CN108340281B - 工件研磨方法和工件研磨装置 - Google Patents

工件研磨方法和工件研磨装置 Download PDF

Info

Publication number
CN108340281B
CN108340281B CN201810058829.5A CN201810058829A CN108340281B CN 108340281 B CN108340281 B CN 108340281B CN 201810058829 A CN201810058829 A CN 201810058829A CN 108340281 B CN108340281 B CN 108340281B
Authority
CN
China
Prior art keywords
polishing
dressing
polishing pad
workpiece
data
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
Application number
CN201810058829.5A
Other languages
English (en)
Other versions
CN108340281A (zh
Inventor
澁谷和孝
中村由夫
畝田道雄
石川宪一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujikoshi Machinery Corp
Kanazawa Institute of Technology (KIT)
Original Assignee
Fujikoshi Machinery Corp
Kanazawa Institute of Technology (KIT)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujikoshi Machinery Corp, Kanazawa Institute of Technology (KIT) filed Critical Fujikoshi Machinery Corp
Publication of CN108340281A publication Critical patent/CN108340281A/zh
Application granted granted Critical
Publication of CN108340281B publication Critical patent/CN108340281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
    • B24B37/07—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool
    • B24B37/10—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping
    • B24B37/105—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping the workpieces or work carriers being actively moved by a drive, e.g. in a combined rotary and translatory movement
    • B24B37/107—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping the workpieces or work carriers being actively moved by a drive, e.g. in a combined rotary and translatory movement in a rotary movement only, about an axis being stationary during lapping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/18—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the presence of dressing tools
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B53/00—Devices or means for dressing or conditioning abrasive surfaces
    • B24B53/017—Devices or means for dressing, cleaning or otherwise conditioning lapping tools
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Grinding-Machine Dressing And Accessory Apparatuses (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明提供工件研磨方法和工件研磨装置，其能够自动制定研磨条件。工件研磨装置具有：修整部，其修整研磨垫的表面；表面性状计测部，其计测研磨垫的表面性状；研磨结果计测部，其计测工件的研磨结果；存储部，其存储通过人工智能来学习如下的相关关系所得到的相关数据，该相关关系为修整条件数据、通过表面性状计测部计测出的研磨垫的表面性状数据、以及对工件进行研磨的情况下的研磨结果数据的相关关系；以及输入部，其输入作为目标的研磨结果，所述人工智能进行如下处理：第1运算处理，根据所述相关数据逆向推断出与作为目标的研磨结果对应的研磨垫的表面性状；和第2运算处理，根据逆向推断出的研磨垫的表面性状导出对应的修整条件。

