로드할 수 있게 하는 사용자 인터페이스로서 구성될 수 있다. 일반적으로 공식화된 트레이닝 데이터인 업로드된 입력 신호는 직접 또는 제어 유닛을 통해 디지털 신호 처리를 위한 프로그래머블 회로에 공급될 수 있거나, 이들 입력 신호는 직접 또는 제어 유닛을 통해 메모리에 저장된다. 사용자 입력 신호는 사용자로부터의 적어도 하나의 입력 신호를 말한다. 사용자 구성은 사용자가 예를 들어 클라우드 또는 온-사이트 스토리지(on-site storage)로부터 또는 사용자 인터페이스에 연결될 수 있는 착탈식 데이터 캐리어 매체로부터 인터페이스에 로드하는 선재하는 구성일 수 있다. 사용자 구성은 또한 사용자 입력 신호에 대해 본 발명의 방법을 사용하여 생성된 구성일 수 있다. 일반적으로, 트레이닝 데이터는 적어도 하나의 입력 신호 및 각각의 입력 신호별로 대응하는 참조 결과를 포함할 수 있다. 트레이닝 데이터는 특히 트레이닝 절차에 필요한 선재하는 (이전에 기록되거나 시뮬레이션된) 데이터로서 구성될 수 있으며, 이 데이터는 먼저 메모리에 로드된 다음 최적화된 파라미터 세트가 발견될 때까지 (다양한 반복으로) 하나씩 처리될 수 있다. 업로드된 선재하는 구성은 동일한 메모리 및/또는 상이한 메모리에 저장될 수 있으며/있거나, 업로드된 선재하는 구성은 위에서 설명한 임의의 본 발명의 방법에 따라 이미 구현된 구성을 덮어쓸 수 있다. 업로드된 선재하는 구성이 동일한 메모리에 저장될 때, 이 구성은 프로그래머블 회로의 보조적인/추가적인 파라미터화로서의 역할을 할 수 있다. 상이한 메모리 또는 메모리 공간에 저장되는 업로드된 구성의 장점은 백업 구성이 항상 준비되어 있다는 것이다. 제조업체가 사용자에 의해 생성되지 않은 임의의 구성에 대한 접근성을 제한하는 것이 또한 장점이 될 수 있다. 이 경우 구성 중 일부를 안전하고 신뢰성 있는 메모리 공간에 로드하는 것이 또한 옵션이다. 다른 구성을 업로드하여 프로그래머블 회로의 구성을 덮어쓰는 장점은 프로그래머블 회로의 새로운 파라미터화일 수 있고 필요한 더 적은 메모리 공간일 수 있다.
전자 인터페이스가 파라미터 구성 및/또는 고정 구성 및/또는 메모리 및/또는 프로그래머블 회로로부터 및/또는 제어 유닛으로부터의 적어도 하나의 입력 신호 및/또는 데이터에 액세스하기 위해, 특히 판독 및/또는 기입 및/또는 덮어쓰기하기 위해 제공되는 것이 가능하다. 그러나 예를 들어 특정 데이터의 및/또는 알고리즘 또는 뉴럴 네트워크의 판독 및/또는 덮어쓰기 및/또는 교환이 금지되는 방식으로 전자 인터페이스를 통한 접근이 제한되는 것이 또한 가능할 수 있다. 그러므로 메모리 및/또는 프로그래머블 회로 및/또는 제어 유닛에 저장된 데이터 또는 정보의 일부는, 예를 들어, 암호화 방법을 사용하여 잠금될 수 있다. 다시 말해서, 전자 인터페이스가 메모리에 저장되어 특정 애플리케이션에서 사용하기 위한 구성의 업로드를 수행하기 위해 사용될 수 있는 것이 가능하다. 이러한 구성은 유사한 회로에서 적절한 트레이닝 데이터를 가지고 수행되는 트레이닝 절차의 결과일 수 있다. 특히, 제조업체는 사용자에게 구성의 업로드를 할 수 있게 하지만, 동시에 기본적인 공장 구성뿐만 아니라 알고리즘 또는 뉴럴 네트워크 자체도 사용자에 의한 액세스로부터 보호될 수 있다. 이것은 사용자가 만족스럽지 않은 경우 또는 시스템이 더 이상 새로운 구성으로 동작하지 않는 경우에도 여전히 공장 설정으로 돌아갈 수 있다는 장점을 갖는다.
프로그래머블 회로, 사용자 인터페이스, 메모리 및 제어부만 트레이닝 벤치(training bench)로 사용함으로써 회로의 파라미터화를 위한 최적의 파라미터 세트의 트레이닝 및 결정을 수행하는 것이 가능하다. 전체 라디오 주파수 시스템의 트레이닝 모드에서와 같이, 이미 디지털화된 트레이닝 데이터는 메모리로부터 판독되고 제어부에 의해 디지털 신호 처리를 위한 입력 신호(들)로서 제공된다. 파라미터의 변동 및 처리 결과의 평가는 또한 전체 RF 시스템에서와 동일한 방식으로 수행된다. 상업적으로 이용 가능한 전형적인 FPGA를 구비하는 이러한 트레이닝 벤치 시스템은, 표준 컴퓨터 및 매트랩/시뮬링크와 같은 툴을 사용한 표준 모델 시뮬레이션에 비해, 훨씬 더 짧은 시간에, 예를 들면, 10,000 내지 100,000배 빠르게 최적화된 파라미터 결과를 결정할 수 있다.
라디오 주파수 시스템에서 사용되는 전형적인 필터링 알고리즘 또는 패턴 매칭 알고리즘의 최적 파라미터화는, 매트랩/시뮬링크 시뮬레이션이 사용될 때 몇 시간 또는 며칠의 실행 시간과 비교하여, 설명된 트레이닝 벤치 시스템을 이용하여 몇 분 안에 결정될 수 있다.
수천 개의 뉴런이 예를 들어 500 내지 1,000개의 레이어에 배열된 대규모 뉴럴 네트워크의 경우에도, 트레이닝 벤치 시스템은 수 시간 내에 최적의 뉴런 파라미터 세트를 결정할 수 있다. 훨씬 더 복잡한 알고리즘이나 뉴럴 네트워크 및/또는 매우 큰 트레이닝 입력 데이터 세트의 경우이더라도, 프로그래머블 회로의 최적 구성의 결정은 전용의 고성능 슈퍼 컴퓨터에서 수행될 수 있다.
RF 시스템 자체에서, 트레이닝 벤치 시스템에서, 시뮬레이션 툴을 사용하는 표준 컴퓨터에서 또는 고성능 슈퍼컴퓨터에서 최적 구성을 결정하는 위에서 설명한 방법과는 별개로, 결정된 구성은 제어 유닛에 의해 사용자 인터페이스를 통해 RF 시스템의 메모리에 업로드된 다음, 특정 애플리케이션의 경우, RF 시스템의 입력 신호를 실시간으로 처리할 수 있는 프로그래머블 회로의 파라미터화를 위해 사용될 수 있다.
동일한 방식으로, 하나의 RF 시스템을 통해 결정된 구성은 사용자 인터페이스를 통해 내보내지고, 프로그래머블 회로의 파라미터화에 사용될 유사한 RF 시스템에 업로드될 수 있다. 이러한 방식으로, 기존의 구성을 제 1 RF 시스템으로부터 동일한 종류의 제 2 시스템에 구현함으로써, 제 2 시스템의 개별 트레이닝이 회피될 수 있다. 그러므로 이미 최적화된 구성의 사본이 다수의 시스템에서 사용될 수 있고 이것은 새로운 시스템을 설정할 때 시간을 절약할 수 있는 이점이 있다.
시스템마다 불가피한 작은 변동에 따라, 새로운 RF 시스템의 파라미터화를 더욱 최적화하는 것이 요구될 수 있다. 그럼에도 불구하고, 이러한 파라미터의 최적화는 완전히 새로운 애플리케이션의 경우일 수 있는 디폴트 파라미터 구성으로부터 시작하는 것에 비해 이미 알려진 양호한 구성으로부터 시작할 때 전형적으로 훨씬 더 빠르게 수렴할 것이다.
적어도 하나의 입력 신호는 각각마다 원하는 처리 결과가 대응하는 미리 정의된 참조 결과로서 제공되는 미리 정의된 참조 입력 신호로서 구성될 수 있다. 트레이닝 데이터는 미리 정의된 참조 입력 신호 및 대응하는 미리 정의된 참조 결과도 포함할 수 있다.
회로가 적어도 하나의 입력 신호의 처리를 제공하기 위한 회로의 적어도 하나의 구성 가능한 파라미터에 의해 파라미터화되는 알고리즘을 실행하는 것이 가능할 수 있다. 인터페이스, 특히 사용자 인터페이스는 프로세스가 시작되기 전에 파라미터에 대한 적절한 구성을 선택하는 데 사용될 수 있다. 대안적으로 또는 추가적으로, 인터페이스는 애플리케이션 모드 또는 실시간 동작 모드로부터 트레이닝 모드로 전환하는 데 사용될 수 있다. 처리 절차는 구성의 최적화를 위한 학습 사이클로서 구성될 수 있다. 사용자가 인터페이스를 제어하여 참조 입력 신호 및/또는 참조 결과 및/또는 트레이닝 데이터를 메모리에, 특히 라디오 주파수 발생기의 메모리에 로드하고/하거나, 학습 사이클을 실행하고/하거나, 나중에 애플리케이션 모드에서 사용하기 위해 메모리에 새로운 파라미터 구성을 저장하는 것이 또한 가능할 수 있다. 트레이닝 모드에서, 메모리는 아날로그-디지털 변환기로부터의 연속 데이터 스트림을 애플리케이션 모드로부터 시뮬레이션하는 데 사용될 수 있다. 그러므로 메모리는 제어 회로에 연결될 수 있고, 제어 회로는 메모리로부터 적어도 하나의 입력 신호를 판독하고 이것을 트레이닝 모드에서 프로그래머블 회로에 제공할 수 있다. 프로그래머블 회로가 처리를 가속화하기 위해 메모리로부터 적어도 하나의 입력 신호를 직접 판독하고 디지털 신호 처리를 수행할 수 있는 것 또한 가능하다. 반면, 애플리케이션 또는 실시간 동작 모드에서, 프로그래머블 회로는 아날로그-디지털 변환기에 직접 연결되어 입력 신호를 실시간 입력으로 수신할 수 있다.
