CN111113255B - 化学机械抛光设备与不规律机械运动预测系统及方法 - Google Patents
化学机械抛光设备与不规律机械运动预测系统及方法 Download PDFInfo
- Publication number
- CN111113255B CN111113255B CN201910933035.3A CN201910933035A CN111113255B CN 111113255 B CN111113255 B CN 111113255B CN 201910933035 A CN201910933035 A CN 201910933035A CN 111113255 B CN111113255 B CN 111113255B
- Authority
- CN
- China
- Prior art keywords
- motion
- circuitry
- sensor
- irregular
- mechanical
- 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
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
- 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
- B24B37/005—Control means for lapping machines or devices
- B24B37/015—Temperature control
-
- 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
-
- 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
- B24B57/00—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents
- B24B57/02—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents for feeding of fluid, sprayed, pulverised, or liquefied grinding, polishing or lapping agents
Abstract
一种用于预测半导体处理设备的一个或多个机械组件的不规律运动的系统及方法。一种机械运动不规律性预测系统包括一个或多个运动传感器,所述一个或多个运动传感器感测与半导体处理设备的至少一个机械组件相关联的运动相关参数。所述一个或多个运动传感器基于所感测到的运动相关参数输出感测信号。缺陷预测电路系统基于感测信号预测所述至少一个机械组件的不规律运动。
Description
技术领域
本发明的实施例是有关于机械运动不规律性预测系统、预测不规律运动的方法以及化学机械抛光设备。
背景技术
在制作半导体装置期间,通过各种机械设备处理半导体晶片。举例来说,在化学机械平坦化(Chemical-Mechanical Planarization,CMP)工艺期间,可利用CMP设备来处理晶片。CMP设备可包括多个移动式组件或可移动组件(例如,可旋转台板、抛光头、垫整修器及浆料喷洒器),这些组件彼此协作来处理晶片。
诸多半导体工艺皆需要极其精确地移动并定位机械组件。即使与组件的正确定位及移动有极小偏差也可能会导致接受处理的半导体晶片中出现缺陷。
发明内容
根据一个实施例,一种机械运动不规律性预测系统包括一个或多个运动传感器,所述一个或多个运动传感器被配置成感测与半导体处理设备的至少一个机械组件相关联的运动相关参数。所述一个或多个运动传感器基于所感测到的所述运动相关参数来输出感测信号。所述机械运动不规律性预测系统还包括缺陷预测电路系统,所述缺陷预测电路系统被配置成基于所述感测信号来预测所述至少一个机械组件的不规律运动。
根据另一实施例,提供一种预测不规律运动的方法,所述方法包括:通过至少一个运动传感器感测与半导体处理设备的至少一个机械组件相关联的运动相关参数。通过信号处理电路系统产生波谱信息,且所述波谱信息是基于所述感测信号而产生。缺陷预测电路系统基于所述波谱信息来预测所述至少一个机械组件的不规律运动。
根据又一实施例,提供一种化学机械抛光(CMP)设备,所述化学机械抛光设备包括可旋转台板;抛光垫,位于所述可旋转台板上;抛光头;垫整修器;第一运动传感器;以及缺陷预测电路系统。所述抛光头被配置成携载半导体晶片且选择性地使所述半导体晶片与所述抛光垫接触。所述垫整修器包括垫整修器头及耦合到所述垫整修器头的整修盘,且所述整修盘被配置成与所述抛光垫选择性地接触。所述第一运动传感器被配置成感测与所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的至少一者相关联的第一运动相关参数。所述缺陷预测电路系统被配置成基于所感测到的所述第一运动相关参数来预测所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的所述至少一者的不规律运动。
附图说明
结合附图阅读以下详细说明会更好理解本发明的各方面。注意,根据行业中的标准惯例,各种特征未按比例绘制。事实上,为论述清晰起见,可任意地增大或减小各种特征的尺寸。
图1是示意性地说明根据一些实施例的化学机械抛光(Chemical-MechanicalPolishing,CMP)设备的立体图。
图2是示出具有缺陷的晶片的表面的示意图,所述缺陷由CMP设备的不规律运动造成。
图3A是示意性地说明在用CMP设备处理之前半导体晶片的特征的剖视图。
图3B是示意性地说明在用CMP设备处理之后图3A中所示晶片的正常区的剖视图。
图3C是示意性地说明在用CMP设备处理之后图3A中所示晶片的异常区的剖视图。
图4是说明根据一些实施例的不规律机械运动探测系统的框图。
图5是示意性地说明波谱图像的图,所述波谱图像可由根据一些实施例的图4中所示系统的信号处理电路系统产生。
图6是说明根据一个或多个实施例的不规律机械运动预测方法的流程图。
具体实施方式
以下公开内容提供诸多不同的实施例或实例以实施所提供主题的不同特征。下文阐述组件及排列的具体实例以使本发明简明。当然,这些仅是实例,并不旨在进行限制。举例来说,在以下说明中,第一特征形成在第二特征之上或形成在第二特征上可包括第一特征与第二特征形成为直接接触的实施例,且还可包括额外特征可形成在第一特征与第二特征之间使得第一特征与第二特征不可直接接触的实施例。另外,本公开可在各种实例中重复使用参考编号及/或字母。此重复是出于简明及清晰目的,本质上并不规定所述的各种实施例及/或配置之间的关系。
此外,为便于说明起见,本文中可使用例如“在…之下(beneath)”、“低于(below)”、“下部(lower)”、“在…上面(above)”、“上部(upper)”等空间相对用语来阐述一个元件或特征与另外的元件或特征之间的关系,如图中所说明。除了图中所绘示的定向之外,所述空间相对用语还旨在囊括器件在使用或操作中的不同定向。可以其他方式对设备进行定向(旋转90度或处于其他定向),且同样地可对本文中所使用的空间相对描述符加以相应地解释。
在各种实施例中,本发明提供可在运作期间辨识或确定组件(例如,CMP设备的组件)的不规律机械运动的系统、设备及方法。
本文中所提供的实施例包括机械运动不规律性预测系统及用于预测半导体处理设备中的一个或多个机械组件的不规律运动的方法,所述预测是基于和与所述一个或多个机械组件相关联的一个或多个运动相关参数相关联的所感测到的信号而进行。在一些实施例中,基于所感测到的信号产生波谱图像,且所述波谱图像包括与所感测到的信号相关联的频率信息及时间信息。可利用机器学习技术来分析所述波谱图像,所述分析可至少部分地基于波谱图像数据库中所存储的历史波谱图像。
在各种实施例中,可在设备运作期间(例如,在处理半导体晶片时)预测半导体处理设备的一个或多个组件的不规律运动。可基于所预测到的不规律运动而自动停止半导体处理设备的所述一个或多个组件,借此防止或减少正被处理的半导体晶片出现任何损坏。
图1是示意性地说明根据本发明的一个或多个实施例的化学机械抛光(CMP)设备100的立体图。CMP设备100可包括可旋转台板110、抛光垫120、抛光头130、浆料施配器140及垫整修器150。抛光垫120排列在台板110上。浆料施配器140、抛光头130及垫整修器150可位于抛光垫120上面。
抛光垫120可附接到台板110,举例来说,抛光垫120可紧固到台板110的上表面。抛光垫120可由足够硬的任何材料形成,以允许浆料142中的磨蚀粒子机械地抛光晶片160,晶片160位于抛光头130与抛光垫120之间的抛光位置处。另一方面,抛光垫120需足够软,以使得在抛光工艺期间其不会实质上刮擦晶片160。抛光垫120可由聚氨酯或任何其他适合的材料制成。
在CMP工艺期间,使台板110以各种适合的速度中的任一者沿着旋转方向D1旋转。举例来说,可通过任何机构(例如,发动机等)使台板110沿着旋转方向D1旋转,台板110的旋转继而使抛光垫120在旋转方向D1上旋转。抛光头130可沿着方向D2施加力,这会朝向且抵靠抛光垫120在方向D2上向下推动晶片160,以使得浆料142可将晶片160的与抛光垫120接触的表面抛光。
抛光头130可包括晶片载体132,晶片载体132将晶片160定位在抛光垫120上的抛光位置处。举例来说,可将晶片160设置在晶片载体132之下且可使晶片160与抛光垫120接触。
