KR102268290B1 - 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법 - Google Patents

반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법 Download PDF

Info

Publication number
KR102268290B1
KR102268290B1 KR1020200174162A KR20200174162A KR102268290B1 KR 102268290 B1 KR102268290 B1 KR 102268290B1 KR 1020200174162 A KR1020200174162 A KR 1020200174162A KR 20200174162 A KR20200174162 A KR 20200174162A KR 102268290 B1 KR102268290 B1 KR 102268290B1
Authority
KR
South Korea
Prior art keywords
sensor information
information
semiconductor processing
generating
digital signal
Prior art date
Application number
KR1020200174162A
Other languages
English (en)
Inventor
유임수
Original Assignee
주식회사 더블유지에스
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 더블유지에스 filed Critical 주식회사 더블유지에스
Priority to KR1020200174162A priority Critical patent/KR102268290B1/ko
Priority to KR1020210078447A priority patent/KR102373933B1/ko
Application granted granted Critical
Publication of KR102268290B1 publication Critical patent/KR102268290B1/ko

Links

Images

Classifications

    • 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
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32431—Constructional details of the reactor
    • H01J37/32798—Further details of plasma apparatus not provided for in groups H01J37/3244 - H01J37/32788; special provisions for cleaning or maintenance of the apparatus
    • H01J37/3288—Maintenance
    • 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
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Plasma & Fusion (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

본 발명은 웨이퍼를 가공하는 반도체 가공 장치에 대한 상태를 진단할 수 있는 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법에 관한 것이다. 상기 진단 시스템은 플라즈마를 이용하여 웨이퍼를 가공하는 반도체 가공 장치에 연결되어 센서 정보를 생성하는 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 수신하는 통신부 및 상기 센서 정보를 이용하여 반도체 가공 공정을 진단하는 진단 정보를 생성하는 제어부를 포함한다.

