CN110948374A - 研磨装置、研磨方法以及机器学习装置 - Google Patents

研磨装置、研磨方法以及机器学习装置 Download PDF

Info

Publication number
CN110948374A
CN110948374A CN201910916437.2A CN201910916437A CN110948374A CN 110948374 A CN110948374 A CN 110948374A CN 201910916437 A CN201910916437 A CN 201910916437A CN 110948374 A CN110948374 A CN 110948374A
Authority
CN
China
Prior art keywords
polishing
data
unit
state
learning
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.)
Pending
Application number
CN201910916437.2A
Other languages
English (en)
Inventor
铃木佑多
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.)
Ebara Corp
Original Assignee
Ebara Corp
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 Ebara Corp filed Critical Ebara Corp
Publication of CN110948374A publication Critical patent/CN110948374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • 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
    • 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
    • B24B49/10—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 electrical 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
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B24B37/013—Devices or means for detecting lapping completion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
    • H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Grinding-Machine Dressing And Accessory Apparatuses (AREA)

Abstract

本发明提供一种改善了膜厚的测定精度的研磨装置、研磨方法以及机器学习装置。研磨单元(3A)具有状态取得部(846)和学习部(848)。状态取得部(846)能够取得状态变量，该状态变量包括与构成研磨单元(3A)的顶环(31A)等的状态有关的数据和与半导体晶片(16)的状态有关的数据中的至少一个。学习部(848)已通过神经元网络学习完毕状态变量与半导体晶片(16)的膜厚的变化的关系，并且该学习部能够从状态取得部(846)被输入状态变量而预测变化，及/或能够从状态取得部(846)被输入状态变量而判断为变化异常。

