포토리소그래피 공정의 정밀도 향상을 위한 기존 DOE 기반 최적화의 한계를 보완하고자, 본 연구에서는 변수 간 비선형 상호작용을 효과적으로 반영하는 Gradient Boosting Regression(GBR) 기반 공정 최적화 기법을 제안하였다. 회전 속도, 노광 시간, 현상 시간을 변수로 설정해 수집된 데이터에 DOE와 머신러닝 기법을 적용하였다. 그 결과, 머신러닝 기반 최적화 조건은 DOE 대비 주요 품질 지표에서 전반적으로 우수한 성능을 보였다. 다만, 미세 패턴에서는 높은 공정 민감도로 인해 모델 정밀도 향상과 추가적인 데이터 확보가 필요한 것으로 나타났다. 본 연구는 머신러닝 기반 최적화가 공정 변수 간 복잡한 상호작용을 정밀하게 반영함을 실험적으로 입증하였으며, 미세 패턴 대응을 위한 개선 방향을 제시함으로써 반도체 양산 공정 최적화에 기여 가능성을 확인하였다.
Kim et al. (Sat,) studied this question.