Description

반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법{DIAGNOSTIC SYSTEM FOR DIAGNOSING SEMICONDUCTOR PROCESSING EQUIPMENT AND CONTROL METHOD THEREOF}
본 발명은 웨이퍼를 가공하는 반도체 가공 장치에 대한 상태를 진단할 수 있는 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법에 관한 것이다.
일반적으로, 반도체 공정은 식각 공정, 박막증착 공정, 세정 공정, 포토 공정 등으로 이루어져 있으며, 일련의 단위 공정이 순차적으로 또는 조합되어 수행됨으로써, 반도체 소자가 제조된다.
통상 반도체 공정은 진공 챔버 내에서 수행되며, 반도체 기판을 챔버 내에 안착시킨 후 안착된 기판의 상부에 플라즈마를 발생시켜 기판에 박막을 형성하거나 식각을 수행한다.
기판의 공정이 진행되는 동안 반도체 가공 장치를 구성하고 있는 부품, 예컨대, 매스플로우 컨트롤러(MFC, Mass Flow Controller), RF 소스(Radio Frequency Source), 바이어스 파워(Bias Power) 등에 이상이 생길 경우 플라즈마의 상태는 변하게 되며, 이로 인해 증착 또는 식각 특성이 달라지게 만드는 문제점을 발생시킨다.
이를 해결하기 위해, 별도의 인-시튜(In-Situ) 진단 기구를 두어 플라즈마를 감시하고 있지만, 고장원인은 제공하지 못한다. 다른 방식으로는 부품의 전기적 신호와 인-시튜 상호간의 관계를 신경망으로 모델링하여 고장원인을 진단하는 방식이 있다. 이 경우 값비싼 인-시튜 시스템의 장착이 요구되고, 특정 고장 패턴을 미리 발생시켜야 하는 어려움이 있으며, 이로 인해 사전에 알려지지 않은 고장일 경우 그 고장원인을 제공하지 못한다. 한편, 다수의 플라즈마 장비에서 수집되는 부품 센서정보를 하나의 처리장소에서 수집하여 처리할 경우, 방대한 양의 센서 정보를 수집하고 전달하는데 상당한 시간이 소요되며, 방대한 양의 센서 정보로 인해 고장진단을 위한 알고리즘이 복잡해져, 플라즈마의 고장 진단의 정확도를 떨어뜨리는 문제점이 야기된다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 발명의 일 목적은 반도체 가공 장치에 대한 진단 정확도를 높여 고장에 즉각적으로 대처할 수 있는 진단 시스템 및 그것의 제어 방법을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은 반도체 가공 장치의 고장 원인을 실시간으로 감지 및 즉각적으로 진단하여 생산 효율을 높이기 위한 반도체 가공 장치의 상태를 진단할 수 있는 진단 시스템 및 그것의 제어 방법을 제공하는 것을 그 목적으로 한다.
상기와 같은 과제를 실현하기 위한 본 발명의 일 실시 예는 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법에 관한 것이다.
상기 진단 시스템은 플라즈마를 이용하여 웨이퍼를 가공하는 반도체 가공 장치에 연결되어 센서 정보를 생성하는 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 수신하는 통신부; 및 상기 센서 정보를 이용하여 반도체 가공 공정을 진단하는 진단 정보를 생성하는 제어부를 포함한다.
일 실시 예에 따르면, 상기 제어부는, 상기 센서 정보를 이용하여 센싱 시각과 센싱 값으로 이루어진 시계열 데이터 또는 형상화된 이미지를 생성하고, 상기 시계열 데이터 또는 상기 이미지를 인공지능 모델에 입력하여 상기 진단 정보를 생성할 수 있다.
일 실시 예에 따르면, 상기 제어부는, 상기 센서 정보를 이용하여 상기 반도체 가공 공정을 복수 개의 구간 중 어느 하나의 구간으로 결정하고, 상기 결정된 구간에 따라 서로 다른 인공지능 모델에 상기 시계열 데이터 또는 상기 이미지를 입력할 수 있다.
일 실시 예에 따르면, 상기 인공지능 모델은, 상기 센서 정보를 기반으로 머신러닝 학습을 수행하는 컨벌루션 인공신경망(Convolutional Neural Networks) 모델일 수 있다.
일 실시 예에 따르면, 상기 통신부는, 상기 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 아날로그 신호로 수신하고, 일 메가 헤르츠(1MHz) 이상의 샘플링 레이트(Sampling Rate)로 상기 아날로그 신호를 디지털 신호로 변환하며, 상기 제어부는 상기 디지털 신호를 이용하여 상기 진단 정보를 생성할 수 있다.
일 실시 예에 따르면, 상기 통신부는, 상기 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 아날로그 신호로 수신하고, 상기 아날로그 신호를 서로 다른 샘플링 레이트를 가지는 제1 디지털 신호 및 제2 디지털 신호로 변환하며, 상기 제1 디지털 신호는 상기 제어부로 전송하고, 상기 제2 디지털 신호는 다른 장치로 전송할 수 있다.
일 실시 예에 따르면, 상기 제1 디지털 신호의 샘플링 레이트는 일 메가 헤르츠(1MHz) 이상이고, 상기 제2 디지털 신호의 샘플링 레이트는 일 킬로 헤르츠(1KHz) 이하일 수 있다.
일 실시 예에 따르면, 상기 하나 또는 그 이상의 센서들이 복수 개인 경우, 상기 제어부는, 상기 통신부를 통해 복수 개의 센서 정보를 동시에 수신하고, 상기 복수 개의 센서 정보 각각에 대응하는 복수 개의 진단 정보를 생성할 수 있다.
일 실시 예에 따르면, 상기 제어부는, 복수 개의 센서들의 시간 동기화를 위한 클럭 신호를 생성하고, 상기 클럭 신호를 상기 통신부를 통해 복수 개의 센서들로 전송할 수 있다.
일 실시 예에 따르면, 상기 제어부는, 복수 개의 센서 정보 중 적어도 하나에서 기준 조건에 부합하지 않는 고장이 탐색되는 경우, 고장이 탐색된 시간 영역을 결정하고, 복수 개의 센서 정보 각각에 대하여 상기 시간 영역에 해당하는 데이터를 추출하며, 추출한 데이터를 다른 장치로 전송할 수 있다.
또한, 본 발명은 통신부 및 제어부를 포함하는 컴퓨팅 장치에 의하여 수행되는 제어 방법을 제공한다. 상기 제어 방법은, 플라즈마를 이용하여 웨이퍼를 가공하는 반도체 가공 장치에 연결되어 센서 정보를 생성하는 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 수신하는 단계; 및 상기 센서 정보를 이용하여 반도체 가공 공정을 진단하는 진단 정보를 생성하는 단계를 포함한다.