적어도 하나의 입력 신호가 적어도 천 개 또는 적어도 백만 개의 상이한 입력 신호로서 구성되는 것이 추가 옵션이며, 여기서 입력 신호 각각은 라디오 주파수 신호와 관련된 적어도 하나의 파형을 나타내고, 여기서 처리는 파라미터 구성에 따라 파형을 평가하려는 것이고, 이에 의해 각각의 처리 결과는 상기 평가의 결과를 포함한다. 이것은 처리의 성능을 더 증가시키게 한다. 뿐만 아니라, 예를 들어 제어 회로에 의해 제어되는 자동화된 트레이닝은 적어도 하나의 파라미터의 최적화를 가속화할 수 있다.
다른 유리한 실시예에서, 프로그래머블 회로는 알고리즘을 사용하여 입력 신호를 진폭 및 위상으로 분해하기 위한 로직 요소를 포함할 수 있으며, 여기서 알고리즘은 변경된 구성에 의해 파라미터화될 수 있다. 그러므로 IQ 복조, 괴르첼 알고리즘(Goertzel-algorithm) 또는 이산 푸리에 변환(Discrete Fourier Transformation)과 같은 알고리즘은 다수의 파라미터에 의존할 수 있다. 예를 들어, IQ 복조의 경우, 파라미터는 디지털 필터의 계수일 수 있다. 그러므로 파라미터의 구성은 이러한 파라미터에 대해 선택된 구체적인 값일 수 있다.
뿐만 아니라, 변경된 구성의 평가는 변경된 구성과 연관된 처리 결과 각각을 미리 결정된 참조 결과와 비교함으로써 수행되며, 여기서 미리 결정된 참조 결과는 프로그래머블 회로에 의해 수행되는 알고리즘의 미리 결정된 이상적인 결과를 포함한다. 그러므로 미리 결정된 이상적인 결과는 현재 설정된 구성의 품질에 대한 벤치마크이다. 파라미터 구성의 변경은 참조 결과와 비교될 수 있는 상이한 처리 결과를 생성할 수 있게 한다. 처리 결과와 참조 결과 간의 편차는 사용된 구성의 성능을 보여주며, 이것은 구성의 평가로 이해될 수 있다.
본 발명의 다른 양태는 시스템, 특히 라디오 주파수 시스템, 바람직하게는 라디오 주파수 전력 전달 시스템 또는 라디오 주파수 발생기 또는 라디오 주파수 플라즈마 시스템용 RF 측정 시스템으로,
- 라디오 주파수 시스템의 라디오 주파수 신호를 감지하기 위한 적어도 하나의 센서, 특히 방향성 커플러 또는 전압-전류("V/I") 센서와,
- 적어도 하나의 감지된 라디오 주파수 신호를 적어도 하나의 입력 신호로 변환하기 위한 적어도 아날로그-디지털 변환기와,
- 적어도 하나의 입력 신호의 디지털 신호 처리를 위한 회로, 특히 프로그래머블 회로를 포함한다. 회로가 본 발명에 따른 방법에 따라 결정된 적어도 하나의 파라미터 결과에 의해 파라미터화되는 것이 제공될 수 있다.
따라서, 본 발명 시스템에 따른 시스템은 본 발명에 따른 방법과 관련하여 상세히 설명한 바와 동일한 장점을 제공한다. 시스템은 또한 아날로그 안티-엘리어싱 필터(anti-aliasing filter) 및/또는 전송 라인 및/또는 매칭 회로, 특히 임피던스 매칭 회로를 포함할 수 있다. 라디오 주파수 시스템은 특히 라디오 주파수 전력 전달 시스템으로서 구성될 수 있다. 라디오 주파수 전력 전달 시스템은 또한 플라즈마 시스템, 특히 플라즈마 전력 전달 시스템의 전력 공급 장치로서 구성될 수 있다. 아날로그-디지털 변환기는 전력 공급 장치에 사용되고 라디오 주파수 시스템의 센서에 의해 감지된 라디오 주파수 신호를 변환하도록 제공될 수 있다.
시스템은 프로그래머블 회로의 파라미터화를 위해 선재하는 구성을 프로그래머블 회로에 또는 제어 유닛에 또는 메모리에 업로드하기 위한 전자 인터페이스를 더 포함할 수 있다. 인터페이스를 사용한 업로드 및/또는 기입 및/또는 판독은 데이터 전송을 사용하여 수행될 수 있다. 전자 인터페이스는 (특히 직접) 데이터 전송을 사용하여 업로드를 수행하기 위해 제어 유닛 또는 메모리 또는 프로그래머블 회로와 전자적으로 연결될 수 있다. 전자 인터페이스는 컴퓨터와 같은 다른 전자 디바이스와 연결될 수 있는 직렬 인터페이스와 같은 데이터 인터페이스로서 구성될 수 있다. 전자 인터페이스가 컴퓨터 프로그램을 실행하여 데이터 전송을 할 수 있게 하는 것이 또한 가능하다. 컴퓨터 프로그램은 근거리 네트워크, 무선 근거리 네트워크 또는 블루투스와 같은 보다 정교한 인터페이스 기술을 제공할 수 있다. 전자 인터페이스는 제어 유닛 또는 메모리 또는 프로그래머블 회로를 통해 액세스할 수 있다.
본 발명에 따른 시스템은 설명된 유리한 특성을 추가로 나타내기 위해 본 발명에 따른 방법의 위에서 언급한 특징 중 임의의 특징을 특징으로 삼을 수 있다.
본 발명의 다른 양태는 본 발명에 따른 방법에 따라 결정된 적어도 하나의 파라미터 결과를 반송하는 데이터 캐리어 신호이다. 따라서, 본 발명에 따른 데이터 캐리어 신호는 본 발명에 따른 방법 및 시스템에 대해 상세히 설명된 대응하는 특징과 동일한 장점을 제공한다. 데이터 캐리어 신호는 하드 디스크 또는 플래시 메모리와 같은 데이터 캐리어의 신호일 수 있다. 또한, 데이터 캐리어 신호는 다운로드 등으로서 구현될 수 있다. 본 발명의 가능한 추가 양태는 본 발명에 따른 방법에 따라 결정된 파라미터 결과를 포함하는 컴퓨터 프로그램 및/또는 컴퓨터 프로그램 및/또는 본 발명에 따른 방법에 따라 결정된 파라미터 결과를 저장한 컴퓨터 판독 가능 데이터 캐리어이다. 데이터 캐리어 신호는 사용자 측에서 소프트웨어 업그레이드, 즉, 데이터 캐리어 신호의 결정된 파라미터 결과를 사용하여 프로그래머블 회로의 파라미터화를 수행하기 위해 제공될 수 있다. 대안적으로, 데이터 캐리어 신호는 프로그래머블 회로의 파라미터화/구성의 판독을 수행하여 그 구성이 RF 시스템의 메모리에 저장되거나, RF 시스템의 사용자 인터페이스에 연결된 착탈식 데이터 캐리어 매체로 내보내기, 즉, 저장될 수 있도록 제공될 수 있다. 그런 다음 착탈식 데이터 캐리어 매체는 제 2 RF 시스템 또는 트레이닝 벤치 시스템에 연결되어 내보낸 구성을 업로드하여 이것을 제 2 RF 시스템의 프로그래머블 회로의 파라미터화에 사용할 수 있다.
본 발명의 추가 장점, 특징 및 세부 사항은 본 발명의 실시예가 도면을 참조하여 상세히 설명되는 다음의 설명으로부터 명백해질 것이다. 이와 관련하여, 청구범위 및 설명에서 언급된 특징은 각각 개별적으로 또는 임의의 조합으로 본 발명에 필수적일 수 있다.
도 1a는 본 발명의 RF 측정 시스템(1) 및 본 발명의 데이터 캐리어 신호의 실시예를 도시한다.
도 1b는 본 발명의 RF 측정 시스템(1)을 사용하는 플라즈마 전력 시스템의 실시예를 도시한다.
도 2는 본 발명의 라디오 주파수 시스템에서 DSP를 개선하기 위한 본 발명의 방법의 실시예를 도시한다.
도 3a는 수정 조치 없이 아크 이벤트가 완전히 진화한 예를 도시한다.
도 3b는 도 3a와 유사한 예로, 아크에 대한 확률이 임계값을 초과할 때 아크 방지가 개시되는 것을 도시한다
도 3c는 펄스 모드 동작 동안 실제 아크 이벤트를 식별하기 위한 예를 도시한다.
도 4는 트레이닝 모드 구성에서 본 발명의 RF 측정 시스템의 실시예를 도시한다.
도 5는 애플리케이션(실시간 작동) 모드에서 본 발명의 RF 측정 시스템의 실시예를 도시한다.
