WO2023163283A1 - 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템 - Google Patents

딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템 Download PDF

Info

Publication number
WO2023163283A1
WO2023163283A1 PCT/KR2022/005836 KR2022005836W WO2023163283A1 WO 2023163283 A1 WO2023163283 A1 WO 2023163283A1 KR 2022005836 W KR2022005836 W KR 2022005836W WO 2023163283 A1 WO2023163283 A1 WO 2023163283A1
Authority
WO
WIPO (PCT)
Prior art keywords
temperature
chemical solution
heat dissipation
control system
heat exchanger
Prior art date
Application number
PCT/KR2022/005836
Other languages
English (en)
French (fr)
Inventor
주정섭
강정호
양정인
장현호
노지원
Original Assignee
주식회사 아크트리아
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아크트리아 filed Critical 주식회사 아크트리아
Publication of WO2023163283A1 publication Critical patent/WO2023163283A1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B21/00—Machines, plants or systems, using electric or magnetic effects
    • F25B21/02—Machines, plants or systems, using electric or magnetic effects using Peltier effect; using Nernst-Ettinghausen effect
    • 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
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere

Definitions

  • the present invention relates to a precise temperature control system used in a semiconductor chemical supply system (C.C.S.S. (Central Chemical Supply System)), and more particularly, to a deep learning-based precise temperature control system.
  • a semiconductor chemical supply system C.C.S.S. (Central Chemical Supply System)
  • a deep learning-based precise temperature control system C.C.S.S. (Central Chemical Supply System)
  • C.C.S.S Central Chemical Supply System
  • An essential utility facility for nanometer-level semiconductor or display processes is a central chemical supply system that performs fine chemical supply and blending functions, and is the core of nanometer-level semiconductor precision processes.
  • ) is one of the essential equipment that should be installed first along with the clean room when it is built.
  • a substrate treatment apparatus using various liquid chemicals is used to treat the surface of a substrate.
  • the substrate processing apparatus processes a substrate etching process, a cleaning process, and the like, and in these substrate processes, an acidic solution such as hydrofluoric acid, sulfuric acid, nitric acid, phosphoric acid, etc., an alkaline solution such as potassium hydroxide, sodium hydroxide, ammonium, etc.
  • an acidic solution such as hydrofluoric acid, sulfuric acid, nitric acid, phosphoric acid, etc.
  • an alkaline solution such as potassium hydroxide, sodium hydroxide, ammonium, etc.
  • various types of chemical liquids such as any one of these, a mixture thereof, and an organic solvent are used.
  • the conventional chemical liquid temperature controller is configured in a double pipe manner in which a cooling/heating liquid is introduced and discharged through a cooling/heating passage, and a chemical liquid pipe is disposed so that the chemical liquid flows inside the cooling/heating passage.
  • the conventional method requires a bulky device such as a heater and a cooling device to control the temperature of the chemical solution, and it is difficult to quickly change the temperature of the chemical solution, making it difficult to smoothly control the temperature of the chemical solution.
  • An object of the present invention is to provide a deep learning-based semiconductor chemical liquid temperature control system capable of precisely controlling the temperature of a chemical liquid while improving heat transfer efficiency.
  • a chemical solution temperature control system for controlling the temperature of a chemical solution used in a semiconductor manufacturing process, wherein the system heats or controls the chemical solution supplied from the chemical solution tank.
  • Cooling heat exchanger module A control module that performs cooling or heating control of the heat exchanger module; and a deep learning-based temperature prediction module for predicting the discharge temperature of the liquid chemical discharged from the heat exchanger module, wherein the heat exchanger module is composed of a plurality of unit heat exchangers, and each of the plurality of unit heat exchangers is a deep learning-based It is configured to be individually controlled by the temperature prediction module.
  • each of the plurality of unit heat exchangers includes a tube temperature measuring sensor for measuring the temperature of the chemical liquid tube at a previously transmitted position; a temperature value transmitting means for transmitting the temperature measured by the pipe temperature measuring sensor to a control module; a thermoelectric element for heating or cooling the chemical liquid pipe at a predetermined location; and a thermoelectric element controller for controlling a direction of current flowing through the thermoelectric element.
  • the deep learning-based temperature prediction module receives a temperature value from each of the plurality of unit heat exchangers, predicts the discharge temperature of the chemical liquid discharged from the heat exchanger module based on the received temperature value, and It is learned to individually control the thermoelectric element controller by setting the discharge temperature of the chemical liquid as a target value.
  • the deep learning-based temperature prediction module is based on RNN-LSTM for predicting the discharge temperature of the chemical solution by taking the temperature values measured from the plurality of tube temperature measurement sensors and the measured time point as input values. It is preferable to be an artificial intelligence model.
  • the heat exchanger module includes a first heat dissipation block and a second heat dissipation block through which the chemical liquid pipe passes, and the first heat dissipation block and the second heat dissipation block have a larger diameter than the outer diameter of the chemical liquid pipe It is formed in a rectangular plate shape with a conduit, and one surface of the thermoelectric element is in contact with the first heat dissipation block and the second heat dissipation block.
  • the heat exchanger module further includes a water cooling block, the water cooling block is disposed between the first heat dissipation block and the second heat dissipation block, and the other surface of the thermoelectric element is in contact with the water cooling block has been
  • the chemical liquid tube is disposed in the form of six straight tubes along the longitudinal direction of the heat dissipation block inside the first and second heat dissipation blocks, respectively, so as to increase the heat transfer area with the heat dissipation block, Outside the first and second heat dissipation blocks, the straight pipe parts are configured to be connected to each other by a plurality of folding parts in the vertical and horizontal directions.
  • FIG. 1 is a view showing an embodiment of a chemical solution temperature control device according to the prior art
  • FIG. 2 is a view showing the overall configuration of a precise temperature control system for a deep learning-based semiconductor chemical liquid according to the present invention
  • FIG. 3 is a side perspective view showing a side of a heat exchanger module used in a precise temperature control system of a semiconductor chemical solution
  • FIG. 4 is a rear perspective view showing a rear surface of a heat exchanger module used in a precise temperature control system of a semiconductor chemical solution;
  • FIG. 5 is a side perspective view showing a state in which a heat dissipation block of a heat exchanger module used in a precise temperature control system of a semiconductor chemical solution is removed;