일 실시 예에 따르면, 상기 진단 정보를 생성하는 단계는, 상기 센서 정보를 이용하여 센싱 시각과 센싱 값으로 이루어진 시계열 데이터 또는 형상화된 이미지를 생성하는 단계; 및 상기 시계열 데이터 또는 상기 이미지를 인공지능 모델에 입력하여 상기 진단 정보를 생성하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 진단 정보를 생성하는 단계는, 상기 센서 정보를 이용하여 상기 반도체 가공 공정을 복수 개의 구간 중 어느 하나의 구간으로 결정하는 단계; 및 상기 결정된 구간에 따라 서로 다른 인공지능 모델에 상기 시계열 데이터 또는 상기 이미지를 입력하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 인공지능 모델은, 상기 센서 정보를 기반으로 머신러닝 학습을 수행하는 컨벌루션 인공신경망(Convolutional Neural Networks) 모델일 수 있다.
일 실시 예에 따르면, 상기 센서 정보는 아날로그 신호로 수신되고, 일 메가 헤르츠(1MHz) 이상의 샘플링 레이트(Sampling Rate)로 상기 아날로그 신호를 디지털 신호로 변환하는 단계를 더 포함하며, 상기 진단 정보는 상기 디지털 신호에 의하여 생성될 수 있다.
일 실시 예에 따르면, 상기 센서 정보는 아날로그 신호로 수신되고, 상기 아날로그 신호를 서로 다른 샘플링 레이트를 가지는 제1 디지털 신호 및 제2 디지털 신호로 변환하는 단계; 및 상기 제1 디지털 신호는 상기 제어부로 전송하고, 상기 제2 디지털 신호는 다른 장치로 전송하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 제1 디지털 신호의 샘플링 레이트는 일 메가 헤르츠(1MHz) 이상이고, 상기 제2 디지털 신호의 샘플링 레이트는 일 킬로 헤르츠(1KHz) 이하일 수 있다.
일 실시 예에 따르면, 상기 하나 또는 그 이상의 센서들이 복수 개인 경우, 상기 통신부를 통해 복수 개의 센서 정보가 동시에 수신되고, 상기 복수 개의 센서 정보 각각에 대응하는 복수 개의 진단 정보가 생성될 수 있다.
일 실시 예에 따르면, 상기 제어 방법은 복수 개의 센서들의 시간 동기화를 위한 클럭 신호를 생성하는 단계; 및 상기 클럭 신호를 상기 통신부를 통해 복수 개의 센서들로 전송하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 제어방법은, 복수 개의 센서 정보 중 적어도 하나에서 기준 조건에 부합하지 않는 고장이 탐색되는 경우, 고장이 탐색된 시간 영역을 결정하는 단계; 복수 개의 센서 정보 각각에 대하여 상기 시간 영역에 해당하는 데이터를 추출하는 단계; 및 추출한 데이터를 다른 장치로 전송하는 단계를 더 포함할 수 있다.
본 발명에 따른 진단 시스템 및 그 제어 방법의 효과에 대해 설명하면 다음과 같다.
본 발명은 전산지능 시스템을 사용하여 실시간으로 반도체 장치의 구성을 이루는 각 부품의 고장을 진단 및 고장의 원인을 찾아냄으로써, 장비생산성, 공정 수율, 그리고 공정의 질을 높일 수 있는 효과가 있다.
또한, 본 발명은 공정을 마친 후에 고장 진단을 추가적으로 수행할 수 있어 반도체 장치의 고장 진단의 신뢰도를 높일 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 반도체 가공 장치를 설명하기 위한 블록도
도 2는 본 발명의 일 실시 예에 따른 반도체 가공 시스템의 기능 구성을 도시한 블록도
도 3은 본 발명의 일 실시 예에 따른 진단 시스템을 나타낸 구성도
도 4는 도 3의 진단 시스템에서 수행되는 제어 방법을 설명하기 위한 흐름도
도 5a 내지 도 5f는 진단 시스템의 다양한 실시 예들을 설명하기 위한 블록도들
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 실시형태에 관한 반도체 가공 장치(100)를 나타내는 도면이다.
도면에 있어서 반도체 가공 장치(100)는 처리챔버(101)와, 처리챔버 내에 처리가스를 공급하는 가스공급수단(102)과, 처리가스를 배기하여 처리챔버내의 압력을 제어하는 가스배기수단(103)을 구비한다. 또한 처리챔버(101)내에는 처리대상이 되는 시료(104)를 지지하는 시료대(105)가 설치되어 있고, 또 처리챔버 내에는 플라즈마를 생성하기 위한 플라즈마생성수단(106)이 구비된다.
플라즈마생성수단(106)은 처리챔버(101)내에 전자파를 전송하여 공급하는 전자파 공급수단(111), 처리챔버(101)내에 자장을 생성하기 위한 솔레노이드코일(112, 113)을 구비한다. 또 시료대(105)에는 발생한 플라즈마에 의하여 발생하는 반응물을 시료측을 향하게 하기 위하여 고주파 전원(114)으로부터 고주파의 전압이 인가된다.
반도체 가공 장치(100)에는 센서부(120)이 설치될 수 있다. 센서부(120)는 예를 들면 가스공급수단(102)으로부터 공급되는 가스유량을 검출하는 모니터, 플라즈마생성을 위한 전력을 공급하는 급전로의 전류 및 전압을 검출하는 검출기, 상기 전류 및 전압의 위상차를 검출하는 검출기, 플라즈마생성을 위하여 공급하는 고주파전력의 진행파 및 반사파를 검출하는 검출기, 임피던스모니터 등으로 이루어진다.
센서부(120)는 처리챔버(101)내에 플라즈마생성수단(106)에 의하여 생성되는 플라즈마로부터의 발광을 검출하여 이것을 분석하는 분석장치를 구비하고 있다. 센서부(120)는 파장분해된 발광스펙트럼을 출력하는 분광기와같이 다수의 신호를 출력하는 검출기가 바람직하나, 모노크로미터와 같은 단일파장의 빛을 인출하는 검출기이더라도 좋다. 분광기 출력의 발광스펙트럼은 각 파장마다의 광강도를 나타내는 신호이다. 또 센서부(120)는 플라즈마 중 물질의 질량 스펙트럼을 출력하는 4중극 질량분석기 등의 일반적인 플라즈마상태 모니터이더라도 좋다.
또한 본 실시예에서는 상기 센서부(120)로부터의 출력을 받아 장치의 운전을 조절하는 제어부(109)를 구비하고 있다. 이 제어부(109)는 예를 들면 플라즈마를 발생시키기 위한 전자파나 자계를 발생시키는 마그네트론 등을 구비한 플라즈마발생수단(106)에 대한 투입전력의 투입 및 차단, 또는 투입전력의 조절을 행한다. 또 다른 수단을 사용하여 발생하는 플라즈마의 출력을 조절할 수도 있다. 예를 들면 센서부(120)는 플라즈마를 사용하여 시료를 처리하고 있는 사이에 발생하는 소정 파장의 빛을 검출한 검출 데이터를 기초로 처리에 관하는 특정한 반응량의 증감, 반응속도나 플라즈마의 세기 등의 반응상태를 검출하여 플라즈마의 발생·정지, 장치의 기동·정지를 지령을 발하여 장치의 운전을 조절할 수 있다.
제어부(109)는 반도체 가공 장치(100)와는 따로 또는 통합하여 설치되어 있는 정보 처리 장치(200)로부터의 출력을 받아 처리 장치의 운전을 조절할 수 있다. 정보 처리 장치(200)는 예를 들면 에칭후의 가공형상을 계측하는 CD-SEM(주사형 전자현미경)이 일반적이나, 빛의 산란광을 이용한 스캐트로메트리라 불리우는 광학식의 가공형상 측정수단일 수도 있다.
도 2는 본 발명의 일 실시 예에 따른 반도체 가공 시스템의 기능 구성을 도시한 블록도이다.