도 1b는 본 발명의 RF 측정 시스템(1)을 사용하는 플라즈마 전력 시스템의 실시예를 도시한다.
도 2는 본 발명의 라디오 주파수 시스템에서 DSP를 개선하기 위한 본 발명의 방법의 실시예를 도시한다.
도 3a는 수정 조치 없이 아크 이벤트가 완전히 진화한 예를 도시한다.
도 3b는 도 3a와 유사한 예로, 아크에 대한 확률이 임계값을 초과할 때 아크 방지가 개시되는 것을 도시한다
도 3c는 펄스 모드 동작 동안 실제 아크 이벤트를 식별하기 위한 예를 도시한다.
도 4는 트레이닝 모드 구성에서 본 발명의 RF 측정 시스템의 실시예를 도시한다.
도 5는 애플리케이션(실시간 작동) 모드에서 본 발명의 RF 측정 시스템의 실시예를 도시한다.
다음의 도면에서는 상이한 실시예의 예시이더라도 동일한 기술적 특징에 대해 동일한 참조 부호가 사용된다.
도 1a는 라디오 주파수 발생기, 바람직하게는 라디오 주파수 전력 전달 시스템(1) 또는 라디오 주파수 발생기 또는 라디오 주파수 플라즈마 시스템의 본 발명의 RF 측정 시스템(1)의 실시예를 도시한다. 시스템은 라디오 주파수 시스템(1)의 라디오 주파수 신호를 감지하기 위한 적어도 하나의 센서(20), 특히 방향성 커플러 또는 전압-전류 센서 또는 플라즈마 센서(32)를 포함한다. 방향성 커플러(20)는, 예를 들어, 전력 전달 회로에서 라디오 주파수 신호를 탐침하는 데 일반적으로 사용되는 센서의 일종이다. 그러나 다른 센서도 구현될 수 있다. 도 1a는 라디오 주파수 RF 전력 신호 전송 라인(60)과 두 개의 신호 분기(branch)를 더 도시하는데, 여기서 상단 분기는 순방향 전력을 나타낼 수 있고 하단 분기는 센서(20)에 의해 픽업된 RF 전력 신호의 반사 전력을 나타낼 수 있다. 본 명세서에 기재된 본 발명의 시스템(1)의 구조는 측정된 순방향 전력 또는 반사 전력 또는 둘 모두에 적합할 수 있다. 본 명세서에 기재된 본 발명의 시스템(1)의 구조는 또한 RF 전압, RF 전류, 반사 계수(Γ 또는 "감마 값") 또는 측정된 DC 셀프 바이어스, 또는 RF 위상과 RF 전류, RF 전압, 측정된 순방향 또는 반사 전력 또는 둘 모두, DC 셀프 바이어스 또는 반사 계수의 임의의 조합에도 적합할 수 있다.
시스템(1)은 적어도 하나의 감지된 라디오 주파수 신호를 적어도 하나의 입력 신호(230)로 변환하기 위한 적어도 하나의 아날로그-디지털 변환기(analog-to-digital converter), ADC(30)를 더 포함한다. ADC는 시간 연속적이고 값 연속적인 신호, 즉, 아날로그 신호를 시간 이산적이고 값 이산적인 신호, 즉, 디지털 신호로 변환한다. 아날로그 신호는 방향성 커플러(20)에 의해, 바람직하게는 전송 라인(60)에서 픽업된 신호일 수 있다. 초당 샘플 수는 샘플링 레이트로 주어지며, 다수의 상이한 값은 ADC(30)의 비트 수로 주어진다. 시스템(1)은 아날로그 안티-엘리어싱 필터(50) 및 센서와 ADC(30) 사이의 매칭 회로(40), 특히 임피던스 매칭 회로(40)를 더 포함할 수 있다.
시스템(1)은 디지털 신호 처리를 위한, 바람직하게는 프로그래머블 회로(10)를 포함한다. 회로(10)는 적어도 하나의 입력 신호(230)의 디지털 신호 처리에 적합하다. 입력 신호(230)는 RF 발생기의 동작 중 측정된 신호, 즉, 실시간 모드 신호(230)일 수 있다. 회로는 또한 메모리(70)에 저장된 적어도 하나의 입력 신호(210)의 디지털 신호 처리에 적합하다. 입력 신호(230) 또는 저장된 입력 신호(210)는 전력 전달 시스템의 라디오 주파수 신호와 관련된 신호일 수 있다. 그러므로 이들 신호는 직접 측정된 신호 또는 시뮬레이션된 신호일 수 있다. 저장된 입력 신호(210)는 또한 회로(10)에 들어가기 전에 컨트롤러 또는 제어 회로(80)에 의해 처리될 수 있다. 회로(10)는 도 2에 설명된 본 발명의 방법에 따라 결정된 적어도 하나의 파라미터 결과에 의해 파라미터화될 수 있다. 파라미터화는 입력 신호(210 또는 230)가 회로(10)에 도달하기 전에 일어날 수 있다. 그런 다음 파라미터화된 회로(10)는 입력 신호(메모리로부터의 신호(210) 또는 실시간 모드로부터의 신호(230))에 따라 처리 결과(220)를 제공하다. 처리 결과(220)는 제어 회로(80)를 통과하여 파라미터 결과(240)로서 메모리(70)에 저장될 수 있다.
도 1a는 또한 처리 결과(220)로부터 결정된 적어도 하나의 파라미터 결과(240)를 반송하는 데이터 캐리어 신호(240)를 도시한다. 데이터 캐리어 신호(240)는 승인된 사람 또는 임의의 제 3 자에 의해 다운로드 받을 수 있는 데이터 패키지일 수 있다. 그런 다음 데이터 캐리어 신호는 프로그래머블 회로(10), 특히 FPGA(10)를 파라미터화하는 데 사용될 수 있다. 파라미터 결과(240)에 사용되는 처리 결과(220)는 본 명세서에 기재된 방법 중 적어도 하나의 방법에 따른 발명의 방법으로부터 결정될 수 있다. 시스템은 회로(10)의 파라미터화를 위해 선재하는 구성을 프로그래머블 회로(10) 또는 제어 유닛(80) 또는 메모리(70)에 업로드하기 위한 전자 인터페이스(90)를 더 포함할 수 있다. 상기 전자 인터페이스(90)는 제어 유닛(80) 또는 메모리(70) 또는 프로그래머블 회로(10)와 전자적으로 연결되어 직접 데이터 전송을 사용하여 업로드를 수행할 수 있다. 또한, 전자 인터페이스(90)는 또한 구성의 다운로드를 수행하기 위해, 예를 들어, 유사한 애플리케이션별로 상이한 RF 시스템으로 구성을 전송하기 위해 사용될 수 있다. 전자 인터페이스(90)는 사용자 인터페이스일 수 있다.
도 1b는 본 발명의 RF 측정 시스템(1)을 사용하는 플라즈마 전력 시스템(5)의 실시예를 도시한다. 특히, 플라즈마 전력 시스템(5)은 RF 발생기(2), 매칭 네트워크(4) 및 플라즈마 프로세스 시스템(3), 예를 들어, RF 전력이 공급되는 전극을 갖는 플라즈마 챔버(31)를 포함한다.
RF 발생기(2)는 센서(20), 아날로그-디지털 변환기(30), 프로그래머블 회로(10), 제어 유닛(80), 메모리(70) 및 사용자 인터페이스(90)라고도 지칭되는 전자 인터페이스(90)를 포함하는 RF 측정 시스템(1)을 포함한다. 또한, RF 발생기(2)는 신호 발생 유닛(16), 예를 들어 직접 디지털 합성(direct digital synthesis, DDS) 회로 및 DC 공급부(21)로부터 전력이 제공되는 전력 증폭 스테이지(23)를 포함하며, 여기서 신호 발생 유닛(16)은 프로그래머블 회로(10) 내에 구현될 수 있다. 본 발명의 범위 내에서, 신호 발생 유닛(16)은 또한 프로그래머블 회로(10)의 외부의 별도의 회로 또는 칩일 수도 있다는 것을 주목할 필요가 있다.
매칭 네트워크(4)는 입력 센서(41), 예를 들어 위상 및 크기 검출기, 전형적으로 가변 가능한 인덕터 및 커패시터를 포함하는 임피던스 매칭 회로(40), 매칭 제어 유닛(42) 및 선택적으로 출력 센서(43), 예를 들어 전압-전류 센서 또는 DC 바이어스 센서를 포함한다. 매칭 네트워크(4)의 기능은 RF 발생기(2)의 출력 임피던스, 전형적으로 50 옴(Ohm)을 플라즈마 프로세스 시스템(3)의 가변 임피던스에 적응시켜 플라즈마에 결합된 RF 전력이 최대화되고 플라즈마 프로세스 시스템(3)으로부터 다시 반사되는 전력이 최소화되도록 하는 것이다.
플라즈마 프로세스 시스템(3)은 매칭 네트워크(4)로부터 RF 전력이 제공되는 플라즈마 챔버(31)를 포함한다. 플라즈마 챔버(31) 내에서, 가스 또는 가스 혼합물이 여기되며, 공급되는 RF 전력에 의해 부분적으로 이온화된다. RF 전력을 플라즈마에 전기적으로 결합하는 것은 RF 전력을 전극, 예를 들어, 접지에 연결된 유사한 플레이트의 반대편에 있는 금속 플레이트에 연결함으로써 달성될 수 있다. 이러한 방식으로, 플라즈마는 두 전극에 정정 용량적으로 결합된다. 대안적으로, RF 전력은 플라즈마가 유도 결합되도록 플라즈마 챔버(31) 주위에 배열되는 인덕터에 연결될 수 있다.
