KR20160041622A - 라만 분광 신호 다중 분석 방법 - Google Patents

라만 분광 신호 다중 분석 방법 Download PDF

Info

Publication number
KR20160041622A
KR20160041622A KR1020140135957A KR20140135957A KR20160041622A KR 20160041622 A KR20160041622 A KR 20160041622A KR 1020140135957 A KR1020140135957 A KR 1020140135957A KR 20140135957 A KR20140135957 A KR 20140135957A KR 20160041622 A KR20160041622 A KR 20160041622A
Authority
KR
South Korea
Prior art keywords
pick
width
intensity
graphene
sample
Prior art date
Application number
KR1020140135957A
Other languages
English (en)
Inventor
경지수
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140135957A priority Critical patent/KR20160041622A/ko
Priority to US14/694,666 priority patent/US20160103070A1/en
Publication of KR20160041622A publication Critical patent/KR20160041622A/ko

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65Raman scattering
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00Features of devices classified in G01N21/00
    • G01N2201/12Circuits of general importance; Signal processing
    • G01N2201/129Using chemometrical methods
    • G01N2201/1296Using chemometrical methods using neural networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Carbon And Carbon Compounds (AREA)

Abstract

라만 분광 신호 다중 분석 방법이 개시된다.
개시된 라만 분광 신호 다중 분석 방법은, 샘플에 대해 라만 신호를 얻고 필요한 인자를 측정하는 과정을 복수의 샘플에 대해 반복한다. 복수의 샘플 각각에서 얻은 각 라만 신호로부터 복수의 특성 파라미터를 추출하고, 이 복수의 특성 파라미터를 다중 분석 알고리즘에 입력하여 얻어지는 인자 계산치가 앞서의 인자 측정치에 가까워지도록 다중 분석 알고리즘을 학습시킨다. 학습된 다중 분석 알고리즘에 측정 대상체에 대한 라만 신호로부터 추출된 복수의 특성 파라미터를 넣어 상기 측정 대상체에 대한 인자 데이터를 예측한다.