为将晶片160进一步平坦化,可使抛光头130旋转(例如,如所示地在方向D1上或在反方向上),从而使晶片160旋转且同时在抛光垫120上移动,但本发明的各种实施例并不仅限于此。晶片载体132可牢固地附接到抛光头130且晶片载体132可随抛光头130一起旋转。在一些实施例中,如图1中所示,抛光头130与抛光垫120在同一方向上(例如,顺时针或逆时针)旋转。在一些替代实施例中,抛光头130与抛光垫120在相反方向上旋转。
当CMP设备100在运作中时,浆料142在晶片160与抛光垫120之间流动。浆料施配器140具有位于抛光垫120之上的出口,浆料施配器140用于将浆料142施配到抛光垫120上。浆料142包含:反应性化学物质,与晶片160的表面层发生反应;及磨蚀粒子,用于机械地抛光晶片160的表面。通过浆料中的反应性化学物质与晶片160的表面层之间的化学反应以及机械抛光,移除晶片160的表面层中的至少一些。
由于使用了抛光垫120,因此抛光表面往往会变光滑,这可降低CMP设备100的移除率及总体效率。垫整修器150排列在抛光垫120之上,且用于对抛光垫120进行整修且移除在CMP工艺期间所产生的不期望的副产物。
垫整修器150可包括垫整修器基座151、垫整修器臂152及垫整修器头153。垫整修器基座151可以是任何基座结构或可紧固到任何基座结构,且可通常固定在其适当位置处。垫整修器臂152可附接到垫整修器基座151,且垫整修器头153可附接到垫整修器臂152的与垫整修器基座151相对的一端。垫整修器臂152可例如绕垫整修器臂152与垫整修器基座151连接处的枢轴或接头旋转。举例来说,机构(例如,发动机、致动器等)可操作耦合到垫整修器基座151或垫整修器臂152且可使垫整修器臂152及所附接的垫整修器头153移动,以使得垫整修器头153可沿着第三方向D3移动。第三方向D3可以是例如可通过使垫整修器臂152及垫整修器头153绕枢轴点旋转而界定的弧或弧的区段,所述枢轴点是垫整修器臂152附接到垫整修器基座151或者可绕垫整修器基座151旋转的枢轴点。第三方向D3可表示垫整修器头153沿着弧在任何方向上的行进,例如朝左或朝右,如图1中所示。
整修盘154机械地耦合到垫整修器头153。举例来说,整修盘154可附接到垫整修器头153。整修盘154可从垫整修器头153向外(例如,在向下方向上)延伸,以使得当例如在使用CMP设备100期间对抛光垫120进行整修时,整修盘154可与抛光垫120的顶表面接触。整修盘154通常包括可用于将抛光垫120的表面抛光并重新纹理化的突出部或切割边缘。在一些实施例中,整修盘154的暴露表面(例如,下表面)由金刚石磨料形成或者包含所述金刚石磨料,所述金刚石磨料用于整修抛光垫120。此整修盘有时可被称为“金刚石盘”。在一些实施例中,整修盘154可由其他适合的材料形成,例如洗擦材料、刷毛等。
在整修工艺期间,使抛光垫120及整修盘154旋转,以使得整修盘154的暴露下表面的突出部、切割边缘、磨料、洗擦材料等相对于抛光垫120的表面移动,以将抛光垫120的表面抛光。整修盘154可沿着第一旋转方向D1或在相反方向上旋转。举例来说,整修盘154可在顺时针方向上或在逆时针方向上旋转。
CMP设备100中可包括任何额外的特征或组件,举例来说,CMP设备100可包括半导体处理工具或CMP设备领域的技术人员可熟知的CMP设备的任何额外特征或组件。在一些实施例中,CMP设备100中可包括一个或多个额外垫整修器150,以使得可同时地或交替地利用多个整修器盘来将抛光垫120的表面抛光。在一些实施例中,CMP设备100包括泵(未示出),例如用于在CMP设备100运作期间在晶片载体132与晶片160之间形成真空或负压以将晶片160紧固到晶片载体132的泵。在一些实施例中,CMP设备100包括一个或多个发动机(未示出),例如用于在使用期间移动CMP设备100的各种组件中的任一者的发动机。
CMP设备100包括一个或多个传感器170,所述一个或多个传感器170可位于CMP设备100的各种组件上或内的各个位置处。举例来说,如图1中所示,所述一个或多个传感器170可包括以下传感器中的任一者或多者:第一传感器170a,被配置成感测与抛光头130相关联的一个或多个参数;第二传感器170b,被配置成感测与台板110相关联的一个或多个参数;第三传感器170c,被配置成感测与浆料施配器140相关联的一个或多个参数;第四传感器170d,被配置成感测与垫整修器基座151相关联的一个或多个参数;第五传感器170e,被配置成感测与垫整修器臂152相关联的一个或多个参数;第六传感器170f,被配置成感测与垫整修器头153相关联的一个或多个参数;以及第七传感器170g,被配置成感测与整修盘154相关联的一个或多个参数。在各种实施例中,所述一个或多个传感器170可位于CMP设备100的任何组件上或内,例如包括位于抛光垫120上或位于抛光垫120中、位于晶片载体132上或位于晶片载体132中、位于发动机或泵上或位于发动机或泵中、或者位于CMP设备的任何其他特征或组件上或位于CMP设备的任何其他特征或组件中。可例如通过将所述一个或多个传感器170紧固到CMP设备100的组件的任何部分(例如,壳体的外侧部分等)来将所述传感器170定位在所述组件中的任一者上。可例如通过将所述一个或多个传感器170紧固到CMP设备100的组件的内侧部分(例如,壳体的内侧等)来将所述传感器170定位在所述组件中的任一者内。
在一些实施例中,所述一个或多个传感器170可操作以感测与CMP设备的所述一个或多个组件相关联的运动相关参数。在一些实施例中,所述一个或多个传感器170可包括以下各项中的任一者或多者:转矩传感器、加速度传感器、陀螺仪、振动传感器、压力传感器、温度传感器或湿度传感器。
如本文中稍后更详细地论述,可对由所述一个或多个传感器170感测到的与CMP设备100的组件相关联的各种参数加以分析,以探测CMP设备100的各种组件的运动不规律性。CMP设备100的组件的不规律运动或异常运动可导致在处理晶片160时出现不期望效应,例如可能因CMP设备100的组件不规律运动致使对晶片160过度抛光或抛光不充分而造成各种缺陷。
图2是示出具有一个或多个缺陷的晶片的表面的示意性说明,所述一个或多个缺陷是由CMP设备执行CMP工艺时一个或多个组件表现出不规律运动而造成。如图2中所示,晶片260的表面包括由CMP设备进行的处理(例如,抛光)产生的一个或多个正常区262以及多个异常区264。异常区264可能是缺陷区,这些缺陷区可导致将由晶片260形成的半导体装置(例如,芯片等)中存在缺陷。异常区264可例如由CMP设备100过度抛光晶片260的表面而造成,且所述过度抛光可能由CMP设备100的组件中的任一者的不规律运动导致,所述CMP设备100的这些组件包括例如抛光头130、台板110、浆料施配器140、垫整修器基座151、垫整修器臂152、垫整修器头153、整修盘154、发动机、泵或CMP设备100内的任何其他组件。
图3A是示意性地说明在用CMP设备处理之前晶片260的特征的剖视图,图3B是示意性地说明在用CMP设备处理之后晶片260的正常区262的剖视图,且图3C是示意性地说明在用CMP设备处理之后晶片260的异常区264的剖视图。
如图3A中所示,在用CMP设备处理之前(例如,在抛光晶片260的表面之前),晶片260可包括各种层、特征等。相关领域的技术人员可知,晶片260可包括任何层、特征等。在图3A中所示的实例中,晶片260包括衬底272,衬底272可以是半导体装置制造中所使用的任何适合材料的半导体衬底。举例来说,衬底272可以是硅衬底;然而,本文中所提供的实施例并不仅限于此。举例来说,在各种实施例中,衬底272可包括砷化镓(GaAs)、氮化镓(GaN)、碳化硅(SiC)或任何其他半导体材料。衬底272可根据设计规格而包括各种掺杂配置。
第一层274可形成在衬底272上,且第一层274可以是制造半导体装置时所利用的任何材料的层。举例来说,在一些实施例中,第一层274可以是第一介电层;然而,本文中所提供的实施例并不仅限于此。在各种实施例中,第一层274可以是导电层、半导体层或任何其他材料层。
第二层276可形成在第一层274上,且第二层276可以是制造半导体装置时所利用的任何材料的层。举例来说,在一些实施例中,第二层276可以是第二介电层;然而,本文中所提供的实施例并不仅限于此。在各种实施例中,第二层276可以是导电层、半导体层或任何其他材料层。
晶片260中可形成有一个或多个第一电特征282,且第一电特征282可以是在制造半导体装置时形成的任何电特征。在图3A中所示的实例中,第一电特征282可形成在衬底272上;然而,本文中所提供的实施例并不仅限于此。在各种实施例中,第一电特征282可形成在衬底272内,形成在第一层274中,形成在第二层276中,或形成在晶片260中的任何其他位置处。第一电特征282可以是例如任何电组件,例如晶体管、电容器、电阻器、金属或者导电轨或导线层等。
晶片260还可包括一个或多个第二电特征284,所述一个或多个第二电特征284可以是制造半导体装置时形成的任何电特征。在图3B中所示的实例中,第二电特征284可形成为在晶片260的上表面与第一电特征282之间延伸;然而,本文中所提供的实施例并不仅限于此。第二电特征284可以是例如导电通孔;然而,在各种实施例中,第二电特征284可以是任何电组件或电特征。
在抛光晶片260的表面(例如,上表面)之前,晶片260具有特定的厚度,所述厚度稍后因抛光而减小。举例来说,如图3A中所示,晶片260在第一层274的上表面与晶片260的上表面之间具有第一厚度t1。如图3A中所示,第一层274的上表面可能是不均匀的或有起伏的,且因此第一层274的上表面与晶片260的上表面之间的厚度可变化。为便于说明,将第一厚度t1示出为是在第一层274的上表面的形成低凹部的最低点处进行测量。