Description

研磨装置、研磨方法以及机器学习装置
技术领域
本发明涉及一种研磨装置、研磨方法以及机器学习装置。
背景技术
近年，随着半导体器件的高集成化的推进，电路的配线细微化，并且配线间的距离也 不断变得更狭窄。因此，需要使作为研磨对象物的半导体晶片的表面平坦化，而作为该平 坦化方法的一个手段，进行由化学机械研磨(CMP)装置进行的研磨。
研磨装置具备：旋转台，该旋转台用于保持用于对研磨对象物进行研磨的研磨垫；以 及顶环，该顶环保持研磨对象物并用于将研磨对象物按压于研磨垫。旋转台和顶环分别由 驱动部(例如，电机)旋转驱动。使包括研磨剂的液体(浆料)在研磨垫上流动，并且将 保持于顶环的研磨对象物推到研磨垫，从而对研磨对象物进行研磨。
在研磨装置中，当研磨对象物的研磨不充分时，不能实现电路间的绝缘，有产生短路 的危险。另外，在过度研磨的情况下，会产生由配线的截面面积减小导致的电阻值的上升， 或配线本身被完全去除，而不能形成电路本身等问题。另外，需要使表面整体高精度地平 坦化。因此，在研磨装置中，要求检测最佳的研磨终点、对表面整体上高精度地检测研磨量。
作为这样的技术，存在日本特开2012-135865号所记载的涡电流式终点检测传感器(以 下，称为“涡电流传感器”)等。在该涡电流传感器中，通过螺线管型或螺旋型的线圈来 进行研磨对象物内的涡电流检测。研磨对象物的膜厚变化，从而涡电流增加或减少。
作为研磨终点检测手段的其他方法，也已知有对研磨对象物的膜厚变化，研磨向不同 材质的物质转移时的研磨摩擦力的变化进行检测的方法。研磨摩擦力的变化表现为上述的 驱动部的电机电流的变化，因此能够通过电机电流传感器对膜厚的变化进行检测。另外， 也存在通过光学传感器对研磨对象物的表面的反射率的变化进行检测的方法。
相对于在研磨过程中对研磨对象的膜厚进行测定的这些传感器的输出，为了除去噪声 等，进行使传感器的输出平均化的处理、噪声过滤处理、及/或增幅的处理等处理。这些 处理由模拟电路、或数字电路(软件等)的处理系统进行。在这些处理复杂的情况下，在由传感器进行的测正时与处理结束时之间产生延迟(时间迟延)。另外，为了这些处理， 有时也在研磨装置内的通信系统中，或在研磨装置与其他装置之间的通信系统中，进行数 据的发送和接收。有时也产生由数据的发送和接收用通信系统引起的延迟。其结果是，研 磨装置不能完全实时地掌握终点检测、各种控制中所使用的膜厚数据。由于模拟电路、或 数字电路的处理系统、通信系统进行处理期间，研磨也会进行，因此在处理系统、通信系 统在处理结束时掌握的膜厚和处理结束时的实际的膜厚会产生误差。
随着半导体器件的细微化的推进，所需的研磨量减少，研磨时间也变短，另一方面， 对膜厚的测定精度的要求变高。因此，伴随着处理系统、通信系统的处理延迟而带来的处 理系统、通信系统掌握的膜厚的时间延迟的影响变大。
另外，膜厚的变化由前文所述的涡电流传感器、电机电流传感器、光学传感器等膜厚 传感器进行检测，但由这些传感器对膜厚进行测定的测定精度本身需要提高。
现有技术文献
专利文献
专利文献1：日本特开2012-135865号
发明内容
发明要解决的课题
本发明的一个方式为了克服这样的问题而做出，其目的在于，提供一种改善了膜厚的 测定精度的研磨装置、研磨方法以及机器学习装置。
用于解决课题的技术手段
为了解决上述课题，在方式一中，采用了如下结构：一种能够对研磨对象物进行研磨 的研磨装置，具备：状态取得部，该状态取得部能够取得状态变量，该状态变量包括与构成所述研磨装置的设备的状态有关的数据和与所述研磨对象物的状态有关的数据中的至少一个；以及学习部，该学习部已通过神经元网络学习完毕所述状态变量与所述研磨对象物的膜厚的变化的关系，并且该学习部能够从所述状态取得部被输入所述状态变量而预测所述变化，及/或能够从所述状态取得部被输入所述状态变量而判断为所述变化异常。
在本实施方式中，由于具备能够基于包括与设备的状态有关的数据、与研磨对象物的 状态有关的数据中的至少一个的状态变量对变化进行学习的学习部，因此能够提高终点检 测的精度。例如，通过学习膜厚检测部和其他检测部(温度检测部、对气囊压力进行检测 的压力检测部等)、消耗品的使用时间，能够提高终点检测的精度。另外，能够提供一种 能够减少处理系统、通信系统掌握的膜厚的时间延迟的影响的机器学习装置以及研磨装 置。
此外，膜厚的变化，除了指膜厚本身的变化之外还指依存于膜厚的量的变化。例如， 是指膜厚传感器输出的数据本身的变化、或相对于膜厚传感器输出的数据进行除去噪声等 处理的数据的变化。
在方式二中，采用如下结构：在方式一所述的研磨装置中，与构成所述研磨装置的设 备的状态有关的数据包括与所述设备的配置有关的数据、与所述设备的动作状态有关的数 据、以及与所述设备的消耗状态有关的数据中的至少一个，与所述研磨对象物的状态有关 的数据包括膜厚检测部所检测的数据、温度检测部所检测的数据、压力检测部所检测的数 据、以及与所述研磨对象物的特性有关的数据中的至少一个，该膜厚检测部能够对所述研 磨对象物的膜厚进行检测，该温度检测部能够对所述研磨对象物的温度进行检测，该压力 检测部能够对施加到所述研磨对象物的压力进行检测。
在膜厚检测部中包括电机驱动部等，该电机驱动部输出指示膜厚传感器(涡电流方式、 电机电流方式、光学方式等)、电机的电流值的电流指令。在为电机驱动部的情况下，膜 厚检测部(电机驱动部)所检测的数据为电机的电流值或电流指令。
在温度检测部中包括位于温度传感器、研磨对象物的附近的电路的电阻等能够检测研 磨对象物的温度的电阻等。在压力检测部中包括控制部等，该控制部将施加到压力传感器、 研磨对象物的压力作为控制电流、控制电压或压力指令输出到压力调节部。在控制部的情 况下，压力检测部(控制部)所检测的数据是控制电流、控制电压或压力指令。
在方式三中，采用如下结构：在方式二所述的研磨装置中，与所述设备的配置有关的 数据包括与顶环的位置有关的数据、与旋转台的位置有关的数据、与臂的位置有关的数据、 以及与修整器的位置有关的数据中的至少一个，该顶环能够保持所述研磨对象物，该旋转 台能够使用于对所述研磨对象物进行研磨的研磨垫旋转，该臂保持所述顶环，该修整器能 够进行所述研磨垫的修整，与所述设备的动作状态有关的数据包括与所述顶环的转速有关 的数据和与所述旋转台的转速有关的数据中的至少一个，与所述设备的消耗状态有关的数 据包括与构成所述研磨装置的消耗品的使用时间有关的数据和与所述消耗品的消耗量有 关的数据中的至少一个，与所述研磨对象物的特性有关的数据包括与所述研磨对象物的材 质有关的数据和与所述研磨对象物由所述研磨装置研磨之前具有的膜厚以及电路模式有 关的数据中的至少一个。
在方式四中，采用如下结构：在方式一至三中的任一项所述的研磨装置中，所述研磨 装置具备判定数据取得部，该判定数据取得部取得对所述研磨装置有无异常或异常的程度 进行判定的判定数据，所述学习部能够基于数据集来学习所述研磨对象物的膜厚的变化， 该数据集基于所述状态变量以及所述判定数据的组合而创建。
在方式五中，采用如下结构：在方式一至四中的任一项所述的研磨装置中，所述学习 部能够从所述状态取得部被输入所述状态变量而学习所述变化。
在方式六中，采用如下结构：一种研磨方法，计算机执行如下步骤：状态取得步骤，在该状态取得步骤中，取得状态变量，该状态变量包括与构成能够对研磨对象物进行研磨的研磨装置的设备的状态有关的数据和与所述研磨对象物的状态有关的数据中的至少一个；以及推定步骤，在该推定步骤中，从状态取得部向学习部输入所述状态变量而预测所述研磨对象物的膜厚的变化，及/或从所述状态取得部输入所述状态变量而判断为所述变化异常，该学习部已通过神经元网络学习完毕所述状态变量与所述变化的关系。
在方式七中，采用如下结构：一种能够学习研磨对象物的膜厚的变化的机器学习装置， 该研磨对象物能够供研磨装置进行研磨，具备：状态取得部，该状态取得部能够取得状态 变量，该状态变量包括与构成所述研磨装置的设备的状态有关的数据和与所述研磨对象物 的状态有关的数据中的至少一个；以及学习部，该学习部已通过神经元网络学习完毕所述 状态变量与所述研磨对象物的膜厚的变化的关系，并且该学习部能够从所述状态取得部被 输入所述状态变量而预测所述变化，及/或能够从所述状态取得部被输入所述状态变量而 判断为所述变化异常。
在方式八中，采用如下结构：一种能够学习研磨对象物的膜厚的变化的机器学习装置， 该研磨对象物能够供研磨装置进行研磨，具备：状态取得部，该状态取得部能够取得状态 变量，该状态变量包括与构成所述研磨装置的设备的状态有关的数据和与所述研磨对象物 的状态有关的数据中的至少一个；以及学习部，该学习部能够通过神经元网络学习所述状 态变量与所述研磨对象物的膜厚的变化的关系，并且该学习部能够从所述状态取得部被输 入所述状态变量而学习所述变化，及/或能够从所述状态取得部被输入所述状态变量而学 习到所述变化异常。
在方式九中，采用如下结构：一种计算机可读取记录介质，该计算机对研磨装置进行 控制，该研磨装置能够对研磨对象物进行研磨，该计算机可读取记录介质记录有用于使计 算机执行如下步骤的程序：
取得状态变量，该状态变量包括与构成所述研磨装置的设备的状态有关的数据和与所 述研磨对象物的状态有关的数据中的至少一个；以及
使用神经元网络生成至少一个特征量，所述神经元网络具有：输入所述状态变量的多 个输入节；输出所述特征量的输出节点；以及连接所述输入节点和所述输出节点的多个隐 藏节点；
基于所述特征量对所述研磨装置进行控制。
特征量是指学习部能够输出的数据，例如，是预测了所述研磨对象物的膜厚的变化的 数据、及/或判定所述变化是否异常的数据。
附图说明
图1是表示本发明的一个实施方式的基板处理装置的整体结构的俯视图。
图2是示意性地表示第一研磨单元的立体图。
图3是示意性地表示顶环的构造的剖视图。
图4是示意性地表示顶环的其他的构造例的剖视图。
图5是用于说明使顶环旋转以及摆动的机构的剖视图。
图6是示意性地表示旋转台的内部构造的剖视图。
图7是表示具备光学式传感器的旋转台的示意图。
图8是表示具备微波传感器的旋转台的示意图。
图9是表示本发明的一个实施方式的研磨装置的整体结构的概略图。
图10是表示一个实施方式的终点检测部的一例的框图。
图11表示学习中使用的数据、算法和学习完毕模型的使用例。
图12是用于说明由图10中的机器学习装置进行的学习处理的一例的流程图。
图13是表示神经元网络的结构例的图。
图14是用于说明递归型神经元网络的一例的图。
图15是表示正常的膜厚的变化的例子的图。
图16是表示异常的膜厚的变化的例子的图。
图17是表示控制部对整体的控制的图。
图18是表示另外的实施方式的结构的图。
图19是表示图18的实施方式的变形例的图。
图20是表示使用了AI的第一研磨单元的控制的框图。
图21是表示使用了AI的第一研磨单元的控制的框图。
图22是表示使用了AI的第一研磨单元的控制的框图。
符号说明
10…研磨垫
16…半导体晶片
28…终点检测部
3A…第一研磨单元
50…涡电流传感器
51…判定数据取得部
52…状态取得部
53…学习部
63…研磨部
30A…旋转台
31A…顶环
33A…修整器
676…光学式传感器
760…单元控制器
764…基板处理装置
766…网络
768…数据处理装置
770…中间处理装置
830…膜厚计算部
832…温度传感器
834…光学传感器
具体实施方式
以下，参照附图对本发明的实施方式进行说明。此外，在以下的各实施方式中，有时 对于相同或相应的部件标记相同的附图标记并省略重复的说明。另外，各实施方式中所表 示的特征只要不彼此矛盾就能够应用于其他的实施方式。
图1是表示本发明的一个实施方式的基板处理装置的整体结构的俯视图。如图1所示， 该基板处理装置具备框体部、即在本实施方式中为大致矩形形状的壳体61。壳体61具有 侧壁700。壳体61的内部由隔壁1a、1b划分为装载/卸载部62、研磨部63和清洗部64。 这些装载/卸载部62、研磨部63以及清洗部64分别独立地组装，独立地排气。另外，基 板处理装置具有对基板处理动作进行控制的控制部65。
装载/卸载部62包括两个以上(在本实施方式中为四个)前装载部20，在该前装载部20载置储存多个半导体晶片(基板)的晶片盒。这些前装载部20与壳体61相邻地配 置，并且沿着基板处理装置的宽度方向(与长边方向垂直的方向)排列。在前装载部20 能够搭载开放式盒、SMIF(Standard Manufacturing Interface：标准制造接口)盒、或FOUP (FrontOpening Unified Pod：前开式晶片传送盒)。在此，SMIF、FOUP是在内部收纳晶 片盒，并且通过用隔壁覆盖，能够保持与外部空间独立的环境的密闭容器。
另外，在装载/卸载部62沿着前装载部20的排列铺设有行驶机构21。在行驶机构21上设置有可沿着晶片盒的排列方向移动的两台输送机械手(装载机)22。输送机械手22 通过在行驶机构21上移动而能够访问搭载于前装载部20的晶片盒。各输送机械手22在 上下包括两只手。在使处理后的半导体晶片返回到晶片盒时使用上侧的手。在将处理前的 半导体晶片从晶片盒取出时使用下侧的手。像这样，分开使用上下的手。进一步，输送机 械手22的下侧的手通过绕其轴心旋转，能够使半导体晶片翻转。
装载/卸载部62是最需要保持清洁的状态的区域。因此，装载/卸载部62的内部始终 维持成比基板处理装置外部、研磨部63以及清洗部64中的任一个都高的压力。研磨部63由于使用浆料作为研磨液因此是最脏的区域。因此，在研磨部63的内部形成负压，该 压力被维持成比清洗部64的内部压力低。在装载/卸载部62设置有过滤器风扇单元(未 图示)，该过滤器风扇单元具有HEPA过滤器、ULPA过滤器、或化学过滤器等清洁空气 过滤器。从过滤器风扇单元始终吹出去除了颗粒、有毒蒸汽、有毒气体的清洁空气。
研磨部63是进行半导体晶片的研磨(平坦化)的区域，具备第一研磨单元3A、第二研磨单元3B、第三研磨单元3C和第四研磨单元3D。如图1所示，第一研磨单元3A、 第二研磨单元3B、第三研磨单元3C以及第四研磨单元3D沿着基板处理装置的长边方向 排列。
如图1所示，第一研磨单元3A包括旋转台30A、顶环31A、研磨液供给喷嘴32A、 修整器33A和喷雾器34A。在旋转台30A安装有具有研磨面的研磨垫10。顶环(保持部) 31A保持半导体晶片，且一边将半导体晶片按压于旋转台30A上的研磨垫10一边对半导 体晶片进行研磨。研磨液供给喷嘴32A将研磨液、修整液(例如，纯水)供给到研磨垫 10。修整器33A进行研磨垫10的研磨面的修整。喷雾器34A将液体(例如纯水)和气体 (例如氮气)的混合流体或液体(例如纯水)变成雾状并向研磨面喷射。
同样地，第二研磨单元3B包括安装有研磨垫10的旋转台30B、顶环31B、研磨液供给喷嘴32B、修整器33B和喷雾器34B。第三研磨单元3C包括安装有研磨垫10的旋转 台30C、顶环31C、研磨液供给喷嘴32C、修整器33C以及喷雾器34C。第四研磨单元 3D包括安装有研磨垫10的旋转台30D、顶环31D、研磨液供给喷嘴32D、修整器33D 以及喷雾器34D。
第一研磨单元3A、第二研磨单元3B、第三研磨单元3C以及第四研磨单元3D具有 彼此相同的结构，因此关于研磨单元的详细内容，以下，将以第一研磨单元3A作为对象 进行说明。
图2是示意性地表示第一研磨单元3A的立体图。顶环31A被顶环轴636支承。在旋转台30A的上表面贴附有研磨垫10，该研磨垫10的上表面构成研磨半导体晶片16的研 磨面。此外，能够代替研磨垫10而使用固定磨粒。顶环31A以及旋转台30A如箭头所示 构成为绕其轴心旋转。半导体晶片16通过真空吸附而保持在顶环31A的下表面。在研磨 时，研磨液从研磨液供给喷嘴32A被供给到研磨垫10的研磨面，作为研磨对象的半导体 晶片16通过顶环31A而被按压于研磨面并被研磨。
图3是示意性地表示顶环31A的构造的剖视图。顶环31A经由万向接头637而连结于顶环轴636的下端。万向接头637是容许顶环31A和顶环轴636彼此的倾动，且将顶 环轴636的旋转传递给顶环31A的球窝接头。顶环31A包括：大致圆盘状的顶环主体638； 以及配置于顶环主体638的下部的护环640。顶环主体638由金属、陶瓷等强度以及刚性 较高的材料形成。另外，护环640由刚性较高的树脂材料或陶瓷等形成。此外，也可以将 护环640与顶环主体638一体地形成。
在形成于顶环主体638以及护环640的内侧的空间内，容纳有圆形的弹性垫642、环状的加压片643和大致圆盘状的夹持板644，弹性垫642与半导体晶片16抵接，加压片 643由弹性膜构成，夹持板644保持弹性垫642。弹性垫642的上周端部被夹持板644保 持，在弹性垫642与夹持板644之间设置有四个压力室(气囊)P1、P2、P3、P4。压力 室P1、P2、P3、P4由弹性垫642和夹持板644形成。加压空气等加压流体分别经由流体 通路651、652、653、654而被供给到压力室P1、P2、P3、P4，或者在压力室P1、P2、 P3、P4进行抽真空。中央的压力室P1是圆形的，其他的压力室P2、P3、P4是环状的。 这些压力室P1、P2、P3、P4排列在同心上。
压力室P1、P2、P3、P4的内部压力能够通过后述的压力调节部而彼此独立地变化，由此，能够独立地对相对于半导体晶片16的四个区域、即中央部、内侧中间部、外侧中 间部以及周缘部的按压力进行调节。另外，通过使顶环31A的整体升降，能够以规定的 按压力将护环640按压于研磨垫10。在夹持板644与顶环主体638之间形成有压力室P5， 加压流体经由流体通路655被供给到该压力室P5，或者在该压力室P5进行抽真空。由此， 夹持板644以及弹性垫642整体能够在上下方向上运动。