Description

라만 분광 신호 다중 분석 방법{Method for multi-analysis of Raman spectroscopy signal}
라만 분광 신호 다중 분석 방법이 개시된다.
그래핀을 비롯한 2차원 물질들은 많은 장점들 때문에 새로운 소재/소자로 가광받고 있다. 특히 그래핀의 경우 실리콘을 대체할 전자 소자 재료로 가능성을 인정받아 활발히 연구되고 있다. 그래핀을 전자 소자의 재료로 쓰려면, 그래핀의 도핑 레벨(doping level), 모빌리티(mobility), 스트레인(strain) 정도, 도메인 사이즈(domain size), 디펙간 거리(defect distance) 등의 인자(factor)에 대한 정보를 반드시 알아야 한다. 또한, 양산 단계로 들어갈시 웨이퍼 전체에서 그래핀에 대한 상기의 인자들의 값이나 특성들을 알아내야 한다.
문제는 각종 인자들을 측정하기가 쉽지 않다는 점이다. 예를 들어, 모빌리티나 도핑 레벨의 경우, 게이트를 걸며 1V 커브(curve)를 재면 측정 가능하나, 이때는 반드시 그래핀을 패터닝하여 소스, 드레인 및 게이트 전극을 만들어 주어야하기 때문에 일종의 파괴 검사에 해당한다. 따라서, 그래핀이 들어가는 모든 소자를 이러한 방식으로 측정하는 것은 불가능하다.
라만 신호만을 이용하여 비파괴 방식으로 측정 대상체에 복수의 인자 데이터를 예측해낼 수 있는 라만 분광 신호 다중 분석 방법을 제공한다.
실시예에 따른 라만 분광 신호 다중 분석 방법은 (가) 샘플에 대해 라만 신호를 얻고 상기 샘플에 대한 필요한 인자를 측정하는 과정을 복수의 샘플에 대해 반복하는 단계와; (나) 상기 복수의 샘플 각각에서 얻은 각 라만 신호로부터 복수의 특성 파라미터를 추출하는 단계와; (다) 각 샘플에 대해 상기 (나) 단계에서 얻은 복수의 특성 파라미터를 다중 분석 알고리즘에 입력하여 얻어지는 인자 계산치가 상기 (가) 단계에서 얻은 인자 측정치에 가까워지도록 다중 분석 알고리즘을 학습시키는 단계;를 포함하며, 상기 학습된 다중 분석 알고리즘에 측정 대상체에 대한 라만 신호로부터 추출된 복수의 특성 파라미터를 넣어 상기 측정 대상체에 대한 필요한 인자 값을 예측하도록 마련된다.
상기 측정 대상체는 그래핀을 포함하며, 상기 필요한 인자는 그래핀의 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 중 적어도 하나 이상일 수 있다.
상기 라만 신호로부터 추출되는 특성 파라미터는, 2D 픽, G 픽, D픽에 대한 세기나 세기의 비, 위치나 위치 비, 소정 위치에서의 폭의 크기, 레이저 파장 및 세기 중 적어도 2개 이상일 수 있다.
상기 라만 신호로부터 추출되는 특성 파라미터는, 2D 픽의 세기, G 픽의 세기, 2D 픽과 G 픽의 세기의 비, 2D 픽의 위치, G 픽의 위치, 레이저 파장, 레이저 세기, D 픽의 세기, D 픽의 위치, 2D 픽과 D 픽의 세기 비, G 픽과 D 픽의 세기 비, 2D 픽과 G 픽의 위치비, 2D 픽과 D 픽의 위치 비, G 픽과 D 픽의 위치 비, 2D 픽의 복수 위치에서의 폭의 크기, G 픽이 복수 위치에서의 폭의 크기, D 픽의 복수의 위치에서의 폭의 크기 중 앞에서부터 순서대로 복수개를 포함할 수 있다.
이때, 상기 복수 위치에서의 폭의 크기는, 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 중 적어도 둘 이상일 수 있다.
상기 다중 분석 알고리즘은 인공 신경망 알고리즘일 수 있다.
상기 샘플 및 측정 대상체는 2차원 물질을 포함할 수 있다.
상기 2차원 물질은, 그래핀, MoS2, WS2, WSe2 중 적어도 어느 하나일 수 있다.