Description

工件研磨方法和工件研磨装置
技术领域
本发明涉及晶片等工件的工件研磨方法和工件研磨装置。
背景技术
半导体晶片等工件的研磨是通过下述方式来进行的：将工件的被研磨面压接在紧贴设置有研磨垫的平台的该研磨垫表面上，并在向研磨垫供给研磨液的同时使平台旋转。
但是，当进行多个工件的研磨时，研磨垫会逐渐地发生堵塞，研磨速率会劣化。因此，在研磨了所需个数的工件之后，使用修整磨具对研磨垫的表面进行修整(修锐)，使研磨速率恢复(例如专利文献1)。
在专利文献1的技术中，提出了下述这样的半导体装置的平坦化方法：具备对与研磨加工的推进一起变化的研磨垫的修整速率进行检测的修整速率计测装置、和计测研磨垫表面性状的表面性状计测装置等，利用实时地自动计测出的这些数据来控制修整条件，以使会对擦痕密度产生重大影响的修整速率处于预先求出且存储在数据库中的管理规定值的范围内。
在专利文献1中，计测上述研磨垫表面性状的表面性状计测方法基于图像处理方法或基于反射率方式。
即，在图像处理方法中，利用投光器将研磨垫的表面照明，通过CCD相机在该部位提取图像并进行图像处理，计算出由于气孔堵塞而形成的平面部分的面积比率。另外，在反射率方式中，将激光照射到研磨垫表面上，利用受光器接收其反射光，根据所接收的光量的变化计测出研磨垫的表面性状。
专利文献1：日本特开2001-260001
根据专利文献1，由于是在工件的研磨处理中对研磨垫的表面性状进行计测并进行修整的，因此具有如下优点：能够对应时刻变化着的研磨垫的表面性状来进行修整。然而，根据专利文献1，由于是在工件的研磨处理中对研磨垫的表面性状进行计测的，因此，由于研磨屑和研磨液(例如乳浊液)而成为与实际不同的图像，或者成为不清晰的图像，因此具有如下课题：无法针对研磨垫的表面性状得到高精度的信息。
并且，由于无法正确地把握研磨垫的表面性状，目前也存在有依赖于操作员的经验的部分，从而阻碍了研磨加工的自动化和智能化。
发明内容
本发明是为了解决上述课题而完成的，其目的在于，以正确地把握研磨垫的表面性状为突破口，通过使用神经网络等的学习型人工智能，对至今为止都未能面向自动化和智能化的研磨加工自动地提示研磨条件，从而尝试智能化。
具体而言，本发明的目的在于提供一种工件研磨方法和工件研磨装置，其能够正确地把握研磨垫的表面状态而进行高精度的修整，并能够自动制定可进行用户所需的研磨的研磨条件。
为了达成上述目的，本发明具备以下结构。
即，关于本发明的工件研磨装置，其将工件压接在旋转的平台的研磨垫上，一边向所述研磨垫供给研磨液一边进行工件表面的研磨，其特征在于，该工件研磨装置具备：人工智能，其进行数据解析；修整部，其使修整磨具在所述研磨垫的表面上往复移动而按照所需的修整条件对所述研磨垫的表面进行修整；表面性状计测部，其在与所述研磨垫的表面接触的状态下取得与所述研磨垫的接触图像，从而计测出所述研磨垫的表面性状；研磨结果计测部，其对利用由所述修整部进行了修整的研磨垫来研磨工件时的工件的研磨结果进行计测；存储部，其存储通过所述人工智能来学习如下的相关关系而得到的相关数据，其中，所述相关关系是通过所述修整部对所述研磨垫进行修整时的所述修整条件的数据、在该修整后通过所述表面性状计测部计测出的所述研磨垫的表面性状数据、以及在所述修整后对工件进行研磨的情况下的研磨结果数据的相关关系；以及输入部，其向所述人工智能输入作为目标的研磨结果，在所述人工智能中安装有学习型算法，该学习型算法进行如下的运算处理：第1运算处理，根据所述相关数据逆向推断出与作为所述目标的研磨结果相对应的所述研磨垫的表面性状；和第2运算处理，根据所述逆向推断出的所述研磨垫的表面性状导出对应的所述修整条件。
在所述修整部中，能够使用多个修整磨具，在所述多个修整磨具上固定有粒度不同的磨粒。
作为所述研磨垫的表面性状，能够至少使用所述接触图像中的接触点数。
此外，作为所述研磨垫的表面性状，能够使用所述接触图像中的接触点数、接触率、接触点间隔以及空间FFT解析结果。
能够在所述人工智能的所述第1运算处理中通过第1神经网络逆向推断出所述研磨垫的表面性状，在所述第2运算处理中通过第2神经网络导出所述修整条件。
此外，能够在所述人工智能的所述第1运算处理中通过神经网络逆向推断出所述研磨垫的表面性状，在所述第2运算处理中通过模式识别技术导出所述修整条件。
此外，在本发明的工件研磨方法中，将工件压接在旋转的平台的研磨垫上，一边向所述研磨垫供给研磨液一边进行工件表面的研磨，其特征在于，该工件研磨方法具备：修整工序，使修整磨具在所述研磨垫的表面上往复移动而按照所需的修整条件对所述研磨垫的表面进行修整；计测工序，通过表面性状计测部，在与所述研磨垫的表面接触的状态下取得与所述研磨垫的接触图像，从而计测出所述研磨垫的表面性状；研磨工序，在修整所述研磨垫后对工件进行研磨；在该研磨工序后对被研磨的工件的研磨结果进行计测的工序；通过人工智能来学习如下的相关关系而得到相关数据的工序，其中，所述相关关系是通过修整部对所述研磨垫进行修整时的所述修整条件的数据、在该修整后通过所述表面性状计测部计测出的所述研磨垫的表面性状数据、以及在所述修整后对工件进行研磨的情况下的研磨结果数据的相关关系；输入工序，向所述人工智能输入作为目标的研磨结果；第1运算处理工序，通过人工智能，根据所述相关数据逆向推断出与作为所述目标的研磨结果相对应的所述研磨垫的表面性状；以及第2运算处理工序，根据通过人工智能逆向推断出的所述研磨垫的表面性状导出对应的所述修整条件。
在所述修整工序中，能够使用多个修整磨具进行修整，在所述多个修整磨具上固定有粒度不同的磨粒。
针对所述研磨垫的表面性状，能够至少使用所述接触图像中的接触点数。
此外，能够使所述研磨垫的表面性状为所述接触图像的接触点数、接触率、接触点间隔以及空间FFT解析结果。
能够在所述第1运算处理工序中通过第1神经网络逆向推断出所述研磨垫的表面性状，在所述第2运算处理工序中通过第2神经网络导出所述修整条件。
此外，能够在所述第1运算处理工序中通过神经网络逆向推断出所述研磨垫的表面性状，在所述第2运算处理工序中通过模式识别技术导出所述修整条件。
根据本发明，对包括科学上很多未阐明的部分在内的研磨垫的表面性状进行了定量评价，并成功地针对研磨垫的表面性状与研磨速率等研磨结果的相关关系一边蓄积数据一边进行学习。其结果是，推断出了能够获得所希望的研磨结果的研磨垫的表面性状，并通过自动计算导出了能够形成所推断的表面性状的修整条件。即，能够以研磨垫的表面性状为关键点，实现研磨加工的智能化。
附图说明
图1为示出工件研磨装置的整体的概要的框图。
图2为工件研磨装置的工作流程图。
图3为示出研磨部的概要的说明图。
图4为修整部的说明图。
图5为修整头的剖视图。
图6为修整头的立体图。
图7为示出使用道威棱镜并以显微镜来接收漫反射光的状态的说明图。
图8为使用道威棱镜并以显微镜计测到的、利用#80的修整磨具进行修整时的研磨垫与道威棱镜的接触图像。
图9为使用道威棱镜并以显微镜计测到的、利用#500的修整磨具进行修整时的研磨垫与道威棱镜的接触图像。
图10为使用道威棱镜并以显微镜计测到的、利用#1000的修整磨具进行修整时的研磨垫与道威棱镜的接触图像。
图11为示出修整磨具的粒度与研磨垫的表面性状(接触点数)的计测结果之间的关系的曲线图。
图12为示出修整磨具的粒度与研磨垫的表面性状(接触率)的计测结果之间的关系的曲线图。
图13为示出修整磨具的粒度与研磨垫的表面性状(接触点间隔)的计测结果之间的关系的曲线图。
图14为示出修整磨具的粒度与研磨垫的表面性状(空间FFT解析)的计测结果之间的关系的曲线图。
图15为预先设定研磨条件、修整条件、研磨效果的相关数据以作为数据库的说明图。
图16为示出研磨垫的表面性状与研磨速率的验证实验数据的说明图。
图17为示出根据学习到的数据而推断出的推断研磨速率与研磨速率的实验值之间的相关性的曲线图。
图18为示出基于多元回归分析法的推断研磨速率与研磨速率的实验值之间的相关性的曲线图。
图19为图17的研磨速率是7.0μm/hr的附近处的局部放大图。
具体实施方式
在以下，根据附图对本发明所优选的实施方式详细地进行说明。
图1为示出工件研磨装置100的整体概要的框图。图2为工件研磨装置100的动作流程图。各部的详细情况会在后文中说明。