  • FIG. 6 is a side view showing a water-cooling block and a thermoelectric element of a heat exchanger module used in a precise temperature control system for semiconductor chemicals;
  • FIG. 7 is a diagram showing a heat exchanger module used in a precise temperature control system for a semiconductor chemical solution in a state in which an in-tube temperature measuring probe is removed from the heat exchanger module;
  • FIG. 8 is a view showing an internal configuration in which the configuration of the heat exchanger module is grouped into unit heat exchangers in the temperature control system shown in FIG. 2;
  • Fig. 9 shows an example of a learning device for training an artificial intelligence model
  • FIG. 10 is a diagram showing RNN and LSTM models used as examples of artificial intelligence models.
  • the precise chemical liquid temperature control system includes a heat exchanger module 10 for heating or cooling the chemical liquid supplied from the chemical liquid tank; Control module 20 for performing cooling or heating control of the heat exchanger 10; and a deep learning module or artificial intelligence module 30, wherein the control module 20 controls cooling or heating of the heat exchanger module 10 by the temperature control model provided by the artificial intelligence module 30.
  • the artificial intelligence module 30 provides the control module 20 with a temperature control model determined by learning through training data
  • the artificial intelligence module may be referred to as an artificial intelligence learning module
  • the control module 20 is used for learning. Since cooling or heating control of the heat exchanger module 10 is performed by performing the temperature control model determined by the above, it may be referred to as an artificial intelligence execution module.
  • the heat exchanger module 10 provides temperature measurement data over time to the control module 20, and the temperature control model of the control module 20 determines the temperature of the chemical solution to be supplied to the chemical solution tank through the temperature measurement data over time. It predicts and performs precise heating or cooling control based on the predicted temperature.
  • FIG. 3 to 6 are views showing an example of the heat exchanger module 10 as described above.
  • the first and second heat dissipation blocks 140a and 140b are disposed on the outside of the heat exchanger module 10 and are formed in a rectangular plate shape in which a conduit having a larger diameter than the outer diameter of the chemical liquid tube is formed. It can be selectively used as a material with smooth heat transfer so that the temperature of the flowing chemical solution can be controlled.
  • the thermoelectric element 170 is an element capable of cooling and heating operations according to the polarity of applied power, and by cooling or heating the first and second heat dissipation blocks 140a and 140b, the first and second heat dissipation blocks 140a and 140b ) It is possible to adjust the temperature of the chemical liquid flowing through the chemical liquid pipe 110 installed inside.
  • the thermoelectric element 170 is composed of a plurality of thermoelectric elements as shown in FIG. 6, and each of the plurality of thermoelectric elements is individually controlled by the control module 20.
  • the water cooling block 160 has a rectangular plate shape corresponding to the outer appearance of the first and second heat dissipation blocks 140a and 140b, and has a cooling water passage through which cooling water can flow.
  • the water cooling block 160 configured as described above is installed between the first and second heat dissipation blocks 140a and 140b, and the thermoelectric element 170 is installed between the water cooling block 160 and the heat dissipation blocks 140a and 140b. It is possible to prevent damage due to thermal shock by cooling the heat generated from the thermoelectric element 170 .
  • the chemical liquid pipe is a hollow pipe through which chemical liquid flows in and out. Its material is made of a fluororesin material with strong chemical resistance and corrosion resistance, such as PFA (Poly Fluoro Alkoxy) and PTFE (Poly Tetra Fluoro Ethylene) to prevent chemical reactions with the chemical liquid. It is preferable to be formed from a material such as In one embodiment of the present invention, in the chemical liquid pipe, the chemical liquid inlet 112 through which the chemical liquid flows is installed in the first heat dissipation block 140a, and the chemical liquid outlet 118 through which the chemical liquid is discharged is installed in the second heat dissipation block 140b. The chemical solution introduced from the chemical solution inlet is discharged through the chemical solution outlet through sequentially passing through the two heat dissipation blocks.
  • PFA Poly Fluoro Alkoxy
  • PTFE Poly Tetra Fluoro Ethylene
  • the straight pipe parts are disposed in the longitudinal direction inside the first and second heat dissipation blocks 140a and 140b, respectively, so that the chemical liquid tube can increase the heat transfer area with the heat dissipation blocks 140a and 140b.
  • the straight pipe parts are connected to each other by a plurality of folding parts 121 , 122 , 123 , 123 , and 125 in the vertical and horizontal directions.
  • the heat transfer area in the unit space can be further improved by configuring the liquid chemical tube 310 of the heat exchanger module having a single tube shape and having a plurality of folding parts 121 , 122 , 123 , 123 , and 125 .
  • the chemical liquid pipe includes a T-shaped Teflon connector 129 at a plurality of points; and a plurality of tube temperature measuring sensors 180 installed around the T-shaped Teflon connector 129.
  • the T-shaped Teflon connector 129 is connected to the internal temperature probe 130 installed to measure the temperature of the drug inside the chemical tube, and in the present invention, the tube temperature measured through the plurality of tube temperature measuring sensors 180 and , Measure the chemical temperature of the chemical liquid tube measured through the internal temperature probe 130 and use it as an input value of the artificial intelligence learning model, analyze the temperature data of the chemical and the temperature data measured from the outside of the related tube to determine the relationship
  • the temperature of the chemical solution discharged through the chemical solution discharge pipe 118 is measured through the temperature measurement from the plurality of tube temperature measurement sensors 170 without an internal temperature probe. It is configured to precisely estimate and operate the thermoelectric element so that the chemical solution temperature of the desired temperature is obtained.
  • FIG. 8 is a diagram showing the deep learning-based semiconductor liquid temperature control system 1 shown in FIG. 2 in more detail.
  • the heat exchanger module 10 is composed of a plurality of unit heat exchangers 10a to 10n, and each unit heat exchanger 10a to 10n is used to measure the temperature of the chemical liquid pipe at a designated place.
  • tube temperature measurement sensor 180 a temperature value transmission means 182 for transmitting the temperature measured by the pipe temperature sensor 180 to the control module 20; a thermoelectric element 170 for heating or cooling the chemical liquid pipe at a designated location; and a thermoelectric element controller 172 for controlling a direction of current flowing through the thermoelectric element 170 .
  • thermoelectric elements in the unit heat exchanger are individually designed as a sealed structure capable of thermal insulation and designed as a combined structure so that the thermoelectric elements of the other unit heat exchangers are not affected or not affected by the thermoelectric elements of the other unit heat exchangers.