개시된 라만 분광 신호 다중 분석 방법에 따르면, 라만 신호만을 이용하여 비파괴 방식으로 측정 대상체에 인자 데이터를 예측해낼 수 있으므로, 양산시 비용을 크게 절약할 수 있으며, 시간을 상당히 단축할 수 있으며, 또한 비파괴 검사이므로 유용성이 매우 높다.
측정 대상체가 그래핀인 경우, 라만 분광 신호 다중 분석을 이용하면, 라만 신호 측정만으로 예컨대, 그래핀의 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 등을 알아 낼 수 있으므로, 양산시 웨이퍼 전체에서 그래핀에 대한 상기의 인자들의 값이나 특성들을 알아낼 수 있다.
도 1은 그래핀(Graphene)과 그래파이트(Graphite)에 대한 라만 시프트 그래프를 보여준다.
도 2는 그래핀의 라만 신호와 관계되는 인자들의 예를 보여준다.
도 3은 다중 분석의 개념도를 보여준다.
도 4는 비교예로서 선형 분석의 개념도를 보여준다.
도 5는 실시예에 따른 라만 분광 신호 다중 분석을 구현하는 인공 신경망 알고리즘 개념도를 보여준다.
도 6은 실시예에 따른 라만 분광 신호 다중 분석 과정을 보인 순서도이다.
이하, 첨부된 도면들을 참조하면서 실시예에 따른 라만 분광 신호 다중 분석 방법에 대해 상세하게 설명한다. 이하의 도면들에서 동일한 참조부호는 동일한 구성요소를 지칭한다. 이하에 설명되는 실시예는 단지 예시적인 것에 불과하며, 이러한 실시예들로부터 다양한 변형이 가능하다.
실시예에 따른 라만 분광 신호 다중 분석을 통해, 측정 대상체의 인자 예를 들어, 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 등의 인자들의 값을 알아낼 수 있다. 이때, 상기 측정 대상체는, 2차원 물질이나 2차원 물질이 적층된 소자 예컨대, 전자소자일 수 있다. 상기 2차원 물질은 그래핀, MoS2, WS2, WSe2 중 적어도 어느 하나일 수 있다. 이하에서는 실시예에 따른 라만 분광 신호 다중 분석을 통해 그래핀의 인자 데이터를 비파괴 검사 방식으로 예측할 수 있는 방법에 대해 설명하지만, 이는 예시적으로 설명하는 것일 뿐이다. 이러한 실시예에 따른 라만 분광 신호 다중 분석은 그래핀 이외에도 다양한 종류의 물질의 필요한 인자 특성 데이터를 예측하는데도 적용할 수 있다.
그래핀의 라만 신호에서 얻어지는 피크의 위치, 세기, 너비 등의 파라미터들 각각은 그래핀의 인자와 특정 구간에서만 선형 관계를 보인다. 그러므로, 그래핀의 라만 신호에서 얻어지는 특정 파라미터와의 선형 관계만을 얻는 방식으로 그래핀의 인자를 측정하는 것은, 그래핀의 특성 데이터 측정에 오차가 발생할 수 있다. 하지만, 실시예에서 제안하는 다중 분석은 라만 신호에서 피크의 위치, 세기, 폭, 레이저 파장, 세기 등을 포함하는 많은 수의 특성 파라미터를 추출하고, 이를 한꺼번에 그래핀의 인자 예컨대, 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 등과 연결시켜, 라만 신호 측정만으로 임의의 측정 대상체에 대한 필요한 인자의 예측을 가능하게 한다. 이때, 인자의 예측은 실시예에서 제안하는 라만분광 신호 다중 분석을 통해 필요한 인자를 하나씩 예측하거나, 복수의 인자를 한꺼번에 예측하도록 마련될 수 있다.
실시예에서 제안하는 다중 분석은 선형 회귀 분석이 아니라, 일종의 비선형 회귀 분석에 해당하는 것으로, 예를 들어, 인공 신경망 알고리즘 등이 적용될 수 있다.
라만 신호는 레이저광을 조사하여 산란된 빛의 세기 및 파장 변화를 측정하여 얻어지는데, 이때 얻어지는 라만 쉬프트 그래프는 도 1에서 알 수 있는 바와 같이, 매우 단순한 형태이다.
도 1은 그래핀(Graphene)과 그래파이트(Graphite)에 대한 라만 시프트 그래프를 보여준다.