半导体晶片16的周端部被护环640包围，在研磨过程中半导体晶片16不会从顶环31A飞出。在构成压力室P3的弹性垫642的部位形成有开口(未图示)，通过在压力室 P3形成真空，能使半导体晶片16吸附保持于顶环31A。另外，通过向该压力室P3供给 氮气、干燥空气、压缩空气等，能使半导体晶片16从顶环31A释放。
图4是示意性地表示顶环31A的其他构造例的剖视图。在该例中，未设置夹持板，弹性垫642安装于顶环主体638的下表面。另外，也未设置夹持板与顶环主体638之间的 压力室P5。作为替代，在护环640与顶环主体638之间配置有弹性囊646，在该弹性囊 646的内部形成有压力室P6。护环640可相对于顶环主体638相对地上下运动。流体通 路656与压力室P6连通，加压空气等加压流体能通过流体通路656而被供给到压力室P6。 压力室P6的内部压力能够通过后述的压力调节部进行调节。因此，能够独立于相对于半 导体晶片16的按压力而对护环640相对于研磨垫10的按压力进行调节。其他的结构以及 动作与图3所示的顶环的结构是相同的。在本实施方式中，能够使用图3或4中的任一种 类型的顶环。
图4是用于说明使顶环31A旋转以及摆动的机构的剖视图。顶环轴(例如，花键轴)636旋转自如地支承于顶环头660。另外，顶环轴636经由带轮661、662以及带663而与 电机M1的旋转轴连结，顶环轴636以及顶环31A通过电机M1绕其轴心旋转。该电机 M1安装于顶环头660的上部。另外，顶环头660和顶环轴636通过作为上下驱动源的气 缸665连结。顶环轴636以及顶环31A通过供给到该气缸665的空气(压缩气体)而一 体地上下运动。此外，也可代替气缸665，而将具有滚珠丝杠以及伺服电机的机构作为上 下驱动源使用。
顶环头660经由轴承672而旋转自如地支承于支承轴667。该支承轴667是固定轴，并且为不旋转的构造。在顶环头660设置有电机M2，顶环头660和电机M2的相对位置 是固定的。该电机M2的旋转轴经由未图示的旋转传递机构(齿轮等)而与支承轴667 连结，通过使电机M2旋转，顶环头660以支承轴667为中心摆动(摇摆)。因此，通过 顶环头660的摆动运动，支承在顶环头660的顶端的顶环31A在旋转台30A的上方的研 磨位置与旋转台30A的侧方的输送位置之间移动。此外，在本实施方式中，使顶环31A 摆动的摆动机构由电机M2构成。
在顶环轴636的内部形成有在该顶环轴636的长度方向上延伸的贯通孔(未图示)。上述的顶环31A的流体通路651、652、653、654、655、656通过该贯通孔而与设置于顶 环轴636的上端的旋转接头669连接。经由该旋转接头669向顶环31A供给加压气体(清 洁空气)、氮气等流体，另外气体从顶环31A被抽真空排气。在旋转接头669连接有与上 述流体通路651、652、653、654、655、656连通的多个流体管670，这些流体管670与 压力调节部675连接。另外，向气缸665供给加压空气的流体管671也与压力调节部675 连接。
压力调节部675具有对向顶环31A供给的流体的压力进行调节的电空调节器、与流体管670、671连接的配管、设置于这些配管的气动阀、对作为这些气动阀的工作源的空 气的压力进行调节的电空调节器、以及在顶环31A形成真空的排出器等，并且这些集中 地构成一个模块(单元)。压力调节部675固定于顶环头660的上部。向顶环31A的压力 室P1、P2、P3、P4、P5供给的加压气体、向气缸665供给的加压空气的压力由该压力调 节部675的电空调节器调节。同样地，通过压力调节部675的排出器在顶环31A的气囊 P1、P2、P3、P4内、夹持板644与顶环主体638之间的压力室P5内形成真空。
像这样，由于作为压力调节设备的电空调节器、阀设置于顶环31A的附近，因此能提高顶环31A内的压力的控制性。更具体而言，由于电空调节器和压力室P1、P2、P3、 P4、P5的距离短，因此相对于来自控制部65的压力变更指令的响应性提高。同样地，由 于作为真空源的排出器也设置于顶环31A的附近，因此在顶环31A内形成真空时的响应 性提高。另外，能够将压力调节部675的背面作为电装设备的安装用台座使用，进而可以 不需要以往需要的安装用的框架。
顶环头660、顶环31A、压力调节部675、顶环轴636、电机M1、电机M2和气缸665 构成为一个组件(以下，称为顶环组件)。即，顶环轴636、电机M1、电机M2、压力调 节部675和气缸665安装于顶环头660。顶环头660构成为能够从支承轴667拆卸。因此， 通过将顶环头660和支承轴667分离，能够将顶环组件从基板处理装置拆卸。根据这样的 结构，能够提高支承轴667、顶环头660等的维护性。例如，在从轴承672产生异常噪音 时，能够容易地更换轴承672，另外，在更换电机M2、旋转传递机构(减速机)时，也 不需要拆卸相邻的设备。
图6是示意性地表示旋转台30A的内部构造的剖视图。如图6所示，在旋转台30A 的内部埋设有对半导体晶片16的膜的状态进行检测的传感器676。在该例中，使用涡电 流传感器作为传感器676。传感器676的信号被发送到控制部65，并且通过控制部65生 成表示膜厚的监控信号。该监控信号(以及传感器信号)的值不是表示膜厚本身的值，但 监控信号的值根据膜厚而变化。因此，监控信号能够被称为表示半导体晶片16的膜厚的 信号。
控制部65基于监控信号确定各个压力室P1、P2、P3、P4的内部压力，并且能向压 力调整部675发出指令以使得在各个压力室P1、P2、P3、P4形成确定后的内部压力。控 制部65作为压力控制部和终点检测部发挥作用，该压力控制部基于监控信号对各个压力 室P1、P2、P3、P4的内部压力进行操作，该终点检测部对研磨终点进行检测。
和第一研磨单元3A同样地，传感器676也设置于第二研磨单元3B、第三研磨单元3C以及第四研磨单元3D的研磨台。控制部65根据从各个研磨单元3A～3D的传感器76 发送来的信号生成监控信号，并且对在各个研磨单元3A～3D中的半导体晶片的研磨进展 进行监视。在多个半导体晶片被研磨单元3A～3D研磨的情况下，控制部5在研磨过程中 对表示半导体晶片的膜厚的监控信号进行监视，并且基于这些监控信号，对顶环31A～ 31D的按压力进行控制以使研磨单元3A～3D中的研磨时间大致相同。通过像这样基于监 控信号而对研磨过程中的顶环31A～31D的按压力进行调节，能够使研磨单元3A～3D中 的研磨时间平均化。
半导体晶片16可以由第一研磨单元3A、第二研磨单元3B、第三研磨单元3C和第 四研磨单元3D中的任一研磨单元研磨，或也可以由从这些研磨单元3A～3D中预先选择 的多个研磨单元连续地研磨。例如，可以按照第一研磨单元3A→第二研磨单元3B的顺 序对半导体晶片16进行研磨，或也可以按照第三研磨单元3C→第四研磨单元3D的顺序 对半导体晶片16进行研磨。进一步，也可以按照第一研磨单元3A→第二研磨单元3B→ 第三研磨单元3C→第四研磨单元3D的顺序对半导体晶片16进行研磨。在任何一种情况 下，都能够通过使所有的研磨单元3A～3D的研磨时间平均化来提高处理能力。
涡电流传感器适合在半导体晶片的膜是金属膜的情况下使用。在半导体晶片的膜是氧 化膜等具有透光性的膜的情况下，能够使用光学式传感器作为传感器76。或者，也可以 使用微波传感器作为传感器76。微波传感器能够在金属膜以及非金属膜的任何一种情况 下使用。以下，对光学式传感器以及微波传感器的一例进行说明。
图7是表示具备光学式传感器的旋转台的示意图。如图7所示，在旋转台30A的内部埋设有对半导体晶片16的膜的状态进行检测的光学式传感器676。该传感器676向半 导体晶片16照射光，并且根据来自半导体晶片16的反射光的强度(反射强度或反射率) 对半导体晶片16的膜的状态(膜厚等)进行检测。
另外，在研磨垫10安装有用于使来自传感器676的光透过的透光部677。该透光部677由透过率较高的材质形成，例如，由非发泡型聚氨酯等形成。或者，也可以通过在研 磨垫10设置贯通孔，并且在该贯通孔被半导体晶片16封闭的期间使透明液体从下方流过 来构成透光部677。透光部677配置于在被保持于顶环31A的半导体晶片16的中心通过 的位置。
如图7所示，传感器676包括：光源678a；作为发光部的发光光纤678b，该发光光 纤678b将来自光源678a的光照射到半导体晶片16的被研磨面；作为受光部的受光光纤 678c，该受光光纤678c接收来自被研磨面的反射光；分光器单元678d，该分光器单元678d 在内部具有分光器以及多个受光元件，该分光器对通过受光光纤678c接收的光进行分光， 该受光元件将被该分光器分光后的光作为电信息而积存；动作控制部678e，该动作控制 部678e进行光源678a的接通以及断开、分光器单元678d内的受光元件的读取开始时机 等的控制；以及电源678f，该电源678f向动作控制部678e供给电力。此外，经由动作控 制部678e将电力供给到光源678a以及分光器单元678d。
发光光纤678b的发光端和受光光纤678c的受光端构成为相对于半导体晶片16的被 研磨面大致垂直。作为分光器单元678d内的受光元件，能够使用例如128元件的光电二极管阵列。分光器单元678d与动作控制部678e连接。来自分光器单元678d内的受光元 件的信息被发送到动作控制部678e，并且基于该信息生成反射光的光谱数据。即，动作 控制部678e读取积存在受光元件的电信息并生成反射光的光谱数据。该光谱数据表示根 据波长而分解的反射光的强度，并根据膜厚的变化而变化。
动作控制部678e与上述控制部65连接。这样一来，在动作控制部678e所生成的光谱数据被发送到控制部65。在控制部65中，基于从动作控制部678e接收到的光谱数据， 计算出与半导体晶片16的膜厚相关联的特性值，并将该特性值作为监控信号使用。
图8是表示具备微波传感器的旋转台的示意图。传感器676包括：将微波朝向半导体 晶片16的被研磨面照射的天线680a；向天线680a供给微波的传感器主体680b；以及连接天线680a和传感器主体680b的导波管681。天线680a埋设于旋转台30A，并且被配 置成与保持于顶环31A的半导体晶片16的中心位置相对。
传感器主体680b包括：生成微波并向天线680a供给微波的微波源680c；使由微波源680c所生成的微波(入射波)和从半导体晶片16的表面反射的微波(反射波)分离的 分离器680d；以及接收被分离器680d分离出的反射波并检测反射波的振幅以及相位的检 测部680e。此外，作为分离器680d，适合使用方向性结合器。
天线680a经由导波管681与分离器680d连接。微波源680c与分离器680d连接，由微波源680c所生成的微波经由分离器680d以及导波管681而被供给到天线680a。微波 从天线680a朝向半导体晶片16照射，并且透过(贯通)研磨垫10而到达半导体晶片16。 来自半导体晶片16的反射波再次透过研磨垫10后由天线680a接收。
反射波从天线680a经由导波管681而被发送到分离器680d，通过分离器680d分离入射波和反射波。被分离器680d分离出的反射波被发送到检测部680e。在检测部680e 检测反射波的振幅以及相位。反射波的振幅被检测为电力(dbm或W)或电压(V)，反 射波的相位由内置在检测部680e的相位计量器(未图示)检测。被检测部680e检测出的 反射波的振幅以及相位被发送到控制部65，并且在此，基于反射波的振幅以及相位对半 导体晶片16的金属膜、非金属膜等的膜厚进行解析。解析所得到的值作为监控信号被控 制部65监视。
如图1所示，修整器33A包括：修整器臂685；旋转自如地安装于修整器臂685的顶端的修整部件686；连结于修整器臂685的另一端的摆动轴688；以及作为驱动机构的电 机，该电机以摆动轴688为中心使修整器臂685摆动(摇摆)。修整部件686具有圆形的 修整面，在修整面固定有硬质的粒子。作为该硬质的粒子，可以列举金刚石粒子、陶瓷粒 子等。在修整器臂685内内置有未图示的电机，修整部件686能通过该电机旋转。摆动轴 688与未图示的升降机构连结，修整器臂685通过该升降机构下降，从而修整部件686按 压研磨垫10的研磨面。
图1所示的喷雾器34A包括：在下部具有一个或多个喷射孔的臂690；与该臂690 连结的流体流路691；以及支承臂690的摆动轴694。在臂690的下部等间隔地形成有多 个喷射孔。
作为所使用的流体的例子，可以列举液体(例如纯水)、或液体和气体的混合流体(例 如，纯水和氮气的混合流体)等。流体流路与臂690的喷射孔连通，流体成为雾状并从喷射孔向研磨垫10的研磨面喷射。
臂690能够以摆动轴694为中心而在清洗位置与退避位置之间回旋。臂690的可动角 度是大约90°。通常，臂690处于清洗位置，如图1所示，沿着研磨垫10的研磨面的径 向配置。在更换研磨垫10等维护时，臂690通过手动而移动到退避位置。因此，在维护 时不需要拆卸臂690而能够提高维护性。此外，也可以将旋转机构连结于摆动轴694，并 且通过该旋转机构使臂690回旋。
设置该喷雾器34A的目的在于通过高压的流体对残留在研磨垫10的研磨面的研磨屑、磨粒等进行冲洗。通过由喷雾器34A的流体压带来的研磨面的净化、由作为机械接 触的修整器33A进行的研磨面的整形作业，能够达成更优选的修整、即研磨面的翻新。 通常，在接触型的修整器(金刚石修整器等)进行修整后，进行由喷雾器进行的研磨面的 翻新的情况较多。
接下来，根据图1对用于输送半导体晶片的输送机构进行说明。输送机构包括升降器 11、第一线性输送机66、摆动式输送机12、第二线性输送机67和临时放置台。
升降器11从输送机械手22接收半导体晶片。第一线性输送机66在第一输送位置TP1、第二输送位置TP2、第三输送位置TP3以及第四输送位置TP4之间输送从升降器 11接收到的半导体晶片。第一研磨单元3A以及第二研磨单元3B从第一线性输送机66 接收半导体晶片并对半导体晶片进行研磨。第一研磨单元3A以及第二研磨单元3B将研 磨后的半导体晶片交接给第一线性输送机66。
摆动式输送机12在第一线性输送机66与第二线性输送机67之间进行半导体晶片的 交接。第二线性输送机67在第五输送位置TP5、第六输送位置TP6以及第七输送位置TP7之间输送从摆动式输送机12接收到的半导体晶片。第三研磨单元3C以及第四研磨单元 3D从第二线性输送机67接收半导体晶片并对半导体晶片进行研磨。第三研磨单元3C以 及第四研磨单元3D将研磨后的半导体晶片交接给第二线性输送机67。由研磨单元3进行 了研磨处理的半导体晶片通过摆动式输送机12被放置到临时放置台。
如图1所示，清洗部64被划分为第一清洗室190、第一输送室191、第二清洗室192、第二输送室193和干燥室194。在第一清洗室190内配置有沿着纵向排列的上侧一次清洗 组件以及下侧一次清洗组件。上侧一次清洗组件配置于下侧一次清洗组件的上方。同样地，在第二清洗室192内配置有沿着纵向排列的上侧二次清洗组件以及下侧二次清洗组件。上侧二次清洗组件配置于下侧二次清洗组件的上方。一次以及二次清洗组件是使用清洗液对半导体晶片进行清洗的清洗机。由于这些一次以及二次清洗组件沿着垂直方向排列，因此可获得占用面积小这样的优点。
在上侧二次清洗组件与下侧二次清洗组件之间设置有半导体晶片的临时放置台。在干 燥室194内配置有沿着纵向排列的上侧干燥组件以及下侧干燥组件。这些上侧干燥组件以 及下侧干燥组件彼此分离。在上侧干燥组件以及下侧干燥组件的上部设置有将干净的空气 分别供给到干燥组件内的过滤器风扇单元。上侧一次清洗组件、下侧一次清洗组件、上侧 二次清洗组件、下侧二次清洗组件、临时放置台、上侧干燥组件以及下侧干燥组件经由螺 栓等而被固定于框架。
在第一输送室191配置有能够上下运动的第一输送机械手，在第二输送室193配置有 能够上下运动的第二输送机械手。第一输送机械手以及第二输送机械手分别移动自如地支 承于在纵向上延伸的支承轴。第一输送机械手以及第二输送机械手在其内部具有电机等驱 动机构，沿着支承轴在上下移动自如。与输送机械手22同样地，第一输送机械手具有上 下两级的手。第一输送机械手的下侧的手配置于能够访问上述临时放置台的位置。在第一 输送机械手的下侧的手访问临时放置台时，设置于隔壁1b的闸门打开。
第一输送机械手进行动作以在临时放置台、上侧一次清洗组件、下侧一次清洗组件、 临时放置台、上侧二次清洗组件和下侧二次清洗组件之间输送半导体晶片16。在输送清 洗前的半导体晶片(附着有浆料的半导体晶片)时，第一输送机械手使用下侧的手，在输送清洗后的半导体晶片时，第一输送机械手使用上侧的手。第二输送机械手进行动作以在上侧二次清洗组件、下侧二次清洗组件、临时放置台、上侧干燥组件、下侧干燥组件之间 输送半导体晶片16。第二输送机械手由于仅输送清洗后的半导体晶片，因此仅包括一只 手。图1所示的输送机械手22使用其上侧的手从上侧干燥组件或下侧干燥组件取出半导 体晶片，并且使该半导体晶片返回到晶片盒。在输送机械手22的上侧手访问干燥组件时， 设置于隔壁1a的闸门(未图示)打开。
清洗部64由于具备两台一次清洗组件以及两台二次清洗组件，因此能够构成并列地 对多个半导体晶片进行清洗的多个清洗线路。“清洗线路”是指在清洗部64的内部，一个半导体晶片被多个清洗组件清洗时的移动路径。例如，能够按照第一输送机械手、上侧一次清洗组件A、第一输送机械手、上侧二次清洗组件、第二输送机械手、以及上侧干燥组 件的顺序输送一个半导体晶片，与此并列地，按照第一输送机械手、下侧一次清洗组件、 第一输送机械手、下侧二次清洗组件、第二输送机械手、以及下侧干燥组件的顺序输送其 他的半导体晶片。这样一来，通过两个并列的清洗线路，能够几乎同时地对多个(典型地 为两片)半导体晶片进行清洗以及干燥。
