1 |
1
반도체 공정을 수행하는 플라즈마 챔버(Plasma Chamber)로부터 광원에 대응하는 플라즈마의 반사광 정보를 수집하는 단계,상기 수집된 반사광 정보에 포함된 라디컬(Radical)들의 파장에 따른 강도를 이용하여 최적 신경망 모델을 생성하는 단계 및상기 최적 신경망 모델로 계산된 예측치와 반사광 정보인 실측치를 이용하여 상기 플라즈마 챔버에 포함된 플라즈마 상태의 정상 여부를 판단하는 단계를 포함하며, 상기 플라즈마 상태의 정상 여부를 판단하는 단계는,상기 반사광 정보에 포함된 실측치와 상기 최적 신경망 모델의 예측치를 이용하여 RMSE(Root Mean Squared Error)를 계산하는 단계, 상기 계산된 RMSE값을 이용하여 Belief값을 계산하는 단계, 상기 계산된 Belief값이 기 설정된 오차 범위를 초과하는지 여부를 판단하는 단계 및상기 오차 범위를 초과하는 경우에, 상기 플라즈마 챔버에 포함된 플라즈마 상태가 비정상임을 알리는 단계를 포함하며,상기 계산된 RMSE값을 이용하여 Belief값을 계산하는 단계는,상기 Belief 값의 누적 평균값(CUSUM; Cumulative Sum)이 증가 또는 감소함에 따라 다음과 같이 상기 Belief 값을 나누어 계산하는 플라즈마 챔버 감시 방법:여기서, h/l은 h 혹은 l에 대한 값이고, set은 μ의 값과 일치하며, 상기 RMSE의 누적 평균값(CUSUM)이 증가된 경우에 다음의 Sh를 이용하며, 상기 RMSE의 누적 평균값(CUSUM)이 감소된 경우에는 다음의 Si를 이용하며, x는 모델로부터 계산된 RMSE 값이고, μ는 정상으로 판단되는 n개의 테스트 데이터에 대한 모델로부터 예측된 RMSE값들의 평균값이다
|
2 |
2
삭제
|
3 |
3
제1항에 있어서,상기 오차 범위를 초과하는지 여부 판단 결과, 상기 오차 범위를 초과하지 않는 경우에, 상기 플라즈마 챔버의 플라즈마 상태를 정상으로 판단하여 상기 플라즈마 챔버에 내 새롭게 반입된 웨이퍼에 대한 반사광 정보를 수집한 후 상기 수집 단계 이후를 반복하는 단계를 더 포함하는 플라즈마 챔버 감시 방법
|
4 |
4
제1항에 있어서,상기 최적 신경망 모델을 생성하는 단계는,상기 플라즈마의 반사광 정보에 포함된 전체 또는 특정 파장 구간대의 전체 라디컬들을 파장에 따른 강도에 기초하여 학습 데이터와 테스트 데이터로 분류하는 단계;상기 분류된 학습 데이터를 이용하여 제1 신경망 모델을 생성하는 단계; 및상기 제1 신경망 모델에 상기 제1 신경망 모델을 최적화하기 위해 기 설정된 학습인자를 적용하여 상기 최적 신경망 모델을 생성하는 단계를 포함하는 플라즈마 챔버 감시 방법
|
5 |
5
반도체 공정을 수행하는 플라즈마 챔버(Plasma Chamber)의 플라즈마 상태를 감시하는 장치에 있어서,상기 플라즈마 챔버 내의 전체 또는 특정 파장 구간대의 라디컬들에 대한 반사광 정보를 수집하는 광반사 분광기;상기 수집된 반사광 정보에 포함된 라디컬(Radical)들의 파장에 따른 강도를 이용하여 최적 신경망 모델을 생성하는 신경망 모델링 구축 모듈; 및상기 최적 신경망 모델을 통해 얻은 예측치와 상기 반사광 정보의 실측치를 이용하여 RMSE값을 계산하고, 계산된 RMSE값을 이용하여 Belief값을 계산하며, 계산된 Belief값이 기 설정된 오차 범위를 초과하는지 여부에 따라 상기 플라즈마 챔버의 정상 여부를 판단하는 모델 응용 진단 모듈을 포함하며,상기 모델 응용 진단 모듈은, 상기 Belief 값의 누적 평균값(CUSUM; Cumulative Sum)이 증가 또는 감소함에 따라 다음과 같이 상기 Belief 값을 나누어 계산하는 플라즈마 챔버 감시 장치:여기서, h/l은 h 혹은 l에 대한 값이고, set은 μ의 값과 일치하며, 상기 RMSE의 누적 평균값(CUSUM)이 증가된 경우에 다음의 Sh를 이용하며, 상기 RMSE의 누적 평균값(CUSUM)이 감소된 경우에는 다음의 Si를 이용하며, x는 모델로부터 계산된 RMSE 값이고, μ는 정상으로 판단되는 n개의 테스트 데이터에 대한 모델로부터 예측된 RMSE값들의 평균값이다
|
6 |
6
제5항에 있어서,상기 모델 응용 진단 모듈은,계산된 Belief 값이 상기 오차 범위를 초과하지 않는 경우에, 플라즈마 챔버 에 새롭게 반입된 웨이퍼에 대해 반사광 정보를 수집하는 챔버 감시 장치
|
7 |
7
제6항에 있어서,상기 모델 응용 진단 모듈은,상기 계산된 Belief 값이 상기 오차 범위를 초과하는 경우에, 상기 플라즈마 챔버가 비정상임을 관리자에게 알리는 플라즈마 챔버 감시 장치
|
8 |
8
제5항에 있어서,상기 수집한 반사광 정보를 학습 데이터와 테스터 데이터로 분류하는 학습 패턴 구성 모듈을 더 포함하는 플라즈마 챔버 감시 장치
|
9 |
9
제8항에 있어서,상기 신경망 모델링 구축 모델은,상기 학습 데이터를 이용하여 제1 신경망 모델을 생성하며, 생성된 상기 신경망 모델과 상기 테스트 데이터간의 오차값을 계산하고, 계산된 오차값과 학습인자를 이용하여 상기 제1 신경망 모델을 최적화한 상기 최적 신경망 모델을 생성하는 플라즈마 챔버 감시 장치
|