根据图1、图2，对整体的流程进行说明。
102为研磨部，被驱动部104驱动而进行工件(未图示)的研磨。工件的研磨结果(研磨速率和表面粗糙度等)等通过公知的研磨结果计测部106来计测。
108为修整部，被驱动部110驱动，并根据所需的修整条件来对研磨部102中的粘贴在平台上的研磨垫进行修整。
112为对研磨垫的表面性状进行计测的表面性状计测部。表面性状计测部112对研磨垫与测定设备(道威棱镜)的接触点数、接触率、接触点间隔、空间FFT(FastFourierTransform Algorithm：快速傅里叶变换)的半值宽度的各参数进行计测。
在本实施方式中，具有如下人工智能：该人工智能具有第1神经网络(以下有时仅记载为NN)114和第2神经网络122。
向第1神经网络114输入修整部108的修整条件的数据(在图2的动作流程中并未向第1NN114输入)、由表面性状计测部112所计测出的研磨垫的表面性状的计测数据、和由研磨结果计测部106所计测出的研磨结果数据。在第1NN114中，根据存储在存储部116中的程序，对上述的被输入的各数据的相关关系进行运算且进行学习，并将学习得到的结果存储在存储部118中。通过对来自实验研磨值和实际研磨值的大量数据进行分析，判明了表面性状数据与研磨结果数据之间具有某种相关关系。通过学习，将该相关关系逐渐地更新为高精度的相关关系。
120为输入部，供操作员对目标研磨结果数据进行输入操作，该目标研磨结果数据被输入到第1NN114中(步骤1：S1)。
第1NN114根据所输入的目标研磨结果数据输出推断研磨结果数据(步骤2：S2)，并根据该推断研磨结果数据而输出基于所述各数据的相关关系而逆向推断出的推断表面性状数据(步骤3：S3)。
向第2神经网络(NN)122输入从第1NN114输出的上述推断表面性状数据(步骤4：S4)。
在第2NN122中，依据存储在存储部124中的程序，根据所述各数据的相关关系，推测出能够得到所述输入的推断表面性状数据的、研磨垫的推断修整条件数据(步骤5：S5)。
此后，当通过步骤7来计测所制作出的研磨垫的表面性状数据时，在该第2NN122中，针对推断修整条件数据的教师信号经由存储部118而被输入到输出神经元中，并通过反向传播而被学习，从而相关数据被更新。
操作员根据该推断修整条件数据，利用驱动部110对修整部108进行驱动，进行研磨垫的修整(步骤6：S6)。在修整后，清洗研磨垫，通过表面性状计测部112来进行研磨垫的表面性状的计测(步骤7：S7)。
然后，操作员在研磨垫的修整后利用驱动部104对研磨部102进行驱动，进行工件的研磨(步骤8：S8)。
在工件研磨后，利用研磨结果计测部106对研磨速率等工件研磨结果进行计测(步骤9：S9)。
将在步骤7中所计测出的研磨垫的表面性状数据、和在步骤9中所计测出的工件的研磨结果数据输入到第1神经网络(NN)114中，进行所需的学习，并在存储部118中更新学习值。
另外，通过存储部118使第2NN122共享输入到第1NN114中的数据和学习值。
在步骤10中，对步骤9中所计测出的工件的研磨结果进行判定。如果工件研磨结果数据在规定的范围内，则接着进行下一个工件的研磨工序(步骤11：S11)，若完成了所需的量的工件研磨，则结束研磨(步骤12：S12)。
在步骤10的判定中，如果所计测出的工件的研磨结果数据在规定的范围之外，则返回至步骤1，再次对研磨垫进行修整，或者，若是处于所需批次数的工件的研磨结束之后，则根据操作员的经验来进行判断，进行研磨垫的更换(步骤13：S13)。如果更换的研磨垫是与之前的种类相同的研磨垫，则仍能够使用第1NN114和第2NN122中所存储的学习值。即使在更换了研磨垫的情况下也返回至步骤1。
另外，通过未图示的控制部，根据所需的程序来进行各部的驱动。
接下来对各部的详细情况进行说明。
《研磨部102》
图3为示出研磨部102的概要的说明图。
12为平台，其借助公知的驱动机构(未图示)而以旋转轴14为中心在水平面内进行旋转。在平台12的上表面上，粘贴有例如以泡沫聚氨酯为主要材料的研磨垫16。
18为研磨头，在其下表面侧保持待研磨的工件(半导体晶片等)20。研磨头18以旋转轴22为中心进行旋转。此外，研磨头18能够通过气缸等上下移动机构(未图示)而进行上下移动。
24为浆料供给喷嘴，其将浆料(研磨液)向研磨垫16上供给。
工件20通过水的表面张力或者空气的抽吸力等而被保持在研磨头18的下表面侧，接下来使研磨头18下降，以规定的按压力(例如150gf/cm2)将其按压于在水平面内旋转的平台12的研磨垫16上，并且使研磨头18以旋转轴22为中心而进行旋转，由此，工件20的下表面侧被进行研磨。在进行研磨时，从浆料供给喷嘴24向研磨垫16上供给浆料。
另外，关于研磨头18，存在各种公知的构造，研磨头的种类并不特别限定。
《修整部108》
图4为示出修整部108的概要的俯视图。
修整部108具备以旋转轴27为中心而进行旋转的摆动臂28。在摆动臂28的末端上固定有修整头30。此外，在修整头30的下表面侧固定有由所需大小的金刚石颗粒构成的修整磨具。修整头30被设置为成在摆动臂28的末端部以自身的轴线为中心而进行旋转。
对于研磨垫16的修整，根据来自控制部31的指令，使驱动部104、110工作，使平台12旋转，并且使摆动臂28以旋转轴27为中心进行摆动，并使修整头30一边以自身的中心轴为中心而进行旋转，一边在平台12的半径方向上往复移动，利用其修整磨具对研磨垫16的表面侧进行磨削，由此进行研磨垫16的修整(修锐)。另外，118为对所述数据库(相关数据)进行保存的存储部。
在进行修整时，修整头30以所需的按压力按压研磨垫16。此外，可以调节平台12的转速或摆动臂28的摆动速度以便均匀地对研磨垫16的整个面进行修整。
图5、图6示出了修整头30的一个示例。
36为头主体。
37为第1可动板，其经由柔性的隔膜38而安装在头主体36上，能够相对于头主体36而上下移动。
在头主体36的下表面与隔膜38下表面以及第1可动板37上表面之间形成有第1压力室40。能够从压力源(未图示)穿过流路(未图示)而向第1压力室40导入压力空气。
在第1可动板37的下表面侧外端部，在周向上隔开所需间隔而设置有多个突出部41。在各突出部41的下表面上固定有修整磨具42，在该修整磨具42上例如固着有粒度为#80的金刚石磨粒。
在图5中，44为第2可动板，其经由柔性的隔膜45而安装在第1可动板37的下表面侧，能够相对于第1可动板37而上下移动。
在第1可动板37下表面与隔膜45上表面以及第2可动板44上表面之间形成有第2压力室47。能够从压力源(未图示)穿过流路(未图示)向第2压力室47导入压力空气。
在第2可动板44的下表面侧外端部上，在周向上隔开所需间隔而设置有多个突出部48。各突出部48被设置成位于突出部41与突出部41之间的空间内。因此，突出部41与突出部48位于同一圆周上。在突出部48的下表面上固定有修整磨具50，在修整磨具50上固着有例如粒度为#1000的金刚石磨粒。
当分别从未图示的流路向第1压力室40以及第2压力室47导入压缩空气时，修整磨具42和修整磨具50分别独立地向下方突出，由此，各修整磨具42、50压接在研磨垫16上，从而能够进行研磨垫16的修整。另外，修整磨具42与修整磨具50也能够同时压接在研磨垫16上，从而能够利用两个修整磨具42、50来同时对研磨垫16进行修整。
另外，在上述实施方式中，形成为具有粒度#80和粒度#1000这两种修整磨具的修整头30，但是，根据情况也可以形成为：利用相同的结构，再以能够相对于第2可动板上下移动的方式设置第3可动板(未图示)，在该第3可动板的突出部下表面上设置例如粒度为#500的修整磨具，从而能够通过#80、#500和#1000这3个阶段的粒度的修整磨具来进行修整。
《表面性状计测部112》
接下来，对计测研磨垫16的表面性状(接触点数等)的计测部112和计测方法进行说明。
该计测方法使用了例如日本专利第5366041号所示的方法。
