KR102587791B1 - 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법 - Google Patents
미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법 Download PDFInfo
- Publication number
- KR102587791B1 KR102587791B1 KR1020210192119A KR20210192119A KR102587791B1 KR 102587791 B1 KR102587791 B1 KR 102587791B1 KR 1020210192119 A KR1020210192119 A KR 1020210192119A KR 20210192119 A KR20210192119 A KR 20210192119A KR 102587791 B1 KR102587791 B1 KR 102587791B1
- Authority
- KR
- South Korea
- Prior art keywords
- atomic layer
- layer deposition
- machine learning
- model
- microchannel
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000000231 atomic layer deposition Methods 0.000 title claims abstract description 65
- 238000004088 simulation Methods 0.000 title claims abstract description 53
- 239000011148 porous material Substances 0.000 title claims abstract description 49
- 239000000463 material Substances 0.000 title claims description 15
- 239000012530 fluid Substances 0.000 claims abstract description 107
- 238000004458 analytical method Methods 0.000 claims abstract description 100
- 238000010801 machine learning Methods 0.000 claims abstract description 60
- 239000002243 precursor Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 9
- 239000012159 carrier gas Substances 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 5
- 239000013078 crystal Substances 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 5
- 238000006557 surface reaction Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 21
- 230000008901 benefit Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 239000010409 thin film Substances 0.000 description 7
- 238000000151 deposition Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- -1 temperature Substances 0.000 description 1
- 238000000427 thin-film deposition Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/52—Controlling or regulating the coating process
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
- C23C16/45523—Pulsed gas flow or change of composition over time
- C23C16/45525—Atomic layer deposition [ALD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
- Catalysts (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
본 발명은 미세한 영역의 관심 영역을 다수 포함한 넓은 영역의 반응기에서 모델을 세분화하여 시뮬레이션 모델을 구축하고, 기계학습 방법론을 통해 데이터베이스를 구축하여 해석결과를 조속히 얻어 고속 연산을 구현하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법에 관한 것이다.
본 발명의 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 글로벌 모델과 로컬 모델로 구성되는 전산유체해석모델을 구축하고 기계학습을 수행하는 전산유체해석모델 기계학습 단계 및 기계학습을 수행한 결과를 토대로 적어도 두개 이상의 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 수행하는 원자층증착해석 단계를 포함 한다.
본 발명의 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 글로벌 모델과 로컬 모델로 구성되는 전산유체해석모델을 구축하고 기계학습을 수행하는 전산유체해석모델 기계학습 단계 및 기계학습을 수행한 결과를 토대로 적어도 두개 이상의 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 수행하는 원자층증착해석 단계를 포함 한다.
Description
본 발명은 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법에 관한 것으로, 상세하게는, 대면적을 갖지만 패턴화되어 있는 미세채널을 갖거나 또는 다공성 특성을 갖는 피증착물에 대한 원자층증착공정(Atomic Layer Deposition, ALD)에 대해서 전산열유체해석을 고속으로 구현하고, 이를 재료공정장비에 매칭하여 작업을 효율적이고 원활하게 수행하도록 하는 것이다.
박막 성장과 같은 열유체기반의 재료 공정에 있어 열 유체의 조성, 온도, 유체 속도, 히터 파워, 핫존의 구성, 재료 합성 위치 등 다양한 파라미터를 실험적으로 완벽하게 최적화하기는 매우 많은 시행착오를 필요로 하며, 특히 많은 경우, 재료 공정이 일어나는 반응기 영역은 외부에서 시각적으로 모니터링할 수 없어 장비 상에 장착된 다양한 공정 시그널에 의존하여 공정을 제어하게 된다. 이에 따라 전산유체역학(Computational Fluid Dynamics)에 기반한 시뮬레이션 기술이 이러한 열유체반응기의 최적화에 폭넓게 활용되고 있다.
한편, 전산유체역학 시뮬레이션 기법은 유체 현상을 기술하는 비선형 계 편미분방정식인 Navier-Stokes 방정식을 다양한 수치해석기법, 즉 유한차분법(Finite Difference Method), 유한요소법(Finite Element Method), 유한체적법(Finite Volume Method)등의 방법을 사용하여 이산화(discretization)하여 대수방정식으로 변환하고, 이를 수치 기법 알고리즘을 사용하여 유체 유동 문제를 풀고 해석하는 것을 말한다.
