딥러닝 기반 플라즈마 공정 최적화와 식각 디지털 트윈 연구

Deep Learning-Driven Plasma Process Optimization and Etching Digital Twin Research

연구 내용

딥러닝과 플라즈마 시뮬레이션을 결합하여 식각 공정의 공정창을 탐색하고, 다목적 최적화로 균일도와 식각률을 동시에 만족하는 조건을 도출하는 연구

반도체 식각 공정에서 공정변수 증가에 따라 균일도 등 목표 특성을 만족시키기 위한 시행착오가 커집니다. 본 연구는 2D 플라즈마 시뮬레이션 및 분자동역학 기반 데이터로 딥러닝 모델을 구축하고, 공정조건-플라즈마 상태의 대응관계를 학습해 고속 예측을 수행합니다. 또한 조건부 생성 모델을 활용한 reduced-order modeling으로 이온-표면 상호작용의 에너지·각도 분포를 효율적으로 재현한 뒤, 다목적 particle swarm optimization으로 식각률과 균일도 목표를 동시에 탐색합니다. 이를 통해 실험 반복을 줄이고 공정창을 좁히는 전략을 제공합니다.

관련 프로젝트

3건

연구 흐름

초기에는 플라즈마 공정창 내에서 공정조건과 플라즈마 상태를 연결하는 데이터 기반 모델링을 수행하고, 딥러닝이 시뮬레이션 결과의 물리적 일관성을 재현하는지 검증하는 방향으로 연구를 전개했습니다. 이후 분자동역학으로 확보한 이온-표면 상호작용 특징을 학습하는 reduced-order modeling을 도입하여 HAR 패턴에서 발생하는 이온 궤적 편차를 해석 가능한 형태로 정리했습니다. 최근에는 이를 공정 디지털 트윈 관점으로 확장하여 다목적 최적화로 후보 공정조건을 도출하고, 실험 평가를 통해 모델 기반 공정 설계의 실용성을 높이는 연구를 수행합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

반도체 식각 프로세스 창 최적화
다목적 공정 조건 탐색
HAR 패턴 변형 예측
이온-표면 상호작용 기반 모델링
플라즈마 시뮬레이션 데이터 구축
장비 설계 파라미터 가이드
공정-장치 디지털 트윈 플랫폼
실험 시도 횟수 저감
자동 보정 및 운영 제어
차세대 공정 레시피 도출