전형적으로, 반도체 웨이퍼는 플라즈마 챔버(31)에 로드되고 명시된 시간 동안 RF 플라즈마에 노출되어 웨이퍼의 최상층으로부터 재료가 에칭되거나 웨이퍼의 최상층에 재료가 증착된다.
매칭 네트워크(4) 및 플라즈마 프로세스 시스템(3)은 RF 신호 또는 플라즈마 프로세스의 특성에 대해 특징적인 신호를 측정하는 센서(41, 43, 32)를 포함할 수 있다. 이러한 센서 신호는 RF 발생기(2)의 전용 센서 포트에 연결될 수 있고, 아날로그-디지털 변환기(ADC)(30), 예를 들어 단일 및/또는 다중 채널 ADC에 의해 디지털 표현으로 변환될 수 있으며, 프로그래머블 회로(10)에 의해 수행되는 디지털 신호 처리를 위한 입력 신호로서 사용될 수 있다.
도 2는 발명의 라디오 주파수 시스템에서, 특히 라디오 주파수 전력 전달 시스템(1)에서 디지털 신호 처리를 개선하기 위한 본 발명의 방법의 실시예를 도시한다. 방법은 라디오 주파수 시스템(1)의 라디오 주파수 신호와 관련된 적어도 하나의 입력 신호(210)를 제공하는 단계(101)와, 적어도 하나의 입력 신호(210)가 프로그래머블 회로(10)에 의해 적어도 하나의 구성 가능한 처리 파라미터를 사용하여 반복적으로 처리되는 처리 절차(310)를 수행하는 단계(102)를 포함한다. 이에 따라 적어도 하나의 파라미터의 구성은 적어도 하나의 입력 신호(210)의 각각의 처리마다 변경, 특히 수정되어 각각의 처리 결과(220)를 획득할 수 있다. 방법은 처리 결과(220)에 기초하여 구성의 최적화를 위한 적어도 하나의 파라미터 결과(예를 들어, 특히 변경된 파라미터로부터 최적화된 파라미터)를 결정하는 단계(103)와, 개선된 디지털 신호 처리를 위한 (특히 회로의 파라미터화를 위한) 적어도 하나의 결정된 파라미터 결과를 제공하는 단계(104)를 더 포함한다. 본 발명의 방법에서, 프로그래머블 회로(10)는 프로그래머블 집적 회로(10), 바람직하게는 FPGA로서 구성될 수 있다.
본 발명의 방법은 적어도 하나의 결정된 파라미터 결과를 사용하여 동일한 또는 다른 프로그래머블 회로(10)를 파라미터화하는 단계(105)를 더 포함할 수 있으며, 여기서 파라미터화하는 단계(105)는 라디오 주파수 시스템(1)의 라디오 주파수 신호를 감지하는 단계(106) 및 적어도 부분적으로 파라미터화 회로(10)에 의해 감지된 라디오 주파수 신호의 처리를 사용하여 디지털 신호 처리를 수행하는 단계(107)를 포함한다. 본 발명의 방법은 감지 단계(106) 및 디지털 신호 처리 단계를 반복적으로 수행(102)함으로써 라디오 주파수 신호를 모니터링하는 단계를 더 포함할 수 있다. 회로(10)의 파라미터화(105)의 세부 사항에 관계없이, 프로그래머블 회로(10)의 처리 절차(310)는 입력 신호(210)를 선재하는 (예를 들어, 이전에 기록되거나 시뮬레이션된) 트레이닝 입력 신호(210)로서 사용하는 처리의 트레이닝 모드에서 프로그래머블 회로(10)의 파라미터화(105)를 수행하기 위한 트레이닝 절차로서 구성될 수 있는 반면, 모니터링은 라디오 주파수 신호가 실시간 입력 신호(230)로서 감지되고 처리되는 처리의 실시간 모드에서 수행된다.
처리 절차(310)에서 처리되는 적어도 하나의 입력 신호(210)는 적어도 하나의 트레이닝 입력 신호(210)로서 구성될 수 있다. 본 발명의 방법은, 이전에 결정된 파라미터 결과를 사용하여 적어도 하나의 파라미터를 구성함으로써 프로그래머블 회로(10)의 파라미터화(105)를 완결하는 단계 - 여기서 구성은 차후에 고정됨 - ; 및 트레이닝 모드로부터 실시간 모드로 처리를 전환하는 단계 - 여기서 실시간 모드에서, 실시간 입력 신호(230)는 특히 실시간 입력 신호(230)에서 패턴 검출을 위한 고정 구성을 사용하여 실시간으로 프로그래머블 회로(10)에 의해 처리되고, 여기서 바람직하게는 실시간 입력 신호는 적어도 하나의 센서(20)에 의해 감지된 라디오 주파수 신호를 적어도 하나의 실시간 입력 신호로 변환하는 적어도 하나의 아날로그-디지털 변환기(30)로부터 수신되는 실제 측정된 신호로서 구성됨 - ; 및 실시간 모드로부터 트레이닝 모드로 처리를 전환하는 단계를 더 포함할 수 있다. 트레이닝 모드에서, 기존 및 이전의 고정 구성은 적어도 하나의 추가 트레이닝 입력 신호(210)를 처리된 트레이닝 입력 신호(210)로서 사용하여 처리 절차(310)를 다시 수행하여 적어도 하나의 파라미터 결과를 새로 결정함으로써 더욱 최적화하되며, 여기서 새로 결정된 파라미터 결과와 이전에 결정된 파라미터 결과의 비교에 따라, 새로 결정된 파라미터 결과를 사용하여 적어도 하나의 파라미터를 구성함으로써 프로그래머블 회로(10)의 재파라미터화가 수행된다.
적어도 하나의 입력 신호(210)의 반복 처리는 반복 처리 단계에 의해 수행될 수 있으며, 여기서 각각의 단계마다, 동일한 적어도 하나의 입력 신호(210)는 적어도 하나의 파라미터의 변경된 구성을 사용하면서 동일한 프로그래머블 회로(10)에 의해 처리되어, 각각의 처리 결과(220)가 변경된 구성에 특유하고/하거나 변경된 구성에 할당되도록 한다. 적어도 하나의 입력 신호(210)는 하나 또는 복수의 미리 결정된 참조 입력 신호(257)로서 구성될 수 있으며, 참조 입력 신호 각각마다, 대응하는 입력 신호(210)의 처리의 바람직한 결과를 나타내는 참조 결과가 제공된다. 처리 결과(220)에 기초하여 구성의 최적화를 위한 적어도 하나의 파라미터 결과를 결정하는 단계(103)는 적어도 하나의 참조 입력 신호(257)에 대해 획득된 처리 결과(220) 각각을 대응하는 참조 결과와 비교함으로써 변경된 구성을 평가하는 단계를 더 포함할 수 있으며, 여기서 평가는 처리 결과(220)와 참조 결과의 매칭 또는 처리 결과(220)와 참조 결과 사이의 편차에 따라 달라진다. 처리 결과(220)에 기초하여 구성을 최적화하기 위한 적어도 하나의 파라미터 결과를 결정하는 단계(103)는 가장 높은 평가를 갖는 적어도 하나의 구성을 적어도 하나의 결정된 파라미터 결과로서 선택하는 단계를 더 포함할 수 있다. 참조 결과는 사용자에 의해 제공되며, 예를 들어, 사용자 인터페이스(90)를 사용하여 업로드되는 것이 가능하다. 그러므로 사용자는 언제든지 평가에 사용되는 기준을 정의할 수 있다. 입력 신호 및 이에 따른 트레이닝 데이터가 사용자에 의해 정의되고, 예를 들어, 사용자 인터페이스(90)를 통해 업로드되는 것이 또한 가능하다. 개선된 디지털 신호 처리를 위한 적어도 하나의 결정된 파라미터 결과를 제공하는 단계(104)는 적어도 하나의 선택된 구성을 사용하여 동일한 또는 다른 프로그래머블 회로(10)를 파라미터화하는 단계(105)를 더 포함할 수 있다. 바람직하게, 상기 적어도 하나의 미리 결정된 참조 입력 신호(257) 및 대응하는 참조 결과는 디지털 신호 처리의 상이한 애플리케이션에 대한 복수의 미리 결정된 참조 입력 신호(257) 및 대응하는 참조 결과를 포함하여, 처리 결과(220)에 기초하여 구성을 최적화하기 위한 상기 적어도 하나의 파라미터 결과를 결정하는 단계가 각각의 애플리케이션마다 별도로 수행되도록 한다. 적어도 하나의 결정된 파라미터 결과를 제공하는 단계(104)는 선택된 구성을 메모리에 저장하는 단계를 더 포함할 수 있으며, 여기서 동일한 또는 다른 프로그래머블 회로(10)를 파라미터화하는 단계는 애플리케이션에 따라 저장된 구성으로부터 사용되는 구성을 선택하는 단계를 포함한다.
적어도 하나의 입력 신호(210)는 다수의 선재하는 입력 신호(210)로서 구성될 수 있다. 선재하는 신호는 이전에 기록되거나, 또는 예를 들어 시뮬레이션될 수 있다. 처리 절차(310)는 반복되는 처리 단계를 포함할 수 있으며, 여기서 각각의 처리 단계는 동일한 입력 신호(210)를 차례로 처리하는 단계 및 제어 회로(80)에 의해 이 처리 단계에서 사용된 적어도 하나의 파라미터의 구성을 설정하는 단계를 포함할 수 있다. 본 발명의 방법은, 각각의 처리 단계 후에, 제어 회로(80)에 의해 미리 결정된 참조 결과로부터의 처리 결과(220)의 편차를 평가하는 단계 및 각각의 평가 후에, 상기 평가에 기초하여 다음 처리 단계에 사용되는 적어도 하나의 파라미터의 구성을 수정하는 단계를 더 포함할 수 있다. 이에 따라 제어 회로(80)는 프로그래머블 회로(10)에 전기적으로 연결되고 프로그래머블 회로와는 별개로 구성될 수 있다.
