CN113853275B - 基板处理系统 - Google Patents

基板处理系统 Download PDF

Info

Publication number
CN113853275B
CN113853275B CN202080037700.1A CN202080037700A CN113853275B CN 113853275 B CN113853275 B CN 113853275B CN 202080037700 A CN202080037700 A CN 202080037700A CN 113853275 B CN113853275 B CN 113853275B
Authority
CN
China
Prior art keywords
time
series data
polishing
physical quantity
substrate processing
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
CN202080037700.1A
Other languages
English (en)
Other versions
CN113853275A (zh
Inventor
鸟越恒男
畠山雅规
中迂良
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 CN113853275A publication Critical patent/CN113853275A/zh
Application granted granted Critical
Publication of CN113853275B publication Critical patent/CN113853275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • B24B37/005—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
    • B24B37/11—Lapping tools
    • B24B37/20—Lapping pads for working plane surfaces
    • 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
    • B24B37/34—Accessories
    • 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
    • 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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)

Abstract

可使基板处理装置省人力、节能、及/或低成本化。具备：传感器，该传感器设置于基板处理装置，检测对象基板处理中的对象物理量；及预测部，该预测部将通过该传感器检测的物理量的时间序列数据或以时间对该物理量的时间序列数据进行微分而得到的时间序列数据输入完成学习的机器学习模型，从而输出作为结束研磨的时刻的研磨终点时刻，该机器学习模型是如下模型：使用将过去的该物理量的时间序列数据或以时间对该过去的物理量的时间序列数据进行微分而得到的时间序列数据作为输入、并将过去的研磨终点时刻作为输出的学习用的数据集进行机器学习。