  • thermoelectric elements are configured to be individually controlled, RTD temperature sensors are installed at various points in the circulating fluid flow path to collect a large amount of temperature data, and after calculating the data through A.I. through deep learning, each It is configured to pursue fast temperature control and stabilization by using an individual optimal method for each thermoelectric element of .
  • the artificial neural network learning apparatus 500 will be first described with reference to FIG. 9 .
  • the artificial neural network learning device 500 is a device that can perform machine learning using training data, and may include a device that learns using a model composed of an artificial neural network. That is, the neural network training apparatus may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision-making, and machine learning algorithms.
  • the machine learning algorithm may include a deep learning algorithm.
  • the neural network training apparatus 500 may communicate with at least one external device or terminal, and may analyze data or learn results in place of or assisting the external device.
  • the meaning of helping other devices may mean distribution of computing power through distributed processing.
  • the neural network learning device 500 is a device for learning an artificial neural network, and may generally mean a server, and may be referred to as a neural network learning server.
  • the neural network learning apparatus 500 may periodically or upon request transmit the learned face generation model to the face generation unit 230 or update an already installed face generation model.
  • the neural network learning apparatus 100 includes a communication unit 510, an input unit 520, a memory 530, a learning processor 540, and a processor 560. can
  • the communication unit 510 may refer to a configuration including a wireless communication unit (not shown) and an interface unit (not shown). That is, the communication unit 510 may transmit/receive data with other devices such as drones through wired/wireless communication or an interface.
  • the input unit 520 may obtain training data for model learning or input data for obtaining an output using a trained model.
  • the input unit 520 may obtain raw input data.
  • the learning processor 540 or the processor 560 preprocesses the acquired data to generate training data or preprocessed input data that can be input to model learning. can do.
  • the memory 530 may store a model learned by the learning processor 540 or the neural network learning apparatus 500 . At this time, the memory 530 may store the learned model by dividing it into a plurality of versions according to the learning time or learning progress, as needed. In this case, the memory 530 may store input data obtained from the input unit 520, learning data (or training data) used for model learning, and a learning history of the model. At this time, the input data stored in the memory 530 may be not only processed data suitable for model learning, but also unprocessed input data itself.
  • the memory 530 may include a model storage unit 531 and a database 532 .
  • the model storage unit 531 stores the neural network model being trained or learned through the learning processor 540, and when the model is updated through learning, the updated model is stored. In this case, the model storage unit 531 may classify and store the learned model into a plurality of versions according to learning time or learning progress, as needed.
  • the database 532 may store input data obtained from the input unit 520, learning data (or training data) used for model learning, and a learning history of the model.
  • the input data stored in the database 532 may be processed data suitable for model learning as well as unprocessed input data itself.
  • the learning processor 540 may train (or learn) the artificial neural network 131a using training data or a training set.
  • the learning processor 540 directly acquires preprocessed input data obtained by the processor 560 through the input unit 520 to learn the artificial neural network, or acquires preprocessed input data stored in the database 532 to perform the artificial neural network can learn
  • the learning processor 540 may determine optimized model parameters of the artificial neural network by iteratively training the artificial neural network using various learning techniques described above.
  • an artificial neural network whose parameters are determined by learning using training data may be referred to as a learning model or a trained model.
  • the learning processor 540 may include a memory integrated or implemented in the neural network learning apparatus 500 .
  • learning processor 540 may be implemented using memory 530 .
  • the running processor 540 may be implemented using memory associated with the terminal, such as external memory coupled directly to the terminal or memory maintained in a server communicating with the terminal.
  • the outlet temperature is predicted using the temperature values of a specific time and local area of the pipe obtained by the temperature sensor as input data, calculating the difference between the deep learning predicted value and the actual value, dividing it by the actual value, and taking the average to obtain a percentage Using the formula expressed by , the accuracy of the outlet temperature is judged to be an excellent temperature prediction model as the error value approaches 0%.
  • a Recurrent Neural Network (RNN)
  • LSTM Long Short-Term Memory
  • the RNN model consists of a chain-structured model connection structure that repeatedly performs a single layer as time-series data is continuously updated.
  • the LSTM model is a structure in which a cell, an input gate, an output gate, and a forget gate are added to the basic RNN structure, and can help solve the gradient vanishing problem that occurs in the RNN structure.
  • Mean Percentage Error (MPE) evaluation index can be used to evaluate the performance of the deep learning model developed in the present invention.
  • the MPE evaluation index is a relational expression obtained by applying a percentage after calculating the absolute value of the difference between the actual value (At) and the predicted value (Ft) in the equation below and taking the average. That is, when this value is 0%, it means that the predicted value measured through the deep learning model and the predicted value measured in the experiment exactly match.
  • devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA) , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions.
  • a processing device may run an operating system (OS) and one or more software applications running on the operating system.
  • a processing device may also access, store, manipulate, process, and generate data in response to execution of software.
  • the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include.
  • a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.
  • Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. You can command the device.
  • Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or to provide instructions or data to a processing device.
  • can be embodied in Software may be distributed on networked computer systems and stored or executed in a distributed manner.
  • Software and data may be stored on one or more computer readable media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.
  • heat exchanger module 10a, 10b, 10n unit heat exchanger
  • control module 30 artificial intelligence module
  • thermoelectric element 172 thermoelectric element controller

