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.
제안 방법
- BPNN의 학습인자를 최적화하기 위해 GA를 응용하였다. 각 학습인 자의 범위는 표 2에 나타나 있다.
- 학습인자에는 학습허용도 (Training Tolerance-TT), 은닉층 뉴런수 (Numebr of Hid den Neurons~NHN), 초기웨이트의 크기 (Magnitude of Initial W Weight Distribution-MIWD), 그리고 은닉층 뉴련의 단극성 시그모이드 함수의 경사 (Gradient of Bipolar Sigmoid Funciton-GBSF), 출력층 뉴런의 선형함수의 경사 (Gradient of Linear Function-GL F)둥이 있다. 경우에 따라서는 주어진 TT에서 학습이 종료되지 않을 수도 있으며, 과대한 학습이 진행되는 것을 방지하기 위해 다른 학습종료 기준으로 Epoch를 각 기 10, 000과 50, 000으로 설정하여 평가하였다.
- 본 연구에서는 Actinomtric OES 정보와 BPNN, 그리고 주인자분석 (Principal Component Analysis-PCA)를 이용하여 플라즈마 식각공정 모델을 개발한다. 다 수 학습인자의 영향은 유전자 알고리즘 GA를 이용하여 최적화하였다.
- 테스트 패턴은 Boron이 도핑된, (100)방향의 Si 기판위에 형성하였으며, 보다 구체적인 내용은 참고문헌【3]에—세세히 기술되어 있다. 식각공정은 전술한 MERIE 장비를 이욤하여 CHF3/CF4 플라즈마에서 수행하였다. 체계적인 모델링을 위해 24-1 부분인자 샬험계획법 〔7] 이적용되었으며, 실험계획법에 이용된 공정변수와 범위는 표 1에 있다.
- 각 OES Spectra는 종 1881개의 라디칼 변수 정보를 포함하고 있다. 이를 신경망 입력패턴으로 이용하기에는 너무 변수가 많으므로 변수를 줄이기 위해 PCA를 적용하였으며, 데이터 분산 (Variance)는 100, 99, 그리고 98%로 설정하였다. 그 결과, 100, 99, 그리고 98%에대햬 16, 7, 그리고 5개로 변수의 차수가 감소하였다.
- 세대 수는 100으로 설정하였으며, 따라서 유전자 동작은 세대수 100에서 종료된다. 전체 세대에서 발생한 모델 중 가장 작은 예측 에러를 보이는 모델을 결정하였다.
대상 데이터
- 하부전극과 평행한 자력선은 챔버외부에 설치되어 있는 Electromagnetic 코일에 DC 전류를 전달하여 발생한다. 테스트 패턴은 Boron이 도핑된, (100)방향의 Si 기판위에 형성하였으며, 보다 구체적인 내용은 참고문헌【3]에—세세히 기술되어 있다. 식각공정은 전술한 MERIE 장비를 이욤하여 CHF3/CF4 플라즈마에서 수행하였다.
- 수집된 데이터 공정변수 중심점에 해당하는 실험과 함께 BPNN 의 학습에 이용되었다. 학습된 모델의 예측성능은 다른 8개의 실험데이터를 이용하여 평가하였다’ OES의 파장 범위는 200-800 nm 이었다. Actinometric OES 데이터는 Raw OES 데이터를 7504 A에서 수집한 Ar 유량에 대한 Intensity로 나누어 구해진다.
데이터처리
- OES 정보는 Oxide 박막의 플라즈마 식각공정 중에 통계적 실험계획법을 이용하여 수집되었다. 개발된 식각률 모델은 이미 보도된 모델 [3]과 그 성능을 비교 평가하였다.
- 한편, 개발된 모델을 최근 발표한 모델 [3]과 비교하였다. 이 모델은 100%의 분산에서 학습인자의 영향을 최적화하지 않고 개발되었으며, 모델의 예측에러는 570 A/min 이었다.
이론/모형
- BPNN의 은닉층은 하나이며, 학습 규칙으로는 일반화된 델타 규칙을 적용하였으며 뉴런간 웨이트 조정은(1)과(2)에 의해 이루 어셨다.
- 다 수 학습인자의 영향은 유전자 알고리즘 GA를 이용하여 최적화하였다. OES 정보는 Oxide 박막의 플라즈마 식각공정 중에 통계적 실험계획법을 이용하여 수집되었다. 개발된 식각률 모델은 이미 보도된 모델 [3]과 그 성능을 비교 평가하였다.
- 모델을 개발한다. 다 수 학습인자의 영향은 유전자 알고리즘 GA를 이용하여 최적화하였다. OES 정보는 Oxide 박막의 플라즈마 식각공정 중에 통계적 실험계획법을 이용하여 수집되었다.
- 체계적인 모델링을 위해 24-1 부분인자 샬험계획법 〔7] 이적용되었으며, 실험계획법에 이용된 공정변수와 범위는 표 1에 있다. 수집된 데이터 공정변수 중심점에 해당하는 실험과 함께 BPNN 의 학습에 이용되었다. 학습된 모델의 예측성능은 다른 8개의 실험데이터를 이용하여 평가하였다’ OES의 파장 범위는 200-800 nm 이었다.
- 식각공정은 전술한 MERIE 장비를 이욤하여 CHF3/CF4 플라즈마에서 수행하였다. 체계적인 모델링을 위해 24-1 부분인자 샬험계획법 〔7] 이적용되었으며, 실험계획법에 이용된 공정변수와 범위는 표 1에 있다. 수집된 데이터 공정변수 중심점에 해당하는 실험과 함께 BPNN 의 학습에 이용되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.