도 1을 참조하면, 그래핀에 대한 라만 신호에는 2D 픽(peak), G 픽, G* 픽 등이 나타나며, 그래파이트에 대한 라만 신호를 살펴보면, 2D 픽, G 픽, D 픽, G* 픽 등이 나타난다.
2D 픽과 G 픽은 카본으로 이루어질 물질 예컨대, 그래핀이나 그래파이트에서는 기본적으로 나타나는 픽이다. 도 1에서 알 수 있는 바와 같이, 그래파이트의 경우에는 상대적으로 G 픽의 크기가 크고 2D 픽은 작게 나타나며, 그래핀의 경우에는 상대적으로 2D 픽의 크기가 크고 G 픽은 작게 나타난다. 따라서, 도 1의 라만 시프트 그래프로부터 알 수 있는 바와 같이, G 픽과 2D 픽의 크기 관계로, 그래핀과 그래파이트를 구분할 수 있다.
D 픽은 디펙(defect)이 존재할 때 나타나는 것으로, 그래핀의 경우에도, 그래핀 형성 방식에 따라 디펙이 존재하는 경우에는 D 픽이 나타날 수 있다. 예를 들어, 전사 그래핀은 질이 좋아 디펙이 거의 없으므로, D 픽이 나타나지 않을 수 있으며, 증착에 의해 형성된 그래핀은 상대적으로 디펙이 존재할 가능성이 높아, D 픽이 나타날 수 있다.
도 2는 그래핀의 라만 신호와 관계되는 인자들의 예를 보여준다. 그래핀에 대해 측정된 라만 신호는 그래핀의 도핑 레벨(doping level), 모빌리터(mobility), 스트레인(strain) 정도, 도메인(결정) 사이즈, 디펙간 거리(defect distance) 등의 인자(factor)들과 매우 밀접한 관계가 있다.
그래핀에 대한 도핑 레벨, 모빌리터, 스트레인 정도, 도메인(결정) 사이즈, 디펙간 거리 등의 인자들의 값이나 특성은 라만 신호를 이용하는 실시예에 따른 라만 분광 신호 다중 분석 방법을 통해 한번에 한가지씩 얻거나 동시에 필요한 모든 인자값을 얻을 수 있다.
따라서, 실시예에 따른 라만 분광 신호 다중 분석 방법을 적용하면, 웨이퍼 전체에서 그래핀에 대한 상기의 인자들의 값이나 특성들을 비파괴 방식으로 알아낼 수 있으므로, 그래핀을 적용한 소자 예컨대, 전자소자의 양산이 가능하게 된다.
도 3은 다중 분석의 개념도를 보여주며, 도 4는 비교예로서 선형 분석의 개념도를 보여준다.
도 3에서와 같이, 다중 분석을 이용하면, 여러 개의 입력(input)을 다중 분석하여 여러개의 출력(output)을 얻을 수 있다. 반면에, 도 4에서와 같이, 선형 분석을 이용하면, 1개의 입력(input)에 대해 1개의 출력(output)이 얻어진다.
이와 같이 기존의 방식은 1개의 입력과 1개의 출력이 있고, 둘 사이의 연관성은 대개 선형 회귀 분석을 사용하였다. 반면에, 실시예에 따른 라만 분광 신호 다중 분석 방법에 따르면, 도 3에서와 같이, 입력 여러 개를 한꺼번에 넣고, 다중 분석을 통해 출력 여러 개를 끌어낼 수 있다. 이를 가능하게 해주는 다중 분석 방법의 하나로 예를 들어, 인공 신경망 알고리즘을 적용할 수 있다. 여기서, 입력 여러 개를 한꺼번에 넣고, 다중 분석을 통해 출력을 한번에 하나씩만 끌어내도록 구성될 수도 있다.
도 5는 실시예에 따른 라만 분광 신호 다중 분석을 구현하는 인공 신경망 알고리즘 개념도를 보여준다.
도 5를 참조하면, 입력 레이어(Input layer)에 여러개의 입력(p1, p2, ...pn)을 받아 복수의 히든 레이어(Hidden layer1, Hidden layer2)에서 학습 과정을 거쳐 출력 레이어(Output layer)에서 나오는 출력들 예컨대, 도핑 레벨(Doping level), 모빌리티(mobility), 스트레인(strain), 디펙간 거리(Defect distance), 도메인 크기(Domain(crystal) size) 등이 원하는 출력에 가까운 관계식을 얻을 수 있다. 한번 학습을 통해 결과를 얻으면, 다음부터는 입력만을 주면 출력을 매우 신뢰성 있게 예측할 수 있다. 도 5에서는 출력을 한꺼번에 여러 개를 얻을 수 있는 경우를 보여주는데, 여러 개의 입력에 대해 출력을 한번에 한 종류씩 출력하도록 구성할 수도 있다.