在该日本专利第5366041号所示的方法中，采用使用了道威棱镜的观察方法来作为观察垫表面性状的方法。道威棱镜为光学玻璃的一种，也称之为像旋转棱镜。如图7所示，道威棱镜60具有如下特征：从未图示的光源以角度45°入射到入光面60a中的光在棱镜底面60b(接触面)上发生全反射并透过棱镜60。另外，在接触点(与垫16接触的接触点)上，全反射的条件不成立而使得光发生漫反射。而且，在与垫16接触的接触点以外的部位(非接触点)处发生全反射。入光面60a相对于接触面60b而成锐角。另外，作为棱镜，并非一定是图7所示的梯形形状的道威棱镜。
在本实施方式中，在经由道威棱镜60而向垫16施加规定的压力的同时，利用受光部(显微镜)72取得此时的从接触点漫反射的反射光，由此而取得垫16与道威棱镜60相互之间的接触图像。
在该显微镜中，能够以1600pixel×1600pixel来取得7.3mm×5.5mm的区域中的图像。
另外，在接触图像中，接触区域为白色，非接触区域为黑色。此外，在本实施方式中，在经由道威棱镜60向垫16施加规定的压力的同时，利用显微镜72对从道威棱镜60的上表面(观察面60c)射出的反射光进行拍摄。
也可以是，进行使受光部72所检测出的接触图像成为白和黑中的任意一方的二值化处理，并使用接触点数、接触率、接触点间隔和空间FFT解析结果的半值宽度等来进行图像诊断，其中，所述接触点数、接触率、接触点间隔和空间FFT解析结果的半值宽度等是根据通过该二值化处理所得到的二值化图像数据而计算出的。
另外，研磨垫表面状态观察方法的图像诊断不限定于使用通过阈值进行二值化处理所得到的二值化图像数据的方法，也可以使用接触图像中的灰度值的分布(例如灰度值柱状图)。
图8、图9、图10是使用上述道威棱镜并由显微镜所计测到的、分别利用#80、#500、#1000的修整磨具进行修整时的研磨垫16与道威棱镜的接触图像。根据图8～图10可知，在利用平均粒度较小的修整磨具来进行修整时，接触点数变多。
图11为示出修整磨具的粒度与研磨垫16的表面性状(接触点数)的计测结果之间的关系的曲线图，表1为示出了该具体的计测数值的表。
【表1】
修整或者研磨的次数 接触点数1/mm<sup>2</sup>
#80修整 19.4
第1次研磨 19.2
第2次研磨 18.9
#500修整 28.8
第3次研磨 27.0
第4次研磨 26.7
#1000修整 43.5
第5次研磨 42.4
第6次研磨 42.1
在图11和表1中，#80·修整时的接触点数19.4是指以#80的修整磨具进行修整时的研磨垫16与道威棱镜的接触点数为19.4/mm2，第1次研磨是指通过该研磨垫16对工件20进行1次研磨之后的研磨垫16与道威棱镜的接触点数为19.2/mm2，此外，第2次研磨是指在该状态下继续进行第2次研磨之后的研磨垫16与道威棱镜的接触点数为18.9/mm2。
#500修整是指：在如上述那样以#80的修整磨具进行了修整之后，利用#500的修整磨具进一步进行修整。
此外，#1000修整是指：利用#80的修整磨具进行修整，并利用#500的修整磨具进行修整，进一步利用#1000的修整磨具进行修整。
在平均粒度较小的修整磨具的情况下，与平均粒度较大的修整磨具相比，接触点数较多，如后述那样，研磨速率也会变大。
但是，在各修整阶段，接触点数在研磨次数之间的下降没那么大。当然，研磨次数越多，接触点数越少。即，由于研磨垫表面的劣化逐渐发展，接触点数减少。
图12为示出修整磨具的粒度与研磨垫16的表面性状(接触率)的计测结果之间的关系的曲线图，表2为示出该具体的计测数值的表。
【表2】
修整或者研磨的次数 接触率％
#80修整 0.337
第1次研磨 0.288
第2次研磨 0.218
#500修整 0.499
第3次研磨 0.336
第4次研磨 0.399
#1000修整 0.641
第5次研磨 0.567
第6次研磨 0.514
如图12和表2所示，在各修整阶段中，根据研磨次数不同，其接触率的变动较大，此外还存在偏差。
另外，接触率是指所取得的接触图像中的真实接触面积(在接触图像内观测到的接触区域的面积之和)与表观上的接触面积(观测到的接触图像的面积)之比。为了计算接触率，借助未图示的运算部，进行使由受光部72检测出的接触图像区域中的各像素成为白和黑中的任意的二值化处理，并计算出通过该二值化处理所得到的二值化图像数据的白黑的比率。
图13为示出修整磨具的粒度与研磨垫16的表面性状(接触点间隔)的计测结果之间的关系的曲线图，表3为示出其具体计测数值的表。
【表3】
Figure BDA0001554674320000111
Figure BDA0001554674320000121
如图13和表3所示，在各修整阶段中，根据研磨次数不同，其接触点间隔的变动较大，此外还存在偏差。
图14为示出修整磨具的粒度与研磨垫16的表面性状(空间FFT解析)的计测结果之间的关系的曲线图，表4为示出其具体计测数值的表。
【表4】
修整或者研磨的次数 空间FFT解析μm
#80修整 60.7
第1次研磨 70.6
第2次研磨 66.0
#500修整 75.8
第3次研磨 60.5
第4次研磨 61.2
#1000修整 84.8
第5次研磨 96.7
第6次研磨 69.4
如图14和表4所示，在各修整阶段中，根据研磨次数不同，该空间FFT解析值存在偏差。
并且，FFT是快速傅里叶变换的简称，通常是在欲知晓相对于时间轴变动的信号的频率成分时被使用的。另一方面，空间FFT是用于知晓作为对象的图像包含什么样的空间频率成分的解析。即，可以认为是这样的一种方法：其能够定量地评价在根据不同的修整条件所取得的接触图像中存在的接触点彼此的间隔。即，作为一例，在接触点彼此的间隔较大的情况下，意味着其空间频率较小。其结果是，通过空间FFT解析所得到的频谱集中在中心频率(＝0)处，因此该频谱波的半值宽度较小。因此，通过其倒数所得到的空间波长较大。该半值宽度也是借助未图示的运算部进行二值化处理并基于通过该二值化处理所得到的二值化图像数据进行空间FFT解析而得到的，所述二值化处理是使由受光部72检测出的接触图像区域中的各像素成为白和黑中的任意一方。
另外，虽然上述研磨垫的表面性状的计测并非是直接对工件20与研磨垫16相接触时的表面性状进行计测，但是，在本实施方式中，由于是在将道威棱镜以规定的按压力按压在研磨垫16上的状态下计测该表面性状的，因此计测出了与工件20和研磨垫16相接触时的研磨垫的表面性状近似的表面性状，从而能够反映出工件20的研磨时的状况。
关于这一点，在前述的专利文献1(日本特开2001-260001)的技术中，由于是以非接触的计测方式来对修整时的研磨垫的表面性状进行计测的，因此存在无法把握工件与研磨垫的实际的接触状态这样的课题。
《获得相关数据的工序》
表5和表6预先示出了如下的相关数据的一例，其中，该相关数据表示按照多个阶段的修整条件进行修整时的所述研磨垫16的表面性状、与利用按照该各个修整条件进行了修整后的研磨垫16对工件20进行研磨时的工件20的研磨效果之间的相关关系。另外，在本实施例中，作为多个阶段的修整条件，设有如下修整条件：准备3个不同的修整头，这3个不同的修整头具有3个阶段的粒度(#80、#500、#1000)的修整磨具，并利用各个修整头进行修整。此外，对于研磨条件，也将工件20向平台12施加的加压力设为低载荷(30kPa)和高载荷(90kPa)这两个阶段。
【表5】
研磨条件与磨具粒度号的关系
Figure BDA0001554674320000131
【表6】
磨具粒度号与接触点数的关系
磨具粒度号 接触点数1/mm<sup>2</sup>
#80 19.4
#500 28.8
#1000 43.5
表5示出了分别利用由磨具粒度号为#80、#500、#1000(条件2)的修整磨具所修整出的研磨垫16，按照表5中的条件1的研磨条件(加压力：2个阶段)来对工件20进行研磨时的研磨速率(研磨效果)。此外，表6为表示分别利用磨具粒度号为#80、#500、#1000的修整磨具进行修整时的研磨垫16的表面性状(接触点数)的数据。
根据表5、表6可以清楚地看出，在利用由平均粒度较小的修整磨具所修整出的研磨垫16来对工件进行研磨时，研磨速率较大，能够得到高研磨效率。
关于研磨条件的条件1，在上述内容中例示了蓝宝石来作为工件，但可以根据Si或SiC等研磨对象(工件)的每个种类来设定。此外，研磨时的加压力(载荷)也可以设定为3个阶段、4个阶段等更多的阶段。并且还能够按照平台12的转速或研磨头18的转速等来分阶段设定。
此外，对于修整条件(条件2)，修整磨具的粒度不同(不一定必须是3个阶段，也可以为2个阶段、4个阶段以上)是基本条件，还能够按照修整时间、修整压力、摆动臂28的摆动速度、修整头的转速、平台的转速等来分阶段设定。
另外，关于修整磨具的情况，在使用由#1000等平均粒度较小的磨粒构成的修整磨具来进行研磨垫的修整的情况下，如前所述，可以先使用平均粒度比这大的修整磨具(例如#80)进行修整，然后再进行修整。通过从大粒度向小粒度依次阶段性地对研磨垫16的面进行修整，由此，能够进行接触点数更多的有效的研磨垫16的修锐。
通过上述方式，能够预先取得表示下述两者之间的相关关系的相关数据(图15)：按照多个阶段的修整条件进行修整时的研磨垫16的表面性状；和，利用按照该各个修整条件进行了修整后的研磨垫16并根据多个阶段的研磨条件对工件20进行研磨时的工件20的研磨效果。
所取得的相关数据被作为数据库输入到存储部118中，并且如所述那样被试验研磨或者实际研磨的数据学习，从而更新为更好的数据。
《第1神经网络(NN)114》
在本实施方式中，如所述那样，进行了基于研磨垫的接触图像解析的定量化，能够取得接触点数、接触率、接触点间隔、空间FFT解析这4个表面性状数据。对于这4个表面性状数据，存在与研磨效果的相关性较高的数据和较低的数据，在第1神经网络114中，以包含这些数据的加权的方式形成了其逻辑结构。即，第1NN114构成为如下这样的3层结构的神经网络：在按照所需的修整条件进行了修整之后，将由表面性状计测部112计测出的上述4个表面性状数据作为输入信号输入，并根据预先存储在存储部118中的所述相关数据计算研磨速率等的推断研磨结果，并将该结果输出(S2)。然后，教师信号被输入到输出神经元中，并通过反向传播被学习，如所述那样对相关数据进行更新。
在实际研磨中，如所述那样，由操作员进行输入操作而将目标研磨结果数据输入到输入部120中，从而该目标研磨结果数据被输入到第1NN114中(S1)。
在第1NN114中，利用使误差为零的反向传播进行运算，输出与目标研磨结果数据对应的4个推断表面性状数据(S3)，并将该推断表面性状数据保持原状态输入到第2神经网络(NN)122中(S4)。
第1NN114的驱动结构可以是公知的驱动结构，因此省略其详细的说明。
另外，在上述实施方式中，在第1NN114中使用了通过研磨垫的接触图像解析所取得的定量化数据(接触点数、接触率、接触点间隔、空间FFT解析)，但是在第1NN114中也可以不使用这些数据，而是直接使用接触图像的数据来进行运算。
《第2神经网络(NN)122》
在第2神经网络(NN)122中，如上述那样，构成为如下这样的3层结构的神经网络：将4个推断表面性状数据作为输入信号，并输出与此对应的推断修整条件数据。
即，如上述那样，将从第1NN114输出的4个推断表面性状数据保持原状态作为输入信号而输入第2NN122。然后，在第2NN122中，根据预先存储在存储部118中的所述相关数据来计算推断修整条件数据并将其输出(S5)。
在该第2NN122中，针对推断修整条件数据的教师信号被输入到输出神经元中，并通过反向传播被学习，从而如前述那样对相关数据进行更新。
在要导出上述推断修整条件数据的情况下，预先使修整条件模式化(例如仅#80的磨具、#80的磨具与#500的磨具的组合、#80的磨具、#500的磨具以及#1000的磨具的组合等、甚至是与利用这些磨具进行修整的修整时间的组合等大量的模式化)，根据这些被模式化的修整条件数据与所对应的研磨垫的表面性状数据及研磨结果数据的相关数据，并通过例如机械学习的模式识别中的K近邻算法，能够导出推断修整条件数据。
由于这些第2NN122的驱动结构也可以是公知的驱动结构，因此省略其详细说明。
《研磨工序》
此后的研磨工序只要按照前述的步骤6(S6)～步骤13(S13)来进行即可。
像以上那样，在本实施方式中，进行基于研磨垫的接触图像解析的定量化，能够取得接触点数、接触率、接触点间隔、空间FFT解析这4个表面性状数据。然后，求出这4个表面性状数据与修整条件数据及研磨结果数据之间的相关关系，进而应用神经网络，由此，能够自动地求出修整条件，从而能够实现自动化和智能化。
关于决定表面性状的修整条件(条件2)，如前述那样，修整磨具的粒度不同(不一定必须是3个阶段，也可以是2个阶段、4个阶段以上)是基本条件，但是，只要设定进一步加入了修整时间、修整压力、摆动臂28的摆动速度、修整头的转速以及平台的转速等的修整条件，则能够得到精度更高的修整条件数据，从而能够进行高效率的研磨和高精度的研磨。
另外，虽然修整条件也是研磨条件的一种，但除了该修整条件，例如平台的转速、研磨头的按压力、研磨液的温度、研磨面温度、外部气温、研磨垫的摩擦系数等也是能够测量的参数，因此，通过取得加入了这些参数的研磨条件与研磨垫的表面性状及研磨结果的相关关系，并应用神经网络，由此，能够更高效地进行高精度的工件研磨加工。
此外，研磨装置不仅可以是工件的单面研磨装置，当然也可以是双面研磨装置。
《实验验证1》
为了进行利用了神经网络的实验验证，制定了图16所示的学习数据。
为了取得学习数据，实际进行研磨垫的修整，并计测研磨垫的表面性状。所取得的表面性状数据为接触点数、接触率、接触点间隔、空间FFT的半值宽度，此后，执行研磨，并测定研磨速率。此外，修整条件被设为以下6个种类。
分类A(○)：利用#80磨具执行修整
分类B(□)：利用#1000磨具执行修整
分类C(▽)：在利用#80磨具执行了修整之后利用#500磨具执行修整
分类AC(△)：在利用#80磨具执行了修整之后利用#1000磨具执行修整
分类BC(◇)：在利用#500磨具执行了修整之后利用#1000磨具执行修整
分类CA(☆)：在利用#1000磨具执行了修整之后利用#80磨具执行修整
学习数据为采样No.1至采样No.75的共计75个，且为各个分类的修整条件与研磨速率的相关关系的数据。
但是，在采样No.65、70～75中未执行修整。根据所制成的学习数据的研磨速率(实验值)，能够确定此时的研磨垫的表面性状，并确认了根据该表面性状导出的推断研磨速率与测定出的研磨速率(实验值)之间的相关性(图17)。
其结果如图17的曲线图所示，相关系数(R)＝0.885，与基于多元回归分析法的、推断研磨速率与研磨速率的实验值的相关系数(R)＝0.759(图18)相比，可以说具有较高的相关性。
即，制成了学习数据，并调查了根据表面性状导出的推断研磨速率与所测量到的研磨速率(实验值)之间的相关性，结果是确认了能够发挥出实际的效果。
《实验验证2》
为了确认修整条件的导出的实效性，尝试了基于机械学习的K近邻算法的模式识别技术。条件是：使用了实验验证1的学习数据(参照图16)，将推断研磨速率设为7.0。
其结果如图19所示，具体而言，自动选择了被圈中的数据。另外，图19为将图17的分析结果在研磨速率7.0μm/hr附近处进行放大的放大图。
观察被圈中的数据1～5，表示其修整条件的分类为，分类B：2件，分类AC：2件，分类BC：1件。当针对该分类而取多数时，则会抽出分类B和分类AC双方，从而能够给出分类B和分类AC均可这样的方案。并且，也可以设置如下等选择单元：该选择单元优先选择具有作为与推断研磨速率更接近的值的实验值的修整条件的数据等。
在上述内容中，将修整条件分类为6种进行了说明，但在实际中，也能够使用包括各磨具的修整时间等要素在内的小分类。小分类是对前述修整条件的6个分类进一步细化分类而制成的。
此外，在图17中的数据分布中，通过观察按照修整条件的分类所偏重的倾向，也可以说：如果增加数据量，则模式识别技术能够发挥出实际的效果。
《验证结果》
通过实验验证1、2，确认到：基于机械学习的模式识别技术在原理上显然是能够实施的，并且在精度方面也能够发挥出实际的效果。
并且，也能够期待通过学习数据的增加或人工智能的最优化来实现研磨精度的改善。
今后，如果能够提出调节条件，则只要存储全部的研磨条件数据，并且一边求出相关性一边随时向系统中加入即可，因此工件研磨方法和工件研磨装置的自动化及智能化会成为现实。

Claims (13)

1.一种工件研磨装置，其将工件压接在旋转的平台的研磨垫上，一边向所述研磨垫供给研磨液一边进行工件表面的研磨，
其特征在于，
该工件研磨装置具备：
人工智能，其进行数据解析；
修整部，其使修整磨具在所述研磨垫的表面上往复移动而按照所需的修整条件对所述研磨垫的表面进行修整；
表面性状计测部，其在与所述研磨垫的表面接触的状态下取得与所述研磨垫的接触图像，从而计测出所述研磨垫的表面性状；
研磨结果计测部，其对利用由所述修整部进行了修整的研磨垫来研磨工件时的工件的研磨结果进行计测；
存储部，其存储通过所述人工智能来学习如下的相关关系而得到的相关数据，其中，所述相关关系是通过所述修整部对所述研磨垫进行修整时的所述修整条件的数据、在该修整后通过所述表面性状计测部计测出的所述研磨垫的表面性状数据、以及在所述修整后对工件进行研磨的情况下的研磨结果数据的相关关系；以及
输入部，其向所述人工智能输入作为目标的研磨结果，
在所述人工智能中安装有学习型算法，该学习型算法进行如下的运算处理：
第1运算处理，根据所述相关数据逆向推断出与作为所述目标的研磨结果相对应的所述研磨垫的表面性状；和
第2运算处理，根据所述逆向推断出的所述研磨垫的表面性状导出对应的所述修整条件。
2.根据权利要求1所述的工件研磨装置，其特征在于，
所述修整部具有多个修整磨具，在所述多个修整磨具上固定有粒度不同的磨粒。
3.根据权利要求1所述的工件研磨装置，其特征在于，
所述表面性状计测部具有：
道威棱镜，其具有接触面、入光面以及观察面，并按照所需的按压力以所述接触面压接在所述研磨垫上；
光源，其向该道威棱镜的所述入光面射入光；以及
受光部，其接收从所述道威棱镜的所述入光面射入，并在所述接触面的与所述研磨垫相接触的接触点处发生漫反射而从所述观察面射出的光。
4.根据权利要求1所述的工件研磨装置，其特征在于，
所述研磨垫的表面性状至少包括所述接触图像中的接触点数。
5.根据权利要求1所述的工件研磨装置，其特征在于，
所述研磨垫的表面性状包括所述接触图像中的接触点数、接触率、接触点间隔以及空间FFT解析结果。
6.根据权利要求1至5中的任意一项所述的工件研磨装置，其特征在于，
在所述人工智能中，所述第1运算处理通过第1神经网络逆向推断出所述研磨垫的表面性状，所述第2运算处理通过第2神经网络导出所述修整条件。
7.根据权利要求1至5中的任意一项所述的工件研磨装置，其特征在于，
在所述人工智能中，所述第1运算处理通过神经网络逆向推断出所述研磨垫的表面性状，所述第2运算处理通过模式识别技术导出所述修整条件。
8.一种工件研磨方法，将工件压接在旋转的平台的研磨垫上，一边向所述研磨垫供给研磨液一边进行工件表面的研磨，
其特征在于，
该工件研磨方法具备：
修整工序，使修整磨具在所述研磨垫的表面上往复移动而按照所需的修整条件对所述研磨垫的表面进行修整；
计测工序，通过表面性状计测部，在与所述研磨垫的表面接触的状态下取得与所述研磨垫的接触图像，从而计测出所述研磨垫的表面性状；
研磨工序，在修整所述研磨垫后对工件进行研磨；
在该研磨工序后对被研磨的工件的研磨结果进行计测的工序；
通过人工智能来学习如下的相关关系而得到相关数据的工序，其中，所述相关关系是通过修整部对所述研磨垫进行修整时的所述修整条件的数据、在该修整后通过所述表面性状计测部计测出的所述研磨垫的表面性状数据、以及在所述修整后对工件进行研磨的情况下的研磨结果数据的相关关系；
输入工序，向所述人工智能输入作为目标的研磨结果；
第1运算处理工序，通过人工智能，根据所述相关数据逆向推断出与作为所述目标的研磨结果相对应的所述研磨垫的表面性状；以及
第2运算处理工序，根据通过人工智能逆向推断出的所述研磨垫的表面性状导出对应的所述修整条件。
9.根据权利要求8所述的工件研磨方法，其特征在于，
在所述修整工序中使用多个修整磨具进行修整，在所述多个修整磨具上固定有粒度不同的磨粒。
10.根据权利要求8所述的工件研磨方法，其特征在于，
所述研磨垫的表面性状至少包括所述接触图像中的接触点数。
11.根据权利要求8所述的工件研磨方法，其特征在于，
所述研磨垫的表面性状包括所述接触图像中的接触点数、接触率、接触点间隔以及空间FFT解析结果。
12.根据权利要求8至11中的任意一项所述的工件研磨方法，其特征在于，
在所述第1运算处理工序中，通过第1神经网络逆向推断出所述研磨垫的表面性状，在所述第2运算处理工序中，通过第2神经网络导出所述修整条件。
13.根据权利要求8至11中的任意一项所述的工件研磨方法，其特征在于，
在所述第1运算处理工序中，通过神经网络逆向推断出所述研磨垫的表面性状，在所述第2运算处理工序中，通过模式识别技术导出所述修整条件。
CN201810058829.5A 2017-01-23 2018-01-22 工件研磨方法和工件研磨装置 Active CN108340281B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017009505 2017-01-23
JP2017-009505 2017-01-23

Publications (2)

Publication Number Publication Date
CN108340281A CN108340281A (zh) 2018-07-31
CN108340281B true CN108340281B (zh) 2021-04-13

Family

ID=62813141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810058829.5A Active CN108340281B (zh) 2017-01-23 2018-01-22 工件研磨方法和工件研磨装置

Country Status (6)

Country Link
US (1) US10449655B2 (zh)
JP (1) JP7023455B2 (zh)
KR (1) KR102363055B1 (zh)
CN (1) CN108340281B (zh)
DE (1) DE102018200928A1 (zh)
TW (1) TWI737867B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI783037B (zh) * 2017-09-25 2022-11-11 美商應用材料股份有限公司 使用機器學習方式以產生製程控制參數的半導體製造
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP7305945B2 (ja) * 2018-10-31 2023-07-11 株式会社ジェイテクト 工作機械
CN111283548B (zh) * 2018-12-07 2023-07-18 株式会社迪思科 圆板状工件的加工方法
WO2020137802A1 (ja) * 2018-12-28 2020-07-02 株式会社荏原製作所 パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム
JP7450630B2 (ja) * 2019-02-05 2024-03-15 スリーエム イノベイティブ プロパティズ カンパニー シナリオによる塗装補修処理
JP7570004B2 (ja) * 2019-02-19 2024-10-21 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
TWI820308B (zh) * 2019-03-21 2023-11-01 美商應用材料股份有限公司 監視化學機械拋光中的拋光墊紋理
DE102019107694A1 (de) * 2019-03-26 2020-10-01 Homag Bohrsysteme Gmbh Verfahren zum Betrieb einer Maschine
CN113767404A (zh) * 2019-03-29 2021-12-07 圣戈班磨料磨具有限公司 高效研磨解决方案
JP7120958B2 (ja) * 2019-04-19 2022-08-17 ファナック株式会社 ドレッシング推定装置、及び制御装置
DE102019207744A1 (de) * 2019-05-27 2020-12-03 Robert Bosch Gmbh Verfahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine mittels eines maschinellen Lernsystems
JP7464629B2 (ja) * 2020-01-20 2024-04-09 ファナック株式会社 研磨量推定装置
WO2022133273A1 (en) * 2020-12-18 2022-06-23 Applied Materials, Inc. Adaptive slurry dispense system
WO2023127601A1 (ja) * 2021-12-27 2023-07-06 株式会社レゾナック うねり予測装置、うねり予測方法、被研磨物の加工方法及びプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1110668A2 (en) * 1999-12-17 2001-06-27 Fujikoshi Machinery Corporation Wafer holding unit for polishing machine
CN102069452A (zh) * 2009-09-29 2011-05-25 宋健民 识别和/或提高化学机械研磨垫修整器性能的系统及方法