사용된 적어도 하나의 파라미터의 구성은 개선된 디지털 신호 처리를 위한 구성을 반복적으로 최적화하기 위해 상이한 처리 단계마다 달라질 수 있다.
처리 절차(310)는 라디오 주파수 시스템(1)의 애플리케이션에서 상이한 특정 상황별로 반복적인 방식으로 구성을 최적화하기 위한 트레이닝 절차로서 구성될 수 있으므로, 상이한 상황별로 결정된 파라미터 결과는 이러한 상이한 상황별로 상이한 최적화된 파라미터 세트로서 구성된다.
적어도 하나의 입력 신호(210)는 시간적 신호 과정, 바람직하게는 순간 및 과거 값으로부터의, 특히 라디오 주파수 신호의 측정 값으로부터의 시간적 신호 과정을 포함할 수 있다. 처리 결과(220)는 신호 과정의 처리에 의해 획득되어 신호 과정에서 특정 패턴의 검출에 대한 확률을 표시할 수 있다.
전자 인터페이스(90)는 또한 적어도 하나의 입력 신호(210)를 프로그래머블 회로(10)로 업로드하기를 수행하도록 제공될 수 있다. 이에 따라 적어도 하나의 입력 신호(210)는 업로드 후에 메모리에 저장되는 복수의 입력 신호로서 구성될 수 있다.
적어도 하나의 입력 신호(210)는 적어도 천 개 또는 적어도 백만 개의 상이한 입력 신호(210)로서 구성될 수 있으며, 여기서 입력 신호 각각은 라디오 주파수 신호와 관련된 적어도 하나의 파형을 나타낸다. 이에 따라 처리는 파라미터 구성에 따라 파형을 평가하려는 것일 수 있다. 각각의 처리 결과(220)는 상기 평가의 결과를 포함할 수 있다.
선재하는 구성은 또한 전자 인터페이스(90)를 통해, 특히 프로그래머블 회로(10)에 또는 제어 유닛(80)에 또는 메모리(70)에 업로드될 수 있다. 그런 다음 프로그래머블 회로(10)의 파라미터화는 선재하는 구성을 사용한다. 업로드된 선재하는 구성은 동일한 메모리(80) 및/또는 상이한 메모리에 저장될 수 있다. 업로드된 선재하는 구성은 본 발명의 방법을 사용하여 계산된 구성 중 임의의 구성을 덮어쓰거나, 본 발명의 방법을 사용하여 계산되었거나 이전에 업로드되어 메모리에 저장된 임의의 다른 구성 이외에 메모리에 저장될 수 있다.
변경된 구성의 평가는 변경된 구성과 연관된 처리 결과(220) 각각을 미리 결정된 참조 결과와 비교함으로써 수행될 수 있다. 미리 결정된 참조 결과는 프로그래머블 회로(10)에 의해 수행되는 알고리즘의 미리 결정된 이상적인 결과를 포함할 수 있다.
도 3a는 두 개의 상이한 센서 신호인 제 1 센서 신호(402)와 제 2 센서 신호(403)에서 관찰되는 아크 이벤트의 예를 도시한다. 가장 낮은 곡선은 RF-전력(404)를 도시한다. x축은 시간(405)을 나타낸다. 이 경우, 아크는 단지 모니터링될 뿐일 수 있고, 예방 조치는 개시되지 않을 수 있으며, 방전이 완료될 때까지 아크는 완전히 진화할 수 있다. 이러한 아크의 사례에 대해 패턴 매칭 알고리즘 또는 뉴럴 네트워크를 트레이닝한 후에, 알고리즘은 시간(tstart)에서 0로부터 시간(tend)에서 1까지 증가할 수 있는 확률 값(p(t))(406)(도 3a의 상단 곡선에 표시되어 있으며 확률(401)을 나타냄)을 제공할 수 있다. 아크 이벤트의 첫 징후는 시간(tstart)에서 눈에 띌 수 있고 이벤트는 시간(tend)에서 완료된다. 아크 이벤트 이후, 확률 값(p(t))(406)은 빠르게 다시 0으로 감소할 수 있다. 제 1 센서 신호(402)는 전류 센서 신호로서 구성될 수 있으며, 그리고/또는 제 2 센서 신호(403)는 전압 센서 신호로서 구성될 수 있다.
도 3b에서, 유사한 상황이 묘사된다. 도 3a에서와 같이, 상단 곡선은 확률(401)을 나타내고, 아래 두 곡선은 제 1 센서 신호(402)와 제 2 센서 신호(403)를 나타내며, 가장 낮은 곡선은 RF 전력(404)을 나타낸다. x축은 시간(405)을 나타낸다. 도 3a와 대조적으로, 확률 값(p(t))(406)은 임계값(pthreshold)(407)과 비교될 수 있고, 일단 확률 값(p(t))(406)이 이 임계값(pthreshold)(407)를 초과하면, 시정 조치가 개시될 수 있다. 도 3a에서와 같이, 아크 이벤트(p(t))(406)에 대한 확률 값은 시간(tstart)부터 점진적으로 증가할 수 있다. 확률 값(p(t))(406)이 시간(tstop)에서 임계값(pthreshold)(407)에 도달할 때, RF 전력(404)의 일시적인 감소가 트리거될 수 있다. 이러한 조치는 아크 발생을 방지할 수 있으며 플라즈마 프로세스를 다시 정상 동작으로 구동시킬 수 있다. 특히, 도 3a의 제 1 센서 신호(402)의 스파이크가 극적으로 감소되고, 이것은 아크가 억제된다는 것을 의미할 수 있다.
도 3c는 거짓 긍정의 검출이 효율적으로 억제될 수 있는 방법의 예를 도시한다. x축은 시간(405)을 나타낸다. 이 예에서, RF 전력 출력(404)은 두 개의 RF 전력 레벨 사이에서 규칙적으로 전환될 수 있는 펄스 패턴으로 변조될 수 있다. 시간 간격(t1a...t2a, t1b...t2B, t3a...t4a, t3b...t4b, t5a...t6a, t5b...t6b, t7a...t8a, t7b...t8b)에서 아크 검출을 불능화시키면, 낮은 RF 전력 레벨과 높은 RF 전력 레벨 사이에서 전이 시에 스파이크가 무시될 수 있으며, RF 전력 전환과 관련이 없는 두 개의 아크 이벤트만 검출될 수 있다. 이 예에서, 두 개의 아크 이벤트는 (모양이 상이하기 때문에 확실할 수 있는) 아크 이벤트 부류 A(408)와 아크 이벤트 부류 B(409)의 두 개의 상이한 부류로 분류될 수 있다.
RF 전력 신호(404)의 주기적 펄스 변조의 경우, 예를 들어 펄스 모드 동작에서 두 레벨 사이를 전환할 때 RF 전력(404)의 급격한 변화는 패턴 매칭 알고리즘 및/또는 뉴럴 네트워크에 의해 거짓 아크 이벤트로서 등록될 수 있다. 특히, 적어도 두 개의 신호를 결합하여 평가하더라도, 이러한 의도적인 전력 변화는 아크 이벤트로서 플래그 지정될 수 있다.
이러한 거짓 긍정 검출을 피하기 위해, 펄스 패턴이 RF 전력 레벨의 전환을 필요로 할 때마다 패턴 매칭 알고리즘을 통한 및/또는 뉴럴 네트워크을 통한 불규칙성의 검출이 작은 기간("데드 타임") 동안 턴 오프될 수 있다. 이러한 방식으로, 일정한 RF 전력(404)의 기간에 발생하는 실제 아크 이벤트만 검출될 수 있다. 이러한 데드 타임의 사용 예는 도 3c에 도시되어 있다.
도 4는 트레이닝 모드에서, 예를 들어 트레이닝 벤치 시스템으로서 동작하도록 설정된 본 발명의 RF 측정 시스템(1)의 실시예를 도시한다. 시스템(1)의 동작 모드(253)는 사용자 인터페이스(90)를 통해 트레이닝 모드로서 설정될 수 있다.
아래에서, 참조 부호(17)에 의해 지칭되는 "신호 처리 회로"라는 용어는 신호 처리, 구체적으로는 디지털 신호 처리를 수행하기 위해 전용되는 프로그래머블 회로(10)의 일부를 지정한다. 프로그래머블 회로(10)는 추가 회로, 예를 들어, 트레이닝 모드에서 사용되어 처리 결과(220)와 참조 결과 사이의 편차를 결정하기 위한 평가 회로(18)를 포함할 수 있다. 실시간 모드 동안 사용되는 추가 회로는 프로그래머블 회로(10)에서 구현될 수 있지만, 트레이닝 모드에서는 비활성화될 수 있다.