반도체 가공 장치(100)는, 플라즈마를 이용하여 반도체를 가공하는 장치이다. 예를 들면, 반도체 가공 장치(100)는, 에칭 장치, PVD 장치, CVD 장치, 플라즈마 애싱 장치, 또는 플라즈마 클리닝 장치의 어느 것이라도 좋다. 또한, 반도체 가공 장치(100)가 이용하는 플라즈마는, 예를 들면, 고주파 플라즈마, ECR 플라즈마, 용량 결합 플라즈마, 유도 결합 플라즈마, 헬리콘파(波) 플라즈마, 또는 UHF 또는 VHF 플라즈마 등이라도 좋고, 기타의 기구에 의해 생성되는 플라즈마라도 좋다.
반도체 가공 장치(100)는 가공부(110)와, 센서부(120)와, 제어부(109)를 구비한다.
가공부(110)는 피가공물인 반도체 웨이퍼 등에의 가공이 행하여지는 챔버를 구비한다. 예를 들면, 가공부(110)는, 챔버의 내부에 도입한 가스를 전리시킴으로써 플라즈마를 생성하고, 피가공물에의 에칭, 성막, 애싱, 또는 클리닝 등을 행한다. 가공부(110)에서 행하여지는 프로세스는, 플라즈마를 이용한 프로세스라면, 특히 한정되지 않는다.
센서부(120)는 가공부(110)의 내부에 관한 정보를 측정한다. 구체적으로는, 센서부(120)는, 가공부(110)에 구비된 센서류에 의해 가공부(110)의 내부의 플라즈마의 상태 등을 측정하고, 측정한 정보를 정보 처리 장치(200)에 건네준다.
가공부(110)에 구비된 센서류는, 예를 들면, 발광 분석기(Optical Emission Spectrometry : OES), 질량 분석계(Quadrupole Mass Spectrometry : QMS), 흡수 분광 분석기(Infrared Laser Absorption Spectroscopy : IRLAS), 또는 에너지 스펙트럼 애널라이저 등이라도 좋다. 이들의 센서류에 의해, 센서부(120)는, 가공부(110)의 내부의 플라즈마의 상태를 항상 모니터링 할 수 있다. 센서부(120)에 의한 측정은, 예를 들면, 0.1초의 샘플링 속도로 행하여져도 좋다.
제어부(109)는 가공부(110)에서의 프로세스 조건을 제어한다. 구체적으로는, 제어부(109)는, 정보 처리 장치(200)의 보정 판단부(211)로부터 프로세스 조건의 보정을 수신한 경우, 수신한 보정에 의거하여, 가공부(110)에 서의 프로세스 조건을 제어한다. 또한, 제어부(109)는, 정보 처리 장치(200)의 가공 정지부(213)로부터 정지지시를 수신한 경우, 가공부(110)에서의 가공을 정지시킨다. 즉, 제어부(109)는, 가공부(110)에서의 가공 전반을 제어함과 함께, 정보 처리 장치(200)에서 실행된 데미지 예측 방법의 결과를 가공부(110)에 반영할 수 있다.
정보 처리 장치(200)는 입사 플럭스 연산부(203), 가공면 플럭스 연산부(205), 형상 연산부(207), 데미지 연산부(209), 보정 판단부(211) 및 가공 정지부(213) 중 적어도 하나를 구비한다.
입사 플럭스 연산부(203)는 플라즈마에 의해 생성된 이온 및 광의 입사 플럭스를 계산한다. 구체적으로는, 입사 플럭스 연산부(203)는 센서부(120)가 측정한 플라즈마의 상태에 관한 정보에 의거하여, 가공부(110)의 내부의 가스 밀도, 및 이온 에너지를 계산하고, 플라즈마에 의해 생성된 이온 및 광의 입사 플럭스를 계산한다. 또한, 계산 시간이 실제의 가공 시간보다도 충분히 짧은 경우, 입사 플럭스 연산부(203)는 플라즈마 시뮬레이션에 의해, 플라즈마에 의해 생성되는 이온 및 광의 입사 플럭스를 계산하여도 좋다.
가공면 플럭스 연산부(205)는, 입력된 피가공물의 형상, 층구조, 및 막두께 등의 정보로부터, 웨이퍼의 개구율, 칩 레벨의 개구율 및 피가공물의 패턴 형상의 개구에 의한 이온 및 광의 플럭스에의 영향을 계산한다. 또한, 가공면 플럭스 연산부(205)는 광선추적을 이용함으로써, 플라즈마에서 생성된 이온 및 광의 플럭스로부터, 피가공물의 가공 표면에 도달하는 이온 및 광의 플럭스를 계산한다.
형상 연산부(207)는 피가공물의 가공 표면에 도달하는 이온에 의한 표면 반응을 계산하고, 피가공물의 가공 표면의 형상 진전을 계산한다. 구체적으로는, 형상 연산부(207)는 가공 표면에서의 반응의 진행 벡터로서, 가공 표면에 입사하는 이온의 플럭스의 벡터를 모두 더한 법선 벡터를 계산한다. 또한, 형상 연산부(207)는 이온의 입사에 의한 가공 표면의 반응을 계산하고, 피가공물의 가공 표면의 형상 진전을 계산한다.
데미지 연산부(109)는 가공 표면에 입사하는 이온 및 광의 플럭스에 의거하여, 이온 및 광이 피가공물에 주는 데미지 분포를 계산한다. 구체적으로는, 데미지 연산부(109)는 이온 및 광의 양방이 침입하는 영역과, 광만이 침입하는 영역에서 다른 모델을 이용하여, 이온 및 광이 피가공물에 주는 데미지를 계산한다. 또한, 데미지 연산부(109)는 이온 및 광에 의한 피가공물에의 데미지의 방향에, 표면 반응의 진행 벡터의 방향을 이용함에 의해, 이온 및 광에 의한 데미지를 동시에 계산할 수 있다.
보정 판단부(211)는 형상 연산부(207) 및 데미지 연산부(209)에 의해 계산된 피가공물의 형상, 및 데미지 분포가 소망하는 규정치를 초과한 경우, 프로세스 조건에 대한 보정을 판단한다. 구체적으로는, 보정 판단부(211)는 가공부(110)의 내부의 상태에 의거하여 예측된 피가공물의 형상, 및 데미지 분포가 소망하는 규정치를 초과하는 경우, 소망하는 규정치를 충족시키는 프로세스 조건을 찾아내어, 현재 상태의 프로세스 조건에 대한 보정을 판단한다.
예를 들면, 에칭 프로세스에서, 에칭으로 형성되는 오목부의 치수 변동치가 ±10% 이상인 경우, 또는 피가공물에 대한 데미지가 소망하는 규정치(예를 들면, 결함수가 1011개/㎠)를 50% 이상 초과하는 경우, 보정 판단부(211)는 원료 가스의 유량, 가스 압력, 인가 파워, 및 웨이퍼 온도의 순서로, 프로세스 조건을 ±50%씩 변동시켜서, 재차, 피가공물의 형상 및 데미지 분포를 입사 플럭스 연산부(203), 가공면 플럭스 연산부(205), 형상 연산부(207) 및 데미지 연산부(209)에 계산시킨다. 이것을 반복함에 의해, 보정 판단부(211)는 계산에 의해 예측된 피가공물의 형상, 및 데미지 분포가 소망하는 규정치를 충족시키는 프로세스 조건을 찾아내어, 현재 상태의 프로세스 조건에의 보정을 판단한다.
한편, 보정 판단부(211)가 소망하는 규정치를 충족시키는 프로세스 조건을 찾아낼 수 없는 경우, 보정 판단부(211)는, 경계 상태 신호를 가공 정지부(213)에 송신하여, 가공부(110)에 의한 가공을 정지시켜도 좋다.
또한, 계산 시간이 실제의 가공 시간과 같은 정도인 경우, 정보 처리 장치(200)는, 예를 들면, 다양한 프로세스 조건에 대해 섭동(攝動) 계산(perturbation computation)을 행한 데이터베이스를 미리 준비하고 있어서도 좋다. 이와 같은 경우, 보정 판단부(211)는 그 데이터베이스를 검색함으로써, 피가공물의 형상, 및 데미지 분포가 소망하는 규정치를 충족시키는 프로세스 조건을 찾아내어도 좋다.
보정 판단부(211)에 의해 판단된 보정은, 반도체 가공 장치(100)의 제어부(109)에 송신됨에 의해, 가공부(110)에서의 프로세스 조건에 반영된다.
가공 정지부(213)는 소망하는 피가공물을 형성하는 것이 곤란하다라고 판단된 경우, 반도체 가공 장치(100)에 의한 가공을 정지시킨다. 구체적으로는, 소망하는 규정치를 충족시키는 형상, 및 데미지 분포의 피가공물을 형성하는 프로세스 조건을 찾아낼 수가 없다고 보정 판단부(211)가 판단한 경우, 가공 정지부(213)는, 반도체 가공 장치(100)에서의 가공을 정지시킨다. 가공 정지부(213)는, 예를 들면, FDC/EES(Fault Detection and Classification/Equipment Engineering System) 등이라도 좋다. 가공 정지부(213)에 의하면, 소망하는 피가공물을 형성하는 것이 곤란한 경우, 조기에 반도체 가공 장치(100)를 정지시킴에 의해, 에러에 대한 대처를 조기에 행할 수 있다.
본 실시 형태에 관한 반도체 가공 시스템에 의하면, 플라즈마 프로세스에서의 피가공물의 데미지 분포를 예측하고, 예측 결과에 의거한 보정을 프로세스 조건에 피드백함으로써, 소망하는 특성을 갖는 반도체 소자를 효율 좋게 형성하는 것이 가능하다.
또한, 상기에서는, 본 실시 형태는, 반도체 가공 장치(100)와, 정보 처리 장치(200)로 이루어지는 시스템으로서 설명하였지만, 본 개시에 관한 기술은, 이러한 예시로 한정되지 않는다. 예를 들면, 본 실시 형태는, 반도체 가공 장치(100)와 정보 처리 장치(200)가 일체화한 반도체 가공 장치라도 좋다.
도 3은 본 발명의 일 실시 예에 따른 반도체 가공 장치의 고장 진단 시스템(300)을 나타낸 구성도이다.
본 발명에 따른 반도체 가공 장치(100)의 진단 시스템(300)은 반도체 가공 장치(100)의 각 부품에 대한 센서정보를 실시간으로 수집하는 통신부(310)와 센서정보를 이용하여 반도체 가공 장치(100)의 상태를 진단하는 제어부(330)를 포함한다.
상기 제어부(330)는 상기 수집된 센서 정보로부터 각 부품에 대한 감시 모델을 형성하여 예측 센서정보를 수집하고, 수집된 예측된 센서정보의 고장 믿음치를 출력하는 부품신호 감시부(332)와 상기 부품신호 감시부(332)로부터 얻어진 고장 믿음치를 임계점과 비교하여 고장여부를 판단하는 고장판단부(334)를 포함한다.
상기 통신부(310)는 반도체 장치 예컨대, 플라즈마 처리장치(100)를 구동하는 부품의 센서정보를 수집한다. 플라즈마 처리장치(100)는 통상 챔버 내에 분사된 반응 가스에 상하부 RF 전력 및 압력을 가함으로써 플라즈마를 발생시킬 수 있으며, 통신부(310)는 플라즈마가 발생되어 기판이 처리되는 동안의 부품센서 정보를 실시간으로 수집할 수 있다.
상기와 같이 통신부(310)에 반도체 가공 장치 (100)를 구성하는 각 부품의 센서정보가 수집되면 부품 신호 감시부(332)는 실시간으로 수집되는 센서정보를 감시하기 위해 감시 모델을 형성할 수 있다. 이러한 감시 모델로는 전산지능 모델인 신경망 또는 퍼지논리 모델이 사용될 수 있다.
물론, 감시 모델로서 전산지능 모델 이외에도 통계 모델 또는 통계적인 시계열 방식인 Auto-Regressive 모델이나 Auto-Moving Average 모델을 적용할 수 있으며, 통계 모델을 사용할 경우 실제 센서정보에 대한 통계적인 양 예컨대, 평균과 표준편차로 구성할 수 있다.
전산지능 모델로 사용되는 신경망은 부품 센서정보를 학습 데이터(Training Data)과 테스트 데이터(Test Data)로 나누고 학습 데이터를 이용하여 부품 상태 패턴을 학습하고, 학습된 모델을 이용하여 부품의 고장 상태를 예측하는 시스템이다.
신경망은 입력층(Input Layer)과 은닉층(Hidden Later) 및 출력층(Output Layer)으로 구성되며, 입력과 출력 패턴간의 관계를 뉴런간의 웨이트 조정을 통해 학습된 관계를 이용하여 추후에 입력되는 패턴에 대해 출력을 예측하거나 가장 유사한 패턴 그룹을 찾는다. 입력층의 뉴런수는 특징 벡터를 구성하는 모든 원소의 수와 일치되며 출력층 뉴런의 수는 1개로 구성된다. 물론, 출력층의 뉴런의 개수는 이에 한정되지 않으며, 2개 이상으로 구성될 수도 있다.
상기와 같은 신경망을 이용할 경우 학습에 이용되는 학습 알고리즘은 일반화된 델타법칙(Generalized Delta Rule)이 사용될 수 있으며, 일반화된 델타법칙을 변형하여 최적화된 학습 알고리즘이 사용될 수도 있다.
j번째 부품의 센서정보 즉, Sj의 미래시간(t+k)에서의 정보를 동일 부품 센서정보의 현재 시간(t)과 과거정보(t-m)를 이용하여 예측할 수 있다. 현재와 과거 정보는 학습 패턴의 입력부, 미래 시간정보는 학습패턴의 출력부를 구성하게 되며 모델링하고자 하는 부품 센서정보의 수가 n일 경우 n개의 신경망을 필요로 한다.
이와 같이, 자기부품 센서정보를 입력 데이터로 하여 자기 부품 신호의 예측 센서정보를 출력하는 신경망 구조를 자기상관 모델(Auto-Correlated Model)이라 한다.
이로 인해 부품신호 감시부(332)는 통신부(310)로부터 실시간으로 수집되는 센서정보를 바탕으로 예측정보를 수집할 수 있다.
상기에서는 자기상관 모델을 사용하여 부품의 상태를 감시하였지만, 다른 구조를 가지는 신경망을 사용하여 부품의 상태를 감시할 수 있다. 신경망의 입력층에 자기 부품 센서정보 이외의 신호를 입력 데이터로 하고, 이를 계산하여 자기 부품의 예측 센서정보를 출력하는 신경망 구조인 교차상관 모델(Cross-correlated Model)을 사용할 수 있다.
또한, 자기상관 모델과 교차상관 모델 이외에 신경망의 입력층에 자기 부품 센서정보와 자기 부품 이외의 센서 정보를 입력 데이터로 하고, 이를 계산하여 자기 부품의 예측 센서정보를 출력하는 신경망 구조인 자기-교차상관 모델(Auto-Cross Correlated Model)을 사용할 수도 있다.
예측 신호가 획득되면 부품신호 감시부(332)는 획득된 예측 신호로부터 고장 믿음치를 출력할 수 있다. 여기서, 고장 믿음치는 예측 센서정보를 제어차트에 적용하여 부품 센서 정보를 누적하고, 누적된 부품 센서 정보를 믿음 함수(Belif Function)로 출력하여 구해질 수 있다.
상기와 같이, 고장 믿음함수에 의해 계산된 출력값은 임의로 설정된 기준값 보다 큰지 여부에 따라 고장판단부(334)에서 고장 판단을 수행할 수 있다. 예컨대, 고장 믿음함수에 의해 계산된 출력값이 0에서 1사이를 갖는다고 할 경우, 임의의 기준값은 0.5로 설정될 수 있으며, 출력값이 0.5 이상이면 고장이 발생한 것으로 간주할 수 있다. 물론, 임의의 기준값은 0.5 이외의 값으로 변경될 수 있다.
상기와 같이, 본 발명에 따른 반도체 가공 장치의 진단 시스템은 실시간으로 각 부품의 고장을 진단할 수 있으며, 고장의 원인을 확인하여 공정 수율을 높일 수 있는 효과가 있다.
한편, 공정을 완료되어 각 부품에 대한 전체 센서정보의 수집이 완료되면 이를 부품신호부의 감시모델에 입력으로 인가하여 예측치를 출력하며, 출력치와 실제치 간의 에러를 RMSE(Root Mean Square Error)로 계산하여 고장을 판단할 수 있다. 상기 RMSE를 이용하여 진단하는 방식은 공정 중에 수집되는 전체 센서패턴에 대하여 적용하여 플라즈마를 감시하는 데에 적용할 수 있다.
도 4는 도 3의 진단 시스템에서 수행되는 제어 방법을 설명하기 위한 흐름도이다.
제어부(330)는 통신부(310)를 통해 플라즈마를 이용하여 웨이퍼를 가공하는 반도체 가공 장치에 연결되어 센서 정보를 생성하는 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 수신한다(S410).
센서는 도 1에서 상술한 센서부(120)를 의미하며, 압력 센서, 온도 센서, 플라즈마 이온 센서, 가스 센서, 발광 분석기, 흡수 분광 분석기, 질량 분석기 등을 포함할 수 있다.
센서 정보는 센싱 시각과 센싱 값으로 이루어진 시계열 데이터로 표현될 수 있다. 예를 들어, 센서 정보는 아날로그 신호로 실시간 송신되며 통신부 및/또는 제어부는 아날로그 신호를 디지털 신호로 변환해 센싱 시각과 센싱 값으로 이루어진 시계열 데이터를 생성할 수 있다.
제어부(330)는 상기 센서 정보를 이용하여 반도체 가공 공정을 진단하는 진단 정보를 생성한다(S430).
제어부(330)는 통신부(310)를 통해 수신된 센서 정보를 이용하여 시계열 데이터 또는 형상화된 이미지를 생성하고, 생성된 이미지를 인공지능 모델에 입력하여 진단 정보를 생성할 수 있다. 일 예로, 상기 이미지는 시간을 x축 변수로 하고, 센싱 값을 y축 변수로 하는 그래프일 수 있다.
인공지능 모델은 센서 정보를 기반으로 머신러닝 학습을 수행하는 컨벌루션 인공신경망(Convolutional Neural Networks) 모델일 수 있다.
진단 시스템은 서로 다른 종류의 인공지능 모델들을 구비할 수 있다. 이 경우, 제어부(330)는 센서 정보를 이용하여 반도체 가공 공정을 복수 개의 구간 중 어느 하나의 구간으로 결정하고, 결정된 구간에 따라 서로 다른 인공지능 모델에 이미지를 입력할 수 있다.
예를 들어, 압력 센서를 진단하는 인공지능 모델에는 제1공정에 대응하는 제1 모델과 제2 공정에 대응하는 제2 모델이 있을 수 있다. 제어부는 압력 센서가 제공하는 압력 센서 정보에 기반하여 진행 중인 공정이 상기 제1공정인지 또는 상기 제2공정인지 여부를 결정할 수 있다. 제1공정이 진행 중인 경우에는 제1모델을 이용하여 진단 정보를 생성하고, 제2공정이 진행중인 경우에는 제2모델을 이용하여 진단 정보를 생성할 수 있다.
동일한 센서 정보라도 어떤 인공지능 모델을 이용하는지에 따라 상이한 진단 정보가 생성될 수 있다. 공정에 따라 서로 다른 인공지능 모델을 사용하기 때문에, 보다 정확한 진단 정보를 생성할 수 있고, 진단에 소요되는 시간을 최소화할 수 있다.
한편, 통신부(310)는 하나 또는 그 이상의 센서들로부터 센서 정보를 아날로그 신호로 수신할 수 있다.
통신부(310)는 일 메가 헤르츠(1MHz) 이상의 샘플링 레이트(Sampling Rate)로 상기 아날로그 신호를 디지털 신호로 변환하며, 제어부(330)는 상기 디지털 신호를 이용하여 상기 진단 정보를 생성할 수 있다. 반도체 공정의 초미세화에 따라 수율 개선은 극복해야할 과제인데, 반도체 가공 장치(100)의 다중 센서 빅데이터를 고속으로 취합할 필요가 있기 때문이다.
통신부(310)는 아날로그 신호를 서로 다른 샘플링 레이트를 가지는 제1 디지털 신호 및 제2 디지털 신호로 변환할 수 있다. 이경우, 제1 디지털 신호는 제어부(330)로 전송되고, 제2 디지털 신호는 다른 장치로 전송될 수 있다. 다른 장치는 예를 들어 도 2에서 상술한 정보 처리 장치(200) 또는 서버일 수 있다.
제1 디지털 신호의 샘플링 레이트는 일 메가 헤르츠(1MHz) 이상이고, 상기 제2 디지털 신호의 샘플링 레이트는 일 킬로 헤르츠(1KHz) 이하일 수 있다. 시스템 특성에 맞추어 서로 다른 샘플링 레이트를 가지는 복수의 디지털 신호가 동시에 발생하게 된다.
반도체 가공 장치(100)에 구비된 센서들이 복수 개인 경우, 제어부(330)는 통신부(310)를 통해 복수 개의 센서 정보를 동시에 수신하고, 복수 개의 센서 정보 각각에 대응하는 복수 개의 진단 정보를 생성할 수 있다.
제어부(330)는 수 개의 센서들의 시간 동기화를 위한 클럭 신호를 생성하고, 상기 클럭 신호를 상기 통신부를 통해 복수 개의 센서들로 전송할 수 있다. 클럭 신호에 따라 서로 다른 센서에서 생성되는 센싱 값의 시간이 동기화될 수 있다.
제어부(330)는 복수 개의 센서 정보 중 적어도 하나에서 기준 조건에 부합하지 않는 고장이 탐색되는 경우, 고장이 탐색된 시간 영역을 결정하고, 복수 개의 센서 정보 각각에 대하여 상기 시간 영역에 해당하는 데이터를 추출하며, 추출한 데이터를 다른 장치로 전송할 수 있다. 빅데이터를 공정 구간에 따라 분류하고 이를 인공지능 모델을 이용하여 분석하기 때문에, 진단 정확도를 높일 수 있다.
도 5a 내지 도 5f는 진단 시스템의 다양한 실시 예들을 설명하기 위한 블록도들이다.
도 5a를 참조하면, 반도체 가공 장치(100)에 구비된 복수의 센서들 각각에 대하여 엣지 컨트롤러가 연결되어 상술한 통신부(310)의 역할을 수행할 수 있다. 엣지 컨트롤러는 센서 정보를 실시간 전처리 후 디지털 신호로 변환하여 제어부(330)로 전달한다. 제어부(330)는 진단 정보를 생성하고, 생성된 진단 정보를 정보 처리 장치(200)로 전송한다.
제어부(330)는, 도 5b에 도시된 바와 같이, 진단 정보를 정보 처리 장치(200) 및 서버로 동시에 전송하거나, 도 5c에 도시된 바와 같이 서버로 전송할 수 있다.
도 5d를 참조하면, 반도체 가공 장치(100)에 구비된 복수의 센서들 각각에 대하여 분배기(Signal Splitter)가 연결되어 상술한 통신부(310)의 역할을 수행할 수 있다. 도 5e 및 도 5f에 도시된 바와 같이, 센서와 진단 시스템이 직접 연결되거나 분배기에 의해 간접적으로 연결될 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드(또는, 애플리케이션이나 소프트웨어)로서 구현하는 것이 가능하다. 상술한 진단 시스템의 제어 방법은 메모리 등에 저장된 코드에 의하여 실현될 수 있다.
컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 프로세서 또는 프로세서를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (10)

  1. 플라즈마를 이용하여 웨이퍼를 가공하는 반도체 가공 장치에 연결되어 센서 정보를 생성하는 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 수신하는 통신부; 및
    상기 센서 정보를 이용하여 반도체 가공 공정을 진단하는 진단 정보를 생성하는 제어부를 포함하고,
    상기 제어부는,
    상기 센서 정보를 이용하여 센싱 시각과 센싱 값으로 이루어진 시계열 데이터 또는 형상화된 이미지를 생성하고, 상기 시계열 데이터 또는 상기 이미지를 인공지능 모델에 입력하여 상기 진단 정보를 생성하고,
    상기 제어부는,
    상기 센서 정보를 이용하여 상기 반도체 가공 공정을 복수 개의 구간 중 어느 하나의 구간으로 결정하고, 상기 결정된 구간에 따라 서로 다른 인공지능 모델에 상기 시계열 데이터 또는 상기 이미지를 입력하는 것을 특징으로 하는 진단 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 인공지능 모델은,
    상기 센서 정보를 기반으로 머신러닝 학습을 수행하는 컨벌루션 인공신경망(Convolutional Neural Networks) 모델인 것을 특징으로 하는 진단 시스템.
  4. 제1항에 있어서,
    상기 통신부는,
    상기 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 아날로그 신호로 수신하고, 일 메가 헤르츠(1MHz) 이상의 샘플링 레이트(Sampling Rate)로 상기 아날로그 신호를 디지털 신호로 변환하며,
    상기 제어부는 상기 디지털 신호를 이용하여 상기 진단 정보를 생성하는 것을 특징으로 하는 진단 시스템.
  5. 제1항에 있어서,
    상기 통신부는,
    상기 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 아날로그 신호로 수신하고, 상기 아날로그 신호를 서로 다른 샘플링 레이트를 가지는 제1 디지털 신호 및 제2 디지털 신호로 변환하며, 상기 제1 디지털 신호는 상기 제어부로 전송하고, 상기 제2 디지털 신호는 다른 장치로 전송하는 것을 특징으로 하는 진단 시스템.
  6. 제5항에 있어서,
    상기 제1 디지털 신호의 샘플링 레이트는 일 메가 헤르츠(1MHz) 이상이고, 상기 제2 디지털 신호의 샘플링 레이트는 일 킬로 헤르츠(1KHz) 이하인 것을 특징으로 하는 진단 시스템.
  7. 제1항에 있어서,
    상기 하나 또는 그 이상의 센서들이 복수 개인 경우,
    상기 제어부는,
    상기 통신부를 통해 복수 개의 센서 정보를 동시에 수신하고, 상기 복수 개의 센서 정보 각각에 대응하는 복수 개의 진단 정보를 생성하는 것을 특징으로 하는 진단 시스템.
  8. 제7항에 있어서,
    상기 제어부는,
    복수 개의 센서 정보 중 적어도 하나에서 기준 조건에 부합하지 않는 고장이 탐색되는 경우, 고장이 탐색된 시간 영역을 결정하고, 복수 개의 센서 정보 각각에 대하여 상기 시간 영역에 해당하는 데이터를 추출하며, 추출한 데이터를 다른 장치로 전송하는 것을 특징으로 하는 진단 시스템.
  9. 제7항에 있어서,
    상기 제어부는,
    복수 개의 센서들의 시간 동기화를 위한 클럭 신호를 생성하고, 상기 클럭 신호를 상기 통신부를 통해 복수 개의 센서들로 전송하는 것을 특징으로 하는 진단 시스템.
  10. 통신부 및 제어부를 포함하는 컴퓨팅 장치에 의하여 수행되는 제어 방법으로,
    플라즈마를 이용하여 웨이퍼를 가공하는 반도체 가공 장치에 연결되어 센서 정보를 생성하는 하나 또는 그 이상의 센서들로부터 상기 센서 정보를 수신하는 단계; 및
    상기 센서 정보를 이용하여 반도체 가공 공정을 진단하는 진단 정보를 생성하는 단계를 포함하고,
    상기 진단 정보를 생성하는 단계는, 상기 센서 정보를 이용하여 센싱 시각과 센싱 값으로 이루어진 시계열 데이터 또는 형상화된 이미지를 생성하는 단계; 및 상기 시계열 데이터 또는 상기 이미지를 인공지능 모델에 입력하여 상기 진단 정보를 생성하는 단계를 포함하고,
    상기 제어부는,
    상기 센서 정보를 이용하여 상기 반도체 가공 공정을 복수 개의 구간 중 어느 하나의 구간으로 결정하고, 상기 결정된 구간에 따라 서로 다른 인공지능 모델에 상기 시계열 데이터 또는 상기 이미지를 입력하는 것을 특징으로 하는 제어 방법.
KR1020200174162A 2020-12-14 2020-12-14 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법 KR102268290B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200174162A KR102268290B1 (ko) 2020-12-14 2020-12-14 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법
KR1020210078447A KR102373933B1 (ko) 2020-12-14 2021-06-17 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200174162A KR102268290B1 (ko) 2020-12-14 2020-12-14 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210078447A Division KR102373933B1 (ko) 2020-12-14 2021-06-17 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법