如图3B中所示,在抛光晶片260的上表面之后,所述抛光将第二层276薄化且移除第二层276的一些部分。另外,可通过抛光移除第二电特征284的一些部分。因此,在进行抛光之后,晶片260在第一层274的上表面与晶片260的上表面之间具有第二厚度t2,且第二厚度t2小于第一厚度t1。图3B说明晶片260的正常区262。因此,图3B可表示在正常抛光工艺(即,CMP设备的组件不存在不规律运动)之后晶片260的预期轮廓。由于这类运动不规律性可主要影响晶片260的某些部分或区(例如,晶片260的边缘区),因此即使CMP设备的一个或多个组件存在不规律运动,所述处理仍可形成晶片260的一个或多个正常区262。正常区262可以是例如不受不规律运动影响的晶片260中心区。
如图3B中所示,在抛光之后,在晶片260的预期轮廓中或在正常区262中不暴露出第一层274的任何部分。
相比之下,现在参考图3C,在抛光晶片260之后,在异常区264中,在晶片260的上表面处可暴露出第一层274的一些部分。这可导致将由晶片260形成的半导体装置(例如,芯片等)中存在缺陷。在异常区264中,晶片260在第一层274的上表面与晶片260的上表面之间具有第三厚度t3,第三厚度t3小于第二厚度t2,这指示在异常区264中过度抛光了晶片260。此外,如上文所述,在异常区264中完全移除了第二层276的一些部分,使得在晶片260的上表面处暴露出第一层274的一些部分。
再次参考图1,通过由所述一个或多个传感器170感测与CMP设备100的各种组件相关联的运动相关参数,并分析所感测到的参数,可探测到CMP设备100的各种组件的运动不规律性,这有助于矫正不规律运动,借此防止或减少由于CMP设备100中的水处理所致的异常区264的出现。此外,在一些实施例中,可基于对所述运动相关参数的分析来预测或确定CMP设备100的组件中的一者或多者的状态,且在一些实施例中,可基于对所述运动相关参数的分析来预测或确定所述一个或多个组件的剩余运作寿命(或出故障之前的时间)。举例来说,如果对运动相关参数的分析指示组件(例如,CMP设备的垫整修器头、整修盘、垫整修器臂、泵、发动机等)存在异常机械运动,则可确定组件的状态(例如,开始劣化,但尚未超出特定容差范围),且还可依据对运动相关参数的分析来预测或确定组件的剩余运作寿命。
图4是说明根据本发明实施例的不规律机械运动探测系统400的框图。不规律机械运动探测系统400可与半导体处理设备10结合使用,且可包括半导体处理设备10的特征及功能性中的一者或多者,半导体处理设备10可以是图1中所示的CMP设备100。然而,本发明所提供的实施例并不仅限于此。在各种实施例中,半导体处理设备10可以是具有在半导体装置制造工艺期间使用的一个或多个机械组件的任何设备,包括例如用于执行化学气相沉积(Chemical Vapor Deposition,CVD)、物理气相沉积(Physical Vapor Deposition,PVD)、刻蚀、光刻的设备、或者任何其他的半导体处理设备或工具。在一些实施例中,半导体处理设备10包括为不规律机械运动探测系统400的一部分。不规律机械运动探测系统400可用于基于一个或多个传感器170所感测到的一个或多个运动相关参数来探测CMP设备100的各种组件中的任一者的运动不规律性。
如图4中所示,半导体处理设备10可包括第一机械组件12及第二机械组件14。第一机械组件12及第二机械组件14可以是半导体处理设备的任何机械组件,包括例如以下各项中的任一者:抛光头130、台板110、浆料施配器140、垫整修器基座151、垫整修器臂152、垫整修器头153、整修盘154、发动机、泵或CMP设备100的任何其他组件。
传感器170可位于第一机械组件12及第二机械组件14上或内,且可被配置成感测与第一机械组件12及第二机械组件14相关联的一个或多个运动相关参数。在各种实施例中,传感器170可以是图1中所说明的传感器170a到传感器170g中的任一者,且可以是转矩传感器、加速度传感器、陀螺仪、振动传感器及任何其他运动相关传感器中的任一者。在一些实施例中,设备10中可包括一个或多个额外传感器180,且这些额外传感器可感测与第一机械组件12或第二机械组件14相关联的任何额外参数,所述额外传感器包括例如压力传感器、温度传感器或湿度传感器。尽管额外传感器180可能不直接感测机械组件的运动,但额外传感器180所感测到的参数可与组件的不规律运动相关。举例来说,温度传感器感测温度;然而,由于温度可影响例如旋转速度等运动相关参数,因此某些组件(例如,台板110)的温度可与组件的不规律运动相关联。此外,额外传感器180所感测到的参数可与机械组件的有缺陷运作状况相关联,且可提供关于机械组件的所预测运作寿命的有用信息。
图4中将半导体处理设备10示出为仅包括两个机械组件、两个传感器170及一个额外传感器180;然而,本发明实施例并不仅限于此。在各种实施例中,半导体处理设备10可包括任何数目个运动相关传感器170及任何数目个额外传感器180,上述传感器可位于设备10的任何数目个机械组件上或内。举例来说,如图1中所示,CMP设备100可包括第一到第七(或更多个)传感器170。
运动相关传感器170及额外传感器180可以是高灵敏度传感器,其可操作以感测具有高分辨率数据的高灵敏度信号,所述高分辨率数据可以是模拟数据或数字数据。在一些实施例中,运动相关传感器170中的一者或多者可以是准确度等于或小于约10微克的振动传感器。即,振动传感器可能够感测等于或小于约10微克的运动(例如,振动加速度)。在一些实施例中,运动相关传感器170或额外传感器180可以是高分辨率传感器,所述高分辨率传感器具有在等于或大于24位的分辨率下被输出或转换为数字数据的数据。在一些实施例中,额外传感器180包括准确度等于或小于0.1℃的温度传感器。
如图4中所示,不规律机械运动探测系统400包括信号处理电路系统410及缺陷预测电路系统420。
运动相关传感器170及额外传感器180通信耦合到信号处理电路系统410,以使得信号处理电路系统410接收由运动相关传感器170及额外传感器180输出的信号,所述信号指示所感测到的设备10的各种组件的参数,例如所感测到的与第一机械组件12及第二机械组件14相关联的参数。运动相关传感器170及额外传感器180可经由任何适合的通信网络通信耦合到信号处理电路系统410。所述通信网络可利用一个或多个协议经由一个或多个物理网络进行通信,所述物理网络包括局域网络、无线网络、专用线路、内联网、互联网等。
在一些实施例中,所述通信网络包括一个或多个电导线,所述一个或多个电导线将运动相关传感器170或额外传感器180通信耦合到信号处理电路系统410。举例来说,如图4中所示,位于第一机械组件12上或内的运动相关传感器170可通过一个或多个电导线通信耦合到信号处理电路系统410。在一些实施例中,通信网络可包括无线通信网络401,无线通信网络401用于将信号从运动相关传感器170或额外传感器180中的任一者传递到信号处理电路系统410。举例来说,如图4中所示,位于第二机械组件14上或内的运动相关传感器170及额外传感器180可通过无线网络401通信耦合到信号处理电路系统410。使用无线网络401对于位于设备10的组件上或内的难以通过电导线布线的传感器来说可特别有利。举例来说,第二机械组件14可以是台板,例如台板110,且运动相关传感器170或额外传感器180可被配置成与信号处理电路系统410进行无线通信。运动相关传感器170及额外传感器180中的任一者以及信号处理电路系统410可包括无线通信电路系统,所述无线通信电路系统有助于运动相关传感器170、额外传感器180与信号处理电路系统410进行无线通信。
信号处理电路系统410可以是或包括被配置成执行本文中所述的信号处理技术的任何电路系统。在一些实施例中,信号处理电路系统410可包括计算机处理器、微处理器、微控制器等或可由计算机处理器、微处理器、微控制器等施行,计算机处理器、微处理器、微控制器等被配置成执行本文中关于信号处理电路系统所述的各种功能及运作。举例来说,信号处理电路系统410可由通过所存储的计算机程序选择性启用或重新配置的计算机处理器来施行,或者可以是为实施本文中所述的特征及运作而特别建构的计算平台。在一些实施例中,信号处理电路系统410可被配置成施行任何计算机可读存储媒体中所存储的软件指令,所述计算机可读存储媒体包括例如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、快闪存储器、硬盘驱动器、光学存储装置、磁性存储装置、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,EEPROM)、有机存储媒体等。
信号处理电路系统410接收并处理由运动相关传感器170及额外传感器180输出的信号。在一些实施例中,信号处理电路系统410包括模/数转换器(Analog-To-DigitalConverter,ADC)412,模/数转换器412将模拟信号(例如,可从运动相关传感器170及额外传感器180接收到)转换成数字信号。例如由ADC 412输出的数字信号可由快速傅里叶变换(Fast FourierTransform,FFT)电路系统414处理,快速傅里叶变换电路系统414应用任何适合的FFT算法或技术来将感测信号(例如,呈数字形式)从时域变换成频域。用于对信号执行从其原始域(例如,时域)到频域表示的变换的FFT算法在信号处理领域内是众所周知的,且FFT电路系统414可利用任何此类已知的FFT算法。将从运动相关传感器170或额外传感器180中的任一者接收到的信号变换成频域可在某些频率下或在某些频带内产生某些活动尖峰(例如,探测运动、振动等)。举例来说,这可由各种不同的组件的运动(例如,泵;风扇;发动机;台板、垫整修器、抛光头的摇摆或振动;或任何其他组件)所致,且不同的运动可具有可在频域中被单独探测到且识别到的不同频率。
信号处理电路系统410可例如使用FFT电路系统414来计算或产生每一所接收到的感测信号的频谱。所述每一所接收到的感测信号的频谱可基于在时域中具有特定取样周期(例如,时间周期)的样本来产生。即,可将所述信号中的每一者作为具有某一时间周期(例如,1秒、500毫秒、10毫秒、1毫秒或小于1毫秒)的削波(clip)加以分析。然后,FFT电路系统414可处理运动相关传感器170或额外传感器180所感测到的这些数据削波中的每一者以获得所述削波的频谱。
信号处理电路系统410可产生从运动相关传感器170或额外传感器180中的每一者接收到的信号的波谱图像,且波谱图像可基于FFT电路系统414所输出的频谱及与频谱中的每一者相关联的时域信息(例如,削波中的每一者的将信号数据变换成频域的时间周期)来产生。
信号处理电路系统410还可包括窗电路系统416,窗电路系统416可处理FFT电路系统414的输出(例如,与传感器输出的某些时域取样削波相关联的频谱数据)。窗电路系统416可对频谱应用任何窗函数。已知在信号处理领域内,窗函数可用于进行波谱分析,例如以在多个频率分量当中(例如,具有不同频率的振动或运动,这些不同频率在基于特定传感器所感测到的感测信号而产生的频谱中可显而易见)实现较好的分辨率及区分度。
在一些实施例中,窗电路系统416被配置成对FFT电路系统414所输出的频谱应用汉明窗(hamming window)。汉明窗是通常在窄带应用中使用的已知窗函数。通过使用窗电路系统416来应用汉明窗,将特定的所关注频率分量保留在波谱图像中,且可提高所关注频率分量的分辨率及区分度。
图5是示意性地说明可由信号处理电路系统410产生的波谱图像500的图。在波谱图像500中,x轴可表示时间单位(例如,秒、毫秒、微秒等)且y轴可表示频率单位(例如,赫兹)。波谱图像500可由信号处理电路系统410基于从特定传感器(例如,特定运动相关传感器170或特定额外传感器180)接收到的感测信号来产生。可针对半导体处理设备10中的传感器中的每一者(例如,针对每一运动相关传感器170及每一额外传感器180)生成单独的波谱图像500。波谱图像500表示所感测到的信号在某一有限间隔或取样周期(如x轴所表示)内的频率分量。举例来说,每一波谱图像500可表示所感测到的信号在10秒、5秒、1秒的周期或任何其他适合的间隔内的频率分量。可基于FFT电路系统414所产生的多个连续频谱产生波谱图像500,这些频谱中的每一者是基于比波谱图像500的间隔短的间隔而产生。FFT电路系统414所产生的频谱不在时域中;而是,所述频谱表示基于传感器所输出的信号而获得的运动频率。然而,频谱是依序获得的,其中每一频谱是在所感测到的信号的某一取样周期或时间间隔内获得。举例来说,可基于间隔小于1毫秒的所感测到的数据的削波产生频谱,且可基于多个顺序频谱产生波谱图像500,所述多个顺序频谱中的每一者是基于多个顺序削波针对所感测到的数据而产生。因此,在所提供的实例中,波谱图像500可具有大于1毫秒的时间间隔。
因此,波谱图像500以时间方式直观地表示所感测到的数据的频谱。即,在第一时间处(例如,在x轴的左侧)获得的频谱可不同于在稍后的第二时间处(例如,移动到x轴的右侧)获得的频谱。频谱中频率分量的振幅在波谱图像500中可通过任何适合的指标来表示。举例来说,在图5中所说明的波谱图像500中,可通过色彩、灰度值等指示频率分量的振幅。举例来说,波谱图像500中第一色彩(例如,红色)的圆点或区可指示比具有其他色彩的圆点或区(例如,绿色、黄色或蓝色圆点)所表示的振幅值(例如,例如振动、加速度、温度等所感测的参数的振幅)高的振幅值。在一些实施例中,不同色彩中的每一种可表示频率分量的特定振幅值范围。色彩被设置为可在波谱图像中用于指示频率分量的相对振幅或强度的一个示例性指标;然而,本文中所提供的实施例并不仅限于此。波谱图像500中可利用任何适合的指标来表示在所测量的削波或间隔处的频率分量的相对振幅或强度。
再次参考图4,信号处理电路系统410通信耦合到缺陷预测电路系统420。缺陷预测电路系统420可包括计算机处理器或由计算机处理器施行,所述计算机处理器被配置成执行本文中所述的各种功能及运作。举例来说,缺陷预测电路系统420可由通过所存储的计算机程序选择性启用或重新配置的计算机处理器来施行,或可以是为实施本文中所述的特征及运作而特别建构的计算平台。
在一些实施例中,缺陷预测电路系统420包括存储器,所述存储器存储用于执行本文中所述的特征或运作中的一者或多者的指令,且缺陷预测电路系统420可操作以施行例如存储器中所存储的指令,以执行本文中所述的缺陷预测电路系统420的功能。所述存储器可以是或可包括任何计算机可读存储媒体,包括例如只读存储器(ROM)、随机存取存储器(RAM)、快闪存储器、硬盘驱动器、光学存储装置、磁性存储装置、电可擦除可编程只读存储器(EEPROM)、有机存储媒体等。
缺陷预测电路系统420可从信号处理电路系统410接收波谱图像500。缺陷预测电路系统420通过机器学习模型例如基于对所接收到的波谱图像500与以往数据的比较或对所接收到的波谱图像500的分析来分析波谱图像500,以预测或确定半导体处理设备10的各种组件的运动不规律性,所述机器学习模型是由指示半导体处理设备10的一个或多个机械组件的不规律运动的以往数据(例如,以往波谱图像500)训练。在一些实施例中,缺陷预测电路系统420还可基于对波谱图像500的分析来预测或确定半导体处理设备10的一个或多个机械组件的状态或剩余运作寿命。
在一些实施例中,缺陷预测电路系统420可采用一种或多种人工智能或机器学习技术来预测或确定机械组件的不规律运动、状态或剩余运作寿命,在一些实施例中,所述人工智能或机器学习技术可至少部分地由机器学习电路系统430实施。缺陷预测电路系统420可例如响应于从信号处理电路系统410接收到波谱图像500而自动执行缺陷预测电路系统420所做出的本文中所述的确定中的一些或全部。机器学习电路系统430可包括为缺陷预测电路系统420的一部分(如所示),或可位于远程位置处且与缺陷预测电路系统420进行通信耦合。机器学习电路系统430可使用以往数据(例如,可基于以往数据来训练机器学习电路系统430)来预测或确定半导体处理设备10的机械组件的不规律运动、状态或剩余运作寿命,所述以往数据指示机械组件的已知不规律运动(例如,已知指示机械组件的不规律运动的以往波谱图像)、机械组件的已知状态及其相关联的不规律运动(例如,已知出故障或有缺陷机械组件的以往波谱图像)或机械组件的已知剩余运作寿命及其相关联的运动(例如,已知在某一时间周期内已出故障的机械组件的波谱图像,例如1个月后),且机器学习电路系统430可对所接收到的波谱图像520与以往数据进行比较以基于与以往数据的或与训练模型的类似性或偏差来预测或确定机械组件的不规律运动、状态或剩余运作寿命,所述以往数据及训练模型包含在机器学习电路系统430内、由机器学习电路系统430管理或者可由机器学习电路系统430获取。
本文中使用“人工智能”来广义地阐述可学习知识(例如,基于训练数据)且使用这些所学到的知识来调适其解决一个或多个问题的方法(例如,基于所接收到的输入(例如,所接收到的波谱图像)做出推测)的任何智能计算系统及方法。机器学习通常是指人工智能的子领域或类别,且在本文中用于广义地阐述在一个或多个计算机系统或电路系统(例如处理电路系统)中实施的任何算法、数学模型、统计模型等,且机器学习基于样本数据(或训练数据)建立一个或多个模型以做出预测或决策。
缺陷预测电路系统420或机器学习电路系统430可采用例如神经网络、深度学习、卷积神经网络(convolutional neural network)、贝叶斯程序学习(Bayesian programlearning)、支持向量机(support vector machine)及图形辨识技术(patternrecognition technique)来解决问题,例如预测或确定半导体处理设备的机械组件的不规律运动、状态或剩余运作寿命。此外,缺陷预测电路系统420或机器学习电路系统430可实施以下计算算法或技术的任一者或组合:分类、回归、监督学习、非监督学习、特征学习、聚类、决策树等。
举例来说,缺陷预测电路系统420或机器学习电路系统430可利用人工神经网络来开发、训练或更新可用于预测或确定机械组件的不规律运动、状态或剩余运作寿命的一种或多种机器学习模型。示例性人工神经网络可包括彼此之间交换信息的多个互连“神经元”。连接具有可基于经验进行调谐的数值权重,且因此神经网络对输入具有自适应性且能够学习。“神经元”可包含在彼此连接的多个单独层中,例如输入层、隐含层及输出层。可通过将训练数据(例如,指示机械组件的不规律运动、状态或剩余运作寿命的以往数据或以往波谱图像)提供到输入层来训练神经网络。通过训练,神经网络可产生及/或修改隐含层,所述隐含层表示将在输入层处提供的训练数据映射到输出层处的已知输出信息(例如,对表示机械组件的不规律运动、状态或剩余运作寿命的所接收到的感测数据进行分类)的加权连接。输入层、隐含层及输出层的神经元之间通过训练过程形成的关系且可包括权重连接关系在内可作为例如一种或多种机器学习模型存储在机器学习电路系统430内或可由机器学习电路系统430获取。
一旦已对神经网络进行了充分训练,则可在输入层处向神经网络提供非训练数据(例如,在半导体处理设备10运作期间接收到的新波谱图像500)。利用不规律运动知识(例如,以机器学习模型的形式存储,且可包括例如神经网络的神经元之间的加权连接信息),神经网络可在输出层处就所接收到的波谱图像500做出确定。举例来说,神经网络可预测或确定机械组件的不规律运动、状态或剩余运作寿命。
采用一种或多种智能计算及/或机器学习技术,缺陷预测电路系统420可学习(例如,基于训练数据来开发及/或更新机器学习算法或模型)预测或确定机械组件的不规律运动、状态或剩余运作寿命,且在一些实施例中,缺陷预测电路系统420可至少部分地基于通过训练机器学习电路系统430产生或学习的知识、推测等来做出一些预测或确定。
可将机器学习电路系统430实施在可获取指令的一个或多个处理器中,所述指令可存储在任何计算机可读存储媒体中,可由机器学习电路系统430施行以执行本文中所述的运作或功能中的任一者。
在一些实施例中,机器学习电路系统430通信耦合到波谱图像数据库442,波谱图像数据库442可存储在例如任何计算机可读存储媒体中。波谱图像数据库442可包含将所感测到的参数(例如,由运动相关传感器170或额外传感器180感测到)与机械组件的不规律运动、状态或剩余运作寿命关联起来的信息。在一些实施例中,波谱图像数据库442存储多个历史(例如,以往)波谱图像,所述历史波谱图像具有已知结果或表示半导体处理设备10的一个或多个机械组件的已知不规律运动、状态或剩余运作寿命。
在一些实施例中,可基于波谱图像数据库442中所存储的历史波谱图像来训练机器学习电路系统430。即,可提供历史波谱图像作为训练数据来训练机器学习电路系统430,且可基于波谱图像数据库442中所存储的历史波谱图像来更新或修改包含在机器学习电路系统430内或可由机器学习电路系统430获取的算法或机器学习模型,以使得所训练的机器学习电路系统430可预测或确定机械组件的不规律运动、状态或剩余运作寿命。
在一些实施例中,训练数据(例如,波谱图像数据库442中所存储的历史波谱图像)可以是或包括带标记训练数据,机器学习电路系统430或缺陷预测电路系统420可从所述带标记训练数据学习预测或确定机械组件的不规律运动、状态或剩余运作寿命。带标记训练数据可包括标记,所述标记指示:波谱图像数据库中所存储的波谱图像中的一者或多者表示例如机械组件的不规律运动、状态或剩余运作寿命。
在使用半导体处理设备10期间,信号处理电路系统处理运动相关传感器170或额外传感器180所感测到的运动相关参数以产生波谱图像500。然后,缺陷预测电路系统420或机器学习电路系统430可对波谱图像500进行分析以预测或确定半导体处理设备10的机械组件中的任一者的不规律运动、状态或剩余运作寿命。缺陷预测电路系统420或机器学习电路系统430可例如通过对所接收到的波谱图像500与波谱图像数据库442中所存储的已知与不规律运动等相关联的历史波谱图像进行比较来分析所接收到的波谱图像500。在一些实施例中,缺陷预测电路系统420或机器学习电路系统430可利用经过训练的机器学习模型(例如,神经网络等)来分析所接收到的波谱图像500。
在一些实施例中,缺陷预测电路系统420或机器学习电路系统430可包括或利用多个机器学习模型,其中每一此种机器学习模型是基于特定类型(例如,转矩传感器、加速度传感器、陀螺仪、振动传感器、压力传感器、温度传感器或湿度传感器)且从特定位置(例如,在以下组件上或内的位置:抛光头130、台板110、浆料施配器140、垫整修器基座151、垫整修器臂152、垫整修器头153、整修盘154、发动机、泵或CMP设备100内的任何其他组件或任何半导体处理设备的任何其他机械组件)提供的传感器数据来训练。
在一些实施例中,缺陷预测电路系统420或机器学习电路系统430可综合分析从半导体处理设备10的多个不同的传感器接收到的传感器数据。举例来说,可产生从半导体处理设备10的多个不同的传感器170、180中的每一者接收到的传感器数据的波谱图像500。不同的波谱图像500中的每一者可遵照例如由机器学习电路系统430(其在一些实施例中可以是神经网络)设定的特定权重或系数值。然后,可将多个加权波谱图像500组合成同时表示来自所有的单独传感器170、180的传感器数据的单个波谱图像,且可将组合的波谱图像与机器学习模型进行比较,以预测或确定半导体处理设备10的机械组件中的任一者的不规律运动、状态或剩余运作寿命。
在一些实施例中,不规律机械运动探测系统400可包括阻抑电路系统480,阻抑电路系统480通信耦合到缺陷预测电路系统420及半导体处理设备10,且被配置成例如在从缺陷预测电路系统420接收到一个或多个机械组件的运动不规律且因此应停止所述一个或多个机械组件的指示时,自动阻抑或停止半导体处理设备10的所述一个或多个机械组件(例如,第一机械组件12或第二机械组件14)。阻抑电路系统480可以是例如控制器或控制电路系统,所述控制器或控制电路系统可包括在半导体处理设备10内或位于半导体处理设备10的远程位置处,且被配置成控制半导体处理设备10的运作。阻抑电路系统480还可提供缺陷指示(例如,视觉指示或听觉指示),所述缺陷指示可用于警示维修人员检查经预测有缺陷的组件或正由经预测有缺陷的组件处理的晶片。
图6是说明根据一个或多个实施例的不规律机械运动预测方法的流程图600。不规律机械运动预测方法可至少部分地例如由图1中所示且参照图1所述的CMP设备100或图4中所示且参照图4所述的不规律机械运动探测系统400来实施。
在602处,所述方法包括接收指示半导体处理设备的一个或多个组件的运动相关参数的感测信号。所述感测信号可例如由可位于半导体处理设备的任何机械组件上或内的任何运动相关传感器170提供。举例来说,传感器170可以是图1中所说明的CMP设备100中所包括的传感器,且可包括以下传感器中的任一者或多者:第一传感器170a,被配置成感测与抛光头130相关联的一个或多个参数;第二传感器170b,被配置成感测与台板110相关联的一个或多个参数;第三传感器170c,被配置成感测与浆料施配器140相关联的一个或多个参数;第四传感器170d,被配置成感测与垫整修器基座151相关联的一个或多个参数;第五传感器170e,被配置成感测与垫整修器臂152相关联的一个或多个参数;第六传感器170f,被配置成感测与垫整修器头153相关联的一个或多个参数;及第七传感器170g,被配置成感测与整修盘154相关联的一个或多个参数。举例来说,不规律机械运动探测系统400的信号处理电路系统410可接收所述感测信号。
在604处,将所接收到的感测信号变换成频谱数据。举例来说,可包括为信号处理电路系统410的一部分的FFT电路系统414可应用FFT算法来将所接收到的感测信号变换成频谱数据,如本文中先前所述。在一些实施例中,首先例如通过模/数转换器412将感测信号转换成数字感测信号,且然后将所述数字感测信号变换成频谱数据。在一些实施例中,在604处,信号处理电路系统410可应用窗函数(例如,通过窗电路系统416)作为将感测信号变换成频谱数据的一部分。
在606处,基于所接收到的感测信号及频谱数据产生波谱图像500。举例来说,波谱图像500可包含FFT电路系统414所产生的频谱且还可包含与所述频谱中的每一者相关联的时域信息(例如,削波中的每一者的将信号数据变换成频域的时间周期)。因此,波谱图像500可以时间方式提供感测信号的频谱数据的视觉表示。
在608处,缺陷预测电路系统420或机器学习电路系统430预测或确定半导体处理设备的所述一个或多个组件的不规律运动。在608处分析波谱图像以预测不规律运动可包括对在606处产生的波谱图像500与例如波谱图像数据库442中所存储的一个或多个历史波谱图像进行比较。在一些实施例中,利用机器学习模型或算法来接收所产生的波谱图像500(例如,作为神经网络的输入)并预测半导体处理设备的所述一个或多个组件的不规律运动(例如,作为神经网络的输出)。
在610处,预测半导体处理设备的所述一个或多个组件的状态或剩余运作寿命。此预测可例如由缺陷预测电路系统420或机器学习电路系统430基于对波谱图像500的分析来执行,如本文中先前所述。
在612处,举例来说,缺陷预测电路系统420或机器学习电路系统430基于对波谱图像500的分析来预测晶片缺陷。所述晶片可以是当前正经受半导体处理设备处理的晶片,例如正经受CMP设备100的CMP处理的晶片。在612处对晶片缺陷的预测可基于在608处对不规律运动的预测来进行。举例来说,如果缺陷预测电路系统420或机器学习电路系统430预测或确定半导体处理设备的组件的运动不规律,则这可指示所述组件存在有缺陷运作。因此,组件的有缺陷运作导致所处理的晶片也将因组件的有缺陷运作而具有缺陷。举例来说,缺陷预测电路系统420或机器学习电路系统430可基于从位于垫整修器头153上的传感器170f接收到的信号来确定调节盘154的运动是不规律的或异常的(例如,有缺陷运作)。调节盘154的不规律运动可因过度抛光状况而导致半导体晶片的边缘轮廓比应有的边缘轮廓薄。因此,缺陷预测电路系统420或机器学习电路系统430可基于半导体处理设备的组件的所预测或所确定缺陷来预测或确定半导体晶片中存在缺陷。
如果在612处预测存在晶片缺陷,则在一些实施例中,所述方法可包括在614处自动阻抑或停止半导体处理设备的一个或多个组件。举例来说,阻抑电路系统480可从缺陷预测电路系统420接收缺陷状况的指示或预测晶片存在缺陷的指示,且阻抑电路系统480可控制半导体处理设备的一个或多个组件,借此阻抑或停止所述一个或多个组件。
在616处,将反馈提供给机器学习电路系统430,例如机器学习模型,所述机器学习模型可包括为机器学习电路系统430的一部分或可由机器学习电路系统430获取。所述反馈可例如用作训练数据来进一步训练机器学习模型。反馈可指示,例如所产生的特定波谱图像指示半导体处理设备的所述一个或多个组件的不规律运动(例如,基于608处的预测)、特定状态(例如,基于610处的预测,正常状态、异常状态)或剩余使用寿命(例如,基于610处的预测,可能将在一个月、一周、一天等内出故障)。波谱图像及在608或610处的预测结果可作为训练数据被一起提供,且可存储在波谱图像数据库442中,以用于进一步训练机器学习电路系统430或机器学习模型。
本发明实施例具备数个优势,且提供例如半导体处理设备、系统及方法领域内存在的技术问题的技术解决方案。举例来说,本发明实施例可操作以预测或确定半导体处理设备的一个或多个机械组件的不规律运动。这具备优于传统系统的显著优势,在传统系统中无法预测这些不规律运动,这会导致故障且可能导致半导体晶片报废。这会导致成本提高且利润降低。此外,在一些情形中,直到已执行了各种额外处理才可探测到可能形成在由已经受设备处理的晶片形成的半导体装置中的一些缺陷。这导致进一步损耗对有缺陷晶片执行额外处理所花费的成本及时间。然而,本发明实施例可通过预测半导体处理设备的一个或多个组件的不规律运动来避免或减少损耗,且可停止设备的运作以免对晶片造成损坏。
由于本发明的一些实施例能够预测半导体处理设备的组件的状态(例如,开始劣化,但尚未超出特定容差范围)或剩余运作寿命(例如,可能将在一个月、一周、一天等内出故障),因此本发明实施例还实现优于传统半导体处理系统、设备及方法的显著改进。这允许例如通过使维修人员等能够监测组件的状态且在达到组件的不规律运动将对晶片造成损坏这一状态之前修复组件来避免缺陷。
根据一个实施例,一种机械运动不规律性预测系统包括一个或多个运动传感器,所述一个或多个运动传感器被配置成感测与半导体处理设备的至少一个机械组件相关联的运动相关参数。所述一个或多个运动传感器基于所感测到的所述运动相关参数来输出感测信号。所述机械运动不规律性预测系统还包括缺陷预测电路系统,所述缺陷预测电路系统被配置成基于所述感测信号来预测所述至少一个机械组件的不规律运动。根据一个实施例,所述机械运动不规律性预测系统还包括数据库,所述数据库通信耦合到所述缺陷预测电路系统,所述数据库存储与所述至少一个机械组件的所述不规律运动相关联的信息,其中所述缺陷预测电路系统被配置成基于所述感测信号及所述数据库中所存储的所述信息来预测所述至少一个机械组件的所述不规律运动。根据一个实施例,所述机械运动不规律性预测系统还包括信号处理电路系统,所述信号处理电路系统通信耦合到所述一个或多个运动传感器及所述缺陷预测电路系统,所述信号处理电路系统被配置成:接收从所述一个或多个运动传感器输出的所述感测信号;基于所述感测信号产生波谱图像,所述波谱图像包含与所述感测信号相关联的频率信息及时间信息。根据一个实施例,所述信号处理电路系统包括模/数转换器,所述模/数转换器被配置成将所接收到的所述感测信号转换成数字感测信号。根据一个实施例,所述信号处理电路系统还包括快速傅里叶变换(FFT)电路系统,所述快速傅里叶变换电路系统被配置成将所述数字感测信号变换成频谱数据。根据一个实施例,所述信号处理电路系统还包括窗电路系统,所述窗电路系统被配置成对所述频谱数据应用窗函数。根据一个实施例,所述机械运动不规律性预测系统还包括历史波谱图像数据库,所述历史波谱图像数据库存储指示所述至少一个机械组件的所述不规律运动的多个历史波谱图像,其中所述缺陷预测电路系统被配置成基于所述波谱图像及所述历史波谱图像来预测所述至少一个机械组件的所述不规律运动。根据一个实施例,其中所述缺陷预测电路系统还被配置成基于所述感测信号来预测所述至少一个机械组件的状态及剩余运作寿命中的至少一者。根据一个实施例,所述机械运动不规律性预测系统还包括阻抑电路系统,所述阻抑电路系统通信耦合到所述缺陷预测电路系统及所述半导体处理设备的所述至少一个机械组件,所述阻抑电路系统被配置成响应于所述缺陷预测电路系统预测到所述至少一个机械组件的所述不规律运动而停止所述至少一个机械组件的运作。
根据另一实施例,提供一种预测不规律运动的方法,所述方法包括:通过至少一个运动传感器感测与半导体处理设备的至少一个机械组件相关联的运动相关参数。通过信号处理电路系统产生波谱信息,且所述波谱信息是基于所述感测信号而产生。缺陷预测电路系统基于所述波谱信息来预测所述至少一个机械组件的不规律运动。根据另一个实施例,所述产生所述波谱信息包括:将所述感测信号转换成数字感测信号;将所述数字感测信号变换成频谱数据;以及对所述频谱数据应用窗函数。根据另一个实施例,所述产生所述波谱信息包括产生波谱图像,所述波谱图像包含与所述感测信号相关联的频率信息及时间信息。根据另一个实施例,所述预测所述至少一个机械组件的不规律运动包括:通过机器学习电路系统分析所产生的所述波谱图像,所述机器学习电路系统被训练成基于指示所述至少一个机械组件的所述不规律运动的多个历史波谱图像来预测所述不规律运动。根据另一个实施例,所述预测不规律运动的方法还包括:基于所述预测到所述至少一个机械组件的所述不规律运动来自动停止所述至少一个机械组件的运作。
根据又一实施例,提供一种化学机械抛光(CMP)设备,所述化学机械抛光设备包括可旋转台板;抛光垫,位于所述可旋转台板上;抛光头;垫整修器;第一运动传感器;以及缺陷预测电路系统。所述抛光头被配置成携载半导体晶片且选择性地使所述半导体晶片与所述抛光垫接触。所述垫整修器包括垫整修器头及耦合到所述垫整修器头的整修盘,且所述整修盘被配置成与所述抛光垫选择性地接触。所述第一运动传感器被配置成感测与所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的至少一者相关联的第一运动相关参数。所述缺陷预测电路系统被配置成基于所感测到的所述第一运动相关参数来预测所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的所述至少一者的不规律运动。根据又一实施例,所述化学机械抛光设备还包括信号处理电路系统,所述信号处理电路系统通信耦合到所述第一运动传感器及所述缺陷预测电路系统,所述信号处理电路系统被配置成基于所感测到的所述第一运动相关参数产生波谱图像,所述波谱图像包含与所述第一运动相关参数相关联的频率信息及时间信息。根据又一实施例,所述化学机械抛光设备还包括阻抑电路系统,所述阻抑电路系统通信耦合到所述缺陷预测电路系统且耦合到所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的所述至少一者,所述阻抑电路系统被配置成响应于所述缺陷预测电路系统预测到所述不规律运动而停止所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的所述至少一者的运作。根据又一实施例,其中所述第一运动传感器包括以下各项中的至少一者:转矩传感器、加速度传感器、陀螺仪及振动传感器。根据又一实施例,所述化学机械抛光设备还包括第二传感器,所述第二传感器被配置成感测与所述可旋转台板、所述抛光垫、所述抛光头或所述垫整修器相关联的第二参数,所述第二传感器包括压力传感器、温度传感器及湿度传感器中的至少一者,其中所述缺陷预测电路系统被配置成基于所感测到的所述第一运动相关参数及所感测到的所述第二参数来预测所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的所述至少一者的所述不规律运动。根据又一实施例,其中所述缺陷预测电路系统被配置成基于所感测到的所述第一运动相关参数来预测所述可旋转台板、所述抛光垫、所述抛光头及所述垫整修器中的所述至少一者的状态及剩余运作寿命中的至少一者。
上述内容概述了数个实施例的特征,以使所属领域的技术人员可更好地理解本揭露的各方面。所属领域的技术人员应了解,其可容易地使用本揭露作为设计或修改其他工艺及结构以实现与本文中所介绍的实施例相同的目的及/或达成相同的优势的基础。所属领域的技术人员还应意识到这些等效构造并不背离本揭露的精神及范围,且其可在不背离本揭露的精神及范围的情况下在本文中做出各种变化、代替及变动。
可对上文所述的各种实施例进行组合以提供其他实施例。可鉴于以上详细说明对所述实施例做出这些改变及其他改变。通常,在以下权利要求书中,用语不应被解释为将权利要求书限制于说明书及权利要求书中所揭露的具体实施例,而是应解释为包括所有可能的实施例以及权利要求书授权的等效内容的全部范围。因此,权利要求书不受本揭露限制。
[符号的说明]
10:半导体处理设备/设备
12:第一机械组件
14:第二机械组件
100:化学机械抛光设备
110:可旋转台板/台板
120:抛光垫
130:抛光头
132:晶片载体
140:浆料施配器
142:浆料
150:垫整修器
151:垫整修器基座
152:垫整修器臂
153:垫整修器头
154:整修盘
160:晶片
170:传感器/运动相关传感器
170a:第一传感器/传感器
170b:第二传感器/传感器
170c:第三传感器/传感器
170d:第四传感器/传感器
170e:第五传感器/传感器
170f:第六传感器/传感器
170g:第七传感器/传感器
180:额外传感器/传感器
260:晶片
262:正常区
264:异常区
272:衬底
274:第一层
276:第二层
282:第一电特征
284:第二电特征
400:不规律机械运动探测系统
401:无线通信网络/无线网络
410:信号处理电路系统
412:模/数转换器
414:快速傅里叶变换电路系统
416:窗电路系统
420:缺陷预测电路系统
430:机器学习电路系统
442:波谱图像数据库
480:阻抑电路系统
500:波谱图像/加权波谱图像
600:流程图
602、604、606、608、610、612、614、616:操作
D1:旋转方向/方向/第一旋转方向
D2:方向
D3:第三方向
t1:第一厚度
t2:第二厚度
t3:第三厚度
Claims (16)
1.一种机械运动不规律性预测系统,其特征在于,包括:
一个或多个运动传感器,被配置成感测与半导体处理设备的至少一个机械组件相关联的运动相关参数,且基于所感测到的所述运动相关参数输出感测信号;
信号处理电路系统,通信耦合到所述一个或多个运动传感器及缺陷预测电路系统,所述信号处理电路系统被配置成:
接收从所述一个或多个运动传感器输出的所述感测信号;以及
基于所述感测信号产生波谱图像,所述波谱图像包含与所述感测信号相关联的频率信息及时间信息;
历史波谱图像数据库,存储指示所述至少一个机械组件的不规律运动的多个历史波谱图像;以及
所述缺陷预测电路系统,被配置成基于所述波谱图像及所述历史波谱图像来预测所述至少一个机械组件的所述不规律运动,所述缺陷预测电路系统包括机器学习电路系统,所述机器学习电路系统被配置成接收反馈,所述反馈指示所述波谱图像指示所述至少一个机械组件的所述不规律运动,且所述反馈用作训练数据来训练所述机器学习电路系统。
2.根据权利要求1所述的机械运动不规律性预测系统,其中所述信号处理电路系统包括模/数转换器,所述模/数转换器被配置成将所接收到的所述感测信号转换成数字感测信号。
3.根据权利要求2所述的机械运动不规律性预测系统,其中所述信号处理电路系统还包括快速傅里叶变换电路系统,所述快速傅里叶变换电路系统被配置成将所述数字感测信号变换成频谱数据。
4.根据权利要求3所述的机械运动不规律性预测系统,其中所述信号处理电路系统还包括窗电路系统,所述窗电路系统被配置成对所述频谱数据应用窗函数。
5.根据权利要求1所述的机械运动不规律性预测系统,其中所述缺陷预测电路系统还被配置成基于所述感测信号来预测所述至少一个机械组件的状态或剩余运作寿命中的至少一者。
6.根据权利要求1所述的机械运动不规律性预测系统,其特征在于,还包括:
阻抑电路系统,通信耦合到所述缺陷预测电路系统及所述半导体处理设备的所述至少一个机械组件,所述阻抑电路系统被配置成响应于所述缺陷预测电路系统预测到所述至少一个机械组件的所述不规律运动而停止所述至少一个机械组件的运作。
7.一种预测不规律运动的方法,其特征在于,包括:
通过至少一个运动传感器来感测与半导体处理设备的至少一个机械组件相关联的运动相关参数;
通过信号处理电路系统基于感测信号来产生波谱图像;以及
通过缺陷预测电路系统基于所述波谱图像来预测所述至少一个机械组件的不规律运动,包括:通过机器学习电路系统分析所产生的所述波谱图像,所述机器学习电路系统被训练成基于指示所述至少一个机械组件的所述不规律运动的多个历史波谱图像来预测所述不规律运动,其中
所述机器学习电路系统被配置成接收反馈,所述反馈指示所产生的所述波谱图像指示所述至少一个机械组件的所述不规律运动,所述反馈用作训练数据来训练所述机器学习电路系统。
8.根据权利要求7所述的预测不规律运动的方法,其特征在于,其中所述产生所述波谱信息包括:
将所述感测信号转换成数字感测信号;
将所述数字感测信号变换成频谱数据;以及
对所述频谱数据应用窗函数。
9.根据权利要求7所述的预测不规律运动的方法,其特征在于,所述波谱图像包含与所述感测信号相关联的频率信息及时间信息。
10.根据权利要求7所述的预测不规律运动的方法,其特征在于,还包括:
基于所述预测到所述至少一个机械组件的所述不规律运动来自动停止所述至少一个机械组件的运作。
11.一种化学机械抛光设备,其特征在于,包括:
可旋转台板;
抛光垫,位于所述可旋转台板上;
抛光头,被配置成携载半导体晶片且选择性地使所述半导体晶片与所述抛光垫接触;
垫整修器,具有垫整修器头及耦合到所述垫整修器头的整修盘,所述整修盘被配置成与所述抛光垫选择性地接触;
第一运动传感器,被配置成感测与所述垫整修器相关联的第一运动相关参数;
缺陷预测电路系统,被配置成基于所感测到的所述第一运动相关参数来预测所述垫整修器的不规律运动;以及
信号处理电路系统,通信耦合到所述第一运动传感器及所述缺陷预测电路系统,所述信号处理电路系统被配置成基于所感测到的所述第一运动相关参数产生波谱图像,其中所述缺陷预测电路系统包括机器学习电路系统,所述机器学习电路系统被配置成接收反馈,所述反馈指示所述波谱图像指示所述垫整修器的所述不规律运动,所述反馈用作训练数据来训练所述机器学习电路系统。
12.根据权利要求11所述的化学机械抛光设备,其特征在于,
所述波谱图像包含与所述第一运动相关参数相关联的频率信息及时间信息。
13.根据权利要求11所述的化学机械抛光设备,其特征在于,还包括:
阻抑电路系统,通信耦合到所述缺陷预测电路系统且耦合到所述垫整修器,所述阻抑电路系统被配置成响应于所述缺陷预测电路系统预测到所述不规律运动而停止所述垫整修器的运作。
14.根据权利要求11所述的化学机械抛光设备,其中所述第一运动传感器包括以下各项中的至少一者:转矩传感器、加速度传感器、陀螺仪或振动传感器。
15.根据权利要求14所述的化学机械抛光设备,还包括:
第二传感器,被配置成感测与所述垫整修器相关联的第二参数,所述第二传感器包括压力传感器、温度传感器或湿度传感器中的至少一者,
其中所述缺陷预测电路系统被配置成基于所感测到的所述第一运动相关参数及所感测到的所述第二参数来预测所述垫整修器的所述不规律运动。
16.根据权利要求11所述的化学机械抛光设备,其中所述缺陷预测电路系统被配置成基于所感测到的所述第一运动相关参数来预测所述垫整修器的状态或剩余运作寿命中的至少一者。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862752598P | 2018-10-30 | 2018-10-30 | |
US62/752,598 | 2018-10-30 | ||
US16/431,957 | 2019-06-05 | ||
US16/431,957 US11731232B2 (en) | 2018-10-30 | 2019-06-05 | Irregular mechanical motion detection systems and method |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111113255A CN111113255A (zh) | 2020-05-08 |
CN111113255B true CN111113255B (zh) | 2022-05-10 |
Family
ID=70327608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910933035.3A Active CN111113255B (zh) | 2018-10-30 | 2019-09-29 | 化学机械抛光设备与不规律机械运动预测系统及方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11731232B2 (zh) |
CN (1) | CN111113255B (zh) |
TW (1) | TWI771620B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10854486B2 (en) * | 2018-09-19 | 2020-12-01 | Kla Corporation | System and method for characterization of buried defects |
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 |
US11686650B2 (en) | 2020-12-31 | 2023-06-27 | Robert Bosch Gmbh | Dynamic spatiotemporal beamforming |
US20220205451A1 (en) * | 2020-12-31 | 2022-06-30 | Robert Bosch Gmbh | Sensing via signal to signal translation |
US11710228B2 (en) * | 2021-03-05 | 2023-07-25 | Applied Materials, Inc. | Detecting an excursion of a CMP component using time-based sequence of images and machine learning |
US20220281052A1 (en) * | 2021-03-05 | 2022-09-08 | Applied Materials, Inc. | Machine learning for classifying retaining rings |
EP4329981A1 (en) * | 2021-04-30 | 2024-03-06 | Applied Materials, Inc. | Monitor chemical mechanical polishing process using machine learning based processing of heat images |
TWI800195B (zh) * | 2021-12-30 | 2023-04-21 | 大量科技股份有限公司 | 用於拋光墊表面之量測訊號的智慧分析系統、方法及其電腦程式產品 |
JP2023148614A (ja) * | 2022-03-30 | 2023-10-13 | 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 |
CN114918817A (zh) * | 2022-05-27 | 2022-08-19 | 河南科技学院 | 一种Roll-to-Roll化学机械抛光装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1345084A (zh) * | 2000-09-22 | 2002-04-17 | 联华电子股份有限公司 | 化学机械研磨异常探测装置 |
CN1314096C (zh) * | 2001-08-21 | 2007-05-02 | 卡伯特微电子公司 | 涉及基于频率分析监视的化学机械抛光处理 |
WO2010017000A2 (en) * | 2008-08-07 | 2010-02-11 | Applied Materials, Inc. | In-situ performance prediction of pad conditioning disk by closed loop torque monitoring |
CN102956521A (zh) * | 2011-08-17 | 2013-03-06 | 台湾积体电路制造股份有限公司 | 用于在cmp加工中实时差错检测的装置和方法 |
CN106463381A (zh) * | 2014-06-16 | 2017-02-22 | 应用材料公司 | 具有集成传感器的化学机械抛光保持环 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6616759B2 (en) | 2001-09-06 | 2003-09-09 | Hitachi, Ltd. | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor |
JP3692106B2 (ja) | 2002-09-27 | 2005-09-07 | 株式会社東芝 | 製造装置及び回転機の寿命予測方法 |
US20060063383A1 (en) | 2004-09-20 | 2006-03-23 | Pattengale Philip H Jr | CMP process endpoint detection method by monitoring and analyzing vibration data |
DE602008002445D1 (de) | 2007-01-30 | 2010-10-28 | Ebara Corp | Poliervorrichtung |
US8454408B2 (en) | 2008-11-26 | 2013-06-04 | Applied Materials, Inc. | Load cup substrate sensing |
US8430717B2 (en) | 2010-10-12 | 2013-04-30 | Wayne O. Duescher | Dynamic action abrasive lapping workholder |
JP5973883B2 (ja) * | 2012-11-15 | 2016-08-23 | 株式会社荏原製作所 | 基板保持装置および研磨装置 |
WO2015163164A1 (ja) * | 2014-04-22 | 2015-10-29 | 株式会社 荏原製作所 | 研磨方法および研磨装置 |
JP6403601B2 (ja) | 2015-02-16 | 2018-10-10 | 株式会社ディスコ | 加工装置 |
KR102313028B1 (ko) | 2015-10-29 | 2021-10-13 | 삼성에스디에스 주식회사 | 음성 인식 시스템 및 방법 |
CN105571638A (zh) | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
SG11201901352XA (en) | 2016-09-15 | 2019-04-29 | Applied Materials Inc | Chemical mechanical polishing smart ring |
SG11201902651QA (en) * | 2016-10-18 | 2019-05-30 | Ebara Corp | Substrate processing control system, substrate processing control method, and program |
-
2019
- 2019-06-05 US US16/431,957 patent/US11731232B2/en active Active
- 2019-09-26 TW TW108134912A patent/TWI771620B/zh active
- 2019-09-29 CN CN201910933035.3A patent/CN111113255B/zh active Active
-
2023
- 2023-06-21 US US18/339,099 patent/US20230330803A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1345084A (zh) * | 2000-09-22 | 2002-04-17 | 联华电子股份有限公司 | 化学机械研磨异常探测装置 |
CN1314096C (zh) * | 2001-08-21 | 2007-05-02 | 卡伯特微电子公司 | 涉及基于频率分析监视的化学机械抛光处理 |
WO2010017000A2 (en) * | 2008-08-07 | 2010-02-11 | Applied Materials, Inc. | In-situ performance prediction of pad conditioning disk by closed loop torque monitoring |
CN102956521A (zh) * | 2011-08-17 | 2013-03-06 | 台湾积体电路制造股份有限公司 | 用于在cmp加工中实时差错检测的装置和方法 |
CN106463381A (zh) * | 2014-06-16 | 2017-02-22 | 应用材料公司 | 具有集成传感器的化学机械抛光保持环 |
Also Published As
Publication number | Publication date |
---|---|
TWI771620B (zh) | 2022-07-21 |
US20200130130A1 (en) | 2020-04-30 |
US11731232B2 (en) | 2023-08-22 |
TW202015858A (zh) | 2020-05-01 |
CN111113255A (zh) | 2020-05-08 |
US20230330803A1 (en) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111113255B (zh) | 化学机械抛光设备与不规律机械运动预测系统及方法 | |
US9308618B2 (en) | Linear prediction for filtering of data during in-situ monitoring of polishing | |
US10741459B2 (en) | Inductive monitoring of conductive loops | |
KR102346061B1 (ko) | 전도성 트렌치 깊이의 유도성 모니터링을 위한 기판 피처들 | |
JP2020518131A (ja) | モニタリング用のニューラルネットワークを用いた研磨装置 | |
US20190143474A1 (en) | System and method for monitoring chemical mechanical polishing | |
US11969855B2 (en) | Filtering during in-situ monitoring of polishing | |
US11850699B2 (en) | Switching control algorithms on detection of exposure of underlying layer during polishing | |
US20140242878A1 (en) | Weighted regression of thickness maps from spectral data | |
KR20200122399A (ko) | 패드 컨디셔너 절삭률 모니터링 | |
KR20220011144A (ko) | 기판 처리 시스템 | |
KR101909777B1 (ko) | 인-시튜 프로세스 제어를 위한 피드포워드 및 피드백 기법 | |
TWI826943B (zh) | 用於對保持環評估拋光及優化拋光的方法以及包括執行該方法的電腦程式編碼的非瞬態電腦可讀媒體 | |
US20140024293A1 (en) | Control Of Overpolishing Of Multiple Substrates On the Same Platen In Chemical Mechanical Polishing | |
CN115008339B (zh) | 使用基于时间的图像序列检测cmp部件的偏移 | |
US9679823B2 (en) | Metric for recognizing correct library spectrum | |
JP2023540839A (ja) | 機械学習に基づく熱画像処理を使用した化学機械研磨プロセスの監視 | |
US20160013085A1 (en) | In-Situ Acoustic Monitoring of Chemical Mechanical Polishing | |
US20220281066A1 (en) | Motor torque endpoint during polishing with spatial resolution | |
CN117718876A (zh) | 用于化学机械抛光的监测方法和化学机械抛光设备 |
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 |