도 6은 실시예에 따른 라만 분광 신호 다중 분석 과정을 보인 순서도이다.
도 6을 참조하면, 먼저, 샘플에 대해 라만 신호를 얻고 상기 샘플에 대한 필요한 인자를 측정하는 과정을 복수의 샘플에 대해 반복한다(S100). 각 샘플에 대한 라만 신호를 얻고 필요한 인자를 측정하는 과정은 샘플의 개수가 원하는 개수(m)가 될 때까지 반복될 수 있다(S200).
여기서, 샘플의 개수는 실시예에 따른 다중 분석 과정을 통해 얻어지는 인자 예측치의 신뢰성을 확보할 수 있는 수준 예를 들어, 10개 이상일 수 있다. 예를 들어, 상기 샘플의 개수는 보다 높은 신뢰성 확보를 위해 100개 정도나 그 이상일 수 있다.
상기 샘플이 2차원 물질 예컨대, 그래핀이거나 이를 포함하는 소자인 경우, 상기 필요한 인자는 예를 들어, 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 중 적어도 하나 이상일 수 있다.
다음으로, 상기 복수의 샘플 각각에서 얻은 각 라만 신호로부터 복수의 특성 파라미터를 추출할 수 있다(S300).
상기 샘플이 2차원 물질 예컨대, 그래핀이거나 이를 포함하는 소자인 경우, 상기 라만 신호로부터 추출되어야할 특성 파라미터는, 2D 픽, G 픽, D픽에 대한 세기나 세기의 비, 위치나 위치 비, 소정 위치에서의 폭의 크기, 레이저 파장 및 세기 중 적어도 2개 이상일 수 있다.
예를 들어, 상기 샘플이 2차원 물질 예컨대, 그래핀이거나 이를 포함하는 소자인 경우, 상기 라만 신호로부터 추출되어야할 특성 파라미터는, 2D 픽의 세기, G 픽의 세기, 2D 픽과 G 픽의 세기의 비, 2D 픽의 위치, G 픽의 위치, 레이저 파장, 레이저 세기, D 픽의 세기, D 픽의 위치, 2D 픽과 D 픽의 세기 비, G 픽과 D 픽의 세기 비, 2D 픽과 G 픽의 위치비, 2D 픽과 D 픽의 위치 비, G 픽과 D 픽의 위치 비, 2D 픽의 복수 위치에서의 폭의 크기, G 픽이 복수 위치에서의 폭의 크기, D 픽의 복수의 위치에서의 폭의 크기 중 앞에서부터 순서대로 복수개 이상일 수 있다.
여기서, 상기 복수 위치에서의 폭의 크기는, 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 중 적어도 둘 이상일 수 있다.
예를 들어, 2D픽에 대해서는, 2D 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 등이 특성 파라미터로 추출될 수 있다.
예를 들어, 2D픽에 대해서는, 2D 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 등이 특성 파라미터로 추출될 수 있다. G픽에 대해서는, G 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 등이 특성 파라미터로 추출될 수 있다. D 픽에 대해서는, D 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 등이 특성 파라미터로 추출될 수 있다.
상기 라만 신호로부터 추출되어야할 특성 파라미터는, 상기한 것들 이외에도, 추가적으로, 주변 온도, 기판의 두께 기타 픽의 세기, 기타 픽의 위치, 기타 픽의 복수 위치에서의 폭의 크기도 특성 파라미터로 추출되어 적용될 수 있다. 이때, 상기 기타 픽은 예컨대, G* 픽 등일 수 있으며, 상기 기타 픽의 복수 위치에서의 폭의 크기는 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 중 적어도 둘 이상이 적용될 수 있다.