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5366041A (en) 1976-11-25 1978-06-13 Babcock Hitachi Kk Heating furnace
US5402354A (en) * 1990-10-12 1995-03-28 Mitsubishi Jukogyo Kabushiki Kaisha Control apparatus and control method for machine tools using fuzzy reasoning
JPH10214804A (ja) * 1997-01-28 1998-08-11 Olympus Optical Co Ltd 機械化学研磨装置用の平坦化過程モニター装置
US6168683B1 (en) * 1998-02-24 2001-01-02 Speedfam-Ipec Corporation Apparatus and method for the face-up surface treatment of wafers
JP3019079B1 (ja) * 1998-10-15 2000-03-13 日本電気株式会社 化学機械研磨装置
JP2000233369A (ja) 1999-02-15 2000-08-29 Noritake Co Ltd 研削状態監視装置およびドレッシング状態監視装置
JP2000343380A (ja) 1999-05-31 2000-12-12 Toshiba Mach Co Ltd 加工機械における運転条件の決定方法
TW505555B (en) * 1999-08-18 2002-10-11 Guo-Jen Wang Wafer chemical mechanical polishing process
US7008301B1 (en) * 1999-08-26 2006-03-07 Advanced Micro Devices, Inc. Polishing uniformity via pad conditioning
JP2001260001A (ja) 2000-03-13 2001-09-25 Hitachi Ltd 半導体装置の平坦化方法及びその装置
JP2002126998A (ja) * 2000-10-26 2002-05-08 Hitachi Ltd 研磨方法および研磨装置
US6684704B1 (en) * 2002-09-12 2004-02-03 Psiloquest, Inc. Measuring the surface properties of polishing pads using ultrasonic reflectance
TWI221435B (en) * 2001-01-20 2004-10-01 Guo-Jen Wang Method for optimizing timing control process parameters in chemical mechanical polishing
DE60121292T2 (de) * 2001-04-02 2007-07-05 Infineon Technologies Ag Verfahren zur Konditionierung der Oberfläche eines Polierkissens
US6594024B1 (en) * 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US6887131B2 (en) * 2002-08-27 2005-05-03 Intel Corporation Polishing pad design
JP2003086551A (ja) * 2001-09-07 2003-03-20 Mitsubishi Electric Corp 半導体研磨装置、半導体研磨の終点検出方法および研磨ヘッドのドレスの終点検出方法
JP2003151934A (ja) * 2001-11-15 2003-05-23 Seiko Epson Corp Ｃｍｐ装置及びｃｍｐ用研磨パッドの調整方法
US20030188829A1 (en) * 2001-12-27 2003-10-09 Bharath Rangarajan Integrated pressure sensor for measuring multiaxis pressure gradients
WO2003071592A1 (fr) * 2002-02-20 2003-08-28 Ebara Corporation Procede et dispositif de polissage
US6937915B1 (en) * 2002-03-28 2005-08-30 Lam Research Corporation Apparatus and methods for detecting transitions of wafer surface properties in chemical mechanical polishing for process status and control
US7004822B2 (en) * 2002-07-31 2006-02-28 Ebara Technologies, Inc. Chemical mechanical polishing and pad dressing method
US7097542B2 (en) * 2004-07-26 2006-08-29 Intel Corporation Method and apparatus for conditioning a polishing pad
US7846006B2 (en) * 2006-06-30 2010-12-07 Memc Electronic Materials, Inc. Dressing a wafer polishing pad
CN102490112B (zh) * 2006-10-06 2015-03-25 株式会社荏原制作所 加工终点检测方法、研磨方法及研磨装置
JP2009028874A (ja) * 2007-07-30 2009-02-12 Elpida Memory Inc Ｃｍｐ用ドレッサー及びこれを用いたｃｍｐ装置
US8870625B2 (en) * 2007-11-28 2014-10-28 Ebara Corporation Method and apparatus for dressing polishing pad, profile measuring method, substrate polishing apparatus, and substrate polishing method
US8257150B2 (en) * 2008-02-29 2012-09-04 Tokyo Seimitsu Co., Ltd. Pad dresser, polishing device, and pad dressing method
JP5366041B2 (ja) 2008-08-27 2013-12-11 不二越機械工業株式会社 パッド表面状態観察方法およびパッド表面状態観察装置
JP2010173052A (ja) * 2009-02-02 2010-08-12 Sumco Corp 研磨パッド厚測定方法、および研磨パッド厚測定装置
CN102858495B (zh) * 2010-04-20 2016-06-01 应用材料公司 用于经改良的研磨垫外形的闭回路控制
JP6066192B2 (ja) * 2013-03-12 2017-01-25 株式会社荏原製作所 研磨パッドの表面性状測定装置
JP6010511B2 (ja) 2013-08-22 2016-10-19 株式会社荏原製作所 研磨パッドの表面粗さ測定方法
JP6340205B2 (ja) * 2014-02-20 2018-06-06 株式会社荏原製作所 研磨パッドのコンディショニング方法及び装置
JP6465345B2 (ja) * 2014-12-26 2019-02-06 株式会社荏原製作所 研磨パッドの表面性状測定方法および装置
US9669514B2 (en) * 2015-05-29 2017-06-06 Taiwan Semiconductor Manufacturing Co., Ltd System and method for polishing substrate
TWM531354U (zh) * 2016-05-04 2016-11-01 Factory Automation Technology 加工裝置
TWM528233U (zh) * 2016-05-06 2016-09-11 中華大學 一種研磨墊檢測系統
SG10202111784SA (en) 2016-10-18 2021-12-30 Ebara Corp System for controlling a scrubbing process system, method of a controller controlling a scrubbing process, and program

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1110668A2 (en) * 1999-12-17 2001-06-27 Fujikoshi Machinery Corporation Wafer holding unit for polishing machine
CN102069452A (zh) * 2009-09-29 2011-05-25 宋健民 识别和/或提高化学机械研磨垫修整器性能的系统及方法

Also Published As

Publication number Publication date
DE102018200928A1 (de) 2018-07-26
US10449655B2 (en) 2019-10-22
JP2018118372A (ja) 2018-08-02
CN108340281A (zh) 2018-07-31
US20180207768A1 (en) 2018-07-26
TWI737867B (zh) 2021-09-01
JP7023455B2 (ja) 2022-02-22
TW201829127A (zh) 2018-08-16
KR20180087143A (ko) 2018-08-01
KR102363055B1 (ko) 2022-02-14

Similar Documents

Publication Publication Date Title
CN108340281B (zh) 工件研磨方法和工件研磨装置
CN106944929B (zh) 工件研磨方法和研磨垫的修整方法
US11017524B2 (en) Thickness measurement of substrate using color metrology
TWI556911B (zh) 研磨裝置中所使用之研磨墊之研磨表面的監視方法與監視裝置
CN113597360B (zh) 监视化学机械抛光中的抛光垫纹理
US20070049168A1 (en) Polishing pad, pad dressing evaluation method, and polishing apparatus
US20070077671A1 (en) In-situ substrate imaging
CN109702650A (zh) 研磨垫修整方法、化学机械研磨方法及装置
US6650408B2 (en) Method for inspecting a polishing pad in a semiconductor manufacturing process, an apparatus for performing the method, and a polishing device adopting the apparatus
US7988529B2 (en) Methods and tools for controlling the removal of material from microfeature workpieces
JP6884015B2 (ja) 基板の研磨装置および研磨方法
WO2023249903A1 (en) Abrasive systems and methods of use
JP2001260001A (ja) 半導体装置の平坦化方法及びその装置
CN105196148A (zh) 一种具有智能上下料功能的自适应抛光打磨系统
WO2002050893A2 (en) Process for monitoring a process, planarizing a surface, and for quantifying the results of a planarization process
JP2020185626A (ja) 砥石表面の砥粒分布を測定するための測定システムとこれを備えた研削盤
TWI856837B (zh) 監視化學機械拋光中的拋光墊紋理
CN117428673A (zh) 表面性状判定方法及表面性状判定系统
CN117655908A (zh) 抛光垫的参数控制方法、装置、设备、存储介质及系统
JP2005347530A (ja) 研磨パッド調整方法及び化学機械研磨装置
JP2024133861A (ja) 研削加工システム、及び、機械学習装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant