초록 ▼

연구개요
본 연구에서는 GPU기반의 병렬화된 PIC시뮬레이션을 반도체 공정 장비에 적용하여 시스템에 존재하는 수 백 만 개 이상의 전자 및 이온 하전입자의 위치, 속도에 대한 동력학 정보와 이를 통해 얻어진 전기장, 전위, 이온화 분포도 등의 다양한 물리량 data를 저장하고, 이를 외부 구동 조건의 변화에 따른 공정 결과 해석의 도구로 활용하고자 한다. 또한, 장시간의 컴퓨터 시뮬레이션을 통해 생성된 대용량의 플라즈마 시뮬레이션 데이터 결과물들을 각 파라미터 설정값으로 분류된 빅데이터로 저장하여 축적함으로써 매번 다시 수행해

연구개요
본 연구에서는 GPU기반의 병렬화된 PIC시뮬레이션을 반도체 공정 장비에 적용하여 시스템에 존재하는 수 백 만 개 이상의 전자 및 이온 하전입자의 위치, 속도에 대한 동력학 정보와 이를 통해 얻어진 전기장, 전위, 이온화 분포도 등의 다양한 물리량 data를 저장하고, 이를 외부 구동 조건의 변화에 따른 공정 결과 해석의 도구로 활용하고자 한다. 또한, 장시간의 컴퓨터 시뮬레이션을 통해 생성된 대용량의 플라즈마 시뮬레이션 데이터 결과물들을 각 파라미터 설정값으로 분류된 빅데이터로 저장하여 축적함으로써 매번 다시 수행해야 하는 반복적인 시뮬레이션 작업들을 줄이고자 한다. 또한, 이렇게 축적된 빅데이터를 활용하여 semi-supervised 인공신경망 알고리즘 기능을 탑재하여 빅데이터와 기계학습의 유기적인 연계가 가능한 인공지능을 개발하고 공정 결과를 예측하고자 한다. 이 semi-supervision 기법은 플라스마 시뮬레이션과 공정 결과의 해석을 통해 정확도를 높이게 된다. 실험 및 시뮬레이션 결과들의 관계성을 파악하고 이를 통해 아직 수행하지 못한 영역의 파라미터 조합에 대한 플라즈마 공정 결과를 예측할 수 있게 되어 좀 더 효율적이고 지능화된 공정조건의 파악이 가능해진다.

연구 목표대비 연구결과
각각의 1차원 및 2차원 CCP시뮬레이션의 결과를 압력, 전극 간격, 전극구조, 구동 주파수의 변화에 대한 Database로 구축하여 구동 주파수에 대한 Phase 별 입자 위치, 입자 속도들을 저장하고 각종 진단 값들에 대한 big data를 형성하였다. 초기조건 최적화 알고리즘을 활용하여 각각의 시뮬레이션들이 빠른 시간에 수렴할 수 있는 초기조건을 설정하여 많은 연산량을 요구하는 입자-셀 시뮬레이션을 24시간 이내에 수렴시킬 수 있는 코드를 확보함과 동시에 많은 공정 파라미터에 대한 big data를 형성하였다. 또한, 이렇게 축적된 빅데이터를 활용한 semi-supervised 인공신경망 알고리즘 기능을 탑재하여 빅데이터 기계학습의 유기적인 연계가 가능한 인공지능을 개발하여 이를 통해 수행하지 않은 영역의 파라미터 조합에 대한 플라즈마 공정 결과를 정확도가 80% 이상인 모델을 형성하여 더 효율적인 공정 조건의 파악을 가능하게 하였다.

연구개발성과의 활용 계획 및 기대효과 (연구개발결과의 중요성)
메모리 반도체의 경쟁력은 공정의 미세화에 있으며 이를 위해 플라즈마를 이용한 에칭 및 원자층 증착 기술의 중요성이 크게 증대되고 있지만 공정이 복잡해 지면서 플라즈마 공정 중에 일어나는 다양한 현상을 정확히 파악하기 어렵다. 실험적인 진단은 입력변수에 따른 공정 결과를 관측하는 것이므로 다양한 제어변수의 변화에 따른 플라즈마 내부 요인의 역할에 대해 정확히 파악하기 어렵다. 근래에 와서는 고속연산 컴퓨터 성능의 발전에 힘입어 모든 하전입자의 운동을 정확하게 계산하는 particle-in-cell (입자-셀) kinetic simulation의 성능이 크게 향상되어 특정 물리현상의 원인을 분석하고 다양한 파라미터에 대해서 data를 확보하는 것이 가능해졌다.
따라서 Kinetic simulation을 활용하면 실험 결과물에 대한 원리 이해가 가능하다. 또한, 실험 및 시뮬레이션에서 얻게 되는 많은 결과물을 빅데이터로 저장하고 시뮬레이션에서 얻게 된 플라즈마 동력학 및 화학반응 정보를 활용하여 supervised machine learning 기법을 도입한다면, 새로운 파라미터에 대한 공정의 결과를 예측하는 것도 가능하다. 본 연구에서는 플라즈마 하전입자의 kinetic 효과를 고려한 입자-셀시뮬레이션의 GPU(graphics processing unit)기반 고속연산을 수행하고, 플라즈마 장비의 다양한 변수조건에서 얻어진 실험 데이터와 함께 빅데이터(big data)로 저장하여 supervised machine learning(기계학습) 기술을 활용하여 최소 시간에 플라즈마 kinetics와 공정 조건을 예측하고 최적화하는 것이 가능하다. 이러한 기법을 메모리 반도체 분야에서 중요한 에칭 공정에 활용하여 산업발전에 이바지할 수 있다.

(출처 : 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 5
• 1) 정성적 연구개발성과(연구개발결과) ... 5
• 2) 세부 정량적 연구개발성과 ... 9
• 3) 목표 달성 수준 ... 9
• 4) 목표 미달 시 원인 분석 ... 10
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 10
• 5. 연구개발성과의 관리 및 활용 계획 ... 11
• 6. 자체점검표 ... 12
• 7. 참고문헌 ... 13
• 붙임1. 세부 정량적 연구개발성과 ... 14
• 붙임2 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 16
• 끝페이지 ... 28