상기 복수의 샘플 각각에서 얻은 각 라만 신호로부터 복수의 특성 파라미터를 추출한 다음, 각 샘플에 대해 복수의 특성 파라미터를 다중 분석 알고리즘에 입력하여 얻어지는 인자 계산치가 앞서 얻은 인자 측정치에 가까워지도록 다중 분석 알고리즘 예컨대, 인공 신경망 알고리즘을 통해 학습시킨다(S400).
상기와 같이 인공 신경망 알고리즘 등의 다중 분석 알고리즘을 통해 학습시키면, 복수의 특성 파라미터가 입력될 때, 학습 과정을 거쳐 나오는 출력이 원하는 출력에 가까운 관계식을 얻을 수 있다.
따라서, 한번 학습을 통해 결과를 얻으면, 다음부터는 입력만을 주면 출력을 매우 신뢰성 있게 예측이 가능하게 된다.
이와 같이, 학습을 통해 다중 분석 알고리즘 예컨대, 인공 신경망 알고리즘을 최적화하면, 임의의 측정 대상체에 대한 라만 신호로부터 상기한 바와 같은 복수의 특성 파라미터를 추출하고, 이 추출된 복수의 특성 파라미터를 상기 학습된 다중 분석 알고리즘에 넣었을 때(S500), 상기 측정 대상체에 대한 필요한 인자의 예측치가 얻어질 수 있다(S600). 이때, 상기 인자의 예측치는 실제 측정치에 해당하거나 그에 근접될 수 있다. 즉, 학습된 다중 분석 알고리즘 예컨대, 인공 신경망 알고리즘을 통해, 한번에 하나씩 또는 필요한 모든 인자를 한번에 신뢰성 높게 추측할 수 있다. 여기서, 상기 측정 대상체는, 상기 복수의 샘플과 마찬가지의 물질로 된 것일 수 있다. 예를 들어, 상기 측정 대상체는 그래핀이나 그래핀을 포함하는 소자일 수 있다. 이때, 상기 측정 대상체에 대한 라만 신호로부터 추출되는 특성 파라미터는, 전술한 복수의 샘플에 대한 라만 신호로부터 추출되는 특성 파라미터 종류와 같을 수 있다.
즉, 학습된 다중 분석 알고리즘 예컨대, 인공 신경망 알고리즘을 정하는데 적용된 복수의 샘플에 대한 라만 신호로부터 추출된 복수의 특정 파라미터와 동일 종류의 복수의 특정 파라미터를 상기 측정 대상체에 대한 라만 신호로부터 추출하여, 상기 학습된 다중 분석 알고리즘 예컨대, 인공 신경망 알고리즘에 입력할 수 있다.
이에 따라, 상기 측정 대상체가 그래핀일 경우, 상기 학습된 다중 분석 알고리즘 예컨대, 인공 신경망 알고리즘을 통해, 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 등의 인자들의 예측치가 출력될 수 있다.
여기서, 도 5 및 도 6에서는 필요한 인자 예측치를 한꺼번에 출력할 수 있도록 다중 분석 알고리즘이 구성되는 경우를 보여주는데, 이는 예시적으로 보인 것으로, 측정 대상체의 특성을 나타내는 인자를 한번에 하나씩 출력할 수 있도록 다중 분석 알고리즘이 구성될 수도 있다.
상기와 같은 실시예에 따른 라만 분광 신호 다중 분석 방법에 따르면, 라만 신호 측정만으로 예컨대, 그래핀의 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 등을 알아 낼 수 있으므로, 양산시 비용을 크게 절약할 수 있으며, 시간을 상당히 단축할 수 있으며, 또한 비파괴 검사이므로 유용성이 매우 높다.
이상에서는 샘플 및 측정 대상체가 그래핀이나 그래핀을 포함하는 소자인 경우를 예를 들어 설명하였는데, 실시예에 따른 라만 분광 신호 다중 분석 방법으로 분석되는 재료가 그래핀으로 한정되는 것은 아니다. 다른 종류의 2차원 물질이나, 라만 신호 측정이 가능한 다른 종류의 물질에도 마찬가지로 실시예에 따른 라만 분광 신호 다중 분석 방법을 적용하여, 비파괴 방식으로 필요한 인자 값을 얻을 수 있다.

Claims (16)

  1. (가) 샘플에 대해 라만 신호를 얻고 상기 샘플에 대한 필요한 인자를 측정하는 과정을 복수의 샘플에 대해 반복하는 단계와;
    (나) 상기 복수의 샘플 각각에서 얻은 각 라만 신호로부터 복수의 특성 파라미터를 추출하는 단계와;
    (다) 각 샘플에 대해 상기 (나) 단계에서 얻은 복수의 특성 파라미터를 다중 분석 알고리즘에 입력하여 얻어지는 인자 계산치가 상기 (가) 단계에서 얻은 인자 측정치에 가까워지도록 다중 분석 알고리즘을 학습시키는 단계;를 포함하며,
    상기 학습된 다중 분석 알고리즘에 측정 대상체에 대한 라만 신호로부터 추출된 복수의 특성 파라미터를 넣어 상기 측정 대상체에 대한 필요한 인자 값을 예측하도록 된 라만 분광 신호 다중 분석 방법.
  2. 제1항에 있어서, 상기 샘플 및 측정 대상체는 그래핀을 포함하며,
    상기 필요한 인자는 그래핀의 도핑 레벨, 모빌리티, 스트레인 정도, 도메인 사이즈, 디펙간 거리 중 적어도 하나 이상인 라만 분광 신호 다중 분석 방법.
  3. 제2항에 있어서, 상기 라만 신호로부터 추출되는 특성 파라미터는,
    2D 픽, G 픽, D픽에 대한 세기나 세기의 비, 위치나 위치 비, 소정 위치에서의 폭의 크기, 레이저 파장 및 세기 중 적어도 2개 이상인 라만 분광 신호 다중 분석 방법.
  4. 제1항에 있어서, 상기 라만 신호로부터 추출되는 특성 파라미터는,
    2D 픽, G 픽, D픽에 대한 세기나 세기의 비, 위치나 위치 비, 소정 위치에서의 폭의 크기, 레이저 파장 및 세기 중 적어도 2개 이상인 라만 분광 신호 다중 분석 방법.
  5. 제1항 또는 제2항에 있어서, 상기 라만 신호로부터 추출되는 특성 파라미터는,
    2D 픽의 세기, G 픽의 세기, 2D 픽과 G 픽의 세기의 비, 2D 픽의 위치, G 픽의 위치, 레이저 파장, 레이저 세기, D 픽의 세기, D 픽의 위치, 2D 픽과 D 픽의 세기 비, G 픽과 D 픽의 세기 비, 2D 픽과 G 픽의 위치비, 2D 픽과 D 픽의 위치 비, G 픽과 D 픽의 위치 비, 2D 픽의 복수 위치에서의 폭의 크기, G 픽이 복수 위치에서의 폭의 크기, D 픽의 복수의 위치에서의 폭의 크기 중 앞에서부터 순서대로 복수개를 포함하는 라만 분광 신호 다중 분석 방법.
  6. 제5항에 있어서, 상기 복수 위치에서의 폭의 크기는, 픽의 10% 폭, 25% 폭, 33% 폭, 50% 폭(반치폭), 66% 폭, 75% 폭, 90% 폭 중 적어도 둘 이상인 라만 분광 신호 다중 분석 방법.
  7. 제5항에 있어서, 상기 다중 분석 알고리즘은 인공 신경망 알고리즘인 라만 분광 신호 다중 분석 방법.
  8. 제7항에 있어서, 상기 샘플 및 측정 대상체는 2차원 물질을 포함하는 라만 분광 신호 다중 분석 방법.
  9. 제8항에 있어서, 상기 2차원 물질은, 그래핀, MoS2, WS2, WSe2 중 적어도 어느 하나인 라만 분광 신호 다중 분석 방법.
  10. 제5항에 있어서, 상기 샘플 및 측정 대상체는 2차원 물질을 포함하는 라만 분광 신호 다중 분석 방법.
  11. 제10항에 있어서, 상기 2차원 물질은, 그래핀, MoS2, WS2, WSe2 중 적어도 어느 하나인 라만 분광 신호 다중 분석 방법.
  12. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 다중 분석 알고리즘은 인공 신경망 알고리즘인 라만 분광 신호 다중 분석 방법.
  13. 제12항에 있어서, 상기 샘플 및 측정 대상체는 2차원 물질을 포함하는 라만 분광 신호 다중 분석 방법.
  14. 제13항에 있어서, 상기 2차원 물질은, 그래핀, MoS2, WS2, WSe2 중 적어도 어느 하나인 라만 분광 신호 다중 분석 방법.
  15. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 샘플 및 측정 대상체는 2차원 물질을 포함하는 라만 분광 신호 다중 분석 방법.
  16. 제15항에 있어서, 상기 2차원 물질은, 그래핀, MoS2, WS2, WSe2 중 적어도 어느 하나인 라만 분광 신호 다중 분석 방법.
KR1020140135957A 2014-10-08 2014-10-08 라만 분광 신호 다중 분석 방법 KR20160041622A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140135957A KR20160041622A (ko) 2014-10-08 2014-10-08 라만 분광 신호 다중 분석 방법
US14/694,666 US20160103070A1 (en) 2014-10-08 2015-04-23 Method for multiple analysis of raman spectroscopy signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140135957A KR20160041622A (ko) 2014-10-08 2014-10-08 라만 분광 신호 다중 분석 방법

