딥러닝으로 반도체 공정의 미래를 엿보다: 실시간, 비접촉 식각 깊이 예측 기술

본 연구는 머신러닝 기반의 비접촉, in-situ 식각 깊이 예측 프레임워크를 제시하여 반도체 제조 공정의 효율성과 안정성을 향상시키는 혁신적인 기술을 선보였습니다. 인공 신경망(ANN)과 베이지안 신경망(BNN)을 활용한 예측 모델과 디지털 영상 색채 분석(DIC) 데이터 기반 예측의 성공적인 결과는 실시간 공정 모니터링 분야의 새로운 가능성을 제시합니다.

반도체 제조의 핵심, 식각 깊이 정밀 제어

반도체 제조 과정에서 이산화규소나 질화규소와 같은 절연체의 두께 및 식각 깊이를 정확하게 모니터링하는 것은 품질과 수율을 결정짓는 매우 중요한 요소입니다. 기존의 ex-situ 분석 방법은 정확하지만 시간 지연과 오염 위험이라는 치명적인 단점을 가지고 있습니다.

혁신적인 해결책: 머신러닝 기반의 비접촉, in-situ 예측

강민지, 김성호 등 13명의 연구진은 이러한 문제를 해결하기 위해 머신러닝 기법을 활용한 획기적인 비접촉, in-situ 식각 깊이 예측 프레임워크를 개발했습니다. 이 연구는 크게 두 가지 시나리오로 구성됩니다.

시나리오 1: 인공 신경망(ANN)과 베이지안 신경망(BNN)의 만남

첫 번째 시나리오에서는 인공 신경망(ANN)을 활용하여 공정 매개변수로부터 평균 식각 깊이를 예측하는 모델을 구축했습니다. 선형 모델과 비교하여 훨씬 낮은 평균 제곱 오차(MSE)를 달성하여 ANN의 우수성을 입증했습니다. 여기서 한 단계 더 나아가, 베이지안 신경망(BNN)을 사용하여 반복 측정으로 인한 변동성까지 고려했습니다. BNN은 알레아토릭(Aleatoric) 및 에피스테믹(Epistemic) 불확실성 모두를 포착하여 신뢰할 수 있는 불확실성 추정치를 제공합니다. 커버리지 분석 결과는 BNN이 신뢰성 있는 불확실성 추정을 제공함을 확인시켜줍니다.

시나리오 2: 디지털 영상 색채 분석(DIC)의 활용

두 번째 시나리오에서는 공정 매개변수 없이도 디지털 영상 색채 분석(DIC)에서 얻은 RGB 데이터를 입력으로 사용하여 식각 깊이를 예측하는 모델을 제시했습니다. 놀랍게도, 이 방법은 공정 매개변수를 명시적으로 사용하지 않고도 높은 성능을 달성했습니다. 이는 DIC와 머신러닝의 통합이 실시간, 비침습적, 비접촉 방식의 in-situ 모니터링에 실용적이고 경제적인 대안임을 시사합니다.

결론: 반도체 공정의 효율성과 안정성 향상

이 연구는 DIC와 ML 기술의 통합을 통해 실시간, 비접촉, 비침습적인 플라즈마 식각 공정 모니터링의 새로운 지평을 열었습니다. 이는 향상된 공정 안정성과 제조 효율성으로 이어져 반도체 산업의 발전에 크게 기여할 것으로 기대됩니다. 이 연구는 단순한 기술적 진보를 넘어, 반도체 제조의 미래를 엿볼 수 있는 중요한 이정표를 제시하고 있습니다.