최근에는 이러한 유체 해석에 덧붙여 물질이동(Mass transfer), 화학반응(Chemical reaction), 열전달(Heat transfer)등의 다양한 물리현상을 동시에 해석하는 다중물리해석이 보편화되어 있으며 이를 지원하는 다양한 범용 혹은 전용 시뮬레이션 패키지가 상용화되어 있다. 특정 해석 문제에 특화되어 있는 전용 시뮬레이션 패키지는 다양한 문제에 대응할 수 없고 사용자가 직접 코드를 변경 또는 추가할 수 없는 제약이 있는 반면, 시뮬레이션에 이해가 깊지 않은 사용자가 사용하기에는 용이한 장점이 공존하며, 범용 시뮬레이션 패키지는 그 반대로 특정 문제 해석을 위한 솔루션 개발이 비용과 노력이 크게 필요한 반면 다양한 사용자 코드를 추가, 변경할 수 있다. 본 특허의 해석 방법은 따라서 범용의 시뮬레이션 패키지를 활용한 해석 방법을 지칭한다.
이러한 유체 해석 시뮬레이션에 있어 해석의 대상물이 되는 영역 (Domain)은 유한개의 요소(Element)로 나누어 풀이를 하게 되는데, 일반적으로 유체의 해석은 상당히 촘촘한 요소망이 필요하다. 요소망은 관심이 높은 부분에서 특히 촘촘하게 구성해야하지만 넓은 영역의 반응기 내에서 전체 영역을 촘촘하게 구성하여 미세한 영역의 데이터를 정밀하게 얻는 것은 계산 시간이 너무 많이 걸리고 해석과정에서 에러의 가능성도 크다.
그 일례로, 대한민국 공개특허공보 제10-2007-0013839호 에서는 박막의 성장 메커니즘을 모델링 하고 나노 박막 증착기술 중 하나인 원자층증착법(ALD: Atomic Layer Deposition)을 이용하여, 단일 전구체를 이용해서 증착한, 단일성분박막 및 산화막, 질화막, 황화막 등을 포함하는 이성분계박막의 두께와, 두 가지 이상의 전구체들을 시분할 공급하여 순차적으로 증착한, 적어도 세 가지 이상의 성분들을 포함하는 다성분계박막의 두께 및 조성을 예측하기 위한 원자층증착법의 공정 시뮬레이션 방법에 관한 것이다.
그러나 전산유체해석에 있어 요소망은 관심이 높은 부분에서 특히 촘촘하게 구성해야하지만 미세채널을 갖거나 다공성재질을 갖는 피증착물을 ALD 공정으로 증착하는 경우와 같이 넓은 영역의 반응기 내에서 미세한 영역의 데이터를 정밀하게 구하기 위해 전체 모델의 요소망모델 역시 촘촘하게 구성해야 하기 때문에 계산 시간이 너무 많이 걸리고 해석과정에서 에러의 가능성도 크기 때문에 이에 대한 특별한 접근방법이 요구된다.
본 발명의 목적은, 미세한 영역의 관심 영역을 다수 포함한 넓은 영역의 반응기에서 모델을 세분화하여 시뮬레이션 모델을 구축하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법을 제공하는 것이다.
본 발명은 기계학습 (Machine Learning) 방법론을 통해 데이터베이스를 구축하여 해석결과를 조속히 얻어 고속 연산을 구현하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법을 제공하는데 또 다른 목적이 있다.
본 발명에 따른 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 글로벌 모델과 로컬 모델로 구성되는 전산유체해석모델을 구축하고 기계학습을 수행하는 전산유체해석모델 기계학습 단계 및 기계학습을 수행한 결과를 토대로 적어도 두개 이상의 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 수행하는 원자층증착해석 단계를 포함 할 수 있다.
여기서, 전산유체해석모델 기계학습 단계는 전산유체해석모델을 이용하여 실측데이터와 합치되는 실험결과를 얻어 전산유체해석모델의 정확도를 확보한 후, 미세채널 또는 다공성재질의 유체인입부와 배출부에서의 유체 흐름을 글로벌 모델로 도출하여 이를 로컬 모델에 적용하고 미세채널 내부의 세부적인 유체거동을 정밀해석하는 한편, 미세채널 내의 유체 흐름을 유체인입부와 배출부의 유체압력에 따라 기계학습을 수행한 결과를 데이터베이스에 저장할 수 있다.
또한, 원자층증착해석 단계는 미세채널 또는 다공성재질의 유체인입부와 배출부에서의 유체 흐름에 대한 특성을 데이터베이스에서 추출하여 원자층증착해석을 수행할 수 있다.
여기서, 정확도를 확보하는 것은 물리현상, 메쉬크기 및 표면 반응을 감안하여 위치별 결정성장속도값(싸이클당 성장율)이 실험데이터와 기준값 이상 합치되는 전산유체해석모델을 채택할 수 있다.
또한, 전산유체해석모델 기계학습 단계에서는 글로벌 모델은 나비에-스토크스(Navier-Stokes) 방정식으로 전체적인 반응기 해석을 수행하여 주기성이 높은 종횡비 다공성 매질의 경계에 대한 흐름 프로파일을 도출할 수 있다.