트레이닝 모드에 있을 때, 시스템(1)을 전력 증폭 스테이지(23), 임피던스 매칭 네트워크(4) 및 플라즈마 프로세스 시스템(3)에 연결하는 것은 의무적이 아니다. RF 발생기(2), 매칭 네트워크(4) 또는 플라즈마 프로세스 시스템(3) 내의 센서에 의해 제공되는 실시간 입력 신호 대신에, 시스템(1)은 메모리(70)에 저장되어 있거나 사용자 인터페이스(90)를 통해 업로드되는 선재하는 참조 입력 신호(257)를 처리할 수 있다. 또한, 참조 결과(256)는 메모리(70)에 저장되거나 사용자 인터페이스(90)를 통해 제공될 수 있다. 이러한 참조 결과는 참조 입력 신호(257)의 신호 처리의 예상된 결과를 나타낸다. 또한, 신호 처리 회로(17)를 파라미터화하는 데 사용될 수 있는 파라미터 구성(254)은 메모리(70)에 저장되거나 사용자 인터페이스(90)를 통해 사용자 파라미터 세트(251)로서 제공될 수 있다.
더욱이, 프로그래머블 회로(10)에 구현될 수 있는 디지털 신호 처리 또는 회로 레이아웃(255)을 위한, 예를 들어 뉴럴 네트워크의 알고리즘도 메모리(70)에 저장될 수 있다. 전형적으로, 사용자 인터페이스(90)를 통한 알고리즘 및 회로 레이아웃(255)의 업로드 및 이들의 프로그래머블 회로(10)에 구현은 제조업체로 제한되며, 시스템(1)의 일반 사용자가 액세스할 수 없다.
트레이닝 모드에서, 제어부(80)는 사용자 인터페이스(90)로부터 사용자 파라미터 세트(251), 사용자 참조 결과(252a) 및 사용자 참조 입력 신호(252b)를 판독하고, 이를 메모리(70)에 저장하도록 설정될 수 있다. 또한, 제어부(80)는 메모리(70)로부터 저장된 파라미터 세트(254)를 판독하고 그에 따라 프로그래머블 회로(10)를 파라미터화함으로써 프로그래머블 회로(10)를 파라미터화하도록 설정될 수 있다. 뿐만 아니라, 제어부(80)는 메모리(70)로부터 또는 사용자 인터페이스(90)로부터 참조 입력 신호(257)를 판독하고 이를 신호 처리 회로(17)에 입력 신호(210)로서 제공하도록 설정될 수 있다. 대안적으로, 신호 처리 회로(17)는 메모리(70)에 직접 액세스하고 파라미터 구성(254) 및 트레이닝 데이터, 즉, 참조 입력 신호(257) 및 참조 결과(256)를 직접 판독하여 트레이닝 데이터의 판독 및 처리가 가속화되도록 할 수 있다.
뿐만 아니라, 도 4에 도시된 바와 같은 평가 회로(18)는 프로그래머블 회로(10) 내에 구현될 수 있고, 대안적으로는 제어 유닛(80)에서 소프트웨어 알고리즘으로서 구현될 수 있다. 평가의 결과, 즉, 최적화된 파라미터 세트(254)는 이것을 프로그래머블 회로(10)로부터 검색하고 이것을 제어부(80)를 통해 메모리(70)에 기록함으로써 또는 프로그램 가능 회로(10)로부터 직접 메모리 액세스에 의해 메모리(70)에 저장될 수 있다.
또한, 도 4의 배열에 대한 대안으로서, 제어 유닛(80)의 적어도 일부 및/또는 메모리(70)의 적어도 일부는 프로그래머블 회로(10)에서 구현될 수 있다는 것을 주목할 필요가 있다. 이것은 메모리(70)로부터 참조 입력 신호(257) 및 참조 결과(256)의 판독과, 참조 입력 신호(257)의 후속 신호 처리 및 참조 결과(256)에 대한 처리 결과(220)의 평가가 상당히 가속화될 수 있다는 장점이 있다.
도 5는 애플리케이션 (실시간 동작) 모드에서 본 발명의 RF 측정 시스템(1)의 실시예를 도시한다. 애플리케이션 모드에서, 신호 처리 회로(17)는 이전 트레이닝에서 메모리(70)에 저장되었거나 사용자 인터페이스(90)를 통해 메모리(70)에 업로드되었던 선재하는 파라미터 세트(254)를 이용하여 파라미터화된다. 사용자 인터페이스(90)를 통해 제공될 수 있는 프로세스 레시피(258)에 따라, 각각의 레시피 단계마다, 전용 파라미터 구성(254)이 제어부(80)를 통해 메모리(70) 또는 사용자 인터페이스(90)로부터 신호 처리 회로(17)로 로딩될 수 있다. 이러한 방식으로 파라미터화된 신호 처리 회로(17)는 그 다음에 RF 시스템으로부터, 예를 들면 RF 발생기(2), 임피던스 매칭 네트워크(4) 또는 플라즈마 프로세스 시스템(3)의 센서로부터 지속적으로 제공되고 ADC(30)에서 디지털화된 입력 신호를 실시간으로 처리한다.
프로그래머블 회로(10)에서 구현된 알고리즘 또는 뉴럴 네트워크에 따라, 신호 처리의 결과는 그 다음에 신호 생성 유닛(16), 예를 들면 DDS 코어 또는 추가 회로(19)를 제어하는 데 사용될 수 있다. 신호 발생 유닛(16)은, 예를 들어, 디지털-아날로그 변환기(DAC)(22) 및 전력 증폭 스테이지(23)에 의해 RF 전력 신호로 변환되는 신호의 진폭, 주파수 및 위상을 조정하는 데 사용된다. RF 발생기(2)의 출력에서의 결과적인 RF 전력 신호는 임피던스 매칭 네트워크(4)를 통해 플라즈마 프로세스 시스템(3)으로 제공될 수 있다. 이러한 방식으로, 예를 들어 RF 발생기(2)의 출력에서 방향성 커플러(20)로부터의 입력 신호(210)를 필터링한 결과는, 예를 들어, 플라즈마 내로 전달되는 RF 전력이 안정화되고 플라즈마로부터 반사된 전력이 최소화되는 방식으로 RF 전력 신호를 적응시키는 데 직접 사용될 수 있다.
또한, 신호 처리 회로(17)는 특정 이벤트 또는 원치 않는 상황, 예를 들어 플라즈마 처리 시스템(3)에서 고전압 방전 또는 2차 플라즈마, 또는 플라즈마 처리와 관련된 하드웨어 구성요소의 저하, 예를 들면 플라즈마 시스템 내의 입자 축적, 또는 플라즈마 챔버(31)의 세척 또는 다른 예방 유지보수가 필요할 수 있음을 표시하는 플라즈마 임피던스의 드리프트를 시사하는 패턴에 대해 입력 신호(210)를 모니터링하도록 구성될 수도 있다. 이러한 이벤트는 사용자 인터페이스(90)를 통해 사용자에게 플래그 지정(259)되거나, 시정 조치(250)를 트리거할 수 있는 프로그래머블 회로(10) 내의 추가 회로(19)에 의해 직접 조치될 수 있다. 예를 들어, 아크 발생 이벤트 또는 고전압 방전의 경우, 또는 신호 처리에 의해 그러한 이벤트의 발생 확률이 높은 것으로 결정되면, 프로그래머블 회로(10)는 특정 기간 동안 RF 전력의 감소 또는 완전한 턴 오프를 개시할 수 있다. 이것은, 예를 들어, 신호 발생 유닛(16)에서 생성된 RF 신호의 진폭을 감소시킴으로써, 또는 DAC(22)를 불능화함으로써, 또는 일정 기간 동안 DAC(22)와 전력 증폭 스테이지(23) 사이의 연결을 중단시킴으로써 달성될 수 있다.
프로그래머블 회로(10)의 회로 레이아웃 또는 프로그래머블 회로(10)에 의해 사용되는 알고리즘도 또한 메모리(70)에 저장될 수 있으며, 애플리케이션에 따라 상이한 회로 레이아웃(255)이 프로그래머블 회로(10)에서 구현될 수 있다.
앞서 트레이닝 모드에 대해 언급한 바와 같이, 또한 애플리케이션 모드에서도, 제어부(80)의 적어도 일부 및/또는 메모리(70)의 적어도 일부가 프로그래머블 회로(10)에서 구현될 수 있다. 이것은 신호 처리 회로(17)의 상이한 구성 간의 전환이 상당히 가속화될 수 있다는 장점이 있다.
전술한 실시예의 설명은 배타적으로 예의 맥락에서 본 발명을 설명한다. 물론, 실시예의 개별 특징은 본 발명의 범위를 벗어나지 않고 기술적으로 합리적이라면 서로 자유롭게 결합될 수 있다.