干燥后的半导体晶片16通过图1所示的输送机械手22被从干燥组件205A取出，并且返回到晶片盒。这样一来，对半导体晶片进行包括研磨、清洗以及干燥的一连串的处理。根据上述那样构成的干燥组件205A，能够迅速且有效地干燥半导体晶片16的两个表面， 另外，能够准确地控制干燥处理的结束时间点。因此，用于干燥处理的处理时间不会成为 清洗过程整体的控速工序。另外，由于能够使形成于清洗部4的上述的多个清洗线路上的 处理时间平均化，因此能够提高过程整体的总处理能力。
根据本实施方式，在将半导体晶片输送到研磨装置时(装载前)，半导体晶片处于干 燥状态，在研磨和清洗结束后，在卸载前，半导体晶片为干燥状态，并被卸载到基板盒。能够将处于干燥状态的半导体晶片从研磨装置放入到盒中并取出。即，能够干进/干出。
被放置到临时放置台的半导体晶片经由第一输送室191而被输送到第一清洗室190 或第二清洗室192。在第一清洗室190或第二清洗室192中对半导体晶片进行清洗处理。在第一清洗室190或第二清洗室192中被清洗处理后的半导体晶片经由第二输送室193 而被向干燥室194输送。在干燥室194中对半导体晶片进行干燥处理。干燥处理后的半导 体晶片被输送机械手22从干燥室194取出并返回到盒。
图9是表示本发明的一个实施方式的研磨单元(研磨装置)的整体结构的概略图。如 图9所示，研磨装置包括：旋转台30A；以及保持作为研磨对象物的半导体晶片16等基 板并将该基板按压于旋转台上的研磨面的顶环31A(保持部)。
第一研磨单元3A是用于在研磨垫10和与研磨垫10相对地配置的半导体晶片16之间进行研磨的研磨单元。第一研磨单元3A具有：用于保持研磨垫10的旋转台30A；以 及用于保持半导体晶片16的顶环31A。第一研磨单元3A具有：用于保持顶环31A的摆 动臂110；用于摆动摆动臂110的摆动轴电机14(臂驱动部)；以及向摆动轴电机14供给 驱动电力的驱动器18。进一步，第一研磨单元3A具有：对施加到摆动臂110的臂转矩进 行检测的臂转矩检测部26；以及基于臂转矩检测部26检测到的臂转矩26a，对表示研磨 结束的研磨终点进行检测的终点检测部28。
根据参照图9之后的附图进行说明的本实施方式，能够提供改善了膜厚的测定精度的 研磨单元3A。另外，本实施方式的研磨单元3A能够检测膜厚的变化的异常。研磨单元3A具备机器学习装置。在本实施方式中，作为研磨终点检测手段，能够使用如下方法： 使用了涡电流传感器的方法、基于臂转矩的方法、检测并利用旋转驱动旋转台或顶环的驱 动部的驱动负荷的方法等。本实施方式对在将顶环保持在摆动臂的端部的方式中基于臂转 矩进行研磨终点检测的情况进行说明，但通过电机电流对旋转驱动旋转台或顶环的驱动部的驱动负荷进行检测，并进行研磨终点检测也能够同样地实施。
保持部、摆动臂、臂驱动部和转矩检测部构成组，具有相同的构成的组设置于第一研 磨单元3A、第二研磨单元3B、第三研磨单元3C、第四研磨单元3D的每一个。
旋转台30A经由台轴102而与配置在旋转台30A的下方作为驱动部的电机(未图示)连结，并且可绕该台轴102旋转。在旋转台30A的上表面贴附有研磨垫10，研磨垫10 的表面101构成研磨半导体晶片16的研磨面。在研磨台30A的上方设置有研磨液供给喷 嘴(未图示)。研磨液Q通过研磨液供给喷嘴而被向旋转台30A上的研磨垫10供给。如 图9所示，也可以在旋转台30A的内部埋设有涡电流传感器50，该涡电流传感器50在半 导体晶片16内生成涡电流，通过检测该涡电流而能够检测研磨终点。
顶环31A由顶环主体24和护环23构成，顶环主体24将半导体晶片16按压于研磨 面101，护环23保持半导体晶片16的外周缘以使半导体晶片16不会从顶环飞出。
顶环31A与顶环轴111连接。顶环轴111通过未图示的上下运动机构而相对于摆动臂110上下运动。通过顶环轴111的上下运动，使顶环31A的整体相对于摆动臂110升 降并定位。
另外，顶环轴111经由键(未图示)而与旋转筒112连结。在该旋转筒112的外周部具备正时带轮113。在摆动臂110固定有顶环用电机114。上述正时带轮113经由正时带 115而与设置于顶环用电机114的正时带轮116连接。当顶环用电机114旋转时，旋转筒 112以及顶环轴111经由正时带轮116、正时带115以及正时带轮113一体地旋转，并且 顶环31A旋转。
摆动臂110与摆动轴电机14的旋转轴连接。摆动轴电机14固定于摆动臂轴117。因此，摆动臂110可旋转地支承于摆动臂轴117。
顶环31A能够在其下表面保持半导体晶片16等基板。摆动臂110能够以摆动臂轴117 为中心回旋。在下表面保持有半导体晶片16的顶环31A通过摆动臂110的回旋而从半导体晶片16的接收位置向研磨台30A的上方移动。并且，使顶环31A下降，并将半导体晶 片16按压于研磨垫10的表面(研磨面)101。此时，使顶环31A以及研磨台30A分别旋 转。同时，将研磨液从设置于研磨台30A的上方的研磨液供给喷嘴供给到研磨垫10上。 这样一来，使半导体晶片16与研磨垫10的研磨面101滑动接触，并对半导体晶片16的 表面进行研磨。
第一研磨单元3A具有旋转驱动旋转台30A的台驱动部(未图示)。第一研磨单元3A也可以具有对施加到旋转台30A的台转矩进行检测的台转矩检测部(未图示)。台转矩检 测部能够根据作为旋转电机的台驱动部的电流对台转矩进行检测。终点检测部28可以仅 根据臂转矩检测部26检测到的臂转矩26a对表示研磨的结束的研磨终点进行检测，也可 以考虑台转矩检测部检测到的台转矩，并对表示研磨的结束的研磨终点进行检测。
在图9中，在摆动臂110的与摆动轴电机14连接的连接部中，臂转矩检测部26对施加到摆动臂110的臂转矩26a进行检测。具体而言，臂驱动部是使摆动臂110旋转的摆动 轴电机(旋转电机)14，臂转矩检测部26根据摆动轴电机14的电流值，对施加到摆动臂 110的臂转矩26a进行检测。摆动轴电机14的电流值是依存于摆动臂110的与摆动轴电 机14连接的连接部中的臂转矩的量。在本实施方式中，摆动轴电机14的电流值是从驱动 器18向摆动轴电机14供给的电流值18b或在驱动器18内生成的后述的电流指令18a。
从控制部65向驱动器18输入与摆动臂110的位置有关的位置指令65a。位置指令65a 是相当于摆动臂110相对于摆动臂轴117的旋转角度的数据。另外，从内置地安装在摆动 轴电机14的编码器(未图示)向驱动器18输入摆动臂轴117的旋转角度。
电流指令18a是依存于摆动轴电机14的电流值的量，并且是依存于臂转矩的量。臂转矩检测部26对电流指令18a进行AD转换、增幅、整流和有效值转换等的处理中的至 少一个处理之后，将其作为臂转矩26a而输出到终点检测部28。
根据电流指令18a生成电流值。电流值是摆动轴电机14的电流值本身，并且是依存于臂转矩的量。臂转矩检测部26也可以根据电流值对施加到摆动臂110的臂转矩进行检测。臂转矩检测部26在检测出电流值18b时，能够使用霍尔传感器等电流传感器。
能够对用于旋转驱动旋转台的电机M3(第一电动机、参照图2)、用于旋转驱动顶环31A的电机M1(第二电动机、参照图5)、以及用于摆动摆动臂的电机M2(第三电动机、 参照图5)中的一个电动机的电流值进行检测。终点检测部28的膜厚计算部830(参照图 10)能够根据电流指令18a、电流值与膜厚的对应关系求出膜厚。电流指令18a、电流值 与膜厚的对应关系能够在例如研磨工序开始前求出，并且存储在膜厚计算部830内。
接下来，参照图10，对能够学习半导体晶片16(研磨对象物)的膜厚的变化的终点检测部28(机器学习装置)进行说明。终点检测部28具备：状态取得部846，该状态取 得部846能够取得包括与构成研磨单元3A的设备的状态有关的数据和与半导体晶片16 的状态有关的数据中的至少一个的状态变量；以及学习部848，该学习部848能够基于状 态变量学习变化。构成研磨单元3A的设备是指例如顶环31A、旋转台30A、研磨液供给 喷嘴32A、修整器33A、喷雾器34A等构成研磨单元3A的设备。
与构成研磨单元3A的设备的状态有关的数据包括与设备的配置有关的数据、与设备 的动作状态有关的数据以及与设备的消耗状态有关的数据中的至少一个。
与半导体晶片16的状态有关的数据包括能够对半导体晶片16的膜厚进行检测的膜厚 计算部830所检测的数据、能够对半导体晶片16的稳定进行检测的温度传感器832(温度检测部)所检测的数据、能够对施加到半导体晶片16的压力进行检测的控制部65(压 力检测部)所检测的数据以及与研磨对象物的特性有关的数据中的至少一个。关于施加到 半导体晶片16的压力，控制部65例如能够使用设置于流体通路651、652、653、654的 压力传感器来对压力进行检测。
这些数据被发送到终点检测部28内的状态取得部846以用于学习。即，膜厚计算部830所检测的数据作为信号830a而从膜厚计算部830被发送到状态取得部846。温度传感 器832(温度检测部)所检测的数据从温度传感器832被发送到状态取得部846。控制部 65(压力检测部)所检测的数据作为信号65b而从控制部65被发送到状态取得部846。
除了温度传感器832之外，温度检测部还包括位于半导体晶片16的附近的研磨单元 3A内的电路的电阻等，该电阻等能够对半导体晶片16的温度进行检测。温度传感器832配置于半导体晶片16的附近，温度传感器832的输出被发送到终点检测部28内的状态取 得部846。
在压力检测部中包括压力传感器、控制部65等，该控制部65将施加到半导体晶片16的压力作为压力指令输出到压力调节部675。在控制部65为压力检测部的情况下，控 制部65所检测的数据也可以是压力指令。除了压力调节部675之外，压力指令还从控制 部65作为信号65b而被输出到状态取得部846以用于学习。
与设备的配置有关的数据包括与能够保持研磨对象物的顶环31A的位置有关的数据、 与能够旋转用于对研磨对象物进行研磨的研磨垫的旋转台30A的位置有关的数据、与保 持顶环31A的臂110的位置有关的数据、以及与能够进行研磨垫10的修整的修整器33A的位置有关的数据中的至少一个。
在与顶环31A的位置有关的数据中例如包括旋转台30A的平面上的位置(二维坐标值)、及/或顶环31A的旋转角度。在与旋转台30A/臂110/修整器33A的位置有关的数据 中例如包括旋转台30A/臂110/修整器33A的旋转角度。此外，在本说明书中，“/”的含 义是“及/或”。在与顶环31A/旋转台30A/臂110/修整器33A的位置有关的数据中例如包 括旋转台30A的平面上的这些设备的相对的位置(二维坐标值)。
在与设备的配置有关的数据中也可以包括与半导体晶片16的位置有关的数据。在与 半导体晶片16的位置有关的数据中例如包括旋转台30A的平面上的位置(二维坐标值)、及/或半导体晶片16的旋转角度。例如，控制部65/状态取得部846也可以根据与上述的 顶环31A/旋转台30A/臂110/修整器33A的位置有关的数据对与半导体晶片16的位置有 关的数据进行计算。
这些数据例如是从控制部65被输出到分别驱动保持顶环31A的臂、保持旋转台30A、 研磨液供给喷嘴32A的臂、以及修整器33A的臂的驱动部的控制指令。控制指令例如是旋转角度。除了驱动部之外，控制指令还从控制部65作为信号65b而被输出到状态取得 部846以用于学习。
与设备的动作状态有关的数据包括与顶环31A的转速有关的数据和与旋转台的转速 有关的数据中的至少一个。这些数据是从控制部65输出到分别旋转驱动顶环31A以及旋转台30A的驱动部的控制指令。控制指令例如是转速。除了驱动部之外，控制指令还从 控制部65作为信号65b被输出到状态取得部846以用于学习。
与设备的消耗状态有关的数据包括与构成研磨装置的消耗品的使用时间有关的数据 以及与消耗品的消耗量有关的数据中的至少一个。消耗品例如是研磨垫10/顶环31A的护 环/薄膜。与研磨垫10/顶环31A的护环/薄膜的使用时间有关的数据存储在控制部65中。 控制部65将与使用时间有关的数据作为信号65b输出到状态取得部846以用于学习。与研磨垫10的消耗量有关的数据是指研磨垫10的磨损量。磨损量由光学传感器834进行测定。光学传感器834通过对研磨垫10与光学传感器834之间的距离进行测定来对磨损量 进行检测。光学传感器834将与磨损量有关的数据输出到状态取得部846以用于学习。
与半导体晶片16的特性有关的数据，包括与半导体晶片16自身或形成于半导体晶片 16上的膜/电路的材质有关的数据和与在半导体晶片16由研磨装置研磨之前所具有的膜 厚及电路模式有关的数据中的至少一个。与半导体晶片16自身的材质有关的数据是表示 材质为铜、铝、Si，GaAs、SOI、玻璃、SiC、陶瓷、树脂基板等的数据。或者，与半导 体晶片16的材质有关的数据是表示这些金属的混合比、氧化膜的混合比的数据。与在被 研磨之前具有的膜厚以及电路模式有关的数据例如是表示膜厚的数值数据、对电路模式进 行分类后的数据。对电路模式进行分类的数据是指例如半导体晶片16中所包含的多个金 属成分的比例的数值数据。这些数据在研磨开始前由用户输入控制部65。控制部65将这 些数据作为信号65c输出到状态取得部846。
在本实施方式中，为了学习部848进行学习，作为能够经由状态取得部846而输入到 学习部848的数据，能够是与以下的这样的量有关的数据的一部分或全部：i)在研磨时摆动臂110从顶环31A接收的转矩、ii)旋转台30A、顶环31A、摆动轴电机14的电机 电流、iii)从研磨开始经过的时间、iv)旋转台30A的转速、v)向半导体晶片16按压的 按压力的大小、vi)研磨垫10的温度、vii)从研磨液供给喷嘴32A供给的浆料的流量、 viii)半导体晶片16的膜的种类(氧化膜、导电性膜等膜的种类)、ix)半导体晶片16的 膜厚、x)顶环31A的转速、xi)摆动臂110的摆动速度、xii)研磨垫10的厚度、xiii) 研磨垫10等消耗品的使用时间、xiv)光学式传感器的输出、xv)涡电流传感器的输出、 xvi)微波传感器的输出、xvii)超声波传感器的输出、xviii)振动(声波)传感器的输出。
这些数据中的、作为用于膜厚的变化的学习的优选的数据例如存在以下七种：即，i) 在研磨时摆动臂110从顶环31A接收的转矩、iii)从研磨开始经过的时间、iv)旋转台30A的转速、v)向半导体晶片16按压的按压力的大小、vi)研磨垫10的温度、x)顶环 31A的转速、xi)摆动臂110的摆动速度。
作为用于膜厚的变化的学习的特别优选的数据，例如存在以下五种：即，i)在研磨时摆动臂110从顶环31A接收的转矩、iii)从研磨开始经过的时间、v)向半导体晶片16 按压的按压力的大小、vi)研磨垫10的温度、xi)摆动臂110的摆动速度。
作为用于膜厚的变化的学习更优选的数据，例如存在以下三种：即，i)在研磨时摆动臂110从顶环31A接收的转矩、iii)从研磨开始经过的时间、vi)研磨垫10的温度。 此外，这些七种、五种、三种的数据的选择并不限于此，也可以是其他的组合。另外，种 类的数量也并不限于3、5、7，可以比这些数值多，也可以比这些数值少。用于膜厚的变 化的学习的优选的数据能够根据研磨条件、半导体晶片16的状态等来确定。
终点检测部28(机器学习装置)具备判定数据取得部84，该判定数据取得部84取得对研磨单元3A有无异常或异常的程度进行判定的判定数据。学习部848基于根据状态变 量以及判定数据的组合而创建的数据集来学习半导体晶片16的膜厚的变化。
学习部848能够在学习半导体晶片16的膜厚的变化之后预测变化。另外，学习部848 能够学习半导体晶片16的膜厚的变化而判断变化是正常还是异常。
学习部848能够输出的数据并不限于预测膜厚的变化的数据(即，作为时间系列数据 的膜厚的变化、研磨终点时刻等)、判断变化是正常还是异常的数据(例如，在正常时输出“1”，在异常时输出“0”等)。作为学习部848能够输出的数据，例如存在以下数据。
i)研磨终点时刻和此时的膜厚传感器(转矩传感器、电流传感器、涡电流传感器等) 的预测输出、ii)研磨终点时刻和此时的膜厚传感器的预测输出、对半导体晶片16的压力的预测值、iii)研磨终点时刻和此时的膜厚传感器的预测输出、对半导体晶片16的压 力的预测值、膜厚的预测分布(例如，膜厚的均匀性)。当知晓膜厚传感器的预测输出、 对半导体晶片16的压力的预测值、膜厚的预测分布予等时，控制部65能够变更/更新研 磨条件(研磨参数)，并且能够使研磨条件的控制最优化/提高研磨条件的控制精度。例如， 控制部6进行变更对半导体晶片16的压力、变更旋转台30A的旋转速度等。当使旋转速 度变慢及/或使压力变低时，研磨速度下降，并且能够相对于目标的膜厚高精度地控制膜 厚。这样一来，学习部848能够输出控制部65所需的压力等任意的控制参数。控制部65 能够相对于学习部848取得该输入数据后的当前研磨过程中的半导体晶片16进行研磨条 件的变更/更新，及/或控制部65能够相对于在接下来的研磨工序中进行研磨的半导体晶 片16进行研磨条件的变更/更新。
除了研磨终点时刻处的压力等任意的控制参数的预测值之外，学习部848也可以输出 期望的用于研磨的控制参数的目标值。研磨以膜厚的良好的均匀性和最终膜厚误差少作为 目标。学习部848也可以输出用来更加符合该目标的压力等任意的控制参数的目标值。控 制部65能够根据目标值进行研磨条件的变更/更新，并进行研磨条件的控制。目标值也可 以随着时间变化。
学习部848的输出能够采取以下各种方式：i)学习部848输出数值。例如，以数值的方式输出预测的压力等。ii)学习部848输出程序。例如，在将压力等作为时间等变量 输出等时，学习部848也可以输出计算压力等时间变化的程序。iii)学习部848输出系数。 例如，输出将压力等表现为时间等的变量的计算公式的系数、构成学习部848的神经元网 络的加权系数等。这样一来，学习部848可以输出多个数据，另外，也可以仅输出这些数 据中的一个数据。
此外，关于向学习部848的输入，能够输入前文所述的多个数据，另外，也可以仅输出这些数据中的一个数据。作为本实施方式中的输入数据的种类数和输出数据的种类数的组合，能够是如下的任一种组合：i)输入数据的种类的数量为一个、输出数据的种类数 为多个的组合，ii)输入数据的种类的数量为多个、输出数据的种类数为多个的组合，iii) 输入数据的种类数为多个、输出数据的种类数为一个的组合。
学习部848也能够输出除了控制部65所需的压力等任意的控制参数之外的数据。例 如，能够输出构成学习部848的神经元网络的加权系数等的构成学习部848的要素。通过输出构成的要素，能够改良学习部848。
在此，根据图11对学习的概略和学习后的模型的使用进行说明。图11表示学习中使 用的数据、算法和学习完毕的模型的使用例。作为学习中使用的数据、即AI程序的输入数据850的种类，能够使用如下数据：i)通过各种传感器得到的数据，ii)与半导体晶片 16，研磨垫10等材料等有关的数据，iii)将传感器数据等图像化后得到的图像数据，iv) 至少部分地进行加工以使传感器数据等适合于学习的加工数据，v)被输入到研磨单元3A 的控制值等的用于研磨的输入参数，vi)过去创建的关于i～v的数据的数据库或关于其他 的研磨单元3A创建的数据库，vii)用户收集的检索数据等。
当收集输入数据850并得到输入数据850的集合体852时，根据集合体852创建学习用数据854。创建作为输入数据850的集合物的数据集作为学习用数据854。作为数据集， 存在在研磨正常时得到的正常数据、在研磨异常时得到的异常数据、用户判断为学习需要 而人工创建的参照数据。
学习用数据854被输入到执行AI(artificial intelligence：人工智能)的计算机程序856。 程序856利用神经元网络作为算法，并且由计算机执行。另外，程序856也可以使用量子 计算机来执行。程序856进行自动学习，具体而言，进行机器学习，作为机器学习，也可 以进行深度学习。学习用数据854被输入到程序856，并且输出学习部848输出的前文所述的输出数据。
程序856进行学习之后的学习完毕模型858在实际的研磨工序中使用。在实际的研磨 工序中，学习完毕模型858输入根据在实际的研磨工序中得到的数据而创建的学习用数据 854，并输出前文所述的输出数据中的、用户指定的规定的数据。学习完毕模型858的输出在研磨单元3A的控制中使用。另外，学习完毕模型858的输出也可以作为目录(日文： コンテンツ)输出，并在学习用数据854的创建中使用。创建的学习用数据854被输入到 学习完毕模型858以用于学习，并且学习用数据854能够进一步进行学习。
构成用于创建学习完毕模型858的学习用数据854的数据的种类和在实际的研磨工序 中被输入到学习完毕模型858的数据的种类可以是相同的，也可以是不同的。
这样一来，学习部848已通过神经元网络学习完毕状态变量与半导体晶片16的膜厚 的变化的关系，并且能够从状态取得部846被输入状态变量而预测变化，及/或能够从状态取得部846被输入状态变量而判断变化异常。另外，学习完毕的学习部848能够从状态 取得部846被输入前文所述的状态变量并进一步学习膜厚的变化。
在创建学习完毕的学习部848的阶段中，学习部848能够从状态取得部846被输入状 态变量而学习膜厚的变化，及/或能够从状态取得部846被输入状态变量而学习膜厚的变 化异常。除了这些学习之外，学习部848也能够学习以得到前文所述的输出。在创建学习完毕的学习部848的阶段中被输入到学习部848的数据能够设定为仅正常数据、仅异常数据、包括正常数据和异常数据两方的数据这三种。
接下来，参照图10对本发明的终点检测部28以及机器学习方法的一个实施方式进行 说明。图10是表示一个实施方式的终点检测部28的一例的框图。在以下的学习中，对示教式学习进行说明。通过以下说明的学习来创建学习完毕模型858。另外，在学习完毕模 型858创建后，通过学习完毕模型858进行以下的学习，从而能够进行学习完毕模型858 的自动更新。在学习完毕模型858在研磨工序中预测膜厚的变化时，也能够同时进行用于 自动更新的学习。
学习的方法能够是各种各样的。第一方法为，以离线的方式、即在不进行研磨时，向 学习部848输入学习所需的数据，并使学习部848学习膜厚的变化。反复进行学习直到学习部848能够高精度地预测膜厚的变化为止，及/或直到能够高精度地判断膜厚的变化是正常还是异常为止。
在第一方法中，学习所需的所有的数据从控制部65作为信号65c而被输入到学习部 848。另外，也可以将学习所需的所有的数据不经由控制部65而经由通信网络，从图1 所示的基板处理装置的外部的计算机直接输入到学习部848。进一步，在由软件构成学习 部848的情况下，也可以在图1所示的基板处理装置的外部的计算机中，在使用学习所需 的数据来使学习部848进行学习之后，使作为学习完毕的软件的学习部848存储到研磨单 元3A的终点检测部28中。
在本实施方式的情况下，学习所需的数据是指基于温度传感器832、光学传感器834、 膜厚计算部830的输出830a(膜厚)、以及控制部65的输出65b、从判定数据取得部844输出的判定数据的组合而创建的数据集。控制部65的信号65b是指已说明为作为前文所 述的信号65b而被发送到状态取得部846的数据。在信号65b包括驱动一个或多个电机的 转矩指令值(及/或速度指令值)的情况下，转矩指令值(及/或速度指令值)是相当于膜 厚的量，膜厚从膜厚计算部830作为930a被输入，因此转矩指令值(及/或速度指令值) 也可以不在学习中使用。学习所需的数据能够如后述的第二方法那样在实际的研磨工序中 得到。能够积存在研磨工序中所得到的数据并在学习中使用。也可以人工创建学习所需的 数据。
第二方法是使用实际的研磨过程中的数据而在实际的研磨过程中进行学习的方法。反 复进行学习直到学习部848能够高精度地预测膜厚的变化为止，及/或能够高精度地判定 膜厚的变化是正常还是异常为止。在学习结束之后，使用学习完毕的学习部848来预测膜 厚的变化，或对膜厚的变化是正常还是异常进行判定。
在第二方法中，在学习时，学习数据是正常数据还是异常数据的判定信息从终点检测 部28的判定数据取得部844被输入到学习部848。响应于用户的输入操作，控制部65将判定信息作为信号65d输送到判定数据取得部844。频繁地进行用户的输入操作从成本方面考虑是不优选的。因此，也可以在实际的研磨过程中的数据在学习部848内的存储器中被积存了多个数据集的量之后，相对于这些数据，用户输入学习数据是正常数据还是异常数据的判定信息。之后，学习部848也可以进行学习。此外，也可以并用第一方法和第二 方法。学习部848也可以在学习完毕后，例如在研磨工序中从状态取得部846被输入状态 变量并进一步学习膜厚的变化，并且自动更新学习部848。
作为研磨正常时的正常数据和研磨异常时的异常数据的创建方法，存在以下方法：(i) 利用在过去的研磨工序中得到的数据库的方法。例如，利用在过去的正常的研磨工序中得 到的数据和在過去的异常的研磨工序中得到的数据。(ii)在没有在过去的研磨工序中得 到的数据库时，利用当前或即将得到的数据库的方法。一边积存从当前开始的数据一边继 续学习，并不断更新学习完毕模型直到能够进行高精度的判定为止。
在前文所述的第一方法(即，离线方式下的学习)中，能够采用(i)的方法，及/或(i) 和(ii)的方法。在前文所述的第二方法(即，线上方式下的学习)中，能够采用(ii)的方法，及/或在研磨的最初的阶段中进行(i)的方法，并且也采用(ii)的方法。在仅采 用(ii)的方法的情况下，例如，是进行在过去没有类似的研磨工序的新的研磨工序的情 况。
判定数据取得部844在第二方法中在学习时使用，在学习后也可以没有。判定数据取 得部844也可以不在第二方法中学习时使用。这是因为，在仅学习膜厚的变化，而不学习是正常数据还是异常数据的判定的情况下，不需要判定数据取得部844。
在学习部848学习了膜厚的变化之后，当使用学习完毕的学习部848在某一期间将与 膜厚的变化有关的实际的数据输入到学习部848时，能够预测此后的期间内的膜厚的变化。因此，使用学习完毕的学习部848预测膜厚的变化，并且学习部848将研磨结束时刻 作为信号65e发送到控制部65。
已学习完毕膜厚的变化是正常还是异常的学习部848将判定膜厚的变化是正常还是 异常的結果作为信号65e发送到控制部65。
根据图10对第二方法的学习法进行说明。将温度传感器832、光学传感器834、膜厚计算部830的输出830a以及控制部65的输出65b输入到状态取得部846。即，向状态取 得部846输入如下数据：从控制部65作为信号65b如前文所述那样输出的驱动一个或多 个电机的转矩指令值(及/或速度指令值)等数据、来自膜厚计算部830的输出830a、以 及从温度传感器832、光学传感器834输出的温度等研磨单元3A的状态变量(状态量)。 此外，状态取得部846可以不接收上述所有的状态变量，而是接收它们的一部分，另外， 也可以接收进一步的状态变量。此外，作为学习部848的学习的方法，第一方法和第二方 法实质上是相同的。即，由于学习部848使用实质上相同的数据集进行学习，因此进行实 质上相同的学习。
此外，在第一方法和第二方法中，学习部848也可以使用不同的数据集进行学习。在 作为离线的第一方法中，容易使具有长时间变化的参数的影响反映到学习部848。在作为 线上的第二方法中，优选学习部848能够进行高速处理，优选能够以少量的数据集进行学 习。
学习部848基于根据从状态取得部846输出的状态变量、以及从判定数据取得部844 输出的判定数据的组合而创建的数据集学习膜厚的变化、膜厚的变化是正常还是异常(即， 研磨工序的正常/异常)。在此，数据集是使状态变量以及判定数据彼此关联的数据。即， 通常，在使用研磨单元3A的环境下，例如，由于控制电路、测定电路的噪声等较大，因此难以判断膜厚的变化、研磨的正常/异常。与此相对，在本实施方式的系统中，通过机 器学习，例如，分离控制电路、测定电路的噪声等，并基于状态变量给膜厚的变化、研磨 的正常/异常的判断带来的影响的特征，能够进行更加准确的膜厚的变化预测、研磨的正 常/异常的判断。
此外，终点检测部28例如也可以是经由网络而与研磨单元3A连接，与研磨单元3A单独设置的数字计算机。另外，在其他的实施方式中，终点检测部28也可以内置于控制 部65。在该情况下，终点检测部28利用控制部65的处理器执行机器学习。并且，进一 步，在其他的实施方式中，终点检测部28也可以存在于云服务器上。
图12是用于说明由图10中的机器学习装置进行的学习处理的一例的流程图。如图12所示，当由终点检测部28进行的学习处理开始时，在步骤S10中，状态取得部846例 如取得如下这样的状态变量：从控制部65输出的转矩指令值以及压力、从膜厚计算部830 输出的膜厚、从温度传感器832以及光学传感器834输出的温度以及磨损量等。
进一步，前进到步骤S20，判定数据取得部844如前文所述那样取得判定膜厚数据的 正常/异常的判定数据。然后，前进到步骤S30，学习部848根据基于在步骤S10中取得 的状态变量和在步骤S20中取得的判定数据的组合而创建的数据集学习膜厚的变化、膜 厚数据的正常/异常。此外，学习部848也可以仅学习膜厚的变化和膜厚数据的正常/异常 中的一方。在仅学习膜厚的变化的情况下，也可以没有判定数据取得部844。
例如，反复执行步骤S10～S30の处理直到通过终点检测部28充分学习膜厚的变化、 膜厚数据的正常/异常为止。在此，正常的膜厚数据和异常的膜厚数据的种类、集合数仅 准备用于学习部848充分地学习所需的量。正常的膜厚数据集的数量与异常的膜厚数据集 的数量的比例例如是8：2。
图13是表示神经元网络的结构例的图。上述的终点检测部28中的学习部848例如也 可以根据神经元网络模型学习故障预测。如图13所示，神经元网络包括：包括输入状态变量的一个神经元(输入节点)x1、x2、x3、…、xl的输入层、包括连接输入节点和输 出节点的m个神经元y1、y2、y3、…、ym(隐藏节点)的中间层(隐藏层)、以及包括输 出特征量的n个神经元z1、z2、z3、…、zn(输出节点)的输出层。此外，在图13中， 中间层仅表示了一层，但也能够设置两层以上的中间层。另外，终点检测部28(神经元网 络)也可以使用通用的计算机或者处理器，但当应用GPGPU(General-Purpose computing on Graphics ProcessingUnits)、大规模PC集群等时，能够更加高速地进行处理。
学习部848例如也可以根据由多层(四层以上)的神经元网络(深度神经元网络)进行的机器学习(被称为深度学习或深层学习)来学习故障预测。
神经元网络学习研磨单元3A的膜厚的变化、膜厚数据的正常/异常。神经元网络根据 基于由状态取得部846取得的状态变量和由判定数据取得部844取得的判定数据的组合而 创建的数据集，即通过所谓的“示教式学习”，来学习状态变量与膜厚的变化、膜厚数据的正常/异常的关系性、即，学习膜厚的变化、膜厚数据的正常/异常。在此，“示教式学 习”是指通过将某个输入和结果(标签)的数据组大量地提供给学习装置，从而能够学习 这些数据集中存在的特征，并且归纳性地获得根据输入推定结果的模型、即它们的关系性。
另外，神经元网络也能够通过仅积存没有异常的状态、即研磨单元3A正常动作时的 状态变量，即所谓的“非示教式学习”，来学习膜厚的变化、膜厚数据的正常/异常。例如，在研磨单元3A的异常的频率极低的情况下，“非示教式学习”的方法是有效的。在此，“非 示教式学习”是指通过仅将输入数据大量地提供给终点检测部28，来学习输入数据是如 何分布的，即使不提供对应的示教输出数据，也能够学习相对于输入数据进行压缩、分类、 整形等的方法。能够将这些数据集中存在的特征聚集到类似的数据集彼此等。使用该结果， 设置一些基准并进行使该数据集为最优这样的输出的分配，从而能够实现正常/异常的判定。
另外，在本实施方式中，为了使膜厚的变化这样的、存在时间上的相关性的时序数据 模型化，使用被称为递归型神经元网络。递归神经元网络(RNN：Recurrent NeuralNetwork) 不是仅使用当前时刻的状态来形成学习模型，而是也利用到目前为止的时刻的内部状态。 递归神经元网络有多种，但作为一例，对简单回归型网络(Elman网络：ElmanNetwork) 进行说明。
图14是用于说明递归型神经元网络的一例的图，图14(a)表示Elman网络的时间轴展开，图14(b)表示误差逆传播算法(Backpropagation)的基于时间的反向传播算法(BPTT：Back Propagation Through Time)。在此，只要是图14(a)所示那样的Elman网 络的构造，就能够应用反向传播算法。
在Elman网络中，与通常的神经元网络不同，如图14(b)所示，误差以与时间相逆的方式传播，将这样的反向传播算法称为BPTT(基于时间的反向传播算法)。通过应用这 样的神经元网络构造，能够推定基于到目前为止的输入变迁的输出的模型，例如，能够预 测研磨终点的时刻。作为递归型神经元网络的其他的例子，还有使用LSTM(Long short-termmemory：长短期记忆网络)的方法。LSTM能够更加容易地处理期间比Elman 网络更长的数据。
学习部848也可以进行强化学习。强化学习是机器学习的算法的一种。在强化学习中， 并不是“示教式学习”、“非示教式学习”这样的、以明确的数据为根据学习是否是正常数 据，而是学习部848本身观测当前的状态，并且亲自学习并选择控制参数以使控制最优化 (这在机器学习的领域中被称为“价值最大化，或得到最多的报偿”)。在强化学习中，学习部848也亲自更新关于最优化的评价。
如上述那样，当在学习后被输入与膜厚有关的数据和其他时，终点检测部28能够根 据膜厚的变化检测研磨的异常。另外，当被输入与直到研磨的中途为止的膜厚有关的数据 和其他时，终点检测部28能够预测膜厚的变化，并输出研磨终点时刻。
在此，在图15中表示正常的膜厚的变化的例子。在图16中表示异常的膜厚的变化的 例子。这些数据是根据电机电流的变化求出的膜厚的例子。这些附图的横轴是时间(t)，纵轴是膜厚(μm)。时刻t1是研磨结束时刻。如图15(a)所示，在正常的膜厚的变化中， 有时会产生在研磨结束前膜厚的变化暂时地停止的部分836。另外，如图15(c)所示， 在正常的膜厚的变化中，有时会产生在研磨结束前膜厚暂时地增加的部分838。这样一来， 由于会产生在研磨结束前膜厚的变化暂时地停止的部分836、膜厚暂时地增加的部分838， 因此在根据电机电流的变化求出膜厚的以往的终点检测方法的场合，存在错误地检测到研 磨的终点的情况。通过进行机器学习的终点检测部28，能够将图15(a)、图15(c)所 示的膜厚的变化判断为正常。
在图16中，在研磨的终点附近，有时会产生两次表示膜厚为最低值的部分840。在这样的情况下，存在在研磨单元3A的设备的一部分产生故障的可能性。通过进行机器学 习的终点检测部28，能够将图16所示的膜厚的变化判断为异常。
另外，通过进行机器学习的终点检测部28，能够预测研磨结束时刻。例如，在图15(a)中，通过将与从时刻t2至时刻t3的膜厚有关的数据和其他输入到终点检测部28，能 够在时刻t3处预测至时刻t1的时间842。通过预测从时刻t3至研磨结束时刻t1的时间 842，能够在时刻t3以后的研磨中，进行如下那样的研磨参数的变更。
在时刻t3以后的研磨中，能够减少施加到半导体晶片16的压力，使相对于半导体晶 片16的研磨速度降低，并更加准确地控制研磨结束时刻t1和研磨结束时的膜厚。为了使研磨速度降低，也可以在研磨的中途切换顶环31A及/或旋转台30A的旋转速度并降低旋 转速度。通过使研磨速度降低，能够延长研磨时间，并增加调节施加到半导体晶片16的 各部分的压力的时间。另外，存在改变(减少)按压力、并且使旋转速度变快的情况等的、 能够切换按压力、旋转速度并提高研磨精度的情况。由此，能够提高半导体晶片16整体 的膜厚的均匀性。
接下来，根据图17对控制部65对基板处理装置整体的控制进行说明。作为主控制器 的控制部65具有CPU、存储器、记录介质和记录在记录介质的软件等。控制部65进行 基板处理装置整体的监视、控制，并且进行用于此的信号的发送和接收、信息记录、运算。 控制部65主要在与单元控制器760之间进行信号的发送和接收。单元控制器760也具有 CPU、存储器、记录介质和记录在记录介质的软件等。在图17的情况下，控制部65内置 有作为终点检测单元、控制单元而发挥作用的程序，该终点检测单元对表示研磨的结束的 研磨终点进行检测，该控制单元对由研磨单元进行的研磨进行控制。此外，单元控制器 760也可以内置有该程序的一部分或全部。程序能够进行更新。此外，程序也可以不能进 行更新。
根据参照图17～图19进行说明的实施方式，能够解决以下课题。作为到目前为止的 典型的研磨装置的控制方式的课题，存在以下几点。对于终点检测，在进行对象物的研磨 之前，进行多个测试，根据所得到的数据求出研磨条件、终点判定条件，并进行作为研磨条件的方法创建。有时也使用一部分的信号解析，但相对于半导体晶片构造，进行使用一个传感器信号来判断终点检测的处理。如果是这样的话，针对以下这样的要求无法得到足够的精度。为了提高制造的器件、芯片的成品率，需要在器件、芯片的制造中更加高精度 的终点检测，和将批量之间、芯片之间的偏差抑制得小。为了实现这些，通过使用应用了 图17以后的实施例的终点检测的系统，能够进行更高精度的终点检测，进而能够提高成 品率、减少芯片间的研磨量的偏差。
尤其是，能够实现如下内容：高速的数据处理、多种且多个传感器的信号处理、使这 些信号标准化的数据、根据数据利用人工智能(Artificial Intelligence、AI)的学习以及使 用于终点检测的判定的数据集的创建、通过积存根据已创建的数据集的判定例进行的学 习、由学习效果带来的精度提高、通过所学习的判定功能判断并且更新的研磨参数、实现 该研磨参数反映到高速的控制系统的高速通信处理系统等。这些能够应用于图16以前所 示的所有的实施例中。
单元控制器760进行搭载于基板处理装置的单元762(一个或多个)的控制。在本实施方式中，在每个单元762设置有单元控制器760。作为单元762，存在卸载部62、研磨 部63、清洗部64等。单元控制器760进行单元762的动作控制、与监视用传感器的信号 的发送和接收、控制信号的发送和接收、高速的信号处理等。单元控制器760由FPGA (field-programmable gate array：现场可编程门阵列)、ASIC(application specificintegrated circuit：特定用途用集成电路)等构成。
单元762根据来自单元控制器760的信号进行动作。另外，单元762从传感器接收传感器信号，并且将该信号发送到单元控制器760。传感器信号有时也从单元控制器760进 一步被发送到控制部65。传感器信号由控制部65或单元控制器760处理(包括运算处理)， 用于接下来的动作的信号从单元控制器760发送过来。伴随于此，单元762进行动作。例 如，单元控制器760通过摆动轴电机14的电流变化对摆动臂110的转矩变动进行检测。 单元控制器760将检测结果发送到控制部65。控制部65进行终点检测。
作为软件，例如有以下几种。软件根据记录在控制设备(控制部65或单元控制器760) 内的数据而求出研磨垫10的种类和浆料供给量。接下来，软件指定研磨垫10的维护时期 或能够使用到维护时期为止的研磨垫10，并运算浆料供给量，并且输出这些信息。软件也可以是能够在基板处理装置764出厂后安装于基板处理装置764的软件。
控制部65、单元控制器760、单元762之间的通信能够采用有线、无线中的任一种。在与基板处理装置764的外部之间能够使用经由互联网的通信、其他的通信手段(专用线路的高速通信)。关于数据的通信，能够通过云协作利用云、通过智能电话协作而在基板 处理装置中进行经由智能电话的数据的转换等。由此，能够与基板处理装置的外部进行基 板处理装置的运转状況、基板处理的设定信息的交换。作为通信设备，也可以在传感器之 间形成通信网络，并利用该通信网络。
也能够使用上述的控制功能、通信功能来进行基板处理装置的自动化运转。为了实现 自动化运转，能够使基板处理装置的控制模式标准化、利用研磨终点的判断中的阈值。
能够进行基板处理装置的异常/寿命的预测/判断/显示。另外，也能够进行用于性能稳 定化的控制。
能够自动地提取基板处理装置的运转时的各种数据、研磨数据(膜厚、研磨的终点) 的特征量，并自动学习运转状态和研磨状态、能够进行控制模式的自动标准化，并且进行 异常/寿命的预测/判断/显示。自动学习是指自动地创建学习完毕模型、使用学习完毕模型 来进行判定/解析。
在通信方式、设备接口等中，能够进行例如格式等的标准化，并且将该标准化的格式 使用于装置、设备互相的信息通信来进行装置、设备的管理。
此外，也可以将具有学习完毕模型的终点检测部28设置于控制部65或单元控制器760内。在后述的图18中，也可以将具有学习完毕模型的终点检测部28设置于基板处理 装置764或数据处理装置768内。在后述的图19中，也可以将具有学习完毕模型的终点 检测部28设置于基板处理装置764或数据处理装置768或中间处理装置770内。
在图18、图19中，也可以在基板处理装置764或中间处理装置770中进行边缘计算，并且进行高速处理。进一步，也可以在工厂内的数据处理装置768中进行雾计算，并且进 行比使用了云了处理更高速的处理。
接下来，将对如下实施方式进行说明：在基板处理装置764中，利用传感器从半导体 晶片16取得信息，并且经由互联网等通信手段，将数据积存到数据处理装置(云等)，并且对积存在云等的数据进行分析，根据分析结果对基板处理装置进行控制，该数据处理装置设置于设置有基板处理装置的工厂内/工厂外。图18表示该实施方式的结构。
1.作为利用传感器从半导体晶片16取得的信息，能够包括以下信息：·与摆动轴电机 14的转矩变动有关的测定信号或测定数据，·SOPM(光学式传感器)的测定信号或测定 数据，·涡电流传感器的测定信号或测定数据，·上述一个或多个组合的测定信号或测定数 据。2.作为互联网等通信手段的功能以及结构，能够包括以下内容：·将包括上述测定信 号或测定数据的信号或数据传输给连接于网络766的数据处理装置768，·网络766也可 以是互联网或高速通信等通信手段。例如，能够是以基板处理装置、网关、互联网、云、互联网、数据处理装置这样的顺序连接有这些部件的网络766。作为高速通信，存在高速 光通信、高速无线通信等。另外，作为高速无线通信，可考虑Wi-Fi(注册商标)、Bluetooth (注册商标)、Wi-Max(注册商标)、3G、LTE等。也能够应用除此之外的高速无线通信。 此外，也能够将云作为数据处理装置。·在数据处理装置768设置于工厂内的情况下，能 够对来自处于工厂内的一台或多台基板处理装置的信号进行处理。·在数据处理装置768 设置于工厂外的情况下，能够将来自处于工厂内的一台或多台基板处理装置的信号传递给 工厂外部，并且进行处理。此时，能够与设置于国内或国外的数据处理装置连接。3.关于 数据处理装置768对累积于云等的数据进行分析，并且根据分析结果对基板处理装置764 进行控制，能够实现以下内容：在测定信号或测定数据被处理后，能够作为控制好信号或 控制数据传递给基板处理装置764。·接收了数据的基板处理装置764基于该数据更新与 研磨处理有关的研磨参数并进行研磨动作，另外，在来自数据处理装置768的数据在表示 已检测到终点的信号/数据的情况下，判断为已检测到终点，并结束研磨。作为研磨参数， 存在：(1)对半导体晶片16的四个区域，即中央部、内侧中间部、外侧中间部以及周缘 部的按压力，(2)研磨时间，(3)研磨台30A、顶环31A的转速，(4)用于判定研磨终 点的阈值等。
接下来，根据图19对其他的实施方式进行说明。图19是表示图18的实施方式的变形例的图。本实施方式是以基板处理装置、中间处理装置、网络766、数据处理装置这样 的顺序连接有这些部件的结构。中间处理装置例如由FPGA、ASIC构成，具有过滤功能、 运算功能、数据加工功能、数据集创建功能等。
根据如何使用互联网和高速光通信，分为以下三种情况。(1)基板处理装置与中间处 理装置之间是互联网，网络766是互联网的情况，(2)基板处理装置与中间处理装置之间是高速光通信，网络766是高速光通信的情况，(3)基板处理装置与中间处理装置之间是 高速光通信，从中间处理装置到外侧是互联网的情况。
上述(1)的情况：整体系统中的数据通信速度和数据处理速度可以是互联网通信速 度的情况。数据抽样速度为1～1000mS左右，能够进行多个研磨条件参数的数据通信。在这种情况下，中间处理装置770进行向数据处理装置768发送的数据集的创建。数据集 的详细内容将稍后说明。已接收数据集的数据处理装置768进行数据处理，例如，计算至 终点位置的研磨条件参数的变更值和创建研磨过程的工序计划，并且通过网络766将它们 返回到中间处理装置770。中间处理装置770将研磨条件参数的变更值和所需的控制信号 发送到基板处理装置764。
上述(2)的情况：基板处理装置-中间处理装置之间、中间处理装置-数据处理装置之间的传感器信号、状态管理设备之间的通信是高速通信。在高速通信中，能够以1～1000Gbps的通信速度进行通信。在高速通信中，数据、数据集、命令、控制信号等能够 进行通信。在该情况下，由中间处理装置770进行数据集的创建，并且将该数据集发送到 数据处理装置768。中间处理装置770提取数据处理装置768中的处理所需的数据并进行 加工，并且制作成数据集。例如，提取终点检测用的多个传感器信号并创建成数据集。
中间处理装置770通过高速通信将已创建完成的数据集发送到数据处理装置768。数 据处理装置768基于数据集进行到研磨终点为止的参数变更值的计算、工序计划创建。数 据处理装置768接收来自多个基板处理装置764的数据集，并进行相对于各个装置的、接下来的步骤的参数更新值的计算和工序计划创建，将已更新的数据集发送到中间处理装置770。中间处理装置770基于已更新的数据集，将已更新的数据集转换为控制信号，并通 过高速通信发送到基板处理装置764的控制部65。基板处理装置764根据已更新的控制 信号实施研磨，并且进行高精度的终点检测。
上述(3)的情况：中间处理装置770通过高速通信接收基板处理装置764的多个传感器信号。在高速光通信中，能够进行通信速度为1～1000Gbps的通信。在该情况下， 基板处理装置764、传感器、控制部65与中间处理装置770之间能够进行通过高速通信 而进行的线上的研磨条件的控制。数据的处理顺序例如是传感器信号接收(从基板处理装 置764到中间处理装置770)、数据集的创建、数据处理、参数更新值计算、更新参数信 号的发送、由控制部65进行的研磨控制、更新后的终点检测这样的顺序。
此时，中间处理装置770利用高速通信的中间处理装置770进行高速的终点检测控制。 从中间处理装置770将状态信号定期地发送到数据处理装置768，并且通过数据处理装置 768进行控制状态的监控处理。数据处理装置768接收来自多个基板处理装置764的状态信号，相对于各个基板处理装置764，进行接下来的过程工序的计划创建。将基于计划的 过程工序的计划信号发送到各个基板处理装置764，在各个基板处理装置764中，彼此独 立地进行研磨过程的准备、研磨过程的实施。这样一来，通过高速通信的中间处理装置 770进行高速的终点检测控制，并且通过数据处理装置768进行多个基板处理装置764的 状态管理。
接下来，对数据集的例子进行说明。能够将传感器信号和所需的控制参数制成数据集。 数据集能够包括顶环31A对半导体晶片16的按压、摆动轴电机14的电流、旋转台30A的电机电流、光学式传感器的测定信号、涡电流传感器的测定信号、研磨垫10上的顶环 31A的位置、浆料和药液的流量/种类、与这些相关的计算数据等。
上述种类的数据集能够使用并联地发送一维数据的发送系统、按顺序地发送一维数据 的发送系统来进行发送。作为数据集，能够将上述一维数据加工成二维数据，并制成数据 集。例如，当将X轴作为时间，将Y轴作为多个数据列时，同时刻的多个参数数据被加工处理成一个数据集。二维数据能够作为二维图像数据处理。优点是由于变成二维数据的转送，因此能够以少于一维数据的转送的配线作为与时间相关联的数据发送和接收，并且处理。具体而言，当将一维数据原封不动地设为一信号一根线时，需要多个配线，但在二 维数据的转送的情况下，能够通过一根线发送多个信号。另外，当使用多根线时，与接收 已发送的数据的数据处理装置768的接口变得复杂，数据处理装置768中的数据的重组变 得复杂。
另外，当存在这样的与时间相关联的二维数据集时，以前进行的标准的研磨条件下的 研磨时的数据集和当前时间点进行的标准的研磨条件下的数据集的比较变得容易。另外， 通过差分处理等能够容易地知道二维数据彼此的差异。提取存在差异的地方，并检测发生 异常的传感器、参数信号也变得容易。另外，进行以前的标准的研磨条件和当前时间点的 研磨过程中的数据集的比较，并且通过与周围的差分不同的部位的参数信号的提取而进行 的异常检测也变得容易。
接下来，使用图20～图22对用于处理上述的第一研磨单元300A中的信息的结构的一例进行说明。可是，在图20～图22中，第一研磨单元300A被简单地描绘，省略了具 体的结构(顶环330A、研磨垫310A等)。
图20是表示具备具有数据处理部94的控制部140A的第一研磨单元300A的一例的图。也可以在数据处理部94搭载AI(Artificial Intelligence、人工智能)功能。数据处理部94可以是任何的硬件，也可以是例如存储在存储介质的程序。在图20中，数据处理部 94被描绘成独立于控制部140A的其他要素的独立的要素，但数据处理部94也可以存储 在例如控制部140A具备的存储装置(未图示)中并由控制部140A的处理器(未图示) 控制。数据处理部94构成为进行例如研磨轮廓的生成以及取得、控制参数的更新、以及 将实际主力信号作为学习数据的反馈等、需要图像处理以及大规模的计算的处理。图20 的结构具有能够单独地(独立地)使第一研磨单元300A动作的这样的优点。
图21是表示经由路由器96而连接于云(或雾)97的第一研磨单元300A的一例的图。路由器96是用于连接控制部140B和云97的装置。路由器96也能够被称为“具有网关 功能的装置”。云97是指通过互联网等计算机网络而提供的计算机资源。此外，在路由器 96与云97之间的连接是局域网络的情况下，也存在云被称为雾97的情况。例如，也可 以在连接散布在地球上的多个工厂时，使用云97，在某个特定的工厂内构建网络时，使 用雾97。雾97也可以进一步与外部的雾或云连接。在图21中，控制部140和路由器96 有线连接，路由器96和云(或雾)97有线连接。但是，各连接也可以是无线连接。在云 97连接有多个第一研磨单元300A(未图示)。多个第一研磨单元300A分别经由路由器 96而与云97连接。各第一研磨单元300A得到的数据(来自涡电流传感器50的膜厚数据、 或其他的任意的信息)累积在云96中。另外，图21的云96也可以具有AI功能，数据 的处理在云96中进行。可是，处理也可以部分地由控制部140B进行。图21的结构具有 能够基于累积的大量的数据对第一研磨单元300A进行控制的这样的优点。
图22是表示经由具有边缘计算功能的路由器96A而连接于云(或雾)97的第一研磨单元300A的一例的图。图22的云97也与多个第一研磨单元300A连接(未图示)。图 22的多个第一研磨单元300A分别经由路由器96A而与云97连接。可是，路由器中的一 些也可以不具有边缘计算功能(路由器中的一些也可以是图21的路由器96)。在路由器 96A设置有控制部96B。可是，在图22中，具有代表性地仅在一个路由器96A图示了控 制部96B。进一步，也可以在路由器96A搭载AI功能。控制部96B以及路由器96A的 AI功能能够在第一研磨单元300A的附近处理从第一研磨单元300A的控制部140C得到 的数据。此外，此处所说的附近不是指含义为物理距离的用语，而是指网络上的距离的用 语。可是，较多的是网络上的距离越近，则物理距离也越近的情况。因此，若路由器96A 中的运算速度和云97中的运算速度为同程度的话，则路由器96A中的处理比云97中的 处理更高速。即使是在两者的运算速度中存在差异的情况下，从控制部140C发送的信息 到达路由器96A的速度也比从控制部140C发送的信息到达云97的速度快。
图22的路由器96A、更具体而言路由器96A的控制部96B仅处理应当处理的数据中的、需要高速处理的数据。路由器96A的控制部96B将不需要高速处理的数据发送到云 97。图22的结构具有能够同时实现第一研磨单元300A的附近的高速处理和基于累积的 数据的控制的这样的优点。
以上，对本发明的实施方式的例子进行了说明，但上述发明的实施方式是为了便于理 解本发明，并不是为了限定本发明。本发明能够不脱离其主旨地被变更、改良，并且在本 发明中包含等同物是理所当然的。另外，在能够解决上述课题的至少一部分的范围、或实 现效果的至少一部分的范围内，能够进行本发明的要求保护的范围以及说明书所记载的各 构成要素的任意的组合或省略。

Claims (8)

1.一种研磨装置，该研磨装置能够对研磨对象物进行研磨，其特征在于，具备：
状态取得部，该状态取得部能够取得状态变量，该状态变量包括与构成所述研磨装置的设备的状态有关的数据和与所述研磨对象物的状态有关的数据中的至少一个；以及
学习部，该学习部已通过神经元网络学习完毕所述状态变量与所述研磨对象物的膜厚的变化的关系，并且该学习部能够从所述状态取得部被输入所述状态变量而预测所述变化，及/或能够从所述状态取得部被输入所述状态变量而判断为所述变化异常。
2.如权利要求1所述的研磨装置，其特征在于，
与构成所述研磨装置的设备的状态有关的数据包括与所述设备的配置有关的数据、与所述设备的动作状态有关的数据、以及与所述设备的消耗状态有关的数据中的至少一个，
与所述研磨对象物的状态有关的数据包括膜厚检测部所检测的数据、温度检测部所检测的数据、压力检测部所检测的数据、以及与所述研磨对象物的特性有关的数据中的至少一个，该膜厚检测部能够对所述研磨对象物的膜厚进行检测，该温度检测部能够对所述研磨对象物的温度进行检测，该压力检测部能够对施加到所述研磨对象物的压力进行检测。
3.如权利要求2所述的研磨装置，其特征在于，
与所述设备的配置有关的数据包括与顶环的位置有关的数据、与旋转台的位置有关的数据、与臂的位置有关的数据、以及与修整器的位置有关的数据中的至少一个，该顶环能够保持所述研磨对象物，该旋转台能够使用于对所述研磨对象物进行研磨的研磨垫旋转，该臂保持所述顶环，该修整器能够进行所述研磨垫的修整，
与所述设备的动作状态有关的数据包括与所述顶环的转速有关的数据和与所述旋转台的转速有关的数据中的至少一个，
与所述设备的消耗状态有关的数据包括与构成所述研磨装置的消耗品的使用时间有关的数据和与所述消耗品的消耗量有关的数据中的至少一个，
与所述研磨对象物的特性有关的数据包括与所述研磨对象物的材质有关的数据和与所述研磨对象物由所述研磨装置研磨之前所具有的膜厚及电路模式有关的数据中的至少一个。
4.如权利要求1至3中任一项所述的研磨装置，其特征在于，
所述研磨装置具备判定数据取得部，该判定数据取得部取得对所述研磨装置有无异常或异常的程度进行判定的判定数据，
所述学习部能够基于数据集来学习所述研磨对象物的膜厚的变化，该数据集基于所述状态变量以及所述判定数据的组合而创建。
5.如权利要求1至4中任一项所述的研磨装置，其特征在于，
所述学习部能够从所述状态取得部被输入所述状态变量而学习所述变化。
6.一种研磨方法，其特征在于，计算机执行如下步骤：
状态取得步骤，在该状态取得步骤中，取得状态变量，该状态变量包括与构成能够对研磨对象物进行研磨的研磨装置的设备的状态有关的数据和与所述研磨对象物的状态有关的数据中的至少一个；以及
推定步骤，在该推定步骤中，从状态取得部向学习部输入所述状态变量而预测所述研磨对象物的膜厚的变化，及/或从所述状态取得部输入所述状态变量而判断为所述变化异常，该学习部已通过神经元网络学习完毕所述状态变量与所述变化的关系。
7.一种机器学习装置，该机器学习装置能够学习研磨对象物的膜厚的变化，该研磨对象物能够供研磨装置进行研磨，该机器学习装置的特征在于，具备：
状态取得部，该状态取得部能够取得状态变量，该状态变量包括与构成所述研磨装置的设备的状态有关的数据和与所述研磨对象物的状态有关的数据中的至少一个；以及
学习部，该学习部已通过神经元网络学习完毕所述状态变量与所述研磨对象物的膜厚的变化的关系，并且该学习部能够从所述状态取得部被输入所述状态变量而预测所述变化，及/或能够从所述状态取得部被输入所述状态变量而判断为所述变化异常。
8.一种机器学习装置，该机器学习装置能够学习研磨对象物的膜厚的变化，该研磨对象物能够供研磨装置进行研磨，该机器学习装置的特征在于，具备：
状态取得部，该状态取得部能够取得状态变量，该状态变量包括与构成所述研磨装置的设备的状态有关的数据和与所述研磨对象物的状态有关的数据中的至少一个；以及
学习部，该学习部能够通过神经元网络学习所述状态变量与所述研磨对象物的膜厚的变化的关系，并且该学习部能够从所述状态取得部被输入所述状态变量而学习所述变化，及/或能够从所述状态取得部被输入所述状态变量而学习到所述变化异常。
CN201910916437.2A 2018-09-27 2019-09-26 研磨装置、研磨方法以及机器学习装置 Pending CN110948374A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-181352 2018-09-27
JP2018181352A JP2020053550A (ja) 2018-09-27 2018-09-27 研磨装置、研磨方法、及び機械学習装置

Publications (1)

Publication Number Publication Date
CN110948374A true CN110948374A (zh) 2020-04-03

Family

ID=69947047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910916437.2A Pending CN110948374A (zh) 2018-09-27 2019-09-26 研磨装置、研磨方法以及机器学习装置

Country Status (6)

Country Link
US (1) US11027395B2 (zh)
JP (1) JP2020053550A (zh)
KR (1) KR20200035894A (zh)
CN (1) CN110948374A (zh)
SG (1) SG10201908562WA (zh)
TW (1) TWI831836B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111390706A (zh) * 2020-04-11 2020-07-10 新昌县鼎瑞科技有限公司 一种钣金加工表面打磨设备及其操作方法
CN114871858A (zh) * 2022-04-25 2022-08-09 中国工程物理研究院激光聚变研究中心 一种机器人全口径研磨抛光系统及方法

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10969773B2 (en) 2018-03-13 2021-04-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
TWI825075B (zh) 2018-04-03 2023-12-11 美商應用材料股份有限公司 針對墊子厚度使用機器學習及補償的拋光裝置、拋光系統、方法及電腦儲存媒體
JP2020131353A (ja) * 2019-02-19 2020-08-31 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
TW202044394A (zh) * 2019-05-22 2020-12-01 日商荏原製作所股份有限公司 基板處理系統
US11556117B2 (en) * 2019-10-21 2023-01-17 Applied Materials, Inc. Real-time anomaly detection and classification during semiconductor processing
CN115135450A (zh) * 2020-05-14 2022-09-30 应用材料公司 训练神经网络用于抛光期间的原位监测的技术和抛光系统
JP2021194748A (ja) * 2020-06-17 2021-12-27 株式会社荏原製作所 研磨装置及びプログラム
JP7447284B2 (ja) * 2020-06-24 2024-03-11 アプライド マテリアルズ インコーポレイテッド 研磨パッドの摩耗補償による基板層の厚さの決定
JP2022018205A (ja) * 2020-07-15 2022-01-27 東京エレクトロン株式会社 異常検知方法及び異常検知装置
US11742901B2 (en) * 2020-07-27 2023-08-29 Electronics And Telecommunications Research Institute Deep learning based beamforming method and apparatus
JP7453102B2 (ja) * 2020-09-09 2024-03-19 シャープ株式会社 移動時間予想装置および移動時間予想方法
JP7436335B2 (ja) 2020-09-09 2024-02-21 シャープ株式会社 自動配車システムおよび自動配車方法
US11724355B2 (en) * 2020-09-30 2023-08-15 Applied Materials, Inc. Substrate polish edge uniformity control with secondary fluid dispense
EP4238698A1 (en) * 2020-11-02 2023-09-06 Ebara Corporation Polishing apparatus and polishing method
TWI820399B (zh) * 2021-02-26 2023-11-01 國立臺灣科技大學 晶圓加工方法及晶圓加工系統
KR20230025450A (ko) * 2021-03-03 2023-02-21 어플라이드 머티어리얼스, 인코포레이티드 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링
WO2022187055A1 (en) * 2021-03-05 2022-09-09 Applied Materials, Inc. Machine learning for classifying retaining rings
JP2022162709A (ja) * 2021-04-13 2022-10-25 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置、基板処理システム、及びデータ処理方法
JP2022165024A (ja) * 2021-04-19 2022-10-31 株式会社荏原製作所 研磨方法、および研磨装置
KR20230028472A (ko) * 2021-04-30 2023-02-28 어플라이드 머티어리얼스, 인코포레이티드 열 이미지의 머신 러닝 기반 처리를 사용하는 화학 기계적 연마 공정 모니터링
TWI766697B (zh) * 2021-05-24 2022-06-01 聯毅科技股份有限公司 監控裝置及方法
JP2022190829A (ja) * 2021-06-15 2022-12-27 株式会社荏原製作所 基板処理装置及び情報処理システム
US11969140B2 (en) 2021-06-22 2024-04-30 Micron Technology, Inc. Surface cleaning
TWI789926B (zh) * 2021-09-28 2023-01-11 中國砂輪企業股份有限公司 研磨系統、研磨狀態感測系統及其資料庫與方法
WO2023112830A1 (ja) * 2021-12-17 2023-06-22 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP2023141070A (ja) * 2022-03-23 2023-10-05 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法
JP2024015933A (ja) * 2022-07-25 2024-02-06 株式会社荏原製作所 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法
JP2024048886A (ja) 2022-09-28 2024-04-09 株式会社荏原製作所 ワークピースの膜厚測定の異常を検出する方法
CN117415682B (zh) * 2023-11-29 2024-05-24 深圳市摆渡微电子有限公司 钨钢喷嘴的加工抛光方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6594024B1 (en) * 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
JP2018058197A (ja) * 2016-09-30 2018-04-12 株式会社荏原製作所 研磨装置、及び研磨方法
JP2018065212A (ja) * 2016-10-18 2018-04-26 株式会社荏原製作所 基板処理制御システム、基板処理制御方法、およびプログラム
JP2018067610A (ja) * 2016-10-18 2018-04-26 株式会社荏原製作所 研磨装置、研磨方法およびプログラム
CN108340281A (zh) * 2017-01-23 2018-07-31 不二越机械工业株式会社 工件研磨方法和工件研磨装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5730747B2 (ja) 2010-12-10 2015-06-10 株式会社荏原製作所 渦電流センサ並びに研磨方法および装置
US9490186B2 (en) * 2013-11-27 2016-11-08 Applied Materials, Inc. Limiting adjustment of polishing rates during substrate polishing
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
TWI755448B (zh) * 2016-11-30 2022-02-21 美商應用材料股份有限公司 使用神經網路的光譜監測
JP6499689B2 (ja) * 2017-03-08 2019-04-10 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
TWI816620B (zh) * 2017-04-21 2023-09-21 美商應用材料股份有限公司 使用神經網路來監測的拋光裝置
JP7356996B2 (ja) * 2018-03-13 2023-10-05 アプライド マテリアルズ インコーポレイテッド 化学機械研磨装置における消耗部品モニタリング
TWI825075B (zh) * 2018-04-03 2023-12-11 美商應用材料股份有限公司 針對墊子厚度使用機器學習及補償的拋光裝置、拋光系統、方法及電腦儲存媒體

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6594024B1 (en) * 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
JP2018058197A (ja) * 2016-09-30 2018-04-12 株式会社荏原製作所 研磨装置、及び研磨方法
JP2018065212A (ja) * 2016-10-18 2018-04-26 株式会社荏原製作所 基板処理制御システム、基板処理制御方法、およびプログラム
JP2018067610A (ja) * 2016-10-18 2018-04-26 株式会社荏原製作所 研磨装置、研磨方法およびプログラム
CN108340281A (zh) * 2017-01-23 2018-07-31 不二越机械工业株式会社 工件研磨方法和工件研磨装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111390706A (zh) * 2020-04-11 2020-07-10 新昌县鼎瑞科技有限公司 一种钣金加工表面打磨设备及其操作方法
CN114871858A (zh) * 2022-04-25 2022-08-09 中国工程物理研究院激光聚变研究中心 一种机器人全口径研磨抛光系统及方法

Also Published As

Publication number Publication date
SG10201908562WA (en) 2020-04-29
US11027395B2 (en) 2021-06-08
TW202026105A (zh) 2020-07-16
US20200101579A1 (en) 2020-04-02
TWI831836B (zh) 2024-02-11
JP2020053550A (ja) 2020-04-02
KR20200035894A (ko) 2020-04-06

Similar Documents

Publication Publication Date Title
CN110948374A (zh) 研磨装置、研磨方法以及机器学习装置
JP7182653B2 (ja) 研磨装置、及び研磨方法
CN100548577C (zh) 基板抛光的方法和装置
KR102622803B1 (ko) 연마 장치, 및 연마 방법
KR102591906B1 (ko) 연마 장치 및 연마 방법
WO2021029264A1 (ja) 終点検知装置、終点検知方法
JP7403213B2 (ja) 研磨装置、及び研磨方法
CN110030918B (zh) 磁性元件、使用其的涡电流式传感器、研磨装置、研磨方法以及计算机可读取记录介质
JP7244250B2 (ja) 磁性素子、及びそれを用いた渦電流式センサ

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200403

WD01 Invention patent application deemed withdrawn after publication