여기서, 전산유체해석모델 기계학습 단계에서는 로컬 모델은 관심의 대상이 되는 미세 채널의 해석을 위해 다공성매질의 해석 방법인 Darcy 법칙을 활용하여 해석할 수 있다.
또한, 기계학습은 입력층의 입력으로 온도, 압력, 캐리어기체의 몰분률, 전구체의 몰분률, 캐리어기체의 확산율, 전구체의 확산율, 및 투자율(Permeability)을 적용하는 인공신경망을 사용할 수 있다.
여기서, 기계학습은 적어도 2계층 이상의 은닉층을 적용하는 인공신경망을 사용할 수 있다.
또한, 기계학습은 미세채널 또는 다공성재질을 갖는 피증착물의 표면 피복률(surface coverage)을 출력층으로 적용하는 인공신경망을 사용할 수 있다.
여기서, 표면 피복률(surface coverage)은 미세채널 또는 다공성재질을 갖는 피증착물의 시작 지점과 끝 지점에서의 압력에 따라 깊이방향(hole depth)으로의 표면 피복률(surface coverage) 경향을 포함할 수 있다.
본 발명에 의한 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 미세한 영역의 관심 영역을 다수 포함한 넓은 영역의 반응기에서 모델을 세분화하여 시뮬레이션 모델을 구축하는 장점이 있다.
또한, 본 발명에 의한 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 기계학습 (Machine Learning) 방법론을 통해 데이터베이스를 구축하여 해석결과를 조속히 얻어 고속 연산을 구현할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법을 나타낸 순서도이다.
도 2는 도 1의 전산유체모델을 적용할 수 있는 일례로 샤워헤드타입의 원자층증착공정 시스템을 나타낸 도면이다.
도 3은 도 1의 로컬 모델의 해석 방법의 일례로 다공성매질의 해석 방법인 Darcy 법칙을 활용한 등가 모델을 나타낸 도면이다.
도 4는 도 1의 전산유체해석모델 기계학습 단계를 상세하게 나타낸 구성도이다.
도 5는 도 1의 원자층증착해석 단계를 상세하게 나타낸 구성도이다.
도 6은 도 1의 전산유체모델의 일례로 글로벌 모델을 구축하는 사례를 도시한 예시이다.
도 7은 도 1에서 글로벌-로컬모델 통합 해석의 고속화를 위해 활용할 기계학습을 위한 신경망모델의 예시이다.
도 8은 도 1에서 기계학습의 결과를 활용하여 해석을 수행하는 예시이다.
도 2는 도 1의 전산유체모델을 적용할 수 있는 일례로 샤워헤드타입의 원자층증착공정 시스템을 나타낸 도면이다.
도 3은 도 1의 로컬 모델의 해석 방법의 일례로 다공성매질의 해석 방법인 Darcy 법칙을 활용한 등가 모델을 나타낸 도면이다.
도 4는 도 1의 전산유체해석모델 기계학습 단계를 상세하게 나타낸 구성도이다.
도 5는 도 1의 원자층증착해석 단계를 상세하게 나타낸 구성도이다.
도 6은 도 1의 전산유체모델의 일례로 글로벌 모델을 구축하는 사례를 도시한 예시이다.
도 7은 도 1에서 글로벌-로컬모델 통합 해석의 고속화를 위해 활용할 기계학습을 위한 신경망모델의 예시이다.
도 8은 도 1에서 기계학습의 결과를 활용하여 해석을 수행하는 예시이다.
본 발명의 실시를 위한 구체적인 실시예를 첨부된 도면들을 참조하여 설명한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 의도는 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법에 대해 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법을 나타낸 순서도이며, 도 2 내지 도 8은 도 1을 상세히 설명하기 위한 세부 도면, 구성도, 및 예시이다.
이하, 도 1 내지 도 8을 참조하여 본 발명의 일 실시예에 따른 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법을 설명한다.
먼저, 도 1을 참조하면, 본 발명의 일 실시예에 따른 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 글로벌 모델(100)과 로컬 모델(200)로 구성되는 전산유체해석모델을 구축하고 기계학습을 수행하는 단계(S100) 및 기계학습을 수행한 결과를 토대로 적어도 두개 이상의 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 수행하는 단계(S200)를 포함 할 수 있다.
여기서, 전산유체해석모델 기계학습 단계(S100)는 전산유체해석모델을 이용하여 실측데이터와 합치되는 실험결과를 얻어 전산유체해석모델의 정확도를 확보한 후, 미세채널 또는 다공성재질의 유체인입부와 배출부에서의 유체 흐름을 글로벌 모델(100)로 도출하여 이를 로컬 모델(200)에 적용하고 미세채널 내부의 세부적인 유체거동을 정밀해석하는 한편, 미세채널 내의 유체 흐름을 유체인입부와 배출부의 유체압력에 따라 기계학습을 수행한 결과를 데이터베이스(300)에 저장한다.
또한, 원자층증착해석 단계(S200)는 미세채널 또는 다공성재질의 유체인입부와 배출부에서의 유체 흐름에 대한 특성을 데이터베이스(300)에서 추출하여 원자층증착해석을 수행한다.
여기서, 정확도를 확보하는 것은 물리현상, 메쉬크기 및 표면 반응을 감안하여 위치별 결정성장속도값(싸이클당 성장율)이 실험데이터와 기준값 이상 합치되는 전산유체해석모델을 채택한다.
기계학습(Machine Learning)을 이용한 인공지능은 열유체해석에도 적용되기 시작하였으며, 열유체해석에 기계학습을 적용하는 경우 기존의 전산유체해석기반의 다중물리해석에 있어 획기적으로 계산 속도를 향상시킬 수 있다고 보고되고 있다. Tsunooka 등은 기계학습을 SiC단결정의 용액성장공정에 토대로 기존의 전산유체역학(Computational Fluid Dynamics;CFD)에 의한 시뮬레이션 방법 대비 107(천만)배 빠른 고속 시뮬레이션 기법을 구현한 바 있으며, 이 방법이 결정성장공정의 설계와 제어에 널리 활용될 수 있다고 제안하였다(Y. Tsunooka, N. Kokubo, G. Hatasa, S. Harada, M. Tagawa, T. Ujihara, CrystEngComm 2018, 20, 6546).
따라서 본 발명에서는 이러한 기계학습을 활용한 계산속도 향상에 촛점을 맞추어 글로벌 모델(100)과 로컬 모델(200)로 구성되는 전산유체해석모델을 구축하고 이를 이용하여 실측데이터와 합치되는 실험결과를 얻어 모델의 정확도를 확보한 후, 전산유체해석모델 기계학습 단계(S100)에서, 각 미세채널 또는 다공성재질의 유체인입부와 배출부에서의 유체 흐름을 글로벌 모델(100)로 도출하여 이를 로컬 모델(200)에 적용하고 채널 내부의 세부적인 유체 거동을 정밀해석하는 한편, 미세 채널 내의 유체 흐름을 유체인입부와 배출부의 유체 압력에 따라 기계학습을 통하여 데이터베이스화시켜 원자층증착해석 단계(S200)에서, 글로벌 모델(100)의 해석만으로 단시간에 패턴화된 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 고속화할 수 있다.
예를 들어 전산유체해석모델 기계학습 단계(S100)에서, 미세 채널을 갖는 알루미늄 판재에 대한 원자층증착 시뮬레이션을 예로 들 경우 시뮬레이션 데이터와 비교하기 위한 입력 파라미터 및 공정 시그널(공정 데이터)을 미세 채널을 갖는 대면적의 알루미늄 판재상에 Al2O3 박막을 증착하는 원자층증착실험으로 구한다.
측정온도 및 공정압력, 전구체의 사이클을 입력값으로 하여 실리콘 상에 도포되는 박막 두께를 엘립소미터를 이용하여 측정하고, 이를 공정 데이터로 하여 시뮬레이션의 입력 파라미터와 비교한다.
이때, 적용되는 물리현상, 메쉬크기 및 표면 반응을 감안하여 위치별 결정성장속도값(싸이클당 성장율)이 실험데이터와 90%이상 합치되는 시뮬레이션 모델을 구한다. 위 90%는 예시적인 수치이며, 이러한 수치는 필요에 따라서 변동 가능하다.
따라서, 실험 데이터를 토대로 시뮬레이션 모델을 검증함으로써, 전산유체해석모델을 신뢰성 있게 구축할 수 있는 장점이 있으며, 기계학습을 수행할 결과를 데이터베이스(300)에 저장하고 이를 활용함으로써, 단시간에 패턴화된 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 고속화할 수 있다.
도 2는 도 1의 전산유체모델을 적용할 수 있는 일례로 샤워헤드타입의 원자층증착공정 시스템을 나타낸 도면이다. 도 2에서 볼 수 있는 바와 같이, 도2에 도시한 바와 같이 샤워헤드타입의 원자층증착공정 시스템은 유체가 인입되는 유체 인입부(410), 유체가 통과하는 샤워헤드 노즐(460), 유체가 배출되는 배출부(430), 샤워헤드 노즐(460)이 구비된 챔버의 상단 벽(450), 및 챔버의 상단 벽(450) 하단에 위치한 핫 플레이트(440)로 구성된다. 실제 기판의 마이크로 채널(470)은 실제 샤워헤드 노즐(460)에 대한 단면을 보여주고 있다.
등가 다공성 기판(420)은 시뮬레이션을 위해 다공성 기판을 등가적으로 도시한 것이다.
즉, 유체 인입부(410)로 유체가 인입되어 다수의 샤워헤드 노즐(460)을 통과하여야 하는데, 이때, 샤워헤드 노즐(460)의 입구가 유체 인입부(410)와의 거리에 따라 압력 분포가 모두 다르므로, 시뮬레이션이 매우 복잡하다.
본 발명은, 하나의 샤워헤드 노즐(460)에 대해 유체 인입부(410)와 배출부(430)에서의 압력을 토대로 실험 결과와 비교하고 이를 기계학습을 수행하여 데이터베이스화함으로써, 단시간에 패턴화된 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 고속화할 수 있는 장점이 있다.
도 3은 도 1의 로컬 모델(200)의 해석 방법의 일례로 다공성매질의 해석 방법인 Darcy 법칙을 활용한 등가 모델을 나타낸 도면이다. 도 3에서 알 수 있는 바와 같이, 다공성매질을 해석하기 위해 이를 단순화할 필요가 있는데, 로컬 모델(200)에서 다수의 샤워헤드 노즐(460) 간의 간격, 샤워헤드 노즐(460)의 직경, 샤워헤드 노즐(460)의 길이를 토대로 다공성매질의 해석 방법인 Darcy 법칙을 활용하여 해석함으로써, 등가 모델을 사용하고 이를 글로벌 모델(100)과 상호 작용함으로써, 단시간에 패턴화된 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 고속화할 수 있는 장점이 있다.
도 4는 도 1의 전산유체해석모델 기계학습 단계(S100)를 상세하게 나타낸 구성도이다.
도 4에서 볼 수 있는 바와 같이, 전산유체해석모델 기계학습 단계(S100)에서는 글로벌 모델(100)은 나비에-스토크스(Navier-Stokes) 방정식으로 전체적인 반응기 해석을 수행하여 주기성이 높은 종횡비 다공성 매질의 경계에 대한 흐름 프로파일을 도출한다.
여기서, 전산유체해석모델 기계학습 단계(S100)에서는 로컬 모델(200)은 관심의 대상이 되는 미세 채널의 해석을 위해 다공성매질의 해석 방법인 Darcy 법칙을 활용하여 해석한다.
전산유체해석모델 기계학습 단계(S100)에서 글로벌 모델(100)은 나비에-스토크스(Navier-Stokes) 방정식으로 전체적인 반응기 해석을 수행하여 주기성이 높은 종횡비 다공성 매질의 경계에 대한 유체 흐름 프로파일을 도출할 수 있고, 로컬 모델(200)은 관심의 대상이 되는 미세 채널의 해석을 위해 다공성매질의 해석 방법인 Darcy 법칙을 활용하여 해석을 수행할 수 있다.
이때, 실험 결과로 표면 반응을 관찰하여 모델을 업데이트하고 기계학습을 수행하여 그 결과를 데이터베이스(300)에 저장함으로써, 패턴화된 미세채널 또는 다공성 특성을 갖는 대면적 피증착물에 대한 원자층증착공정(Atomic Layer Deposition)의 전산유체역학해석에 있어 원자층증착해석을 신뢰성 있게 수행할 수 있는 장점이 있다.
도 5는 도 1의 원자층증착해석 단계(S200)를 상세하게 나타낸 구성도이다. 도 5에서 알 수 있는 바와 같이, 원자층증착해석 단계(S200)는 전산유체해석모델 기계학습 단계(S100)에서 기계학습을 수행한 결과를 활용하여 원자층증착공정을 시뮬레이션하는 단계로서, 전산유체해석모델 기계학습 단계(S100)에서와 마찬가지로, 글로벌 모델(100)은 나비에-스토크스(Navier-Stokes) 방정식으로 전체적인 반응기 해석을 수행하여 주기성이 높은 종횡비 다공성 매질의 경계에 대한 유체 흐름 프로파일을 도출할 수 있고, 로컬 모델(200)은 관심의 대상이 되는 미세 채널의 유체 인입부(410)와 배출부(430)의 압력 분포에 따라 데이터베이스(300)에 저장된 기계학습의 결과를 토대로 기 해석된 결과를 사용함으로써 전체적인 반응기의 시뮬레이션을 고속으로 수행할 수 있는 장점이 있다.
도6 내지 8은 상기에 제시한 방법론의 금속산화물 ALD 증착실험에 대한 실시예로서, 도 6 내지 8에서 상세히 설명한다.
도 6은 도 1의 전산유체모델의 일례로 글로벌 모델(100)을 구축하는 사례를 도시한 예시이다. 도 6에서 볼 수 있는 바와 같이, 도 6은 Al2O3 층을 ALD 공정으로 성장시키는 경우 Al 소스로 널리 활용되는 TMA(TriaMethylAluminum)를 적용한 경우의 글로벌 모델(100)의 구축 사례를 도시한 것이다.
이는 전구체의 증기압, 확산율 및 성장특성등 여러가지 변수에 의해 영향을 받는 시뮬레이션 모델의 정확도를 검증하기 위한 실험으로서 TMA를 토대로 제시한 바와 같은 공극을 갖는 피증착물에 0.3s 의 전구체 주입시간(Pulse time)을 적용한 실험에 대한 글로벌모델 시뮬레이션을 진행하고 그 압력분포를 도시하였다.
여기서, TMA 부분 압력은 무지개색으로 표현할 수 있는데, 보라색으로 갈수록 압력이 낮은 것을 의미하고 붉은색으로 갈수록 압력이 높은 것을 의미한다. 또한, TMA 몰분률도 무지개색으로 표현할 수 있는데, 보라색으로 갈수록 몰분률이 낮은 것을 의미하고 붉은색으로 갈수록 몰분률이 높은 것을 의미한다.
한편, 글로벌 모델(100)에서는, TMA 몰분률을 나타내는 색을 참고하면, 유체 인입부(410)에서 TMA가 유입될 경우 유체 인입부(410) 근처에 있는 샤워헤드 노즐(460)의 내부 압력은 높으나 유체 인입부(410)에서 멀어질수록 샤워헤드 노즐(460)의 내부 압력이 낮은 것을 알 수 있다. 즉, 유체 인입부(410)와의 거리(R)가 0mm, 35mm, 및 70mm로 갈수록 TMA 몰분률이 낮아지는 것을 알 수 있다.
또한, 로컬 모델(200)에서는, 유체 인입부(410)와의 거리(R)가 0mm, 35mm, 및 70mm에 위치한 샤워헤드 노즐(460)의 시작 지점 및 끝 지점에서의 압력에 따라 깊이방향(hole depth)으로의 표면 피복률(surface coverage) 경향을 글로벌 모델(100)의 위치별로 얻은 시뮬레이션 결과의 사례로 도시하고 있다. 이렇게 얻은 로컬 모델(200)의 데이터는 다양한 변수를 토대로 기계학습용 훈련 데이터(training data)로 활용이 가능하다.
도 7은 도 1에서 글로벌-로컬모델 통합 해석의 고속화를 위해 활용할 기계학습을 위한 신경망모델의 예시이다.
도 7에서 알 수 있는 바와 같이, 기계학습은 입력층의 입력으로 온도, 압력, 캐리어기체의 몰분률, 전구체의 몰분률, 캐리어기체의 확산율, 전구체의 확산율, 및 투자율(Permeability)을 적용하는 인공신경망을 사용한다.
여기서, 기계학습은 적어도 2계층 이상의 은닉층을 적용하는 인공신경망을 사용한다.
또한, 기계학습은 미세채널 또는 다공성재질을 갖는 피증착물의 표면 피복률(surface coverage)을 출력층으로 적용하는 인공신경망을 사용한다.
여기서, 표면 피복률(surface coverage)은 미세채널 또는 다공성재질을 갖는 피증착물의 시작 지점과 끝 지점에서의 압력에 따라 깊이방향(hole depth)으로의 표면 피복률(surface coverage) 경향을 포함한다.
즉, 인공신경망은 입력층, 은닉층, 및 출력층으로 연결되어 있는데, 입력층의 입력으로 온도, 압력, 캐리어기체의 몰분률, 전구체의 몰분률, 캐리어기체의 확산율, 전구체의 확산율, 및 투자율(Permeability)을 사용하고, 2계층으로 이루어진 은닉층을 적용하고 출력층으로 표면 피복률을 얻는 모델을 예시하였다.
여기서, 출력층은 피증착물의 표면피복률로서, 미세채널 및 다공성 재질을 갖는 피증착물의 시작 지점과 끝 지점에서의 압력에 따라 깊이방향으로의 표면 피복률 경향을 포함할 수 있다.
한편, 본 발명에 의한 인공신경망은 도출하고자 하는 출력 데이터별로 입력 데이터를 변화시키거나 은닉층의 계층 수를 가감하는 것도 가능하다.
도 8은 도 1에서 기계학습의 결과를 활용하여 해석을 수행하는 예시이다. 도 8에서 볼 수 있는 바와 같이, 기계학습으로 얻은 고속의 로컬모델 결과를 DB화 했을 경우 얻을 수 있는 해석단계의 일례를 도시한 것으로서, 기계학습 적용 전 글로벌 모델(100)과 로컬 모델(200)의 복잡하고 장시간이 소요되는 상호의존적인 반복 계산과정을 생략하고 단지 글로벌 모델(100)의 해석만으로 수치적으로 DB화하여 데이터베이스(300)에 저장한 로컬 모델(200)의 데이터를 읽어들임으로써 단시간에 해당소재에 대한 해석이 가능하다.