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computing Systems (AREA)
  • Thermal Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Temperature (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 반도체 약액공급시스템(C.C.S.S(Central Chemical Supply System))에 이용되는 정밀 온도 제어 시스템에 관한 것으로 본 발명의 일양태에 따르면, 반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템이 제공되고, 이 시스템은, 약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기 모듈; 열교환기 모듈의 냉각 또는 가열 제어를 수행하는 제어 모듈; 및 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하기 위한 딥러닝 기반의 온도 예측 모듈을 포함하고, 상기 열교환기 모듈은 복수의 단위 열교환기로 이루어지고, 상기 복수의 단위 열교환기 각각은 딥러닝 기반의 온도 예측 모듈에 의해 개별적으로 제어된다.

Description

딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템
본 발명은 반도체 약액공급시스템(C.C.S.S(Central Chemical Supply System))에 이용되는 정밀 온도 제어 시스템에 관한 것으로 보다 구체적으로는 딥러닝 기반의 정밀 온도 제어 시스템에 관한 것이다.
나노미터급 반도체 제조공정 중 현상, 식각 세정 공정에서 각각의 공정에 요구되는 화학약품 종류와 온도가 다르고, 반도체의 고집적화, 미세화, 디스플레이 패널의 대형화 등에 따라 화학약품의 정밀한 온도와 농도 조절이 필요하다.
나노미터급 반도체 또는 디스플레이 공정의 필수 유틸리티 설비인 C.C.S.S(Central Chemical Supply System)는 중앙 화학약품 공급시스템으로 정밀 화학물질 공급 및 블랜딩 기능을 수행하며, 나노미터급 반도체 정밀 공정의 핵심으로 팹(Fabrication facility)이 건설되는 경우 클린룸과 함께 가장 먼저 설치되어야 하는 필수 장비 중 하나이다.
일반적으로, 반도체 공정 및 LCD(Liquid Crystal Display) 공정에서는 기판의 표면 처리를 위해 다양한 약액들을 이용하는 기판처리장치를 사용한다. 예를 들어, 기판처리장치는 기판의 식각 공정, 세정 공정 등을 처리하며, 이러한 기판의 공정에서는 불산, 황산, 질산, 인산 등과 같은 산성 용액이나, 수산화칼륨, 수산화나트륨, 암모늄 등과 같은 알칼리성 용액, 또는 이들 중 어느 하나 또는 이들의 혼합액, 유기 용매 등의 다양한 종류의 약액이 사용된다.
이러한 다양한 종류의 약액을 이용하여 화학 반응을 일으킴으로써 기판상의 불필요한 물질이 제거되거나 세정된다. 기판을 처리하는 공정에서는 기판에 분사되는 약액의 온도가 공정의 주요 요인으로 작용한다. 즉, 식각 또는 세정 공정에서 약액의 온도를 일정하게 유지하는 것이 화학 반응을 원활하게 진행하기 위해 반드시 필요하다.
도 1은 종래 기술에 따른 약액 온도제어장치의 일실시예를 도시한 것이다. 도 1을 참조하면, 종래의 약액 온도제어장치는 냉각/가열 유로을 통해 냉각/가열 액체가 유입되어 배출되도록 구성되고, 냉각/가열 유로의 내측에 약액이 유동하도록 약액관을 배치한 이중관 방식으로 구성되어 있다. 그러나, 종래 방식은 약액의 온도 제어를 위해 히터, 냉각장치 등 부피가 큰 장치가 요구되며 약액을 온도를 신속하게 변화시키기 어려워 원활한 약액 온도 조절이 어려운 문제점이 있었다.
(선행기술문헌)
(특허문헌)
대한민국 등록특허 10-2094009(2020. 03. 20)
본 발명은 전술한 문제점에 기반하여 안출된 발명으로 열전달 효율을 향상시키는 동시에 정밀하게 약액의 온도를 제어할 수 있는 딥러닝 기반 반도체 약액 온도 제어 시스템을 제공하는 것을 목적으로 한다.
전술한 과제를 해결하기 위해서, 본 발명의 일양태에 따르면, 반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템이 제공되고, 이 시스템은, 약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기 모듈; 열교환기 모듈의 냉각 또는 가열 제어를 수행하는 제어 모듈; 및 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하기 위한 딥러닝 기반의 온도 예측 모듈을 포함하고, 상기 열교환기 모듈은 복수의 단위 열교환기로 이루어지고, 복수의 단위 열교환기 각각은 딥러닝 기반의 온도 예측 모듈에 의해 개별 제어되도록 구성된다.
또한 전술한 양태에서 상기 복수의 단위 열교환기 각각은, 미리전해진 위치에서 약액관의 온도를 측정하기 위한 관 온도 측정 센서; 상기 관 온도 측정 센서에서 측정된 온도를 제어 모듈로 전송하는 온도값 전송수단; 미리정해진 장소에서의 약액관을 가열 또는 냉각시키기 위한 열전소자; 및 열전소자로 흐르는 전류의 방향을 제어하기 위한 열전소자 제어기를 포함한다.
또한 전술한 양태에서, 딥러닝 기반의 온도 예측 모듈은, 복수의 단위 열교환기 각각으로부터 온도값을 수신하고, 수신된 온도값에 기반하여 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하고, 미리설정된 약액의 배출 온도를 목표값으로 하여 상기 열전소자 제어기를 개별적으로 제어를 수행하도록 학습된다.
또한 전술한 어느 하나의 양태에서, 딥러닝 기반의 온도 예측 모듈은, 복수의 관 온도 측정 센서로부터 측정된 온도값 및 측정된 시점을 입력값으로 하여 약액의 배출 온도를 예측하는 RNN-LSTM 기반의 인공지능 모델인 것이 바람직하다.
또한 전술한 어느 하나의 양태에서, 열교환기 모듈은 약액관이 통과하는 제1 방열블록 및 제2 방열블록을 포함하고, 제1 방열블록 및 제2 방열블록은 약액관의 외경보다 큰 직경의 갖는 관로가 형성된 사각판형으로 형성되고, 상기 열전소자의 일면은 상기 제1 방열블록 및 제2 방열블록에 접촉되어 있다.
또한 전술한 어느 하나의 양태에서, 열교환기 모듈은 수냉 블록을 더 포함하고, 상기 수냉 블록은 상기 제1 방열블록 및 제2 방열블록의 사이에 배치되고, 상기 열전소자의 타면은 수냉 블록에 접촉되어 있다.
또한 전술한 어느 하나의 양태에서, 약액관은 방열블록과의 열전달 면적을 증가시킬 수 있도록, 제1 및 제2 방열블록 내부에 방열블록의 길이방향을 따라 6개의 직관 형태로 각각 배치되고, 제1 및 제2방열블록 외부에서 직관 부분이 세로 및 가로 방향으로 다수의 폴딩부에 의해 서로 연결되도록 구성된다.
본 발명에 따르면 열전달 효율을 향상시키는 동시에 정밀하게 약액의 온도를 제어할 수 있는 딥러닝 기반 반도체 약액의 온도 제어 시스템을 제공할 수 있다.
도 1은 종래 기술에 따른 약액 온도제어장치의 일실시예를 도시한 도면;
도 2는 본 발명에 따른 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템의 전체 구성을 나타내는 도면;
도 3은 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 측면을 나타내는 측면 사시도;
도 4는 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 후면을 나타내는 후면 사시도;
도 5는 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 방열블록을 제거한 상태를 나타내는 측면 사시도;
도 6은 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈의 수냉블록 및 열전소자를 나타내는 측면도;
도 7은 반도체 약액의 정밀 온도 제어 시스템에 이용되는 열교환기 모듈에서 관내 온도 측정 프로브를 제거한 상태의 열교환기 모듈을 나타내는 도면;
도 8은 도 2에 도시한 온도 제어 시스템에서 열교환기 모듈의 구성을 단위 열교환기로 그룹핑한 내부 구성을 나타내는 도면;
도 9는 인공지능 모델을 훈련하기 위한 학습장치의 일례를 나타내는 도면;
도 10은 인공지능 모델의 일례로서 이용되는 RNN 및 LSTM 모델을 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다. 본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예들에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
도 2는 본 발명의 하나의 실시예에 따른 딥러닝 기반 반도체 약액 온도 제어 시스템(1)의 일례를 개략적으로 도시한 도면이다. 도 1에 도시된 바와 같이 정밀 약액 온도 제어 시스템은 약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기모듈(10); 열교환기(10)의 냉각 또는 가열 제어를 수행하는 제어 모듈(20); 및 딥러닝 모듈 또는 인공지능 모듈(30)을 포함하고, 제어모듈(20)은 인공지능 모듈(30)에 의해 제공되는 온도제어모델에 의해 열교환기 모듈(10)에 대한 냉각 제어 또는 가열 제어를 수행하게 된다. 인공지능모듈(30)은 훈련데이터를 통한 학습에 의해 결정된 온도제어모델을 제어모듈(20)에 제공하기 때문에 인공지능모듈은 인공지능 학습모듈로 언급될 수도 있으며, 제어모듈(20)은 학습에 의해 결정된 온도제어모델을 수행하여 열교환기모듈(10)의 냉각 또는 가열 제어를 수행하기 때문에 인공지능 수행모듈로 언급될 수도 있다.
열교환기모듈(10)은 제어모듈(20)에 시간에 따른 온도측정데이터를 제공하고, 제어모듈(20)의 온도제어모델은 시간에 따른 온도측정데이터를 통해 약액탱크로 제공될 약액의 온도를 예측하고 예측된 온도에 기반하여 정밀한 가열 또는 냉각 제어를 수행하게 된다.
도 3 내지 도 6는 전술한 바와 같은 열교환기모듈(10)의 일례를 나타내는 도면이다. 제1 및 제2 방열블록(140a,140b)은, 열교환기모듈(10)의 외측에 배치되고, 약액관의 외경보다 큰 직경의 갖는 관로가 형성된 사각판형으로 형성되며, 내부에 설치된 약액관에서 유동되는 약액의 온도를 제어할 수 있도록 열전달이 원활한 재질로 선택적으로 이용될 수 있다.
열전소자(170)는, 인가되는 전원의 극성에 따라 냉각과 가열 동작이 가능한 소자로서 제1 및 제2 방열블록(140a,140b)을 냉각 또는 가열함으로써 제1 및 제2방열블록(140a,140b) 내부에 설치된 약액관(110)을 유동하는 약액의 온도를 조절할 수 있게 된다. 바람직하게 열전소자(170)는 도 6에 도시된 바와 같이 복수의 열전소자들로 이루어지고 복수의 열전소자들 각각은 제어모듈(20)에 의해 개별적으로 제어되도록 구성된다.
수냉블록(160)은, 제1 및 제2 방열블록(140a,140b)의 외관과 대응되는 사각 판형으로 외관이 형성되고, 내부에는 냉각수가 유동할 수 있는 냉각수 유로가 구비된다. 이와 같이 구성된 수냉블록(160)은 제1 및 제2 방열블록(140a,140b) 사이에 설치되고, 수냉블록(160)과 방열블록들(140a,140b) 사이에는 열전소자(170)가 설치됨으로써 열전소자(170)에서 발생되는 열을 냉각하여 열 충격으로 인한 손상을 방지할 수 있게 된다.
약액관은 약액이 유입되어 배출되는 중공 배관으로, 그 재질로는 약액과 화학 반응을 일으키지 않도록 내화학성, 내식성이 강한 불소수지 소재, 일례로 PFA(Poly Fluoro Alkoxy), PTFE(Poly Tetra Fluoro Ethylene) 등의 소재로 형성되는 것이 바람직하다. 본 발명의 일실시예에서 약액관은, 약액이 유입되는 약액 유입부(112)가 제1 방열블록(140a)에 설치되고 약액이 배출되는 약액 배출부(118)가 제2 방열블록(140b)에 설치되어 약액 유입구로부터 유입된 약액은 2개의 방열블록들을 차례로 관통하여 약액 배출구로 배출된다.
특히 약액관은 방열블록(140a,140b)과의 열전달 면적을 증가시킬 수 있도록, 제1 및 제2 방열블록(140a,140b) 내부에 길이방향으로 6개의 직관 형태가 각각 배치되고, 제1 및 제2방열블록(140a,140b) 외부에서 직관 부분이 세로 및 가로 방향으로 다수의 폴딩부(121,122,123,123,125)에 의해 서로 연결된다.
이와 같은 구조의 열교환기 모듈의 약액관(310)을 단일관 형태로 구성하고 다수의 폴딩부(121,122,123,123,125)를 구비함으로써 단위공간에서의 전열 면적을 보다 더 향상시킬 수 있게 된다.
다시 도 5를 참조하면 약액관은 복수의 지점에 T자형 테프론 연결관(129); 및 T자형 테프론 연결관(129)의 주변에 설치되는 복수의 관 온도 측정 센서(180)를 포함하여 구성된다. T자형 테프론 연결관(129)은 약액관 내부의 약품의 온도를 측정하도록 설치된 내부온도 프로브(130)와 연결되어 있으며, 본 발명에서는 복수의 관 온도 측정 센서(180)를 통해 측정되는 관 온도와, 내부온도 프로브(130)를 통해 측정된 약액관의 약품 온도를 측정하고 이를 인공지능 학습모델의 입력값으로 사용하여, 화학약품의 온도 데이터와 유관 외부에서 측정한 온도 데이터를 분석하여 그 관계를 파악하고 보정 상수값을 구함으로써, 최종적으로는 도 7에 도시된 바와 같이 내부온도 프로브 없이 복수의 관 온도 측정 센서(170)로부터의 온도 측정을 통해 약액 배출관(118)을 통해 배출되는 약액의 온도를 정밀하게 추정하고 원하는 온도의 약액 온도가 획득되도록 열전 소자를 동작시키도록 구성된다.
도 8은 도 2에 도시된 딥러닝 기반 반도체 약액 온도 제어 시스템(1)을 더욱 상세하게 도시한 도면이다. 도 8에 도시된 바와 같이 열교환기 모듈(10)은 복수의 단위 열교환기(10a~10n)으로 구성되고, 각각의 단위 열교환기(10a~10n)는 지정된 장소에서의 약액관 온도를 측정하기 위한 관 온도 측정 센서(180); 상기 관 온도 측정 센서(180)에서 측정된 온도를 제어 모듈(20)로 전송하는 온도값 전송수단(182); 지정된 장소에서의 약액관을 가열 또는 냉각시키기 위한 열전소자(170); 및 열전소자(170)로 흐르는 전류의 방향을 제어하기 위한 열전소자 제어기(172)를 포함한다.
이와 같은 구조에서는 단위 열교환기 내의 열전소자가 다른 단위 열교환기의 열전소자에게 영향을 주거나 받지 않도록 개별적으로 단열이 가능한 밀봉 구조로 설계되고 각각 하나의 결합된 구조로 설계되는 것이 바람직하다.
본 발명에서는 20개 이상의 열전소자를 개별 방식으로 제어하도록 구성하고, 순환액 유로의 다양한 지점에 RTD 온도 센서를 설치하여 다량의 온도 데이터를 수집하고, 해당 데이터를 딥러닝을 통해 A.I.의 연산 후 각각의 열전소자마다 개별적인 최적의 방법을 이용하여 빠른 온도 조절과 안정화를 추구하도록 구성된다.
인공학습에 대한 이해를 돕기 위해 인공신경망 학습장치(500)에 대해 도 9를 참조하여 먼저 설명하도록 한다.
도 9는 약액 온도 예측 모델을 훈련하기 위한 학습장치의 일례를 나타낸다. 인공신경망 학습장치(500)는 훈련 데이터를 이용하여 기계 학습을 수행할 수 있는 장치로서, 인공 신경망으로 구성된 모델을 이용하여 학습하는 장치를 포함할 수 있다. 즉, 신경망 훈련 장치는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
신경망 학습 장치(500)는 적어도 하나의 외부 장치 또는 단말기와 통신할 수 있고, 외부 장치를 대신하여 혹은 외부장치를 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
신경망 학습 장치(500)는 인공 신경망을 학습하기 위한 장치로서, 통상적으로 서버를 의미할 수 있고, 신경망 학습 서버 등으로 지칭할 수 있다. 신경망 학습 장치(500)는 주기적으로 혹은 요청에 의하여 얼굴생성부(230)로 학습한 얼굴생성모델을 전송하거나 이미 설치된 얼굴생성모델을 업데이트할 수도 있다.
신경망 학습 장치(100)는 통신부(Communication Unit, 510), 입력부(Input Unit, 520), 메모리(Memory, 530), 러닝 프로세서(Learning Processor, 540), 및 프로세서(Processor, 560) 등을 포함할 수 있다.
통신부(510)는 무선 통신부(미도시) 및 인터페이스부(미도시)를 포함하는 구성을 의미할 수 있다. 즉, 통신부(510)는 유무선 통신이나 인터페이스를 통하여 드론과 같은 다른 장치와 데이터를 송수신할 수 있다.
입력부(520)는 모델 학습을 위한 훈련 데이터 또는 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다. 입력부(520)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 러닝 프로세서(540) 또는 프로세서(560)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
메모리(530)는 러닝 프로세서(540) 또는 신경망 학습 장치(500)에서 학습된 모델을 저장할 수 있다. 이때, 메모리(530)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다. 이때, 메모리(530)는 입력부(520)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다. 이때, 메모리(530)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
메모리(530)는 모델 저장부(531) 및 데이터베이스(532) 등을 포함할 수 있다. 모델 저장부(531)는 러닝 프로세서(540)을 통하여 학습 중인 또는 학습된 신경망 모델을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다. 이때, 모델 저장부(531)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
데이터베이스(532)는 입력부(520)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다. 데이터베이스(532)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
러닝 프로세서(540)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(131a)을 훈련(training, 또는 학습)시킬 수 있다. 러닝 프로세서(540)는 프로세서(560)가 입력부(520)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망을 학습하거나, 데이터베이스(532)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망을 학습할 수 있다.
구체적으로, 러닝 프로세서(540)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다. 본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
러닝 프로세서(540)는 신경망 학습 장치(500)에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(540)는 메모리(530)를 사용하여 구현될 수 있다. 선택적으로 또는 부가적으로, 러닝 프로세서(540)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.
본 발명에서는 온도 센서에 의해 획득된 특정 시간 및 관의 국부지역의 온도 값을 입력 데이터로 하여 출구 온도를 예측하고, 딥러닝 예측값과 실제값 간의 차이를 계산하고 실제값으로 나눈 후 평균을 취하여 백분율로 표현한 식을 활용하여 출구 온도의 정확도를 평가 오차 값이 0%에 근접할 수록 우수한 온도 예측 모델로 판단된다.
예를 들면 본 발명에서는 시간에 따른 온도 변화의 특성을 정확히 파악하는 것이 요구되므로, 도 10에 도시된 바와 같이 입력 데이터의 시간적 특성을 반영할 수 있는 대표적 시계열 딥러닝 모델인 Recurrent Neural Network(RNN)과 Long Short-Term Memory(LSTM)을 적용할 수도 있다.
RNN 모델은 시계열 데이터가 지속적으로 업데이트됨에 따라 단일 계층을 반복적으로 수행하는 체인 구조의 모델 연결 구조로 구성되어 있다. LSTM 모델은 기본 RNN 구조에 셀, 입력 게이트 ,출력 게이트, 망각 게이트가 추가된 구조이며 RNN 구조에서 발생하는 기울기 소멸 문제를 해결하는 데에 도움을 줄 수 있다.
본 발명에서 개발된 딥러닝 모델의 성능 평가를 위해 Mean Percentage Error(MPE) 평가 지표가 사용될 수 있다. MPE 평가 지표는 아래 식에서 실제 값(At)과 예측 값(Ft)의 차이의 절대값을 계산하여 평균을 취한 후 백분율을 적용한 관계식이다. 즉 이 값이 0% 인 경우는 딥러닝 모델읕 통해 측정된 예측 값과 실험에서 측정한 예측 값이 정확히 일치하는 것을 의미한다.
Figure PCTKR2022005836-appb-I000001
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively)처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속하는 것으로 해석되어야만 한다.
(부호의 설명)
10: 열교환기 모듈 10a, 10b, 10n: 단위 열교환기
20: 제어 모듈 30: 인공지능 모듈
170: 열전소자 172: 열전소자 제어기
180: 관 온도 측정 센서 182: 온도값 전송수단
500: 인공지능 학습모듈

Claims (7)

  1. 반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템에 있어서,
    약액탱크로부터 공급되는 약액을 가열 또는 냉각하는 열교환기 모듈;
    열교환기 모듈의 냉각 또는 가열 제어를 수행하는 제어 모듈; 및
    열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하기 위한 딥러닝 기반의 온도 예측 모듈을 포함하고,
    상기 열교환기 모듈은 복수의 단위 열교환기로 이루어지고, 복수의 단위 열교환기 각각은 딥러닝 기반의 온도 예측 모듈에 의해 개별 제어되는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  2. 제1항에 있어서,
    상기 복수의 단위 열교환기 각각은,
    미리전해진 위치에서 약액관의 온도를 측정하기 위한 관 온도 측정 센서;
    상기 관 온도 측정 센서에서 측정된 온도를 제어 모듈로 전송하는 온도값 전송수단;
    미리정해진 장소에서의 약액관을 가열 또는 냉각시키기 위한 열전소자; 및
    열전소자로 흐르는 전류의 방향을 제어하기 위한 열전소자 제어기를 포함하는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  3. 제2항에 있어서,
    상기 딥러닝 기반의 온도 예측 모듈은,
    복수의 단위 열교환기 각각으로부터 측정된 온도 값을 수신하고,
    수신된 온도 값에 기반하여 열교환기 모듈로부터 배출되는 약액의 배출 온도를 예측하고,
    미리설정된 약액의 배출 온도를 목표값으로 하여 상기 열전소자 제어기를 개별적으로 제어를 수행하도록 학습된 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  4. 제2항에 있어서,
    상기 딥러닝 기반의 온도 예측 모듈은,
    복수의 관 온도 측정 센서로부터 측정된 온도값 및 측정된 시점을 입력값으로 하여 약액의 배출 온도를 예측하는 RNN-LSTM 기반의 인공지능 모델인 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  5. 제2항에 있어서,
    열교환기 모듈은 약액관이 통과하는 제1 방열블록 및 제2 방열블록을 포함하고, 제1 방열블록 및 제2 방열블록은 약액관의 외경보다 큰 직경의 갖는 관로가 형성된 사각판형으로 형성되고,
    상기 열전소자의 일면은 상기 제1 방열블록 및 제2 방열블록에 접촉되어 있는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  6. 제5항에 있어서,
    열교환기 모듈은 수냉 블록을 더 포함하고,
    상기 수냉 블록은 상기 제1 방열블록 및 제2 방열블록의 사이에 배치되고, 상기 열전소자의 타면은 수냉 블록에 접촉되어 있는 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
  7. 제5항에 있어서,
    상기 약액관은 방열블록과의 열전달 면적을 증가시킬 수 있도록, 제1 및 제2 방열블록 내부에 방열블록의 길이방향을 따라 배치되고, 제1 및 제2방열블록 외부에서 직관 부분이 세로 및 가로 방향으로 다수의 폴딩부에 의해 서로 연결되어 구성된 것을 특징으로 하는
    반도체 제조 공정에 이용되는 약액의 온도를 제어하기 위한 약액 온도 제어 시스템.
PCT/KR2022/005836 2022-02-24 2022-04-25 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템 WO2023163283A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0024056 2022-02-24
KR1020220024056A KR102393813B1 (ko) 2022-02-24 2022-02-24 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템

Publications (1)

Publication Number Publication Date
WO2023163283A1 true WO2023163283A1 (ko) 2023-08-31

Family

ID=81584352

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/005836 WO2023163283A1 (ko) 2022-02-24 2022-04-25 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템

Country Status (2)

Country Link
KR (1) KR102393813B1 (ko)
WO (1) WO2023163283A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117873221A (zh) * 2024-03-12 2024-04-12 广州中科医疗美容仪器有限公司 一种灸疗仓的温度监测控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020050015A (ko) * 2000-12-20 2002-06-26 김기태 급속 열처리 장치에서 최적 학습 제어 기법을 이용한웨이퍼의 온도 균일성 제어 방법
JP2008064382A (ja) * 2006-09-07 2008-03-21 Orion Mach Co Ltd 薬液用熱交換器
KR20200120958A (ko) * 2018-03-13 2020-10-22 어플라이드 머티어리얼스, 인코포레이티드 반도체 처리의 모니터링을 위한 기계 학습 시스템들
KR20210000731A (ko) * 2018-05-24 2021-01-05 어플라이드 머티어리얼스, 인코포레이티드 공간적으로 분해된 웨이퍼 온도 제어를 위한 가상 센서
KR20210082402A (ko) * 2021-06-15 2021-07-05 미래청암 주식회사 약액의 온도제어장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102094009B1 (ko) 2020-01-13 2020-03-26 방민철 반도체 제조를 위한 약액의 온도제어장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020050015A (ko) * 2000-12-20 2002-06-26 김기태 급속 열처리 장치에서 최적 학습 제어 기법을 이용한웨이퍼의 온도 균일성 제어 방법
JP2008064382A (ja) * 2006-09-07 2008-03-21 Orion Mach Co Ltd 薬液用熱交換器
KR20200120958A (ko) * 2018-03-13 2020-10-22 어플라이드 머티어리얼스, 인코포레이티드 반도체 처리의 모니터링을 위한 기계 학습 시스템들
KR20210000731A (ko) * 2018-05-24 2021-01-05 어플라이드 머티어리얼스, 인코포레이티드 공간적으로 분해된 웨이퍼 온도 제어를 위한 가상 센서
KR20210082402A (ko) * 2021-06-15 2021-07-05 미래청암 주식회사 약액의 온도제어장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117873221A (zh) * 2024-03-12 2024-04-12 广州中科医疗美容仪器有限公司 一种灸疗仓的温度监测控制方法及系统
CN117873221B (zh) * 2024-03-12 2024-05-28 广州中科医疗美容仪器有限公司 一种灸疗仓的温度监测控制方法及系统

Also Published As

Publication number Publication date
KR102393813B9 (ko) 2022-12-27
KR102393813B1 (ko) 2022-05-04

Similar Documents

Publication Publication Date Title
WO2023163283A1 (ko) 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템
EP1791166A1 (en) Method for measuring heating plate temperature, substrate processing equipment, and computer program for measuring heating plate temperature
CN114548368B (zh) 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法以及预测方法
WO2020004972A1 (en) Automatic control artificial intelligence device and method for updating a control function
WO2022164127A1 (ko) 디지털트윈 장치 및 디지털트윈 기반의 배터리 온도감시방법
Li et al. IGBT aging monitoring and remaining lifetime prediction based on long short-term memory (LSTM) networks
CN115939583A (zh) 一种储能液冷系统及其控制方法
US20090292491A1 (en) Substrate processing apparatus, device inspecting method, device inspecting program and recording medium having the program recorded therein
WO2018117297A1 (ko) 연속 소둔라인의 강판 온도 패턴 제어 시스템 및 방법
CN112052564A (zh) 一种基于机器学习的换热器预测性维护方法与系统
KR20030019234A (ko) 반도체 제조 시스템
WO2024001047A1 (zh) 温度分布图库的建立方法和晶圆表面温度的获取方法
Ren et al. Data-driven and mechanism-based hybrid model for semiconductor silicon monocrystalline quality prediction in the czochralski process
CN105717157A (zh) 一种基于保护热板法的用于多孔金属材料有效热导率的快速测定装置和方法
Lu et al. Intelligent modeling and design of a novel temperature control system for a cantilever-based gas-sensitive material analyzer
WO2023018226A1 (ko) 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
US4842417A (en) Method and apparatus for indirectly measuring a solid-liquid interface equilibrium temperature
CN107190002B (zh) 便携式致病菌核酸提取装置及检测方法
Fratczak et al. Simplified modeling of plate heat exchangers
WO2014098346A1 (ko) 초전도 자석의 초기냉각 예측 시스템 및 방법
Tay et al. An in situ approach to real-time spatial control of steady-state wafer temperature during thermal processing in microlithography
Yan et al. Simulation approach to temperature measuring using image color based on support vector regression
CN109326498A (zh) 一种用于半导体刻蚀设备的温度控制系统
WO2024053832A1 (ko) 기판 처리 장치 및 기판 처리 방법
Ho et al. In situ fault detection of wafer warpage in microlithography

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22929035

Country of ref document: EP

Kind code of ref document: A1