Publications (1)

Publication Number Publication Date
KR102268290B1 true KR102268290B1 (ko) 2021-06-23

Family

ID=76598977

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200174162A KR102268290B1 (ko) 2020-12-14 2020-12-14 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법
KR1020210078447A KR102373933B1 (ko) 2020-12-14 2021-06-17 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210078447A KR102373933B1 (ko) 2020-12-14 2021-06-17 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법

Country Status (1)

Country Link
KR (2) KR102268290B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023107228A1 (en) * 2021-12-08 2023-06-15 Applied Materials, Inc. Scanning radical sensor usable for model training
WO2024118382A1 (en) * 2022-11-28 2024-06-06 Applied Materials, Inc. Determining equipment constant updates by machine learning
KR20240080288A (ko) 2022-11-29 2024-06-07 한국생산기술연구원 가공 공정 및 장비 상태 진단 시스템 및 이를 이용한 진단 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006024195A (ja) * 2004-06-03 2006-01-26 National Cheng Kung Univ 生産工程の品質予測システムおよびその方法
KR20110001109A (ko) * 2009-06-29 2011-01-06 세종대학교산학협력단 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
JP4462437B2 (ja) * 2005-12-13 2010-05-12 オムロン株式会社 モデル作成装置及びモデル作成システム並びに異常検出装置及び方法
JP7162550B2 (ja) * 2019-02-15 2022-10-28 オムロン株式会社 モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006024195A (ja) * 2004-06-03 2006-01-26 National Cheng Kung Univ 生産工程の品質予測システムおよびその方法
KR20110001109A (ko) * 2009-06-29 2011-01-06 세종대학교산학협력단 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023107228A1 (en) * 2021-12-08 2023-06-15 Applied Materials, Inc. Scanning radical sensor usable for model training
WO2024118382A1 (en) * 2022-11-28 2024-06-06 Applied Materials, Inc. Determining equipment constant updates by machine learning
KR20240080288A (ko) 2022-11-29 2024-06-07 한국생산기술연구원 가공 공정 및 장비 상태 진단 시스템 및 이를 이용한 진단 방법

Also Published As

Publication number Publication date
KR102373933B1 (ko) 2022-03-15

Similar Documents

Publication Publication Date Title
US10847430B2 (en) Method of feature exaction from time-series of spectra to control endpoint of process
KR102268290B1 (ko) 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법
US11276564B2 (en) Plasma processing system having an inspection tool and controller that interfaces with a tool model
US10627788B2 (en) Retrieval apparatus and retrieval method for semiconductor device processing
TWI635269B (zh) 原位控制製程的方法及設備
KR101215367B1 (ko) 에칭 장치, 분석 장치, 에칭 처리 방법, 및 에칭 처리 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체
US7062411B2 (en) Method for process control of semiconductor manufacturing equipment
KR102311313B1 (ko) 탐색 장치, 탐색 방법 및 플라스마 처리 장치
JPWO2004019396A1 (ja) プラズマ処理方法及びプラズマ処理装置
US20240096713A1 (en) Machine-learning in multi-step semiconductor fabrication processes
US7389203B2 (en) Method and apparatus for deciding cause of abnormality in plasma processing apparatus
Kim et al. Use of plasma information in machine-learning-based fault detection and classification for advanced equipment control
KR100455559B1 (ko) 측정 가능한 장비 신호들을 이용한 공정수행 인-라인모니터링을 위한 방법 및 시스템
Kim et al. Machine learning-based process-level fault detection and part-level fault classification in semiconductor etch equipment
US8423320B2 (en) Method and system for quantitative inline material characterization in semiconductor production processes based on structural measurements and related models
Tin et al. A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective
CN100426471C (zh) 处理装置用的多变量解析方法、处理装置的控制装置、处理装置的控制***
US7630064B2 (en) Prediction method and apparatus for substrate processing apparatus
Baek et al. Optimization of blended virtual and actual metrology schemes
Gu et al. Virtual metrology for tsv etch depth measurement using optical emission spectroscopy
US20240255858A1 (en) In situ sensor and logic for process control
WO2022256194A1 (en) In situ sensor and logic for process control
KR20230055609A (ko) 플라즈마 설비의 실시간 모니터링 방법 및 모니터링 시스템
CN116583938A (zh) 多步骤半导体制造工艺中的机器学习
Yang et al. Similarity Ratio Analysis for Early Stage Fault Detection with Optical Emission Spectrometer in Plasma Etching

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant