반도체 및 디스플레이 분야 첨단 소자 제조 공정에서 박막 구조는 필수적이며, 이러한 박막의 두께를 실시간으로 정밀하게 측정하여 모니터링 하는 것은 요구되는 품질 확보와 생산 효율성 향상을 위해 반드시 필요하다. 최근, 이를 위해 광학적 측정 방식인 분광 반사 측정법에 딥러닝 알고리즘을 적용한 연구들이 수행되어 왔으며, 분석 속도 향상 및 국소점(local minimum) 문제 해결이라는 장점으로 인해 주목받고 있다. 그러나 기존의 딥러닝 알고리즘 모델은 프레넬 방정식을 기반으로 한 이론 데이터셋만으로 학습되었기 때문에, 실제 측정 환경에서 발생하는 무작위 잡음과 변동성이 학습에 반영되지 못함으로써 딥러닝 알고리즘에 의한 박막 두께 측정 신뢰성이 저하될 우려가 있다. 본 연구에서는 이와 같은 한계를 극복하기 위해 실제 측정 환경에서 발생하는 온도 변화, 진동, 광량 변동 등으로 인해 야기되는 반사율 변화가 체계적으로 반영된 데이터셋을 확보하고, 이를 딥러닝 알고리즘 학습에 활용하여 박막 두께 실시간 측정의 신뢰성을 향상시키고자 하였다. 제안된 방법의 유효성을 검증하기 위해 기존의 이론 기반 데이터셋과 측정 환경 영향이 반영된 데이터셋을 동일한 구조의 인공신경망에 학습시켜 성능을 비교하였다. 학습된 두 인공신경망의 박막 두께 측정 불확도를 평가한 결과, 측정 환경 영향이 반영된 인공신경망이 이론 기반 데이터셋으로 학습된 인공신경망보다 낮은 측정 불확도를 가짐을 확인하였다. 이러한 결과는 딥러닝 알고리즘 학습에 실제 측정 환경을 반영하는 것이 측정 신뢰성 향상 측면에서 효과적임을 보여준다. 이와 같은 연구 결과를 통해 실제 소자 제조 공정에서 딥러닝 알고리즘 기반의 박막 두께의 실시간 측정 기술이적용될 수 있을 것으로 기대한다.