Description

基板处理系统
技术领域
本发明关于一种基板处理系统。
背景技术
制造半导体元件时会使用各种基板处理装置，作为一个基板处理装置而使用以研磨(CMP)装置为代表的研磨装置。半导体元件的配线构造在沿着配线图案形成槽的绝缘膜上形成金属膜(铜膜等)，然后，通过研磨装置除去不需要的金属膜而形成。研磨装置在研磨台上的研磨垫中供给研磨液(浆液)，而且通过使基板与研磨垫相对移动来研磨基板表面。
以前的研磨装置具备检测基板的研磨终点的研磨终点检测装置。该研磨终点检测装置依据显示膜厚的研磨指标值(例如，工作台转矩电流、涡电流式膜厚传感器的输出信号、光学式膜厚传感器的输出信号)监视基板的研磨，并将除去金属膜的时间决定为研磨终点。
从前，基板处理装置(例如研磨装置)的运转数据的取得、分析、及对异常的处理，是访问该基板处理装置的维修人员来进行的。此时，例如通过以电话、邮件与设计或开发部门对话来进行。
例如，远程监视多个研磨终点检测装置，且为了进行远程操作，专利文献1中记载有如下内容：具备多个研磨终点检测装置；及经由网络而连接于多个研磨终点检测装置的主计算机。并且，专利文献1中记载有如下内容：主计算机具有储存从多个研磨终点检测装置送来的研磨终点检测数据的存储器；及显示研磨终点检测数据的显示画面；主计算机对从多个研磨终点检测装置选出的至少1个研磨终点检测装置传送新的研磨终点检测方案，而重写该选出的至少1个研磨终点检测装置的研磨终点检测方案。
现有技术文献
专利文献
专利文献1：日本特开2013-176828号公报
(发明要解决的问题)
但是，由于重写研磨终点检测方案时仍然需要花费人力，因此要求省人力化、装置、单元(等的动作)、工厂的自动化。此外，要求缩短基板处理装置的故障时间，减少相关人员的移动、分析、对异常的因应对策的制定等的时间与成本，省人力、节能、及/或低成本化，装置、单元(等的动作)、及/或工厂的自动化。
发明内容
本发明鉴于上述问题，其目的为提供一种可促使基板处理装置省人力、节能、及/或低成本化的基板处理系统。
(解决问题的手段)
本发明第一方式的基板处理系统具备：传感器，该传感器设置于基板处理装置，检测对象基板处理中的对象物理量；及预测部，该预测部将通过所述传感器检测的物理量的时间序列数据或以时间对该物理量的时间序列数据进行微分而得到的时间序列数据输入完成学习的机器学习模型，从而输出作为结束研磨的时刻的研磨终点时刻，所述机器学习模型是如下模型：使用将过去的所述物理量的时间序列数据或以时间对该过去的物理量的时间序列数据进行微分而得到的时间序列数据作为输入、并将过去的研磨终点时刻作为输出的学习用的数据集进行机器学习。
采用该构成时，由于可自动预测研磨终点时刻，因此可减少预测研磨终点时刻花费的时间与成本，可达到省人力、节能、及/或低成本化。此外，以前，使用以时间对工作台旋转马达的电流值的时间序列数据进行微分而得到的时间序列数据时会发生多个极小点或极大点，而有不能实时了解哪个极小点或极大点的时刻是研磨终点时刻的问题。另一方面，由于学习后的机器学习模型以将过去的物理量的时间序列数据或以时间对该过去的物理量的时间序列数据进行微分而得到的时间序列数据作为输入，并将过去的研磨终点时刻作为输出的学习用的数据集进行学习，因此，即使输入了未知物理量的时间序列数据或以时间对该物理量的时间序列数据进行微分而得到的时间序列数据时，仍可使可输出正确研磨终点时刻的可能性提高。
本发明第二方式的基板处理系统，如第一方式的基板处理系统，其中进一步具备：判定部，该判定部比较通过所述传感器检测的物理量的时间序列数据、与过去的时间序列数据，判定该物理量的时间序列变化有无异常；决定部，在通过所述判定部判定为有异常时，该决定部再次决定处理条件；及更新控制部，该更新控制部控制成以所述决定部所决定的处理条件进行更新。
采用该构成时，由于可自动预测研磨终点时刻，因此可减少预测研磨终点时刻的时间与成本，物理量的时间序列变化有异常时，通过更新处理条件(方案)而自动修正研磨的结束时刻。因而，由于亦可不在现场更新方案，因此可达到省人力、节能、及/或低成本化。假设需要现场作业，采用比以前更轻微的作业内容即可完成。具体而言，可从波形变化精确判断研磨终点时刻，可从物理量的时间序列变化判断研磨是否正常动作，即使研磨不正常动作时，仍可自动更新方案。
本发明第三方式的基板处理系统，如第一或第二方式的基板处理系统，其中所述对象物理量是所述基板处理装置的工作台旋转马达的电流值、所述基板处理装置的顶环旋转马达的电流值、或所述基板处理装置的工作台的转矩，所述基板处理系统进一步具备：挑选部，该挑选部依据以时间对通过所述传感器检测的电流值的时间序列数据进行微分而得到的时间序列数据，来挑选该电流值的时间序列数据；及学习部，该学习部通过使用将通过所述挑选部挑选的电流值的时间序列数据作为输入，并将研磨终点时刻作为输出的学习用的数据集进行机器学习，从而生成所述完成学习的机器学习模型。
采用该构成时，由于在学习用的数据集中，可仅挑选以时间对电流值的时间序列数据进行微分而得到的时间序列数据中仅出现希望的极小点或极大点的数据，因此，可使研磨终点时刻的预测精度提高。
本发明第四方式的基板处理系统，如第三方式的基板处理系统，其中所述挑选部在以时间进行微分而得到的所述时间序列数据中检测不出满足设定基准的极小点或极大点时，通过排除该微分前的电流值的时间序列数据，来挑选所述电流值的时间序列数据。
采用该构成时，在检测不出满足设定基准的极小点或极大点时，可通过从学习用的数据集排除该微分前的电流值的时间序列数据，可使研磨终点时刻的预测精度提高。
本发明第五方式的基板处理系统具备：传感器，该传感器设置于基板处理装置，检测对象基板处理中的对象物理量；存储体，该存储体对基板的批次，与该基板处理中的过去的物理量的时间序列数据的至少一个相关连而进行存储；提取部，该提取部参照所述存储体，提取对应于处理中的对象基板的批次的过去的物理量的时间序列数据；及判定部，该判定部比较通过所述传感器检测的物理量的时间序列数据、与通过所述提取部提取的过去的时间序列数据，来判定该物理量的时间序列变化有无异常。
采用该构成时，由于可自动检测基板处理装置的物理量的时间序列数据中有异常，因此，可减少该异常的检测时间与成本，可达到省人力、节能、及/或低成本化。
本发明第六方式的基板处理系统，如第五方式的基板处理系统，其中具备：决定部，在通过所述判定部判定为有异常时，该决定部再次决定处理条件；及更新控制部，该更新控制部控制成以所述决定部所决定的处理条件进行更新。
采用该构成时，由于基板处理装置的处理量的时间序列数据中有异常时，可更新处理条件(方案)，因此，可减少对异常制定因应对策等的时间与成本，可达到省人力、节能、及/或低成本化。
本发明第七方式的基板处理系统具备：至少一个传感器，该至少一个传感器设置于基板处理装置，检测对象基板处理中的对象物理量；第一存储体，该第一存储体对基板的批次，与该基板处理中的过去的物理量的时间序列数据的至少一个相关连而进行存储；提取部，该提取部参照所述第一存储体，提取对应于处理中的对象基板的批次的过去的物理量的时间序列数据；是否需要维修判定部，该是否需要维修判定部比较通过所述传感器检测的发生异常时的物理量的时间序列数据、与通过所述提取部提取的过去的物理量的时间序列数据，判定是否需要维修；第二存储体，该第二存储体将至少一个以上的物理量有无异常的组合与异常原因及/或异常的解决法相关连而进行存储；及原因分析部，在通过所述是否需要维修判定部判定为需要维修时，该原因分析部参照所述第二存储体，输出与物理量有无异常的组合对应的异常原因及/或异常的解决法。
采用该构成时，由于基板处理装置的维修人员可实时掌握异常原因及/或异常的解决法，因此，可前往现场的研磨装置等，迅速解决研磨装置的异常。此外，可减少该异常原因的检测及/或制定异常解决法的时间与成本，可达到省人力、节能、及/或低成本化。
本发明第八方式的基板处理系统具备：信息处理装置，该信息处理装置以通信线路连接于多个基板处理装置；及雾计算机或终端机，该雾计算机或终端机以通信线路与所述信息处理装置连接；所述信息处理装置从所述多个基板处理装置收集数据，对该收集的数据实施处理，并将处理结果传送至所述雾计算机或所述终端机，所述雾计算机或所述终端机接收所述处理结果时，以输出该处理结果的方式进行控制。
采用该构成时，雾计算机或终端机可输出信息处理装置处理从多个基板处理装置收集的数据的结果。
本发明第九方式的基板处理系统，如第八方式的基板处理系统，其中所述信息处理装置具有以下单元：从收集的所述数据提取与基板处理条件、基板处理台状态、及/或修整均匀性有基准以上的关连性的参数；及在基板处理装置之间比较提取的所述参数，与比较结果对应地，更新所述数据中的至少一个参数。
采用该构成时，由于可接近基板处理条件(例如研磨条件)、基板处理台状态(例如研磨台状态)、及/或修整均匀性，因此可减少在基板处理装置(例如研磨装置)之间的基板处理(例如研磨)的变动。
(发明的效果)
采用本发明一个方式时，由于可自动预测研磨终点时刻，因此可减少预测研磨终点时刻花费的时间与成本，由于研磨中有异常时可自动更新方案，因此可达到省人力、节能、及/或低成本化。此外，以前，使用以时间对工作台旋转马达的电流值的时间序列数据进行微分而得到的时间序列数据时会发生多个极小点或极大点，而有不能实时了解哪个极小点或极大点的时刻是研磨终点时刻的问题。该问题一方面从时间序列数据的波形形状检测困难，另一方面时间序列数据的波形载入噪声而检测困难。对此，由于机器学习等的AI通过适用于波形分析、消除噪声、趋势分析可解决该问题。具体而言，学习后的机器学习模型以将过去的物理量的时间序列数据或以时间对该过去的物理量的时间序列数据进行微分而得到的时间序列数据作为输入，并将过去的研磨终点时刻作为输出的学习用的数据集进行学习，因此，即使输入了未知物理量的时间序列数据或以时间对该物理量的时间序列数据进行微分而得到的时间序列数据时，仍可使可输出正确研磨终点时刻的可能性提高。采用本发明的另外方式时，由于可自动检测基板处理装置的物理量的时间序列数据中有异常，因此可减少检测该异常花费的时间与成本，可达到省人力、节能、及/或低成本化。
采用本发明的另外方式时，由于基板处理装置的维修人员可实时掌握异常原因及/或异常的解决法，因此，可前往现场的研磨装置等，迅速解决研磨装置的异常。此外，可减少该异常原因的检测及/或制定异常解决法的时间与成本，可达到省人力、节能、及/或低成本化。
附图说明
图1是表示第一种实施方式的基板处理系统的概略构成图。
图2是表示第一种实施方式的研磨装置的模式图。