Publications (1)

Publication Number Publication Date
KR20160041622A true KR20160041622A (ko) 2016-04-18

Family

ID=55655258

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140135957A KR20160041622A (ko) 2014-10-08 2014-10-08 라만 분광 신호 다중 분석 방법

Country Status (2)

Country Link
US (1) US20160103070A1 (ko)
KR (1) KR20160041622A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102271995B1 (ko) * 2021-01-12 2021-07-05 국방과학연구소 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241846B (zh) * 2016-12-26 2021-03-05 同方威视技术股份有限公司 用于识别拉曼谱图的方法
KR102282867B1 (ko) * 2018-04-06 2021-07-27 브라스켐 아메리카, 인크. 품질 관리를 위한 라만 분광법 및 머신 러닝
US12025561B2 (en) * 2019-04-15 2024-07-02 Ohio State Innovation Foundation Material identification through image capture of Raman scattering
CN111398243A (zh) * 2020-04-02 2020-07-10 中南大学 用于钨浮选精矿品位在线检测的光纤拉曼***及方法
CN112577943B (zh) * 2020-12-11 2021-08-10 广东食品药品职业学院 一种阵列式表面拉曼增强基底及其制备方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8153240B2 (en) * 2003-10-03 2012-04-10 College Of William And Mary Carbon nanostructures and methods of making and using the same
WO2009035942A1 (en) * 2007-09-13 2009-03-19 Chemimage Corporation Distinguishing between renal oncocytoma and chromophobe renal cell carcinoma using raman molecular imaging
EP2525213A1 (en) * 2011-05-16 2012-11-21 Renishaw plc Spectroscopic apparatus and methods for determining components present in a sample

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102271995B1 (ko) * 2021-01-12 2021-07-05 국방과학연구소 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템

Also Published As

Publication number Publication date
US20160103070A1 (en) 2016-04-14

Similar Documents

Publication Publication Date Title
KR20160041622A (ko) 라만 분광 신호 다중 분석 방법
CA2866893C (en) Devices having an integrated computational element and a proximal interferent monitor and methods for determining a characteristic of a sample therewith
US9658149B2 (en) Devices having one or more integrated computational elements and methods for determining a characteristic of a sample by computationally combining signals produced therewith
CN108700524B (zh) 图案化结构中的基于拉曼光谱法的测量
US8912477B2 (en) Methods and devices for optically determining a characteristic of a substance
US9702811B2 (en) Methods and devices for optically determining a characteristic of a substance using integrated computational elements
US9383307B2 (en) Methods and devices for optically determining a characteristic of a substance
US9080943B2 (en) Methods and devices for optically determining a characteristic of a substance
AU2013391450B2 (en) Discriminant analysis used with optical computing devices
US9097649B2 (en) Optical design techniques for providing favorable fabrication characteristics
Cook et al. Predicting strength distributions of MEMS structures using flaw size and spatial density
US10317337B2 (en) Reverse design technique for optical processing elements
AU2013388966B2 (en) Optical sensor optimization and system implementation with simplified layer structure
Schmetz et al. Decision support by interpretable machine learning in acoustic emission based cutting tool wear prediction
US9430590B2 (en) Optical design techniques for environmentally resilient optical computing devices
Hu et al. Microscopical Quantification of Ion‐Induced Nanodefects in Monolayer MoS2 Based on Differential Reflectance
US9645086B2 (en) Componential analysis method, componential analysis apparatus and non-transitory computer-readable recording medium
Yang et al. Similarity ratio analysis for early stage fault detection with optical emission spectrometer in plasma etching process

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid