업무 입력
목표 두께, 온도 제한, Ar 유량, pulse·purge 조건 및 최적화 목적을 입력합니다.
ALD 박막 공정의 후보를 고를 때, 높은 GPC가 반드시 좋은 해답은 아닙니다. 우리는 실제 실험 데이터를 바탕으로 조건 탐색 → 계산 → 제약 검증 → 근거 보고를 하나의 워크플로로 연결합니다.
UNIVERSITY PROJECT · 가상 기업 · 실험 전 의사결정 지원 · 실제 장비 제어 아님
ALD-OPTIX는 반도체용 Al₂O₃ 박막 공정의 데이터 기반 의사결정을 지원하는 가상 B2B 소재 기업입니다. 공정 엔지니어는 고객의 목표 박막 두께와 장비 조건을 바탕으로 기존 실험자료에서 적합한 레시피 후보를 신속하게 선별해야 합니다.
기존 접근 방식 살펴보기목표 두께, 온도 제한, Ar 유량, pulse·purge 조건 및 최적화 목적을 입력합니다.
제약조건을 만족하는 실측 레시피를 찾고, 성장률(GPC)과 필요한 cycle 및 이론 시퀀스 시간을 비교합니다.
추천 후보와 계산 근거, 적용 한계, 추가 실험 필요성을 담은 공정 검토 보고서를 제공합니다. 조건을 충족하는 후보가 없으면 추천하지 않습니다.
공개 실험자료를 수작업으로 비교하면 출처·단위·제약을 반복 확인해야 합니다. 비교를 위해 GPC만 최대화하는 단순 기준 규칙(v0)을 설정했습니다. 실제 기업의 모든 기존 업무를 대표하는 규칙은 아닙니다.
평균 GPC가 가장 높은 조건을 선택합니다. 성장률을 비교하기 쉽지만 온도·유량·pulse·purge 제약과 전체 시퀀스 시간을 목적함수에 반영하지 않습니다.
먼저 제약을 만족하는 실측 후보만 남기고, 목표 두께에 필요한 cycle과 이론 시퀀스 시간을 계산합니다. 선택한 목적에 따라 비교하고 독립 검증을 거쳐 결과를 제시합니다.
GPC가 높아 cycle 수가 줄어도 purge가 길면 총 시퀀스 시간이 증가할 수 있습니다. 아래 결과에서는 동일한 10 nm 조건의 비교 사례를 확인할 수 있습니다.
수작업 비교만으로는 여러 공정 인자와 GPC의 관계를 정량적으로 평가하거나 모델의 예측 오차를 체계적으로 비교하기 어렵습니다. 머신러닝은 데이터의 패턴을 평가하고, 공학적 계산과 제약 검증은 결과의 안전성과 재현성을 담당합니다.
온도·Ar 유량·pulse·purge와 GPC의 관계를 모델링합니다. 반복 측정을 같은 그룹으로 유지하며 모델 복잡도와 예측 오차를 평가합니다.
역할: GPC 예측 모델의 내부 성능 검증16개 실측 후보를 입력 제약으로 필터링하고 GPC·cycle·이론 시퀀스 시간을 비교합니다. ML 예측으로 미측정 레시피를 생성하지 않습니다.
역할: 결정론적 Python 계산 및 독립 검증구조화 요청, 고정 근거 카드 검색, 계산, 검증, 보고서 생성을 연결합니다. 선택형 LLM Function Calling은 도구 호출을 지원하며, 원래 사용자 제약을 변경할 수 없습니다.
기본: 규칙 기반 · LLM: 모의 호출 검증, 실제 API 미검증목표 두께와 제약을 구조화
사용자 입력논문 기반 실측 조건 검색
근거 카드 / PythonGPC · cycle · 시간 비교
수치 계산실측 범위·제약·한계 점검
검증 게이트근거와 가정을 함께 제시
엔지니어 리포트HTML 기업 홈페이지는 Cloudflare Pages용이며, Python 기반 상세 분석 앱은 Streamlit Community Cloud에 연결할 수 있습니다. 브라우저 미리보기는 공개 JSON으로 계산하며 ML 모델 학습이나 LLM 호출을 실행하지 않습니다.
반복 측정값이 학습·평가에 나뉘어 유입되지 않도록, 동일 레시피의 2회 측정을 같은 그룹으로 묶어 평가했습니다.
학습 데이터 평균을 예측값으로 쓰는 단순 모델을 기준으로 삼았습니다. 기준 MAE는 약 0.123 Å/cycle입니다.
교호작용을 포함한 초기 회귀의 MAE는 약 0.159 Å/cycle로 증가했습니다. 제한된 실험 데이터에서는 복잡도가 높은 모델을 그대로 채택하기 어렵다고 판단했습니다.
그룹 중첩 교차검증으로 모델을 선택했습니다. 외부 검증 fold 16개에서 모두 주효과 모델이 선택되었고, MAE는 약 0.090 Å/cycle였습니다.
중첩 그룹 교차검증 MAE (작을수록 좋음)
측정하지 않은 DOE 조건은 추천하지 않음
온도·유량·pulse·purge 제약 충돌 시 거부
관측 GPC, 계산 시간, 미측정 품질을 구분
자동 테스트로 주요 수치·오류 사례 재확인
같은 요구사항에서 기존 GPC 중심 규칙과 개선한 조건 검증 절차를 비교합니다. 산업 현장 성공률이 아닌 기능 점검 결과입니다.
| 업무 요청 | v0 | v1 | 개선 내용 |
|---|---|---|---|
| 검증 결과를 불러오는 중입니다. | |||
판정 기준: 유효한 실측조건에서 요청 목적을 충족하거나, 불가능한 요청에는 이유를 제시하고 추천하지 않는 것. 막 품질 승인이 아닙니다.
아래 수치는 단일 공개 실험 데이터와 사전에 정의한 검증 사례에서 확인한 소프트웨어 평가 결과입니다. 실제 생산성이나 막 품질의 개선을 실측한 결과는 아닙니다.
평균 기준 0.123 → 중첩 검증 0.090 Å/cycle. 소규모 단일 데이터 내부 평가입니다.
기존 기준 방식과 개선 방식의 조건 충족 및 적절한 거부를 비교했습니다.
동일 계산식의 예시 후보 비교. 실제 장비 시간 절감률은 아닙니다.
기본 공정 제약에서 GPC 최대화와 시퀀스 시간 최소화를 비교한 고정 사례입니다.
| 비교 항목 | 기준 GPC 중심 (v0) | 개선 시간 중심 (v1) |
|---|---|---|
| 온도 · Ar 유량 | 175°C · 10 sccm | 175°C · 10 sccm |
| 각 pulse · purge | 40 ms · 20 s | 20 ms · 10 s |
| 실측 평균 GPC | 1.410 Å/cycle | 1.340 Å/cycle |
| 필요 cycle | 71회 | 75회 |
| 이론 시퀀스 시간 | 47.43분 | 25.05분 |
계산 가정: 2 pulse + 2 purge/cycle, 장비 overhead 제외. 이 가정에서의 시간 비교일 뿐이며 최종 막 품질은 별도 실험으로 검증해야 합니다.
실측 데이터 조회, 수치 환산, 후보 비교와 보고서 작성을 하나의 흐름으로 연결해 반복 작업을 줄일 수 있습니다.
사용자 제약과 실측 범위를 검사하고 불가능한 요청을 거부하여 부적절한 실험 후보의 검토를 줄일 수 있습니다.
후보의 출처, 계산 가정과 검증 기록을 남겨 후속 실험의 우선순위 결정 및 내부 검토를 지원할 수 있습니다.
Pan & Lei (2025)의 16개 실측 레시피를 대상으로 4개 공정 인자의 제약과 목적함수를 동시에 검토합니다. 새로운 조건의 GPC를 예측하거나 막 품질을 보장하지 않습니다.
16개 DOE 실측 조건 · 32회 관측 기록
온도 175/275°C · Ar 10/20 sccm · pulse 20/40 ms · purge 10/20 s. 조건 변경 시 브라우저가 자동으로 다시 계산합니다.
8개 입력 · 공정 제약 검증 · 목적별 후보 비교
실측 데이터를 불러오는 중입니다.
제약을 만족하는 후보를 선택한 목적함수 순서로 비교합니다.
| 순위 | 온도 | Ar | Pulse | Purge | GPC 평균 ± SD | Cycles | 이론 시간 |
|---|
공정변수별 분석, GPC 회귀 모델 검증, 도구 실행 기록과 공정 보고서 다운로드는 상세 Streamlit 서비스에서 제공합니다.
분석 앱의 공개 URL은 Streamlit 배포 후 연결됩니다. 현재 페이지의 계산은 독립적으로 동작합니다.
본 사이트는 가상 기업을 설정한 대학 수업 프로젝트입니다. 실제 연구진 또는 반도체 기업이 운영하는 상용 서비스가 아닙니다. 원 논문의 범위를 벗어난 조건을 제조 공정에 사용해서는 안 됩니다.
Pan & Lei (2025), Materials 18(9), 1918