Efficient Multicasting Mechanism for Mobile Computing Environment Machine learning Model to estimate Nitrogen Ion State using Traingng Data from Plasma Sheath Monitoring Sensor

Plasma Sheath Monitoring Sensor 데이터를 활용한 질소이온 상태예측 모형의 기계학습

The plasma process, which has many advantages in terms of efficiency and environment compared to conventional process methods, is widely used in semiconductor manufacturing. Plasma Sheath is a dark region observed between the plasma bulk and the chamber wall surrounding it or the electrode. The Plasma Sheath Monitoring Sensor (PSMS) measures the difference in voltage between the plasma and the electrode and the RF power applied to the electrode in real time. The PSMS data, therefore, are expected to have a high correlation with the state of plasma in the plasma chamber. In this study, a model for predicting the state of nitrogen ions in the plasma chamber is training by a deep learning machine learning techniques using PSMS data. For the data used in the study, PSMS data measured in an experiment with different power and pressure settings were used as training data, and the ratio, flux, and density of nitrogen ions measured in plasma bulk and Si substrate were used as labels. The results of this study are expected to be the basis of artificial intelligence technology for the optimization of plasma processes and real-time precise control in the future.

기존의 공정방식에 비해 효율성이나 환경적 면에서 많은 장점을 가진 플라즈마 공정은 반도체 제작에서 널리 사용되고 있다. Plasma Sheath란 플라즈마 bulk와 그 것을 둘러싸고 있는 챔버 벽면과 전극 사이에서 관찰되는 어두운 영역으로 양이온과 전자의 이동속도 차이로 인해 발생한다. Plasma Sheath Monitoring Sensor (PSMS)는 플라즈마와 전극 사이의 전압(Voltage) 차이와 전극에 걸리는 RF power 등을 실시간으로 측정하는 센서로서 플라즈마 챔버 내에서 플라즈마의 상태와 매우 상관도가 높을 것으로 기대된다. 본 연구에서는 PSMS 데이터를 활용하여 플라즈마 챔버 내의 질소이온의 상태를 예측하는 모형을 딥러닝 기계학습 기법을 이용하여 구축하였다. 연구에 사용된 데이터는 파워와 압력을 달리 셋팅한 실험에서 측정된 PSMS 데이터를 학습데이터로 활용하고 플라즈마 bulk와 Si substrate에서 측정된 질소 이온의 비율, 플럭스, 밀도를 레이블로 활용하였다. 본 연구의 결과는 향후 플라즈마 공정의 최적화 및 실시간 정밀제어를 위한 인공지능 기술의 기초가 될 것으로 기대된다.