图3是表示第一种实施方式的方案服务器的概略构成图。
图4是存储于方案服务器的存储体的表的一例。
图5是表示第一种实施方式的警报服务器的概略构成图。
图6是表示第一种实施方式的解析服务器的概略构成图。
图7是存储于解析服务器的存储体的表的一例。
图8是表示第一种实施方式的预知保全服务器的概略构成图。
图9是表示马达电流与该马达电流的微分值的波形的一例的模式图。
图10是表示马达电流与该马达电流的微分值的波形的其他例的模式图。
图11是用于说明本实施方式的研磨终点时刻的生成处理的模式图。
图12是用于说明本实施方式的处理条件(方案)的更新处理的模式图。
图13是用于说明本实施方式的是否需要维修判定处理的模式图。
图14是用于说明是否需要维修判定部663的比较处理的图。
图15是表示第二种实施方式的基板处理系统的概略构成图。
图16是表示第三种实施方式的基板处理系统的概略构成图。
图17是在第一～第三种实施方式的基板处理系统中，就各动作部位的功能、机构加以整理的表。
图18是各种实施方式的神经网络的例。
图19是表示第四种实施方式的基板处理系统的概略构成图。
具体实施方式
以下，就各种实施方式参照图作说明。但是，有时省略无必要的详细说明。例如，有时省略已经熟知的事项的详细说明及实质地省略对相同构成的重复说明。这是为了避免以下的说明不必要地冗长，并使本领域技术人员容易理解。
本实施方式使用研磨装置作为基板处理装置的一例来说明。此外，本实施方式的研磨装置具备检测基板的研磨终点的研磨终点检测装置。该研磨终点检测装置依据显示膜厚的研磨指标值(例如，工作台旋转马达的电流值、工作台的转矩或顶环旋转马达的电流值等的表示转矩的输出信号、涡电流式膜厚传感器的输出信号、光学式膜厚传感器的输出信号)监视基板的研磨，并将除去金属膜的时间决定为研磨终点。本实施方式一个例子作为显示膜厚的研磨指标值，使用工作台旋转马达的电流值作说明。
图1是表示第一种实施方式的基板处理系统的概略构成图。如图1所示，基板处理系统S1中，每间工厂FAB-1、…工厂FAB-M(M是正整数)设有研磨装置1-1～1-N(N是正整数)。另外，此处为了简单说明，说明每间工厂的研磨装置的数量相同，不过亦可不同。
基板处理系统S1中，每间工厂FAB-1、…工厂FAB-M(M是正整数)设有方案服务器5、警报服务器6。研磨装置1-1～1-N、方案服务器5及警报服务器6通过区域网络LN-i(i是1至M的整数)可通信地连接。
又一例为工厂FAB-1中设有程序装置4。又一例为工厂FAB-1中设有工厂管理中心-FC，该工厂管理中心-FC中设有可与程序装置4通信地连接的Fog服务器2、可与Fog服务器2通信地连接的PC(个人计算机)3。此处，Fog服务器2连接于总体网络GN，并经由总体网络GN可与方案服务器5、警报服务器6、解析服务器7、预知保全服务器8通信。
各方案服务器5连接于总体网络GN，并可与设于分析中心AC的解析服务器7及预知保全服务器8通信。此外，各警报服务器6连接于总体网络GN，并可与设于分析中心AC的解析服务器7及预知保全服务器8通信。基板处理系统S1具备解析服务器7及预知保全服务器8，解析服务器7及预知保全服务器8连接于总体网络GN。再者，基板处理系统S1具备终端装置9，该终端装置9连接于总体网络GN，终端装置9可与预知保全服务器8通信。以下，将研磨装置1-1～1-N统称为研磨装置1。
图2是表示第一种实施方式的研磨装置1的模式图。该研磨装置1是化学机械性研磨基板的研磨(CMP)装置。研磨装置1如图2所示，具备：研磨台30；连结于顶环轴杆34的下端的顶环35；及检测研磨终点的处理器10。顶环轴杆34经由定时皮带等连结机构可连结于顶环旋转马达41而旋转驱动。顶环35通过该顶环轴杆34的旋转，能够以顶环轴杆34为中心在箭头指示的方向旋转。研磨的基板(例如晶片)W通过真空吸附或以隔膜吸附而保持于顶环35的下表面。
研磨台30经由台轴30a而连结于配置在其下方的台旋转马达40，研磨台30通过该台旋转马达40能够以台轴30a为中心在箭头指示的方向旋转。在该研磨台30的上表面贴合有研磨垫32，研磨垫32上表面的研磨面32a研磨基板W。在研磨台30的上方配置有用于在研磨面32a上供给研磨液(浆液)的研磨液供给机构38。
基板W的研磨进行如下。顶环35及研磨台30分别通过顶环旋转马达41、台旋转马达40而旋转，在研磨垫32的研磨面32a上从研磨液供给机构38供给研磨液。在该状态下，顶环35对研磨面32a按压基板W。基板W通过与研磨垫32滑动接触的机械性作用与研磨液的化学性作用而被研磨。
台旋转马达40连接有检测马达电流的台马达电流检测部45。再者，台马达电流检测部45连接于处理器10。基板W研磨中，因为基板W的表面与研磨垫32的研磨面32a滑动接触，所以在基板W与研磨垫32之间产生摩擦力。该摩擦力作为阻力矩而作用于台旋转马达40。
研磨装置1进一步具备：处理器10；及连接于该处理器10的通信电路11。处理器10将通过台马达电流检测部45测定的马达电流(转矩电流)的时间序列数据从通信电路11输出至方案服务器5。处理器10从方案服务器5并经由通信电路11取得依该马达电流(转矩电流)的时间序列数据而传送的研磨终点时刻。
具有积层构造的基板中形成有种类不同的多个膜。通过研磨而除去最上方的膜时，其下方的膜出现于表面。通常，因为这些膜具有不同的硬度，所以除去上方的膜而下方的膜出现时，基板W与研磨垫32之间的摩擦力变化。该摩擦力的变化可作为关于台旋转马达40的转矩变化而检测。
解析服务器7的后述的学习部762通过使用将过去的物理量的时间序列数据作为输入，将过去的研磨终点时刻作为输出的学习用的数据集进行机器学习，而生成完成学习的机器学习模型。此处，提供给学习部762的学习用的数据集所包含的研磨终点时刻如下：作业人员或具有判定功能的机器依据流入台旋转马达40的电流变化，判断膜被除去，亦即判断研磨终点时刻。另外，亦可不设台马达电流检测部45，而由处理器10监视从连接于台旋转马达40的马达驱动器(无图示)输出的电流。
研磨装置1中例如设有传感器21～24。传感器21检测水或浆液的流量。传感器22检测研磨压力。传感器23检测研磨台30的转数。传感器24检测顶环35的转数。这些检测信号输出至处理器10，处理器10从通信电路11将这些检测信号传送至其他服务器。
图3是表示第一种实施方式的方案服务器5的概略构成图。如图3所示，方案服务器5具备：输入界面51、通信电路52、存储体53、存储器54、输出界面55、及处理器56。
输入界面51例如是键盘，受理来自方案服务器5的管理人的输入。通信电路52经由连接的区域网络LN-i(i是1～M的整数)而与研磨装置1-1～1-N、警报服务器6通信。此外，通信电路52经由总体网络GN而与解析服务器7、预知保全服务器8通信。这些通信亦可是有线，亦可是无线，不过，以有线为一例做说明。
存储体53储存有处理器56读取而用于执行的程序及各种数据，例如是非挥发性存储器(例如，硬盘驱动器)。
存储器54暂时保持数据及程序，例如是挥发性存储器(例如，RAM(随机存取存储器))。
输出界面55是与外部设备连接的界面。
处理器56从存储体53将程序载入存储器54，通过执行该程序中包含的一连串命令而发挥预测部561、提取部562的功能。
图4是存储于方案服务器5的存储体的表的一例。如图4所示，在表T1中保存有晶片的批次、马达电流的时间序列数据、水或浆液的流量的时间序列数据、研磨压力的时间序列数据、研磨台转数的时间序列数据、顶环转数的时间序列数据等组合的记录。因此，存储体53中对基板的批次，至少一个相关连地存储有该基板处理中过去对象的物理量(例如，马达电流、水或浆液的流量、研磨压力、研磨台转数)的时间序列数据。
图5是表示第一种实施方式的警报服务器6的概略构成图。如图5所示，警报服务器6具备：输入界面61、通信电路62、存储体63、存储器64、输出界面65、及处理器66。
输入界面61例如是键盘，受理来自警报服务器6的管理人的输入。通信电路62经由连接的区域网络LN-i(i是1～M的整数)而与研磨装置1-1～1-N、方案服务器5通信。此外，通信电路62经由总体网络GN而与解析服务器7、预知保全服务器8通信。这些通信亦可是有线，亦可是无线，不过，以有线为一例做说明。
存储体63储存有处理器66读取而用于执行的程序及各种数据，例如是非挥发性存储器(例如，硬盘驱动器)。存储器64暂时保持数据及程序，例如，是挥发性存储器(例如，RAM(随机存取存储器))。
输出界面65是与外部设备连接的界面。
处理器66从存储体63将程序载入存储器64，通过执行该程序中包含的一连串命令而发挥判定部661、更新控制部662、是否需要维修判定部663的功能。
图6是表示第一种实施方式的解析服务器7的概略构成图。如图6所示，解析服务器7具备：输入界面71、通信电路72、存储体73、存储器74、输出界面75、及处理器76。
输入界面71例如是键盘，受理来自解析服务器7的管理人的输入。通信电路72经由总体网络GN而与方案服务器5、警报服务器6、预知保全服务器8通信。这些通信亦可是有线，亦可是无线，不过，以有线为一例做说明。
存储体73储存有处理器76读取而用于执行的程序及各种数据，例如是非挥发性存储器(例如，硬盘驱动器)。存储器74暂时保持数据及程序，例如，是挥发性存储器(例如，RAM(随机存取存储器))。
输出界面75是与外部设备连接的界面。
处理器76从存储体73将程序载入存储器74，通过执行该程序中包含的一连串命令而发挥挑选部761、学习部762、原因分析部763的功能。
图7是存储于解析服务器7的存储体73的表的一例。如图7所示，表T2保存有识别记录的识别信息的记录ID、马达电流有无异常、水或浆液的流量有无异常、研磨压力有无异常、研磨台转数有无异常、顶环转数有无异常、异常的原因、该异常的解决法的组合的记录。因此，存储体83将至少一个以上物理量有无异常的组合与异常原因及/或异常的解决法相关连而进行存储。
图8是表示第一种实施方式的预知保全服务器8的概略构成图。如图8所示，预知保全服务器8具备：输入界面81、通信电路82、存储体83、存储器84、输出界面85、及处理器86。
输入界面81例如是键盘，受理来自预知保全服务器8的管理人的输入。通信电路82经由总体网络GN而与方案服务器5、警报服务器6、解析服务器7通信。这些通信亦可是有线，亦可是无线，不过，以有线为一例做说明。
存储体83储存有处理器86读取而用于执行的程序及各种数据，例如是非挥发性存储器(例如，硬盘驱动器)。存储器84暂时保持数据及程序，例如，是挥发性存储器(例如，RAM(随机存取存储器))。
