선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 기존의 컴퓨터 기반의 시스템들의 단점을 보완하기 위하여 신경망(neural network)을 기반으로 한 인공지능 기반의 공정 변수 최적화 알고리즘을 구현하고, 이 결과를 기반으로 공정 장비들을 자동으로 제어하는 시뮬레이터를 개발하였다. 이 시뮬레이터의 범용성을 극대화하기 위하여 온라인 기능이 구현되어 있지 않은 반도체 공정 장비에 장착할 수 있는 각종 센서 모듈과 조작 모듈들의 시작품들을 제작하였고, 이 모듈들을 원격에서 접근이 가능하도록 사물 인터넷 기술을 접목하였다.
- 5와 같이 접합블록 방식을 적용하였다. 본 연구에서는 연구 장비들 중 오실로스코프를 대상으로 버튼과 회전 조절기 위에 덧대어 설치할 수 있는 모듈들의 시작품을 제작하였다. Fig.
- 본 연구에서는 최적의 반도체 공정 변수를 효율적으로 찾고 공정을 자동화하기 위한 시뮬레이터를 제안한다.
제안 방법
- 임의의 공정 장비에 대해서 제안하는 공정 변수 최적화 기능의 실행 가능 여부를 판단하기 위하여 본 연구에서는 RF 스퍼터(Radio Frequency Sputter) 장비를 사용하여 반도체 기판에 Indium Tin Oxide (ITO) 박막을 증착시키는 공정을 선택하였다. RF 스퍼터로 In2IO3(90%)와 SnO2(10%)로 조성되어 있고 밀도가 95%인 ITO 원재료를 작업 압력 5 mTorr, 산소 분압 2%, 증착 출력 100 W 분압의 총 유량 17.5 (Ar:O2) SCCM (Standard Cubic Centimeters per Minute)의 조건에서 증착한 데이터를 기반으로 신경망 모듈을 훈련하였다. 훈련용 데이터들은 시뮬레이션 관리자 안에 저장되어 있으며, 훈련 모듈은 반도체 기판이 플라즈마에 노출된 시간을 출력 공정 변수로 설정하였으며, 증착된 ITO 박막의 두께를 신경망의 입력 값으로 사용하였다.
- 데이터 튜닝(tuning)을 위한 제어 알고리즘은 여러 가지 종류가 있으며, 본 연구에서는 이들 중 딥러닝 방식을 택하였다. 반도체 공정 중 포토리소그래피 공정에 딥러닝 방식인 신경망을 사용한 연구로는 Park et al.
- (2005)에서 제안한 방법이 있다. 본 연구에서는 Fig. 3와 같이 모든 데이터를 신경망에 입력시키고, 신경망의 기본적인 형태를 바탕으로 한 훈련 알고리즘을 사용하였다.(Hagan et al.
- 본 연구에서는 총 20개의 계층을 사용하였으며, 공정의 특성과 연관이 없는 외부 입력 b는 시행착오 방식을 적용하여 –1/3의 값을 사용하였다.
- 비선형적인 공정 특성을 보이는 장비에 대한 공정 변수 최적화 기능을 테스트하기 위하여 노광 공정에 사용되는 감광제를 도포하는 장비인 스핀 코터(spin coater)를 선택하였다. 스핀 코터는 점도가 높은 액체인 감광제가 올라간 웨이퍼를 회전시키는 장비로서, 회전 속도에 따라 도포되는 감광막의 두께가 비선형적으로 줄어들게 된다.
- 스핀 코터는 점도가 높은 액체인 감광제가 올라간 웨이퍼를 회전시키는 장비로서, 회전 속도에 따라 도포되는 감광막의 두께가 비선형적으로 줄어들게 된다. 스핀 코터의 회전 속도를 주요한 공정 변수로 정하고 도포된 감광막의 두께를 입력 값으로 사용하여 신경망 모듈을 훈련하였다. 훈련이 끝난 이후 신경망 모듈이 계산한 감광막의 두께와 실제 값을 비교한 결과는 Fig.
- 이러한 공정 변수에 대해 비선형적 관계를 보이는 소자의 특성은 신경망에 입력하기 전에 작은 여러 개의 구간으로 분리하고, 각 구간은 충분히 작아서 공정 변수와 소자 특성이 선형적인 전달함수로 표현하였다. 여기서 구간의 크기와 개수는 장비 특성에 맞추어 결정할 수 있도록 구현하였다.
- 본 연구에서는 최적의 반도체 공정 변수를 효율적으로 찾고 공정을 자동화하기 위한 시뮬레이터를 제안한다. 이 시뮬레이터에서는 딥러닝 기반의 인공지능을 활용하여 반도체 재료나 소자, 공정 장비 등의 변화로 인해 연구자가 공정 변수들을 재조정해야 하는 절차를 대체한다. 이 방식으로 얻어진 공정 변수들을 사용하여 공정 장비들을 조작하여 연구자의 개입 없이 목표 특성치를 갖는 소자들을 생산할 수 있게 된다.
- 본 연구에서는 기존의 컴퓨터 기반의 시스템들의 단점을 보완하기 위하여 신경망(neural network)을 기반으로 한 인공지능 기반의 공정 변수 최적화 알고리즘을 구현하고, 이 결과를 기반으로 공정 장비들을 자동으로 제어하는 시뮬레이터를 개발하였다. 이 시뮬레이터의 범용성을 극대화하기 위하여 온라인 기능이 구현되어 있지 않은 반도체 공정 장비에 장착할 수 있는 각종 센서 모듈과 조작 모듈들의 시작품들을 제작하였고, 이 모듈들을 원격에서 접근이 가능하도록 사물 인터넷 기술을 접목하였다. 제작된 소자의 특성치가 목표치에 도달할 수 있도록 최적의 공정 변수를 찾기 위하여 딥러닝 기반의 인공지능을 구현하였다.
- 임의의 공정 장비에 대해서 제안하는 공정 변수 최적화 기능의 실행 가능 여부를 판단하기 위하여 본 연구에서는 RF 스퍼터(Radio Frequency Sputter) 장비를 사용하여 반도체 기판에 Indium Tin Oxide (ITO) 박막을 증착시키는 공정을 선택하였다. RF 스퍼터로 In2IO3(90%)와 SnO2(10%)로 조성되어 있고 밀도가 95%인 ITO 원재료를 작업 압력 5 mTorr, 산소 분압 2%, 증착 출력 100 W 분압의 총 유량 17.
- 이 방식으로 얻어진 공정 변수들을 사용하여 공정 장비들을 조작하여 연구자의 개입 없이 목표 특성치를 갖는 소자들을 생산할 수 있게 된다. 제안하는 기능들의 범용성을 높이기 위하여 사물인터넷 기술을 적용한 센서와 제어 모듈들을 디자인하였으며, 원격 통신이 불가능한 기존의 공정 장비들의 입력 장치 위에 장착할 수 있도록 시작품을 제작하여 테스트하였다.
- 이 시뮬레이터의 범용성을 극대화하기 위하여 온라인 기능이 구현되어 있지 않은 반도체 공정 장비에 장착할 수 있는 각종 센서 모듈과 조작 모듈들의 시작품들을 제작하였고, 이 모듈들을 원격에서 접근이 가능하도록 사물 인터넷 기술을 접목하였다. 제작된 소자의 특성치가 목표치에 도달할 수 있도록 최적의 공정 변수를 찾기 위하여 딥러닝 기반의 인공지능을 구현하였다.
- 식 (1)과 (2)를 20 개의 계층에 적용한 신경망 모듈은 앞서 제외된 공정 변수 값을 추측하여 출력한다. 훈련 모듈은 이 추측 값을 이전에 제외하였던 실제 공정 변수와 비교하여 그 차이가 최소가 될 때까지 훈련을 반복하며, 본 연구에서는 목표 값과의 차이의 비율이 1 %이하일 때 최소가 된 것으로 고려하여 훈련이 끝나도록 설정하였다. 이때 사용하는 최소화 알고리즘은 1차 근삿값 발견용 최적화 알고리즘인 경사 하강(gradient descent)법을 사용하였다.
- 훈련용 데이터들은 시뮬레이션 관리자 안에 저장되어 있으며, 훈련 모듈은 반도체 기판이 플라즈마에 노출된 시간을 출력 공정 변수로 설정하였으며, 증착된 ITO 박막의 두께를 신경망의 입력 값으로 사용하였다. 훈련이 끝난 이후 소자의 특성 값인 ITO 박막의 두께를 공정의 목표 값으로 신경망모듈에 입력하여 얻은 플라즈마 노출 시간을 실제 데이터와 비교하였다. Fig.