1 시스템
2 RF 발생기
3 플라즈마 프로세스 시스템
4 매칭 네트워크
5 플라즈마 전력 시스템
10 회로
16 신호 발생 유닛
17 신호 처리 회로
18 평가 회로
19 추가 회로
20 센서
21 DC 공급부
22 디지털-아날로그 변환기(DAC)
23 전력 증폭 스테이지(PA)
30 아날로그-디지털 변환기(ADC)
31 플라즈마 챔버
32 플라즈마 센서
40 임피던스 매칭 회로
41 입력 센서
42 매치 제어 유닛
43 출력 센서, V/I 센서
50 안티-엘리어싱 필터
60 전송 라인
70 메모리
80 제어 회로
90 전자 인터페이스, 사용자 인터페이스
101 적어도 하나의 입력 신호를 제공, 제 1 방법 단계
102 수행, 제 2 방법 단계
103 결정, 제 3 방법 단계
104 적어도 하나의 결정된 파라미터 결과를 제공, 제 4 방법 단계
105 파라미터화, 제 5 단계
106 설정, 제 6 방법 단계
107 수행, 제 7 방법 단계
210 (저장된/선재하는) 입력 신호
220 처리 결과
230 (실시간) 입력 신호
240 파라미터 결과
250 시정 조치
251 사용자 파라미터 세트
252a 사용자 참조 결과
252b 사용자 참조 입력 신호
253 동작 모드
254 파라미터 세트
255 회로 레이아웃
256 참조 결과
257 기록된 측정 데이터 세트, 참조 입력 신호
258 프로세스 레시피
259 이벤트 플래그
310 처리 절차, 기계 학습 절차
401 확률
402 제 1 센서 신호
403 제 2 센서 신호
404 RF-전력
405 시간
406 p(t)
407 pthreshold
408 아크 이벤트 부류 A
409 아크 이벤트 부류 B
2 RF 발생기
3 플라즈마 프로세스 시스템
4 매칭 네트워크
5 플라즈마 전력 시스템
10 회로
16 신호 발생 유닛
17 신호 처리 회로
18 평가 회로
19 추가 회로
20 센서
21 DC 공급부
22 디지털-아날로그 변환기(DAC)
23 전력 증폭 스테이지(PA)
30 아날로그-디지털 변환기(ADC)
31 플라즈마 챔버
32 플라즈마 센서
40 임피던스 매칭 회로
41 입력 센서
42 매치 제어 유닛
43 출력 센서, V/I 센서
50 안티-엘리어싱 필터
60 전송 라인
70 메모리
80 제어 회로
90 전자 인터페이스, 사용자 인터페이스
101 적어도 하나의 입력 신호를 제공, 제 1 방법 단계
102 수행, 제 2 방법 단계
103 결정, 제 3 방법 단계
104 적어도 하나의 결정된 파라미터 결과를 제공, 제 4 방법 단계
105 파라미터화, 제 5 단계
106 설정, 제 6 방법 단계
107 수행, 제 7 방법 단계
210 (저장된/선재하는) 입력 신호
220 처리 결과
230 (실시간) 입력 신호
240 파라미터 결과
250 시정 조치
251 사용자 파라미터 세트
252a 사용자 참조 결과
252b 사용자 참조 입력 신호
253 동작 모드
254 파라미터 세트
255 회로 레이아웃
256 참조 결과
257 기록된 측정 데이터 세트, 참조 입력 신호
258 프로세스 레시피
259 이벤트 플래그
310 처리 절차, 기계 학습 절차
401 확률
402 제 1 센서 신호
403 제 2 센서 신호
404 RF-전력
405 시간
406 p(t)
407 pthreshold
408 아크 이벤트 부류 A
409 아크 이벤트 부류 B
Claims (17)
- 플라즈마 시스템, 특히 RF 구동식 플라즈마 처리 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습하기 위한 방법으로서,
상기 플라즈마 시스템용 전력 전달 시스템(1)의 아날로그 신호와 관련된 및/또는 상기 전력 전달 시스템(1) 및/또는 상기 플라즈마 시스템의 다른 특성과 각각 관련된 적어도 하나 입력 신호(210)를 제공하는 단계 - 상기 적어도 하나의 입력 신호(210)는 상기 플라즈마 시스템에서 상기 불규칙성을 나타내는 적어도 하나의 불규칙성 특성을 가지고 있음 - 와,
상기 적어도 하나의 불규칙성 특징을 갖는 상기 적어도 하나의 입력 신호(210)가 프로그래머블 회로(10)에 의해 상기 플라즈마 시스템에서 상기 불규칙성의 검출을 트레이닝하도록 처리되는 기계 학습 절차(310)를 수행하는 단계를 포함하는,
방법. - 제 1 항에 있어서,
상기 프로그래머블 회로(10)는 프로그래머블 집적 회로(10), 바람직하게는 디지털 신호 프로세서(digital signal processor, DSP), 복합 프로그래머블 로직 디바이스(complex programmable logic device, CPLD) 또는 필드 프로그래머블 게이트 어레이(field programmable gate array, FPGA)로서 구성되는 것
을 특징으로 하는 방법. - 제 1 항 또는 제 2 항에 있어서,
상기 프로그래머블 회로(10)는 적어도 부분적으로, 상기 적어도 하나의 불규칙성 특징을 식별하기 위한, 특히 뉴럴 네트워크의 애플리케이션, 바람직하게는 상기 뉴럴 네트워크를 이용한 패턴 인식 또는 패턴 매칭, 또는 알고리즘을 포함하는 검출 절차를 수행하며, 상기 기계 학습 절차(310)는,
상기 회로(10)에 의해, 상기 검출 절차 및 상기 검출 절차의 적어도 하나의 구성 가능한 파라미터, 특히 상기 뉴럴 네트워크의 가중치 또는 상기 알고리즘의 파라미터를 사용하여 상기 적어도 하나의 입력 신호(210)의 상기 처리를 수행하는 단계 - 상기 적어도 하나의 파라미터의 구성은 상기 입력 신호(210)의 각각의 처리마다 변경, 특히 수정되어 각각의 처리 결과(220)를 획득함 - 와,
특히 상기 변경된 구성 중의 선택을 포함하는 적어도 하나의 파라미터 결과를 상기 처리 결과(220)에 기초한 상기 기계 학습의 트레이닝 결과로서 결정하는 단계를 포함하는 것
을 특징으로 하는 방법. - 제 3 항에 있어서,
상기 기계 학습 절차는 반복 처리 단계를 포함하고, 상기 각각의 처리 단계에서 상기 동일한 적어도 하나의 입력 신호(210)는 상기 프로그래머블 회로(10)에 의해 처리되되, 상기 파라미터의 상기 상이한 변경된 구성을 사용하여, 상기 사용된 구성에 할당된 상기 각각의 처리 결과(220)를 획득하도록 처리되며, 상기 변경된 구성의 평가는 상기 획득된 처리 결과(220) 각각을 참조 결과와 비교함으로써 수행되는 것
을 특징으로 하는 방법. - 제 4 항에 있어서,
상기 변경된 구성의 평가는 상기 처리 결과(200)와 상기 참조 결과의 매칭에 따라 달라지며, 평가가 가장 높은 적어도 하나의 구성이 상기 변경된 구성으로부터 상기 적어도 하나의 결정된 파라미터 결과로서 선택되는 것
을 특징으로 하는 방법. - 제 4 항 또는 제 5 항에 있어서,
상기 참조 결과는 상기 적어도 하나의 불규칙성의 미리 결정된 표시인 것
을 특징으로 하는 방법. - 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
상기 적어도 하나의 입력 신호(210) 각각은 상기 플라즈마 시스템에 전력을 공급하기 위해 사용되는 라디오 주파수 신호에 관련되고 및/또는 상기 전력 공급 시스템(1) 및/또는 상기 플라즈마 시스템의 다른 특성과 관련되며, 상기 불규칙성은 상기 플라즈마 처리 시스템에서 발생하는 아크에 특유하거나 상기 아크의 발생에 대한 확률에 특유한 것
을 특징으로 하는 방법. - 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
상기 적어도 하나의 불규칙성의 상기 기계 학습된 검출은 아크 검출 및/또는 아크 방지 및/또는 아크 관리에 사용되는 것
을 특징으로 하는 방법. - 제 1 항 내지 제 8 항 중 어느 한 항에 있어서,
상기 기계 학습 절차(310)는 상기 검출을 위한 검출 절차의 적어도 하나의 파라미터의 구성, 특히 뉴럴 네트워크의 적어도 하나의 가중치 또는 알고리즘의 적어도 하나의 파라미터의 구성의 반복적 결정을 제공하고, 특히 상기 뉴럴 네트워크 또는 상기 알고리즘은 적어도 부분적으로 상기 프로그래머블 회로(10)에 의해 구현되고, 상기 결정된 구성은 그 뒤에 상기 전력 전달 시스템(1)의 현장 동작에서 상기 검출 절차에 사용되며, 상기 절차는,
상기 불규칙성이 상기 검출 절차에 의해 검출되었을 때 경고 정보를 출력하는 것을 포함하는 것
을 특징으로 하는 방법. - 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
상기 적어도 하나의 입력 신호(210)를 제공하는 단계는,
상기 전력 전달 시스템(1)의 아날로그 신호를 라디오 주파수 신호 및/또는 상기 전력 전달 시스템의 및/또는 상기 플라즈마 시스템의 다른 특성의 형태로 기록 및 변환하여 상기 아날로그 신호의 및/또는 상기 다른 특성의 디지털 표현을 획득하는 단계와,
상기 아날로그 신호의 및/또는 상기 다른 특성의 디지털 표현을 상기 프로그래머블 회로(10)로의 상기 적어도 하나의 입력 신호(210)로서 제공하는 단계
를 포함하는 것
을 특징으로 하는 방법. - 제 1 항 내지 제 10 항 중 어느 한 항에 있어서,
상기 적어도 하나의 불규칙성의 검출을 위한 검출 절차는 상기 프로그래머블 회로(10)에서 실시간으로 계산을 수행하기 위한 상기 회로(10)의 기능 블록을 결합함으로써 구현되는 것
을 특징으로 하는 방법. - 제 11 항에 있어서,
상기 구현된 검출 절차는 상기 적어도 하나의 입력 신호(210)의 처리를 위한 상기 기계 학습 절차(310) 동안 실시간 계산과 함께 반복적으로 사용되는 것
을 특징으로 하는 방법. - 제 1 항 내지 제 12 항 중 어느 한 항에 있어서,
상기 기계 학습 절차(310)는 상기 프로그래머블 회로(10)의 파라미터화를 위한 트레이닝 절차로서 구성되며, 정확히 동일한 회로(10) 또는 파라미터화가 동일한 다른 회로(10)는 특히 아크 검출 및/또는 아크 방지 및/또는 아크 관리를 위한, 상기 전력 전달 시스템(1)의 현장 동작 동안 상기 적어도 하나의 불규칙성의 검출에 사용 가능한 것
을 특징으로 하는 방법. - 제 13 항에 있어서,
상기 현장 동작에서, 상기 적어도 하나의 불규칙성이 검출되면, 다음과 같은 조치:
상기 전력 전달 시스템(1)의 적어도 부분적인 또는 완전한 스위치 오프,
차후 전력 전달 시스템(1)의 재시작 없이 전력 전달 시스템의 스위치 오프,
상기 전력 전달 시스템(1)의 일시적 스위치 오프후 차후 상기 전력 전달 시스템(1)의 재시작,
상기 전력 전달 시스템(1)의 출력 전력의 일시적 감소,
상기 전력 전달 시스템(1)의 출력 주파수의 일시적 감소,
상기 임피던스 매칭 네트워크(4)에서 적어도 하나의 조정 가능한 요소의 일시적 수정
중 적어도 하나의 조치가 개별적으로 또는 합동으로 개시되는 것
을 특징으로 하는 방법. - 제 1 항 내지 제 14 항 중 어느 한 항에 있어서,
상기 불규칙성의 검출은, 특히 상기 플라즈마 처리 시스템에서 아크가 발생하기 전에 아크를 검출하기 위한, 바람직하게는 상기 아크의 발생에 대한 확률의 결정을 위한 및/또는 아크 방지를 위한 확률적 검출을 포함하는 것
을 특징으로 하는 방법. - 플라즈마 시스템, 특히 RF 구동식 플라즈마 처리 시스템에서 적어도 하나의 불규칙성을 검출하기 위한 시스템으로서,
상기 플라즈마 시스템용 전력 전달 시스템(1)의 적어도 하나의 라디오 주파수 신호를 감지하기 위한 및/또는 상기 전력 전달 시스템(1)의 및/또는 상기 플라즈마 시스템의 다른 특성을 감지하기 위한 적어도 하나의 센서(230), 특히 방향성 커플러 및/또는 전압-전류 센서와,
상기 센서(230)와 연결되어, 상기 적어도 하나의 감지된 라디오 주파수 신호 및/또는 상기 다른 특성을 적어도 하나의 입력 신호(210)로 변환하기 위한 적어도 하나의 변환기(30), 특히 아날로그-디지털 변환기(30)와,
상기 적어도 하나의 입력 신호(210)의 디지털 신호 처리를 위한 프로그래머블 회로(10)를 포함하고,
상기 프로그래머블 회로(10)는 제 1 항 내지 제 15 항 중 어느 한 항에 따른 방법에 따라 상기 적어도 하나의 불규칙성의 검출을 위해 트레이닝되는 것
을 특징으로 하는 시스템. - 제 1 항 내지 제 15 항 중 어느 한 항에 따른 방법에 따라 결정된 상기 적어도 하나의 파라미터 결과(240)를 반송하는 데이터 캐리어 신호(240).
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102021117167 | 2021-07-02 | ||
| DE102021117167.9 | 2021-07-02 | ||
| EP21201090.4A EP4113574B1 (en) | 2021-07-02 | 2021-10-06 | Method for machine learning a detection of at least one irregularity in a plasma system |
| EP21201090.4 | 2021-10-06 | ||
| PCT/EP2022/068445 WO2023275405A1 (en) | 2021-07-02 | 2022-07-04 | A method for machine learning a detection of at least one irregularity in a plasma system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240028361A true KR20240028361A (ko) | 2024-03-05 |
Family
ID=82742845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237045129A KR20240028361A (ko) | 2021-07-02 | 2022-07-04 | 플라즈마 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습하기 위한 방법 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4242904A3 (ko) |
| KR (1) | KR20240028361A (ko) |
| TW (1) | TW202307716A (ko) |
| WO (1) | WO2023275405A1 (ko) |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7305311B2 (en) | 2005-04-22 | 2007-12-04 | Advanced Energy Industries, Inc. | Arc detection and handling in radio frequency power applications |
| US7477711B2 (en) * | 2005-05-19 | 2009-01-13 | Mks Instruments, Inc. | Synchronous undersampling for high-frequency voltage and current measurements |
| US7565280B2 (en) | 2006-02-17 | 2009-07-21 | National Instruments Corporation | Solver for simulating a system in real time on a programmable hardware element |
| US7728602B2 (en) | 2007-02-16 | 2010-06-01 | Mks Instruments, Inc. | Harmonic derived arc detector |
| SG176797A1 (en) | 2009-06-30 | 2012-01-30 | Lam Res Corp | Automatic fault detection and classification in a plasma processing system and methods thereof |
| DE102011103861A1 (de) | 2011-05-27 | 2012-11-29 | Stefan Zudrell-Koch | Funktionseinheit, Simulationssystem und Verfahren zur Simulation |
| DE102011077152B4 (de) | 2011-06-07 | 2015-08-13 | TRUMPF Hüttinger GmbH + Co. KG | Verfahren zur Erzeugung eines Arcerkennungssignals und Arcerkennungsanordnung |
| US9316675B2 (en) | 2012-09-06 | 2016-04-19 | Mks Instruments, Inc. | Secondary plasma detection systems and methods |
| US9582627B2 (en) * | 2014-11-25 | 2017-02-28 | International Business Machines Corporation | Enhanced parameter tuning for very-large-scale integration synthesis |
| EP3054472A1 (en) | 2015-02-03 | 2016-08-10 | TRUMPF Huettinger Sp. Z o. o. | Arc treatment device and method therefor |
| DE102015212242A1 (de) | 2015-06-30 | 2017-01-05 | TRUMPF Hüttinger GmbH + Co. KG | Verfahren zum Abtasten eines mit einem Plasmaprozess in Beziehung stehenden Signalgemischs |
| US10692705B2 (en) * | 2015-11-16 | 2020-06-23 | Tokyo Electron Limited | Advanced optical sensor and method for detecting an optical event in a light emission signal in a plasma chamber |
| US10978278B2 (en) * | 2018-07-31 | 2021-04-13 | Tokyo Electron Limited | Normal-incident in-situ process monitor sensor |
| KR102208819B1 (ko) * | 2020-12-09 | 2021-01-28 | 주식회사 더블유지에스 | 플라즈마 공정 중 발생하는 아크 현상을 모니터링하기 위한 rf 신호 모니터링 장치 및 시스템 |
-
2021
- 2021-10-06 EP EP23184108.1A patent/EP4242904A3/en active Pending
-
2022
- 2022-06-28 TW TW111124070A patent/TW202307716A/zh unknown
- 2022-07-04 KR KR1020237045129A patent/KR20240028361A/ko unknown
- 2022-07-04 WO PCT/EP2022/068445 patent/WO2023275405A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| EP4242904A2 (en) | 2023-09-13 |
| WO2023275405A1 (en) | 2023-01-05 |
| EP4242904A3 (en) | 2023-11-01 |
| TW202307716A (zh) | 2023-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10921775B2 (en) | Production system | |
| US7514936B2 (en) | Detection and suppression of electrical arcing | |
| US7809450B2 (en) | Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments | |
| US9236228B2 (en) | Frequency enhanced impedance dependent power control for multi-frequency RF pulsing | |
| US11513504B2 (en) | Characterizing and monitoring electrical components of manufacturing equipment | |
| KR20110039240A (ko) | 플라즈마 프로세싱 챔버에서 플라즈마 불안정성을 검출하기 위한 패시브 용량성-결합된 정전식 (ｃｃｅ) 프로브 장치 | |
| KR102033438B1 (ko) | 플라즈마 처리 장치 및 플라즈마 처리 장치 상태 예측 방법 | |
| CN113383282A (zh) | 校正离子注入半导体制造工具中的部件故障 | |
| US20210358785A1 (en) | Event monitoring and characterization | |
| CN115769336A (zh) | 加工设备的控制 | |
| KR100964804B1 (ko) | 아크 감지 장치와 아크 감지 방법 | |
| JP2024504010A (ja) | モデルベースのデジタルツインを使用する無線周波数整合制御の実施 | |
| KR20220041711A (ko) | 머신러닝에 기초한 반도체 불량 시점 예측 장치 및 방법 | |
| KR20070104394A (ko) | 적은 노출 면적을 가지는 반도체 웨이퍼 플라즈마 식각의종료 포인트 탐지 방법 | |
| KR101803119B1 (ko) | 웨이퍼 검사 또는 계측 구성을 위한 데이터 섭동 | |
| KR20240028361A (ko) | 플라즈마 시스템에서 적어도 하나의 불규칙성의 검출을 기계 학습하기 위한 방법 | |
| EP4113574A1 (en) | A method for machine learning a detection of at least one irregularity in a plasma system | |
| KR20240019784A (ko) | 라디오 주파수 시스템에서 디지털 신호 처리를 개선하기 위한 방법 및 이를 사용하는 시스템 및 데이터 캐리어 신호 | |
| CN117597764A (zh) | 用于机器学习等离子系统中的至少一个不规则性的检测的方法 | |
| JP6754878B2 (ja) | 探索装置および探索方法 | |
| US20100332168A1 (en) | Determining plasma processing system readiness without generating plasma | |
| KR20080027415A (ko) | 공정 관리 방법 및 공정 관리 시스템 | |
| TWI677264B (zh) | 基於射頻阻抗模型之故障檢測 | |
| JP7331750B2 (ja) | 製造装置監視システムおよびそれを用いた半導体装置の製造方法 | |
| CN113767345A (zh) | 用于控制用于制造部件的生产过程的方法 |