输出界面85是与外部设备连接的界面。
处理器86从存储体83将程序载入存储器84，通过执行该程序中包含的一连串命令而发挥决定部861的功能。
图9是表示马达电流与该马达电流的微分值的波形的一例的模式图。波形G1显示马达电流与研磨时间的关系，波形G2显示马达电流的微分值与研磨时间的关系。如波形G2所示，出现极小点P1情况下，可判断为终点检测时刻是成为该极小点P1的时刻t1。
但是，该极小点(或极大点)有多个情况下，会有无法实时判断哪个极小点(或极大点)是终点检测时刻的问题。此外，波形中载有噪声时，亦有无法正常进行判定的问题。本实施方式的一例通过解析服务器7的学习部762通过使用将过去的马达电流值的时间序列数据作为输入，并将研磨终点时刻作为输出的学习用的数据集进行机器学习，生成完成学习的机器学习模型来解决该问题。
图10是表示马达电流与该马达电流的微分值的波形的其他例的模式图。波形G3显示马达电流与研磨时间的关系，波形G4显示马达电流的微分值与研磨时间的关系。由于波形G4不出现极小点(或极大点)，因此作业人员无法判断终点检测时刻。因而，需要从学习用数据集除去该数据。
因而，解析服务器7的挑选部761依据以时间对通过传感器检测的电流值的时间序列数据进行微分而得到的时间序列数据，挑选该电流值的时间序列数据。具体而言，例如挑选部761在以该时间进行微分的时间序列数据中检测不出满足设定基准的极小点或极大点时，通过排除该微分前的电流值的时间序列数据，来挑选该电流值的时间序列数据。藉此，当检测不出满足设定基准的极小点或极大点时，通过从学习用数据集排除该微分前的电流值的时间序列数据，可使研磨终点时刻的预测精度提高。
此处所谓设定基准，例如是电流值的微分值低于预设的阈值(或阈值以下的)条件。此外，例如，以时间进行微分的时间序列数据的极小点，由于已知原来电流值的时间序列数据的二次微分值为0，且三次微分值为正，因此，设定基准在将原来电流值的时间序列数据的二次微分值为0作为基准所预设的范围，且亦可是原来电流值的时间序列数据的三次微分值为正的条件。
并且，解析服务器7的学习部762例如通过使用将通过挑选部761所挑选的电流值的时间序列数据作为输入，并将研磨终点时刻作为输出的学习用数据集进行机器学习，而生成完成学习的机器学习模型。此处，机器学习模型例如是使用将电流值的时间序列数据作为输入，并将研磨终点时刻作为输出的学习用数据集进行机器学习的模型。完成学习的机器学习模型例如输入电流值的时间序列数据时，输出研磨终点时刻的候补值与该候补值的正确答案概率。
采用该构成时，在学习用数据集中，由于可在以时间对电流值的时间序列数据进行微分而得到的时间序列数据中挑选仅出现希望的极小点(或极大点)的数据，因此可使研磨终点时刻的预测精度提高。
另外，该电流值是说明研磨装置1的工作台旋转马达的电流值，作为本实施方式的一例，不过不限于此，亦可是研磨装置1的顶环旋转马达的电流值，或研磨装置1的工作台的转矩。
图11是用于说明本实施方式的研磨终点时刻的生成处理的模式图。如图11所示，解析服务器7的学习部762将完成学习的机器学习模型传送至方案服务器5的预测部561。藉此，解析服务器7的学习部762可随时更新预测部561使用的完成学习的机器学习模型。
方案服务器5的预测部561从学习部762接收完成学习的机器学习模型时，保存于存储体53。研磨装置1的处理器10于每次取得工作台旋转马达的电流值(马达电流)时，将其数据输出至预测部561。方案服务器5的预测部561每次从研磨装置1接收工作台旋转马达的电流值(马达电流)时，将从开始研磨至此所接收的工作台旋转马达的电流值(马达电流)的时间序列数据输入完成学习的机器学习模型，并输出研磨终点时刻的每个候补值的正确答案概率。藉此，预测部561对于时刻变化的马达电流，从至此的马达电流的时间序列数据时刻输出研磨终点时刻的每个候补值的正确答案概率，其候补值的正确答案概率超出阈值概率(例如90％)时，将其研磨终点时刻的预测值作为输出的研磨终点时刻。
因此，预测部561通过将通过传感器(此处的一例为台马达电流检测部45)检测的物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据输入完成学习的机器学习模型，而输出结束研磨的时刻的研磨终点时刻。
藉此，因为使用过去出现多个极小点(或极大点)时工作台旋转马达的电流值的时间序列数据、与当时正确的研磨终点时刻进行学习，所以，即使工作台旋转马达的电流值的微分值的时间序列波形上出现多个极小点(或极大点)时，可预测哪一个极小点(或极大点)的时刻是正确的研磨终点时刻。
方案服务器5的预测部561控制成将该输出的研磨终点时刻传送至研磨装置1。藉此，研磨装置1的处理器10可取得研磨终点时刻。
另外，作为学习用数据集的输入，使用过去马达电流值的时间序列数据做说明，不过不限于此，亦可使用过去马达电流值的微分值的时间序列数据。此时，挑选部761亦可依据以时间对通过传感器检测的物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据进行微分而得到的时间序列数据，来挑选以该时间进行微分的时间序列数据。而后，学习部762亦可通过使用将通过挑选部761所挑选的“以时间对物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据进行微分而得到的时间序列数据”作为输入，并将研磨终点时刻作为输出的学习用数据集进行机器学习，而生成完成学习的机器学习模型。
此时，机器学习模型使用将以时间对物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据进行微分而得到的时间序列数据作为输入，并将研磨终点时刻作为输出的学习用数据集进行机器学习的模型。此外，此时预测部561通过将以时间对通过传感器(此处的一例为台马达电流检测部45)检测的物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据进行微分而得到的时间序列数据输入完成学习的机器学习模型，而输出结束研磨的时刻的研磨终点时刻。
图12是用于说明本实施方式的处理条件(方案)的更新处理的模式图。研磨装置1的处理器10将晶片的批次、水/或浆液的流量、研磨压力、研磨台转数、或顶环转数等的第二物理量输出至方案服务器5。此处，第二物理量是在对象基板处理中的物理量，且是通过设置于基板处理装置(此处的一例为研磨装置1)的第二传感器(此处的一例为传感器21～24)检测的物理量。
方案服务器5的提取部562参照存储体53提取对应于处理的对象基板的批次(此处的一例为从处理器10接收的晶片的批次)的过去的物理量(例如，工作台旋转马达的电流值、水/或浆液的流量、研磨压力、研磨台转数、及/或顶环转数等至少一个)的时间序列数据。此处，在存储体53中，基板的批次、与该基板处理中的过去的物理量(例如，工作台旋转马达的电流值、水/或浆液的流量、研磨压力、研磨台转数、及/或顶环转数等至少一个)的时间序列数据相关连而进行存储。此时，例如提取部562亦可在存储体53中提取对应于处理的对象基板批次的过去时间序列数据中的一个或多个，亦可提取该时间序列数据的平均值、该时间序列数据的中央值等的统计值。
而后，提取部562将该提取的时间序列数据作为过滤数据中包含的一个数据，控制传送至警报服务器6的通信电路52。
警报服务器6的判定部661比较通过传感器(此处的一例为台马达电流检测部45、或传感器21～24)检测的物理量(例如，工作台旋转马达的电流值、水/或浆液的流量、研磨压力、研磨台转数、及/或顶环转数等至少一个)的时间序列数据，与通过所述提取部562提取的过去的时间序列数据，判定该物理量的时间序列变化有无异常。采用该构成时，由于可自动检测研磨装置1的物理量的时间序列数据中有异常，因此，可减少检测该异常的时间与成本，可达到省人力、节能、及/或低成本化。
例如，此次，通过台马达电流检测部45检测的物理量的时间序列数据超出将通过提取部562提取的时间序列数据作为基准而设定的范围时，判定部661判定为有异常，另外，在将通过提取部562提取的时间序列数据作为基准而设定的范围内时，判定为无异常。判定部661在判定为有异常时，为了更新研磨装置1的处理条件(方案)，而向预知保全服务器8要求处理条件(方案)。
据此，预知保全服务器8的决定部861在通过判定部661判定为有异常时，再次决定处理条件(方案)。决定部861控制通信电路82将该再次决定的处理条件(方案)传送至警报服务器6。取得该再次决定的处理条件(方案)的更新控制部662控制成以通过决定部861所决定的处理条件进行更新。此时，更新控制部662控制通信电路62向研磨装置1传送该处理条件。如此自动判定异常，(1)自动更新方案；(2)更新方案后，该方案更新的结果报告；(3)即使更新方案仍然异常时通知警报。藉此，维修人员迅速行动，且自动行动时可通过自动行动达到省人力。
采用该构成时，于研磨装置1的物理量的时间序列数据中有异常时，由于可更新处理条件(方案)，因此可减少对异常制定因应对策等的时间与成本，可达到省人力、节能、及/或低成本化。
图13是用于说明本实施方式的是否需要维修判定处理的模式图。如图13所示，处理器10控制通信电路11将异常履历及包含通过传感器(此处的一例为台马达电流检测部45、及/或传感器21～24)检测的发生异常时对象物理量的时间序列数据的相关数据集，传送至是否需要维修判定部663。此外，处理器10控制通信电路11将晶片的批次传送至提取部562。
存储体53(第一存储体)中，对基板的批次与该基板处理中的过去的物理量的时间序列数据的至少一个相关连而进行存储。提取部562参照存储体53(第一存储体)提取对应于处理的对象基板批次的过去的物理量的时间序列数据(例如，工作台旋转马达的电流值、水/或浆液的流量、研磨压力、研磨台转数、及/或顶环转数等至少一个)。该提取的过去的物理量的时间序列数据(过去感测值的时间序列数据)传送至是否需要维修判定部663。
是否需要维修判定部663比较通过传感器(此处的一例为台马达电流检测部45、及/或传感器21～24)检测的发生异常时的物理量的时间序列数据、与通过提取部562提取的过去的物理量的时间序列数据，来判定是否需要维修。
图14是用于说明是否需要维修判定部663的比较处理的图。如图14所示，发生异常时的物理量的时间序列数据为显示有马达电流的时间序列变化W1、浆液流量的时间序列变化W2、及研磨压力的时间序列变化W3。另外，显示过去的浆液流量的时间序列数据的平均AW、平均AW-2σ(σ是标准偏差)、平均AW+2σ，并显示浆液流量的时间序列变化W2从将过去浆液流量的时间序列数据的平均AW作为基准而预设的范围(例如，AW-2σ～AW+2σ)脱离。因此，当发生异常时的物理量的时间序列数据超出将相同物理量的过去的时间序列数据作为基准而预设的范围时(或统计性超出有效值时)，是否需要维修判定部663判定为需要维修。此外，此时是否需要维修判定部663判定为浆液的流量有异常，而马达的电流、研磨压力无异常。是否需要维修判定部663控制通信电路62将判定的是否需要维修与发生异常时的物理量的时间序列数据(发生异常时的感测值的时间序列数据)传送至解析服务器7。另外，是否需要维修判定部663在比较的多个参数(物理量的时间序列数据)中检测一个参数异常或多个参数异常。
如上述图7，解析服务器7的存储体73(第二存储体)中，将至少一个以上物理量的有无异常的组合与异常原因及/或异常的解决法相关连而进行存储。解析服务器7的原因分析部763在通过是否需要维修判定部663判定为需要维修时，参照存储体73(第二存储体)输出依物理量的有无异常的组合的异常原因及/或异常的解决法。解析服务器7的原因分析部763控制通信电路72，将发生异常时的物理量的时间序列数据(发生异常时的感测值的时间序列数据)与异常原因及/或异常的解决法传送至终端装置9。而后，接收这些信息的终端装置9显示这些信息。藉此，由于基板处理装置的维修人员通过终端装置9确认这些信息，可实时掌握异常原因及/或异常的解决法，因此，可前往现场的研磨装置1等，迅速解决研磨装置1的异常。
以上，本实施方式的基板处理系统具备：设置于基板处理装置，检测对象基板处理中的对象物理量的传感器(此处的一例为台马达电流检测部45)；及通过将该传感器(此处的一例为台马达电流检测部45)检测的物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据或以时间对该物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据进行微分而得到的时间序列数据输入完成学习的机器学习模型，而输出结束研磨的时刻的研磨终点时刻的预测部。此处，该机器学习模型使用将过去的所述物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据或以时间对该过去的物理量(此处的一例为工作台旋转马达的电流值)的时间序列数据进行微分而得到的时间序列数据作为输入，并将过去的研磨终点时刻作为输出的学习用数据集进行机器学习的模型。
采用该构成时，由于可自动预测研磨终点时刻，因此可减少预测研磨终点时刻花费的时间与成本，可达到省人力、节能、及/或低成本化。此外，以前在使用以时间对工作台旋转马达的电流值的时间序列数据进行微分而得到的时间序列数据时发生多个极小点(或极大点)，而有无法实时了解哪个极小点(或极大点)的时刻是研磨终点时刻的问题。另一方面，由于学习后的机器学习模型对将过去的物理量的时间序列数据或以时间对该过去的物理量的时间序列数据进行微分而得到的时间序列数据作为输入，并将过去的研磨终点时刻作为输出的学习用数据集进行学习，因此，即使输入了未知物理量的时间序列数据或以时间对该物理量的时间序列数据进行微分而得到的时间序列数据时，仍可使可输出正确研磨终点时刻的可能性提高。
＜第二种实施方式＞
继续，说明第二种实施方式。图15是表示第二种实施方式的基板处理系统的概略构成图。如图15所示，第二种实施方式的基板处理系统S2与第一种实施方式的基板处理系统S1比较，在工厂管理中心设有Fog服务器2。Fog服务器2为了实现在后述图17中的Fog服务器2的功能，而从分析数据的各服务器取得信息。
＜第三种实施方式＞
图16是表示第三种实施方式的基板处理系统的概略构成图。如图16所示，第三种实施方式的基板处理系统S3与第二种实施方式的基板处理系统S2比较，每间工厂设有服务器90。服务器90发挥闸道服务器的功能。服务器90连接于总体网络GN，并且连接于对应的区域网络LN-i(i是1至M的整数)。服务器90在各工厂中用于维修用途。
图17是在第一～第三种实施方式的基板处理系统中，对于各动作部位的功能、机构、IoT构成、优点与理由加以整理的表。研磨装置1(其中的处理器)设置于所谓边缘计算时的边缘，换言之，装置中的控制器及装置附近的闸道等的处理器，亦可具有以下功能。(1)研磨装置1的处理器10使用表示测定的工作台转矩的工作台旋转马达的电流值(转矩TT)、顶环的旋转马达电流值(转矩)(TR)、顶环摇动旋转马达的电流值(转矩TROT)、光学式膜厚传感器的输出信号(SOPM)、或涡电流式膜厚传感器的输出信号检测研磨终点时刻。
(2)研磨装置1的处理器10使用测定的焊垫温度、隔膜按压分布、转数或膜厚分布，执行研磨均匀化、焊垫温度控制、隔膜按压控制、工作台或顶环的旋转控制。
(3)研磨装置1的处理器10通过高速判定/实施更新条件，执行方案更新(高速处理/无数据保存)。
工厂管理中心的Fog服务器2的处理器具有：(1)程序/搬送，(2)研磨时间，(3)使用时间、事件种类/次数，(4)研磨条件变动履历，(5)方案更新、事件种类/次数，(6)事件种类/次数、前后的条件，(7)建议、警告通知的机构。
藉此，工厂管理中心的Fog服务器2的处理器具有：(1)警告/异常管理，(2)运转履历管理，(3)消耗品管理，(4)运转状态管理，(5)方案管理，(6)紧急回避动作，(7)更换/维修通知、主要数据储存与显现化、简便的关连性/趋势分析与更新的功能。
因此，Fog服务器2进行工厂中多个装置的数据管理。藉此，可统一进行工厂中的多数装置的状态管理，可从装置间的短期的趋势分析实施下一阶段的对应及更新。
分析中心AC的解析服务器7的处理器76使用大量数据分类、关连性解析、影响解析与改良条件、设定的函数等解析(或分析)发生异常时的原因。分析中心AC的预知保全服务器8的处理器86决定研磨条件最佳化的处理条件(改良方案)，并以决定的处理条件(改良方案)更新处理条件(方案)来控制。
此外，分析中心AC的预知保全服务器8的处理器86使用研磨装置1的消耗品的判断模型，预测研磨装置1的消耗品的更换时期，并在每次更新该消耗品的判断模型等时，更新消耗品的更换时期。藉此，由于可适当预测研磨装置1的消耗品的更换时期，因此可保全研磨装置1。分析中心AC的解析服务器7的处理器76或预知保全服务器8的处理器86亦可实施多装置的数据解析与方案改良等(参数相关分析/自动程序判定等)、长期的趋势分析与更新。
执行这些时，分析中心AC的解析服务器7及预知保全服务器8储存与运用来自多间工厂的数据。藉此，运用来自多数工厂/装置的数据实施处理条件(研磨条件、方案)的趋势分析或影响分析。此外，运用来自多数工厂/装置的数据制作改良模型或判断基准，通过将这些更新者(更新版)送至工厂中心的Fog服务器2，可由Fog服务器2执行。亦即，可更新工厂中心的Fog服务器2使用的方案、模型等。此外，分析中心AC的解析服务器7的处理器亦可分析进行在边缘进行的终点处理等时缓慢的时间性趋势(例如，月或日程度)，将改良后的方案送至边缘的处理器(或控制器)来更新对象的研磨装置1的方案。例如，以数据中心(或分析中心AC)进行研磨装置1的进行终点检测的波形数据(例如，转矩TT的波形数据)的累积，以分析中心AC的解析服务器7的处理器进行该研磨装置1的波形噪声的除去解析，AC的解析服务器7的处理器亦可生成进行噪声分离的前处理用完成学习模型(调整后的神经网络)来使用。从分析中心AC传送更新用方案至边缘的处理器或控制器，边缘的处理器进行方案更新，亦可使用除去噪声的前处理用学习模型。这些方案的更新可通过网络通信自动进行。此外，无法通信时，亦可在现场通过人工进行更新。
另外，这些分析中心AC中的处理亦可在云端执行。
需要在边缘侧(例如研磨装置1)高速处理时(例如实现图16的边缘的功能时)，以边缘计算进行处理。研磨装置1中的控制器(或处理器)或在闸道侧的服务器90，例如需要100ms以下的处理时，例如在线进行终点预测(波形预测)时等需要对应依时变化时执行处理。由于图16中Fog服务器2执行的功能处理、分析中心AC的各服务器的处理是管理处理，由于亦可不必那么早处理，因此亦可由Fog服务器2或分析中心AC的各服务器去执行。
＜人工智能(AI)的说明＞
另外，完成学习的(调整过的)机器学习模型，其输入是从开始研磨至预测时间的马达电流的时间序列数据，输出是研磨终点时刻的每个候补值的正确答案概率，不过，并非限于上述构成者。机器学习模型的输入，除了从开始研磨至预测时间的马达电流的时间序列数据的外，亦可是从开始研磨至预测时间的工作台旋转马达的电流值、顶环旋转马达的电流值、工作台的转矩、在基板上照射光时散射的光强度、在基板上照射磁力线，产生的涡电流影响磁力线的强度等的传感器输出，其他参数(焊垫温度、隔膜按压、研磨台或研磨台转数、浆液量)等表示研磨装置1的状态的物理量的至少一个。藉此，研磨面的均匀性提高，研磨终点时刻的时间序列精度进一步提高。
或，机器学习模型的输入亦可取代上述从开始研磨至预测时间的马达电流的时间序列数据，而为从开始研磨至预测时间的工作台旋转马达的电流值、顶环旋转马达的电流值、工作台的转矩、在基板上照射光时散射的光强度、在基板上照射磁力线，产生的涡电流影响磁力线的强度等的传感器输出，其他参数(焊垫温度、隔膜按压值、研磨台/顶环转数、浆液的流量等)等表示研磨装置1的状态的物理量的至少一个。
另外，机器学习模型亦可作为计算机程序产品来实现。例如是控制基板的处理的计算机程序产品，且是具体表现成非暂时性计算机记录介质的计算机程序产品，且在处理器中包含用于使上述处理的至少一个执行的命令。此外，机器学习模型的输出亦可是用于输出控制参数的程序，亦可是修正后的参数。
＜关于学习数据集的挑选＞
关于学习数据集，上述实施方式使用正常的正常数据集作为终点检测结果，不过并非限于此。终点检测结果亦可是异常的异常数据集，亦可是正常数据与异常数据混合的混合数据集(例如，80％以上正常数据的混合数据集)。关于机器学习，亦可使用神经网络(例如，深度学习)、强化学习或矢量支援机等自动学习。再者，该机器学习亦可以量子计算来实现。
＜使用神经网络的第一例＞
此处，关于机器学习以使用神经网络来实现的例，使用图18做说明。图18是各种实施方式的神经网络的例。如图18所示，预测部561具备：正规化器91、神经网络92、判定处理器93。预测部561以正规化器91将表示上述研磨装置1的状态的物理量的时间序列数据(例如，马达电流的时间序列数据)D1～DN正规化。将正规化后的数据d1～dN输入神经网络92，神经网络92生成多个研磨终点时刻的每个候补值的正确答案概率P1～PN(N是正整数)。判定处理器93在生成的多个正确答案概率中有超过阈值者时，输出对应于超出该阈值的正确答案概率P1的研磨终点时刻的候补值Ti作为研磨终点时刻(i是分度)。
此处，神经网络102具备：接收将表示上述研磨装置1的状态的物理量的时间序列数据(例如，马达电流的时间序列数据)D1～DN正规化的数据d1～dN的多个输入节点；每个研磨终点时刻分配的输出节点，且是输出正确答案概率的多个输出节点；及输入连接于至少一个以上输入节点的输出且输出连接于至少一个以上输出节点的输入的多个隐藏节点。
神经网络102的一部分或全部亦能够以软件实现，一部分或全部亦能够以硬件实现。以硬件实现神经网络102时，例如图18所示，神经网络102亦可具备：构成输入节点的第一过滤器921；构成隐藏节点的第二过滤器922；及构成输出节点的第三过滤器923。
＜第四种实施方式＞
继续，说明第四种实施方式。图19是表示第四种实施方式的基板处理系统的概略构成图。图16的第三种实施方式的基板处理系统，其Fog服务器2连接于区域网络LN-i，而其差异为雾计算机2b连接于服务器100。藉此，仅将通过信息处理装置的一例的服务器100所处理的数据传送至雾计算机2b。另外，与图16比较，成为预知保全服务器8变更成预知保全服务器8b，并删除终端装置9的构成。
＜连接方式与功能要件＞
(1)在工厂内设置有服务器100。利用该服务器100可进行多个基板处理装置(亦称为半导体制造装置，此处的一例为研磨装置1)的运转数据收集与数据解析。例如，可进行对研磨条件的装置间的差异分析。并可依其差异生成更新用参数与传送更新用的数据等。此外，该服务器100可连接于工厂管理用的雾计算机(例如，雾服务器)2b及管理人用的PC3。工厂管理人可从PC3进入服务器100解析数据及生成更新用参数。此外，可从服务器100下载数据至雾计算机2b及管理人用的PC3，工厂管理人可利用雾计算机2b或PC3解析数据及生成更新用参数。
(2)再者，提供服务者可从工厂外部或工厂设置装置厂房外的场所(小屋(VendorRoom)等)连接于该服务器100。提供服务者可解析多个基板处理装置(亦称为半导体制造装置，例如研磨装置1)的数据。此外，例如可进行研磨装置1的研磨参数变动、研磨结果的相关分析及研磨均匀性的变动、生成用于维持均匀性的更新用参数、将该更新用参数传送至该装置与参数更新等。
(3)基板处理装置(亦称为半导体制造装置)是研磨装置1(亦称为CMP装置)、镀覆装置、斜面研磨装置、检查装置、封装基板研磨装置、曝光装置、蚀刻装置、研磨装置1、洗净装置、成膜装置等。使用多种装置的数据情况下，可监控处理工序前后使用的装置列的履历及参数变动，进行数据解析，可检测异常、调整、消耗零件预定更换的制定等。
＜服务器100的功能概要＞
服务器100从各个研磨装置1收集研磨参数及/或传感器检测值等数据。
服务器100调整各个研磨装置1的研磨参数，将研磨装置1间的研磨状态的差异最小化。服务器100使用传感器检测值分析故障原因。藉此实现分析早期化，而预防故障。
＜服务器100的功能及处理项目＞
1.服务器100的处理器从研磨装置1收集的收集数据
收集数据例如是以下至少任何一个。消耗品使用时间(挡圈、焊垫、隔膜、修整器具、刷子、挡块)、处理片数/单元、研磨中转矩变动(马达电流)、通过内建于研磨装置的膜厚测定器(In-Line Thickness Metrology:ITM)的膜厚测定结果、终点检测(End PointDetection:EPD)数据、环境数据(焊垫温度、研磨单元温度、湿度、浆液温度)、晶片搬送数据(位置、转矩、速度、加速度)等。
2.减少研磨装置1间差异(应最小化)
服务器100的处理器从转矩数据(例如，研磨台旋转用的马达电流)及其他参数中，提取
(1)与“研磨条件(例如，研磨量等)”相关的参数群(亦即影响研磨条件的参数群)；
(2)与“研磨台情况(状态)”相关的参数群(亦即影响研磨台情况(状态)的参数群)；或
(3)与“修整均匀性”相关的参数群(亦即影响修整均匀性的参数群)。
此处，其提取方法亦可通过于主成分分析中求出固有值，来提取各个相关的参数。
而后，服务器100的处理器亦可以“研磨条件(例如，研磨量等)”在研磨装置1之间的差异变小的方式，调整影响研磨条件的参数群的参数。
除此之外/取而代之，服务器100的处理器亦能够以“研磨台情况(状态)”在研磨装置1间的差异变小的方式，调整影响研磨台情况(状态)的参数群的参数。
又加上/取而代之，亦能够以“修整均匀性”在研磨装置1间的差异变小的方式，调整影响研磨台情况(状态)的参数群的参数。
初期即使是关连性高的参数，随着时间经过关连性会变动，因此需要随时监视关连性。因此，其一例为服务器100的处理器亦可对每个研磨装置1算出表示有关连的参数的关连性的关连值(例如关连系数)的累积值即有助于累积的数据，并监视该有助于累积的数据在研磨装置1之间的变动。而后，服务器100的处理器亦可在变动超出指定范围时，视为异常的征兆，而更新参数(例如，该关连值高的参数)。此处，关于表示关连性的关连值，亦可选择关连值大于阈值(例如0.5)的密切关连的参数。
服务器100的处理器随时监视有关连的参数的关连值，当关连系数超出预测范围时，更新参数(例如，该关连值高的参数)。
此外，例如服务器100的处理器，虽然原来的关连值比阈值低，不过当关连值比阈值高的参数新出现时，亦可更新该新的参数。
3.早期进行故障原因分析
服务器100的处理器亦可优先在研磨装置1间比较关连值高的参数。而后，服务器100的处理器亦可在关连值高的参数的变动(分歧程度，例如差异等)通常超出预测的范围时，检测为故障原因，并更新参数(例如，该关连值高的参数)。
4.预防故障
为了预防故障，服务器100的处理器亦可在关连值高的参数的变动(例如分歧程度，例如，差异等)超过阈值时，输出提醒维修的信息。例如，服务器100的处理器亦可输出“最好在×(×是预定的数字)小时后进行维修”的内容。
藉此，可监视将关连值高的参数的变动(例如分歧程度)作为基础而出问题的征兆。此外，可有效收集、储存、显现研磨装置1(CMP装置)的运转数据，建构解析平台。此外，关于工厂内的基板处理装置(例如研磨装置1)或半导体制造装置，可将多个装置的数据储存于服务器100。
＜使用例：故障原因分析与预防故障例＞
服务器100将多个研磨装置的数据储存于内建或外部的存储体进行数据解析。藉此，将故障或零件更换的停机时间最小化。为此，服务器100例如进行焊垫、挡圈、隔膜、旋转部马达等消耗品使用时间、处理片数、消耗度评估值、终点检测的研磨时间的随时间变化、研磨均匀性的随时间变化等的数据解析，与依据其进行消耗品更换时期预测值、剩余可使用时间估计、调整实施时期的估计等。
其次，服务器100例如为了研磨特性的维持与稳定化(修正)而生成更新用参数，进行使用更新用参数时的消耗品更换时期预测值、剩余可使用时间估计、调整实施时期的估计，估计使用更新参数时的维修时期，并通知工厂管理人或提供服务者。该通知亦能够以邮件、讯息服务进行通知，亦能够以安装于工厂管理人的PC3或提供服务者的终端装置9的应用程序进行通知。
另外，上述的故障原因分析与预防，除了服务器100之外，亦可由解析系统7及/或预知保全系统8b执行。
以上，第四种实施方式的基板处理系统具备：以通信电路连接多个基板处理装置(例如研磨装置1)的服务器100；及以通信电路与所述服务器连接的雾计算机2b或终端机(例如PC3)；服务器100从多个基板处理装置(例如研磨装置1)收集数据，对该收集的数据实施处理，并将处理结果传送至所述雾计算机2b或所述终端机(例如，PC3)，所述雾计算机2b或所述终端机(例如，PC3)接收所述处理结果时，以输出该处理结果的方式进行控制。
通过该构成，雾计算机2b或终端机可输出处理服务器从多个研磨装置1所收集的数据的结果。
该服务器100具有以下单元：从所述收集的数据提取与基板处理条件(例如研磨条件)、基板处理台状态(例如研磨台状态)、及/或修整均匀性有基准以上的关连性的参数；及在基板处理装置(例如研磨装置1)之间比较所述提取的参数，与比较结果对应地，更新所述数据中的至少一个参数。
藉此，由于可接近基板处理条件(例如研磨条件)、基板处理台状态(例如研磨状态)、及/或修整均匀性，因此可减少在基板处理装置(例如研磨装置)之间的基板处理(例如研磨)的变动。
另外，上述实施方式说明的基板处理系统S1～S4的至少一部分亦能够以硬件构成，亦能够以软件构成。以硬件构成时，亦可将实现基板处理系统S1～S3的至少一部分功能的程序储存于软式磁碟或CD-ROM等记录介质，供电脑读取并执行。记录介质不限定于磁碟及光盘等可装卸的，亦可是硬盘装置及存储器等固定型的记录介质。
此外，亦可将实现基板处理系统S1～S4的至少一部分功能的程序经由网际网络等通信线路(亦包含无线通信)分发。再者，亦可将该程序进行编码、加以变调、或压缩状态下，经由网际网络等有线线路或无线线路，或储存于记录介质来分发。
此外，方法的发明中，亦可通过计算机自动控制来实现全部工序(步骤)。此外，亦可由计算机实施各工序，并通过人工实施工序间的进行控制。此外，进一步亦可通过人工实施全部工序中的至少一部分。
以上，本发明并非限定于如上述的实施方式，在实施阶段可在不脱离其要旨的范围内修改元件而具体化。此外，通过揭示于上述实施方式的多个元件的适当组合，可形成各种发明。例如，亦可从实施方式所示的全部元件删除一些元件。再者，亦可适当组合不同实施方式中包含的元件。
符号说明
1:研磨装置
10:处理器
11:通信电路
21～24:传感器
30:研磨台
30a:台轴
32:研磨垫
34:顶环轴杆
35:顶环
38:研磨液供给机构
4:程序装置
40:台旋转马达
41:顶环旋转马达
45:台马达电流检测部
5:方案服务器
51:输入界面
52:通信电路
53:存储体
54:存储器
55:输出界面
56:处理器
561:预测部
562:提取部
6：警报服务器
61:输入界面
62:通信电路
63:存储体
64:存储器
65:输出界面
66:处理器
661:判定部
662:更新控制部
663:是否需要维修判定部
7：解析服务器
71:输入界面
72:通信电路
73:存储体
74:存储器
75:输出界面
76:处理器
761:挑选部
762:学习部
763:原因分析部
8：预知保全服务器
81:输入界面
82:通信电路
83:存储体
84:存储器
85:输出界面
86:处理器
861:决定部
9：终端装置
90:服务器
91:正规化器
92:神经网络
93:判定处理器
100:服务器

Claims (4)

1.一种基板处理系统，其特征在于，具备：
传感器，该传感器设置于基板处理装置，检测对象基板处理中的对象物理量；
预测部，该预测部将通过所述传感器检测的物理量的时间序列数据或以时间对该物理量的时间序列数据进行微分而得到的时间序列数据输入完成学习的机器学习模型，从而输出作为结束研磨的时刻的研磨终点时刻；
挑选部，该挑选部依据以时间对通过所述传感器检测的电流值的时间序列数据进行微分而得到的时间序列数据，来挑选该电流值的时间序列数据；及
学习部，该学习部通过使用将通过所述挑选部挑选的电流值的时间序列数据作为输入，并将研磨终点时刻作为输出的学习用的数据集进行机器学习，从而生成所述完成学习的机器学习模型，
所述机器学习模型是如下模型：使用将过去的所述物理量的时间序列数据或以时间对该过去的物理量的时间序列数据进行微分而得到的时间序列数据作为输入、并将过去的研磨终点时刻作为输出的学习用的数据集进行机器学习，
所述对象物理量是所述基板处理装置的工作台旋转马达的电流值、所述基板处理装置的顶环旋转马达的电流值、或所述基板处理装置的工作台的转矩。
2.如权利要求1所述的基板处理系统，其特征在于，进一步具备：
判定部，该判定部比较通过所述传感器检测的物理量的时间序列数据与过去的时间序列数据，判定该物理量的时间序列变化有无异常；
决定部，在通过所述判定部判定为有异常时，该决定部再次决定处理条件；及
更新控制部，该更新控制部控制成以所述决定部所决定的处理条件进行更新。
3.如权利要求1所述的基板处理系统，其特征在于，
所述挑选部在以时间进行微分而得到的所述时间序列数据中检测不出满足设定基准的极小点或极大点时，通过排除该微分前的电流值的时间序列数据，来挑选所述电流值的时间序列数据。
4.一种基板处理系统，其特征在于，具备：
至少一个传感器，该至少一个传感器设置于基板处理装置，检测对象基板处理中的对象物理量；
第一存储体，该第一存储体对基板的批次，与该基板处理中的过去的物理量的时间序列数据的至少一个相关连而进行存储；
提取部，该提取部参照所述第一存储体，提取对应于处理中的对象基板的批次的过去的物理量的时间序列数据；
是否需要维修判定部，该是否需要维修判定部比较通过所述传感器检测的发生异常时的物理量的时间序列数据与通过所述提取部提取的过去的物理量的时间序列数据，判定是否需要维修；
第二存储体，该第二存储体将至少一个以上的物理量有无异常的组合与异常原因及/或异常的解决法相关连而进行存储；及
原因分析部，在通过所述是否需要维修判定部判定为需要维修时，该原因分析部参照所述第二存储体，输出与物理量有无异常的组合对应的异常原因及/或异常的解决法。
CN202080037700.1A 2019-05-22 2020-05-20 基板处理系统 Active CN113853275B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-095619 2019-05-22
JP2019095619 2019-05-22
PCT/JP2020/019869 WO2020235581A1 (ja) 2019-05-22 2020-05-20 基板処理システム

Publications (2)

Publication Number Publication Date
CN113853275A CN113853275A (zh) 2021-12-28
CN113853275B true CN113853275B (zh) 2023-08-29

Family

ID=73459387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080037700.1A Active CN113853275B (zh) 2019-05-22 2020-05-20 基板处理系统

Country Status (7)

Country Link
US (1) US20220234164A1 (zh)
JP (1) JPWO2020235581A1 (zh)
KR (1) KR20220011144A (zh)
CN (1) CN113853275B (zh)
SG (1) SG11202112854XA (zh)
TW (1) TW202044394A (zh)
WO (1) WO2020235581A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230028552A (ko) * 2020-12-18 2023-02-28 어플라이드 머티어리얼스, 인코포레이티드 적응형 슬러리 분배 시스템
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
JP2023122817A (ja) * 2022-02-24 2023-09-05 株式会社荏原製作所 研磨終点検出方法、研磨終点検出システム、研磨装置、およびコンピュータ読み取り可能な記録媒体
JP2024019962A (ja) * 2022-08-01 2024-02-14 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
KR102605515B1 (ko) * 2022-09-15 2023-12-29 (주)성화에스티 인공지능 기반, 피가공물 두께에 기초한 가공 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000202768A (ja) * 1999-01-12 2000-07-25 Tdk Corp 研磨方法及び装置、及び薄膜磁気ヘッドの製造方法
JP2004025057A (ja) * 2002-06-26 2004-01-29 Dainippon Screen Mfg Co Ltd 基板処理システム、基板処理装置、基板処理方法、プログラム及び記録媒体
JP2009004442A (ja) * 2007-06-19 2009-01-08 Renesas Technology Corp 半導体ウェハの研磨方法
CN101523565A (zh) * 2006-10-06 2009-09-02 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
CN104972386A (zh) * 2014-04-10 2015-10-14 株式会社荏原制作所 基板处理装置
CN106457507A (zh) * 2014-04-22 2017-02-22 株式会社荏原制作所 研磨方法及研磨装置
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001138218A (ja) * 1999-11-12 2001-05-22 Nec Corp Ｃｍｐ加工機
US7156717B2 (en) * 2001-09-20 2007-01-02 Molnar Charles J situ finishing aid control
JP4355193B2 (ja) * 2003-11-10 2009-10-28 株式会社ルネサステクノロジ 半導体デバイスの製造方法及び半導体デバイス製造システム
JP2006310504A (ja) * 2005-04-28 2006-11-09 Matsushita Electric Ind Co Ltd 半導体装置の製造方法
JP2013176828A (ja) 2012-02-29 2013-09-09 Ebara Corp 研磨終点検出装置の遠隔監視システム
US11565365B2 (en) * 2017-11-13 2023-01-31 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for monitoring chemical mechanical polishing
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000202768A (ja) * 1999-01-12 2000-07-25 Tdk Corp 研磨方法及び装置、及び薄膜磁気ヘッドの製造方法
JP2004025057A (ja) * 2002-06-26 2004-01-29 Dainippon Screen Mfg Co Ltd 基板処理システム、基板処理装置、基板処理方法、プログラム及び記録媒体
CN101523565A (zh) * 2006-10-06 2009-09-02 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
JP2009004442A (ja) * 2007-06-19 2009-01-08 Renesas Technology Corp 半導体ウェハの研磨方法
CN104972386A (zh) * 2014-04-10 2015-10-14 株式会社荏原制作所 基板处理装置
CN106457507A (zh) * 2014-04-22 2017-02-22 株式会社荏原制作所 研磨方法及研磨装置
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

Also Published As

Publication number Publication date
US20220234164A1 (en) 2022-07-28
KR20220011144A (ko) 2022-01-27
SG11202112854XA (en) 2021-12-30
CN113853275A (zh) 2021-12-28
JPWO2020235581A1 (zh) 2020-11-26
WO2020235581A1 (ja) 2020-11-26
TW202044394A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN113853275B (zh) 基板处理系统
CN110088699B (zh) 信息处理方法、信息处理系统以及信息处理装置
KR100756728B1 (ko) 반도체 처리 기술
TWI412906B (zh) 具有虛擬量測功能的製造執行系統與製造系統
CN100376024C (zh) 控制等离子体处理系统的方法和自动程序控制系统
US8185230B2 (en) Method and apparatus for predicting device electrical parameters during fabrication
KR100640700B1 (ko) 반도체 프로세싱 방법 및 그 장치
CN108829933A (zh) 一种半导体制造设备的预测性维护与健康管理的方法
CN1324515C (zh) 处理工具优化系统和方法
KR100839071B1 (ko) 공정장비의 상태를 모니터링하기 위한 시스템 및 방법
US6836691B1 (en) Method and apparatus for filtering metrology data based on collection purpose
CN115244482A (zh) 用于维护优化的混合风险模型和用于执行此类方法的系统
JP2008530817A (ja) ラントゥラン制御器を用いた欠陥検出および分類（ｆｄｃ）
US6687561B1 (en) Method and apparatus for determining a sampling plan based on defectivity
US6563300B1 (en) Method and apparatus for fault detection using multiple tool error signals
WO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
US6821792B1 (en) Method and apparatus for determining a sampling plan based on process and equipment state information
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN114077919A (zh) 用于预测加工异常的系统
US6732007B1 (en) Method and apparatus for implementing dynamic qualification recipes
JP7124321B2 (ja) 情報処理装置、データ管理システム、データ管理方法及びプログラム
US20230315044A1 (en) Method and device for monitoring a milling machine
CN116147677A (zh) 确定被测变量的测量值的特定于应用的总似然性的方法
US6988225B1 (en) Verifying a fault detection result based on a process control state
WO2022196666A1 (ja) 情報処理装置及び情報処理方法

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