대상 데이터
- 5 (Ar:O2) SCCM (Standard Cubic Centimeters per Minute)의 조건에서 증착한 데이터를 기반으로 신경망 모듈을 훈련하였다. 훈련용 데이터들은 시뮬레이션 관리자 안에 저장되어 있으며, 훈련 모듈은 반도체 기판이 플라즈마에 노출된 시간을 출력 공정 변수로 설정하였으며, 증착된 ITO 박막의 두께를 신경망의 입력 값으로 사용하였다. 훈련이 끝난 이후 소자의 특성 값인 ITO 박막의 두께를 공정의 목표 값으로 신경망모듈에 입력하여 얻은 플라즈마 노출 시간을 실제 데이터와 비교하였다.
이론/모형
- 는 각 훈련 단계 j에서의 연결 가중치이며, J는 신경망의 출력 값, α는 최적화의 정확도와 속도를 결정하는 학습 비율이다. 본 연구에서는 훈련 모듈이 기존의 연결 가중치에 임의의 작은 변화를 준 후 신경망 모듈로부터 얻은 주요 공정 변수 값을 식 (4)에 적용하였으며, 훈련의 과적합(overfitting)을 방지하기 위한 학습 비율은 시행착오 방식을 적용하였다.
- 원격 조작 모듈은 다양한 장비에 용이하게 설치되어야하기 때문에 Fig. 5와 같이 접합블록 방식을 적용하였다. 본 연구에서는 연구 장비들 중 오실로스코프를 대상으로 버튼과 회전 조절기 위에 덧대어 설치할 수 있는 모듈들의 시작품을 제작하였다.
- 훈련 모듈은 이 추측 값을 이전에 제외하였던 실제 공정 변수와 비교하여 그 차이가 최소가 될 때까지 훈련을 반복하며, 본 연구에서는 목표 값과의 차이의 비율이 1 %이하일 때 최소가 된 것으로 고려하여 훈련이 끝나도록 설정하였다. 이때 사용하는 최소화 알고리즘은 1차 근삿값 발견용 최적화 알고리즘인 경사 하강(gradient descent)법을 사용하였다.
성능/효과
- 훈련에 사용한 데이터와 신경망 모듈이 추측한 결과는 모두 비선형적인 추세선에 걸쳐 있음을 확인하였다. 따라서 본 논문에서 구현한 신경망 모듈은 선형공정 변수와 비선형 공정 변수를 추측하는데 사용될 수 있음을 확인하였다.
- 스마트폰 어플리케이션을 이용하여 원격으로 공정 순서를 설정할 수 있고, 오실로스코프의 입력 버튼들을 제어할 수 있었다. 하지만, 테스트 중 시뮬레이션 관리자와 원격 조작 모듈 간의 통신 시 타 트래픽으로 인하여 지연이 발생할 수 있음을 확인하였다. 이는 본 연구에 사용한 무선 통신 프로토콜인 Wi-Fi 방식이 개별 장비의 통신 시간을 보장해주는 방식이 아니기 때문에 발생하는 현상이지만, 통신 장비의 개수를 제한하거나 네트워크들을 구역별로 분리하면 지연 시간을 감소시킬 수 있다.
- 7에 표시하였다. 훈련에 사용한 데이터와 신경망 모듈이 추측한 결과는 모두 비선형적인 추세선에 걸쳐 있음을 확인하였다. 따라서 본 논문에서 구현한 신경망 모듈은 선형공정 변수와 비선형 공정 변수를 추측하는데 사용될 수 있음을 확인하였다.
- 6에 ITO 박막의 두께와 공정변수로서의 플라즈마 노출 시간의 관계를 표시하였다. 훈련에 사용한 데이터와 신경망 모듈이 추측한 결과들은 모두 동일 추세선에 걸쳐 있음을 확인하였다.
후속연구
- 제안하는 시뮬레이터는 기존의 공정 장비들을 온라인으로 제어하고 최적의 공정 변수들을 효율적으로 찾을 수 있기 때문에 노동 집약적인 공정 재조정 시간을 단축하고 신제품 개발에 필요한 시간과 비용을 줄일 수 있을 것으로 기대된다. 또한 제안하는 시뮬레이터의 자동화 기능은 운영자의 피로에 따른 실수 등 장비 운영 시 발생할 수 있는 각종 오류에 대한 방지책이 될 수 있을 것으로 기대된다.
- 제안하는 시뮬레이터는 기존의 공정 장비들을 온라인으로 제어하고 최적의 공정 변수들을 효율적으로 찾을 수 있기 때문에 노동 집약적인 공정 재조정 시간을 단축하고 신제품 개발에 필요한 시간과 비용을 줄일 수 있을 것으로 기대된다. 또한 제안하는 시뮬레이터의 자동화 기능은 운영자의 피로에 따른 실수 등 장비 운영 시 발생할 수 있는 각종 오류에 대한 방지책이 될 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.