따라서, 본 발명에 의한 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 해석의 고도화, 고속화 뿐 아니라 장비 및 피증착물의 증착거동에 대한 모니터링이 가능한 장점이 있다.
이상과 같이 본 발명에 따른 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법은 미세한 영역의 관심 영역을 다수 포함한 넓은 영역의 반응기에서 모델을 세분화하여 시뮬레이션 모델을 구축하는 장점이 있으며, 기계학습 (Machine Learning) 방법론을 통해 데이터베이스를 구축하여 해석결과를 조속히 얻어 고속 연산을 구현할 수 있는 장점이 있다.
상술한 것은 하나 이상의 실시예의 실례를 포함한다. 물론, 상술한 실시예들을 설명할 목적으로 컴포넌트들 또는 방법들의 가능한 모든 조합을 기술할 수 있는 것이 아니라, 당업자들은 다양한 실시예의 많은 추가 조합 및 치환할 수 있음을 인식할 수 있다. 따라서 설명한 실시예들은 첨부된 청구범위의 진의 및 범위 내에 있는 모든 대안, 변형 및 개조를 포함하는 것이다.
410 : 유체 인입부, 420 : 다공성 기판
430 : 배출부 440 : 핫 플레이트
450 : 상단 벽 460 : 샤워헤드 노즐
470 : 마이크로 채널
430 : 배출부 440 : 핫 플레이트
450 : 상단 벽 460 : 샤워헤드 노즐
470 : 마이크로 채널
Claims (10)
- 글로벌 모델과 로컬 모델로 구성되는 전산유체해석모델을 구축하고 기계학습을 수행하는 전산유체해석모델 기계학습 단계; 및
상기 기계학습을 수행한 결과를 토대로 적어도 두개 이상의 미세채널 또는 다공성재질을 갖는 피증착물의 원자층증착해석을 수행하는 원자층증착해석 단계;를 포함한 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 1항에 있어서,
상기 전산유체해석모델 기계학습 단계는, 상기 전산유체해석모델을 이용하여 실측데이터와 합치되는 실험결과를 얻어 상기 전산유체해석모델의 정확도를 확보한 후, 상기 미세채널 또는 상기 다공성재질의 유체인입부와 배출부에서의 유체 흐름을 상기 글로벌 모델로 도출하여 이를 상기 로컬 모델에 적용하고 상기 미세채널 내부의 세부적인 유체거동을 정밀해석하는 한편, 상기 미세채널 내의 유체 흐름을 상기 유체인입부와 상기 배출부의 유체압력에 따라 상기 기계학습을 수행한 결과를 데이터베이스에 저장하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 2항에 있어서,
상기 원자층증착해석 단계는, 상기 미세채널 또는 상기 다공성재질의 유체인입부와 배출부에서의 유체 흐름에 대한 특성을 상기 데이터베이스에서 추출하여 상기 원자층증착해석을 수행하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 2항에 있어서,
상기 정확도를 확보하는 것은, 물리현상, 메쉬크기 및 표면 반응을 감안하여 위치별 결정성장속도값(싸이클당 성장율)이 실험데이터와 기준값 이상 합치되는 상기 전산유체해석모델을 채택하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 1항에 있어서,
상기 전산유체해석모델 기계학습 단계에서는, 상기 글로벌 모델은 나비에-스토크스(Navier-Stokes) 방정식으로 전체적인 반응기 해석을 수행하여 주기성이 높은 종횡비 다공성 매질의 경계에 대한 흐름 프로파일을 도출하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 1항에 있어서,
상기 전산유체해석모델 기계학습 단계에서는, 상기 로컬 모델은 관심의 대상이 되는 미세 채널의 해석을 위해 다공성매질의 해석 방법인 Darcy 법칙을 활용하여 해석하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 1항에 있어서,
상기 기계학습은, 입력층의 입력으로 온도, 압력, 캐리어기체의 몰분률, 전구체의 몰분률, 캐리어기체의 확산율, 전구체의 확산율, 및 투자율(Permeability)을 적용하는 인공신경망을 사용하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 1항에 있어서,
상기 기계학습은, 적어도 2계층 이상의 은닉층을 적용하는 인공신경망을 사용하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 1항에 있어서,
상기 기계학습은, 상기 미세채널 또는 상기 다공성재질을 갖는 피증착물의 표면 피복률(surface coverage)을 출력층으로 적용하는 인공신경망을 사용하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법. - 제 9항에 있어서,
상기 표면 피복률(surface coverage)은, 상기 미세채널 또는 상기 다공성재질을 갖는 피증착물의 시작 지점과 끝 지점에서의 압력에 따라 깊이방향(hole depth)으로의 표면 피복률(surface coverage) 경향을 포함하는 것을 특징으로 하는 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210192119A KR102587791B1 (ko) | 2021-12-30 | 2021-12-30 | 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법 |
| PCT/KR2022/018256 WO2023128275A1 (ko) | 2021-12-30 | 2022-11-18 | 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210192119A KR102587791B1 (ko) | 2021-12-30 | 2021-12-30 | 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230102184A KR20230102184A (ko) | 2023-07-07 |
| KR102587791B1 true KR102587791B1 (ko) | 2023-10-12 |
Family
ID=86999443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210192119A Active KR102587791B1 (ko) | 2021-12-30 | 2021-12-30 | 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102587791B1 (ko) |
| WO (1) | WO2023128275A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018162205A (ja) | 2017-03-17 | 2018-10-18 | アプライド マテリアルズ インコーポレイテッドＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ | 原子層堆積による多孔質体の耐プラズマ性コーティング |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100715862B1 (ko) | 2005-07-27 | 2007-05-11 | 한국과학기술원 | 원자층증착법 시뮬레이션 방법 |
| US10747210B2 (en) * | 2017-09-11 | 2020-08-18 | Lam Research Corporation | System and method for automating user interaction for semiconductor manufacturing equipment |
| US10359769B2 (en) * | 2017-09-15 | 2019-07-23 | Applied Materials, Inc. | Substrate routing and throughput modeling |
| WO2020205339A1 (en) * | 2019-03-29 | 2020-10-08 | Lam Research Corporation | Model-based scheduling for substrate processing systems |
-
2021
- 2021-12-30 KR KR1020210192119A patent/KR102587791B1/ko active Active
-
2022
- 2022-11-18 WO PCT/KR2022/018256 patent/WO2023128275A1/ko active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018162205A (ja) | 2017-03-17 | 2018-10-18 | アプライド マテリアルズ インコーポレイテッドＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ | 原子層堆積による多孔質体の耐プラズマ性コーティング |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230102184A (ko) | 2023-07-07 |
| WO2023128275A1 (ko) | 2023-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Colin et al. | Validation of a second-order slip flow model in rectangular microchannels | |
| Christofides et al. | Control and optimization of multiscale process systems | |
| Rasoulian et al. | A robust nonlinear model predictive controller for a multiscale thin film deposition process | |
| Grimmer et al. | Simulation before fabrication: A case study on the utilization of simulators for the design of droplet microfluidic networks | |
| Ding et al. | Machine learning-based modeling and operation of plasma-enhanced atomic layer deposition of hafnium oxide thin films | |
| KR102587791B1 (ko) | 미세채널을 갖거나 다공성재질을 갖는 피증착물에 대한 원자층증착 시뮬레이션 방법 | |
| US10108762B2 (en) | Tunable miniaturized physical subsurface model for simulation and inversion | |
| Zhuang et al. | Numerical simulation of atomic layer deposition for thin deposit formation in a mesoporous substrate | |
| Grimmer et al. | Designing droplet microfluidic networks | |
| Arbat et al. | Using computational fluid dynamics to predict head losses in the auxiliary elements of a microirrigation sand filter | |
| Higgins et al. | Theory of meniscus shape in film flows. A synthesis | |
| Schlatter et al. | Structure of a turbulent boundary layer studied by DNS | |
| Rashidi et al. | Variational iteration method for two-dimensional steady slip flow in micro-channels | |
| Domingo et al. | From discrete and iterative deconvolution operators to machine learning for premixed turbulent combustion modeling | |
| Ruiz-Díaz et al. | Two-phase oil and water flow pattern identification in vertical pipes applying long short-term memory networks | |
| Choo et al. | Simulation‐based design and experimental evaluation of a spatially controllable CVD reactor | |
| Gibis et al. | Heat-transfer effects in compressible turbulent boundary layers–a regime diagram | |
| Shaeri | Reactor scale simulation of atomic layer deposition | |
| Kou et al. | Deep multi-field network for physical and concentration field prediction of TDM reactor under different carbon particle distributions | |
| Wu et al. | FMEnets: Flow, Material, and Energy networks for non-ideal plug flow reactor design | |
| Zhang et al. | Run-to-run control of thermal atomic layer deposition | |
| Zhang et al. | Accelerated phase equilibrium predictions for subsurface reservoirs using deep learning methods | |
| Jones III et al. | Numerical simulation and verification of gas transport during an atomic layer deposition process | |
| US20250021719A1 (en) | Method for calculating the pressure loss in an inflow control valve in a well in the presence of flow confluence | |
| Shenoy et al. | Exploring fluid flow through an orifice in an asymmetric serpentine microfluidic channel |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20211230 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20230918 |
|
| PG1601 | Publication of registration |