CN115008339A - 使用基于时间的图像序列检测cmp部件的偏移 - Google Patents
使用基于时间的图像序列检测cmp部件的偏移 Download PDFInfo
- Publication number
- CN115008339A CN115008339A CN202210218903.1A CN202210218903A CN115008339A CN 115008339 A CN115008339 A CN 115008339A CN 202210218903 A CN202210218903 A CN 202210218903A CN 115008339 A CN115008339 A CN 115008339A
- Authority
- CN
- China
- Prior art keywords
- time
- component
- polishing
- sequence
- images
- 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.)
- Granted
Links
- 238000005498 polishing Methods 0.000 claims abstract description 190
- 239000000758 substrate Substances 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 8
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims 4
- 230000008569 process Effects 0.000 description 23
- 239000010410 layer Substances 0.000 description 21
- 239000002002 slurry Substances 0.000 description 18
- 238000001816 cooling Methods 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 10
- 239000007788 liquid Substances 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 239000000945 filler Substances 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 238000011065 in-situ storage Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000009334 Singa Species 0.000 description 1
- 239000003082 abrasive agent Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007779 soft material Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- -1 vapor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
- B24B37/07—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool
- B24B37/10—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping
-
- 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
- B24B37/27—Work carriers
- B24B37/30—Work carriers for single side lapping of plane surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67259—Position monitoring, e.g. misposition detection or presence detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- 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
- 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
- H01L21/31—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to form insulating layers thereon, e.g. for masking or by using photolithographic techniques; After treatment of these layers; Selection of materials for these layers
- H01L21/3105—After-treatment
- H01L21/31051—Planarisation of the insulating layers
- H01L21/31053—Planarisation of the insulating layers involving a dielectric removal step
-
- 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
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/272—Means for inserting a foreground image in a background image, i.e. inlay, outlay
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Grinding-Machine Dressing And Accessory Apparatuses (AREA)
- Numerical Control (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
Abstract
抛光系统的监控操作包括:获得在抛光系统的测试操作期间执行操作的抛光系统部件的基于时间的参考图像序列;从相机接收在基板的抛光期间执行操作的等效抛光系统的等效部件的基于时间的监控图像序列;通过使用图像处理算法对基于时间的参考图像序列与基于时间的监控图像序列进行比较,来确定基于时间的监控图像序列的差值;确定所述差值是否超过阈值;以及响应于确定所述差值超过阈值,指示偏移。
Description
技术领域
本公开内容一般涉及化学机械抛光(CMP),更具体地,涉及使用基于时间的图像序列(例如,视频图像)检测CMP部件的偏移。
背景技术
集成电路通常通过在硅晶片上依次沉积导电层、半导电层或绝缘层并通过对这些层的后续处理而形成在基板(例如,半导体晶片)上。
一个制造步骤涉及在非平面表面上沉积填料层并使所述填料层平面化。对于某些应用,填料层被平面化,直到经图案化的层的顶表面被暴露或在底层之上保留所期望的厚度。此外,平面化可用于使例如电介质层的基板表面平面化以用于光刻。
化学机械抛光(CMP)是一种公认的平面化方法。所述平面化方法通常要求基板被安装在承载头上。基板的被暴露的表面抵靠旋转的抛光垫而放置。承载头提供基板上的可控负载,从而将其推至抵靠抛光垫。在一些情况下,承载头包括形成多个独立可加压的径向同心的腔室的膜,其中,每个腔室中的压力控制基板上的每个对应区域中的抛光速率。抛光液(诸如具有研磨颗粒的浆料)被供应到抛光垫的表面。
图像处理旨在用不同算法处理一个或多个图像帧,包括图像压缩、图像过滤、图像存储以及图像比较。图像比较可用于降噪、图像匹配、图像编码和恢复,其可由位于一个或多个位置的一台或多台计算机用一种或多种图像比较算法来实现。图像比较算法可以基于图像特征(例如,代表亮度、颜色和透明度的像素值)确定一张或多张图像之间的相似度或差异的程度,或确定测量单张图像中的每对部件之间或跨不同图像帧的各自距离的度量距离(例如,Hausdorff距离或其他合适的距离),或确定代表局部图像块(image patch)并用于图像之间的特征匹配的特征核。用任何合适的预处理步骤来进一步辅助图像比较算法,仅举几例,诸如像素强度调整、归一化或同态滤波。
还可以使用机器学习算法处理视频图像。神经网络是一种机器学习模型,它采用一层或多层非线性单元来对接收的输入预测其输出。一些神经网络除了输出层之外还包括一个或多个隐藏层。每个隐藏层的输出被作为给所述网络中的下一层(即下一个隐藏层或输出层)的输入。所述网络的每一层根据各自的一组参数的当前值,基于接收的输入生成输出。
发明内容
在一方面,抛光系统的监控操作包括:获得在抛光系统的测试操作期间执行操作的抛光系统部件的基于时间的参考图像序列;从相机接收在基板的抛光期间执行操作的等效抛光系统的等效部件的基于时间的监控图像序列;通过使用图像处理算法对基于时间的参考图像序列与基于时间的监控图像序列进行比较,来确定基于时间的监控图像序列的差值;确定所述差值是否超过阈值;以及响应于确定所述差值超过阈值,指示偏移。
在另一方面,抛光系统的监控操作包括:从相机接收在基板的抛光期间执行操作的抛光系统的部件的基于时间的监控图像序列;将基于时间的监控图像序列分析输入到通过训练示例训练的机器学习模型中,以检测部件从预期操作的偏移;以及从机器学习模型接收部件从预期操作偏移的指示。训练示例包括在测试操作期间执行操作的参考抛光系统的参考部件的基于时间的参考图像序列。
实施方式可以包括以下特征中的一项或多项。所述部件可以是承载头、调节器臂、装载罩、工作台、或机械臂中的一个。响应于确定差值超过阈值或响应于偏移的指示,可能会生成警报。可以存储相应的基于时间的参考图像序列(其包括在抛光系统的相应的测试操作期间执行操作的抛光系统的多个部件),可以从相机接收基于时间的监控图像序列(其包括在基板的抛光期间执行操作的等效抛光系统的一个或多个等效部件),且可以通过使用图像处理算法对基于时间的参考图像序列与基于时间的监控图像序列进行比较,来针对基于时间的监控图像序列中的每个等效部件确定相应差值。对于所述一个或多个等效部件中的每个,可以确定所述等效部件的相应差值是否超过所述等效部件的相应阈值,并且响应于确定所述相应差值超过相应阈值,可以指示等效部件的偏移。
某些实施方式可以包括但不限于以下的可能的优点中的一个或多个。
所述技术可以用于对抛光装置中的部件的高效且准确的性能分析。
首先,所述技术能够实现在动态地执行彼此相互作用的各项操作时,对抛光装置中的多个部件的操作的分析。与单独分析静态部件的常规图像处理技术相比,所述技术可以根据基于时间的图像序列(例如,视频帧)对一个或多个部件的操作偏移进行实时分析和检测。所述技术可以进一步实现并提供对原位部件操作的准确分析,而不是单独分析每个静态部件。
其次,不需要使用从配置为监控基板抛光的原位监控系统获取的传感器数据。相反,所述技术允许对视频图像中捕获的一个或多个部件进行高效的整体分析。额外地或另外地,所述技术可以将分析数据与传感器数据相结合,或者提供对视频图像的分析,作为现有技术之外对部件的替代性或独立的检查,以实现更准确的分析或诊断过程。
此外,所述技术可以生成通知或警报,以指示抛光装置中一个或多个部件的任何检测到的偏移,从而允许及时且适时的人工干预或自动控制调整,以校正检测到的一个或多个部件的偏移。所述技术可最终提高产品质量,降低成本,并促进抛光装置。
此外,所述技术可以存储捕获一个或多个部件的操作的视频图像,并允许重新访问存储的视频图像,以用于之后进行故障排除或故障分析,从而导致更准确的诊断。
此外,所述技术易于设立、实现和扩展。所述技术可适用于任何合适的抛光装置,这是因为不需要重大修改以容纳一个或多个图像传感器。所述技术可以利用图像处理或机器学习算法来分析和检测部件操作的偏移,其接收根据一组参考指令执行操作的参考抛光装置中一个或多个部件的视频图像作为单独基准。所述技术可以扩展以用于更多部件,只要捕获的视频图像可以包括这些部件。因此,所述技术已经准备好利用图像传感器来扩展,所述图像传感器能够以令人满意的分辨率捕获更多部件。
以下附图和描述阐述了本发明的一个或多个实施例的细节。根据说明书和附图以及根据权利要求书,其他特征、目的以及优点显而易见。
附图说明
图1是示例抛光装置的示意性横截面视图。
图2是具有示例承载头的示例装载罩的示意性横截面视图。
图3是示例抛光装置的示意性俯视图。
图4是示出偏移检测的示例过程的流程图,所述偏移检测基于使用图像处理的视频图像。
图5是示出偏移检测的示例过程的流程图,所述偏移检测基于使用机器学习的视频图像。
各个附图中相同的附图标记和命名指示相同的要素。
具体实施方式
在理想化过程中,抛光装置的每个部件根据一组指令协同执行操作,以抛光基板,使得基板在抛光后可以具有均匀厚度。然而,在实践中,抛光装置的一个或多个部件可能执行偏离各自指令的操作。这可能导致正在抛光的基板的抛光轮廓不均匀,装置中一个或多个部件的碰撞,和甚至装置的故障。为了避免由于一个或多个部件的操作偏移而导致的这些后果,有必要监控抛光装置中的实时部件操作,检测一个或多个部件的偏移,并且甚至及时调整所述一个或多个部件,以重回正轨进行操作。
常规上,可以将一个或多个传感器并入抛光装置,以通过测量操作中的部件或基板的一个或多个特征来监控装置中的一个或多个部件。仅举几例,光学或涡流原位监控系统可以在抛光期间监控基板上的一个层的厚度,或者热传感器可以在抛光期间测量抛光垫的温度。尽管来自于在抛光期间监控基板的系统的数据可以提供一些信息,但这可能不足以检测或分析系统部件与其预期行为的偏差,尤其是当抛光装置中存在许多部件时。
此外,一些常规技术获取传感器数据以静态分析部件,而非在抛光装置的一个或多个部件正在原位执行操作时动态监控并分析部件操作。这些常规技术获取静态部件的图像数据,并基于获取的图像数据分析所述静态部件。例如,图像数据可以包括通过坐标测量机(CMM)获得的静态扣环的底表面轮廓,用于分析基板的抛光边缘区域。
以下所述的技术可以潜在地缓解以上提到的问题中的一个或多个。采用所述技术的系统或抛光装置可以使用一个或多个视频传感器(例如相机)获取参考抛光装置中的参考部件的基于时间的参考图像序列,以及捕获等效抛光装置中的等效部件的基于时间的监控图像序列。在一个或多个部件执行各自操作时捕获基于时间的图像序列。所述系统可以分析参考部件和等效部件之间捕获的图像帧,以确定实时的偏移。响应于确定偏移,所述系统可以生成通知,例如,指示用户界面部件中的偏移的警报。所述系统可以进一步指示抛光装置以调整一个或多个部件的操作,从而校正偏移。可选地,所述系统甚至可以终止抛光装置中执行的操作的至少一部分。为了确定偏移,所述系统可以采用由一个或多个位置中的一台或多台计算机执行的不同算法。所述算法包括任何合适的图像处理或机器学习算法。
在一些实施方式中,捕获的图像帧可以包括一个或多个参考部件。所述系统可以分析在捕获的参考图像帧中捕获的参考部件的子集中的多个等效部件。
更具体来说,抛光装置部件包括机械臂、装载罩、调节器臂、传送站、承载头、浆料臂、工作台、以及用于对承载头和工作台的旋转进行驱动的一个或多个电机。这些部件的操作是相互作用的。例如,机械臂与装载罩相互作用的方式是,机械臂被配置为从盒中抓取基板并将其水平放置(即,基板的顶表面或底表面朝向基本垂直的位置)到装载罩的底座上。作为另一个示例,承载头与装载罩相互作用,使得承载头被配置为将基板抓离装载罩的底座。下文将描述抛光装置中的每个部件的具体结构和操作。
抛光装置可以控制所述抛光装置中的一个或多个部件,以根据一组指令执行相应操作。所述一组指令可以包括由用户预先确定或由抛光装置自动确定的多个参数,以控制每个部件的操作。例如,所述多个参数可以包括被指定用于控制部件的位置或部件的运动、或部件内的物理场变化的数据。更具体来说,所述数据可以是承载头相对于所述承载头的旋转轴旋转的环形速度,或是浆料臂喷嘴处浆料分配的流速,仅举几例。
根据不同的抛光要求,抛光装置可以有具有不同参数的不同指令集。在下文的描述中,指令集也被称为用于抛光装置的配方。一旦被抛光装置的部件正确执行,就能够使抛光装置基本上抛光一个或多个基板以满足特定抛光要求的配方也被称为“黄金配方”。黄金配方可以在具有不同部件的不同抛光装置之间不同,以满足相同的抛光要求。理想地,在相同抛光要求下,可以在等效抛光装置之间采用黄金配方。
上文和整篇描述中所述的术语“等效”用于代表实质相似水平。更具体来说,参考装置的等效抛光装置可以具有与参考装置实质相同的整体尺寸、结构设计、部件(即等效部件)的个数和种类、以及操作流水线。作为极端的示例,在理想情况下,等效抛光装置可以是参考装置的相同副本(例如,在同一生产批次中的产品中的一个),或同一型号,或具有一个或多个可选附加件的同一型号,或无关紧要的修改,或一个或多个等效部件的数量略有不同,但仍保持实质相同的操作。参考部件的等效部件可以类似于等效抛光装置来描述。更具体来说,等效部件可以是与参考部件相同的抛光部件。或者,等效部件可以与参考部件实质相同,具有可选的附加件或微不足道的修改,并保持与参考部件实质相同的操作。
上文和整篇描述中所述的术语“偏移”描述了部件的测量到的操作与参考部件的操作之间的偏差。偏移仅与等效组价相关联,这是因为假定参考部件根据预定配方精确操作。例如,可以在一个或多个时间步长中量化等效部件的捕获的运动与参考部件的对应参考运动之间的操作偏移。作为另一个示例,可以量化来自于等效喷嘴的测量的浆料流速与在参考浆料喷嘴中的相应参考流速的操作偏移。量化的差异可以从处理捕获的视频图像的不同算法(例如,视频图像处理或机器学习算法)输出。可以通过各种算法,通过确定在参考抛光装置中操作的参考部件与在等效抛光装置中操作的等效部件的捕获到的图像帧之间的差异,并将所述差异与预定的阈值进行比较,来确定操作偏移。如果确定的差异超过了预定的阈值,则系统或抛光装置检测等效部件的偏移。
图1是示例抛光装置20的示意性横截面视图。抛光装置20包括可旋转盘形工作台24,抛光垫30位于所述可旋转盘形工作台24上。操作工作台24可操作用于绕轴25旋转(见图3中的箭头A)。例如,电机22可以转动驱动轴28以旋转工作台24。抛光垫30可以是具有外抛光层34和较软的背衬层32的双层抛光垫。抛光装置20可以包括供应端口(例如,在浆料供应臂39的端部),以将抛光液38(诸如研磨浆料)分配到抛光垫30上。
参考图3,抛光装置20可以包括具有调节器盘92的衬垫调节装置90,以保持抛光垫30的表面粗糙度。调节器盘92可以放置在位于调节器臂94端部的调节器头93中。臂94和调节器头93由基座96支撑。
调节器臂94可以摆动,以便将调节器头93和调节器盘92横向扫过抛光垫30。
再次参考图1,抛光装置20还可以包括承载头70,所述承载头70可操作用于将基板10固持抵靠在抛光垫30上。
承载头70悬挂在支撑结构72(例如,转盘或轨道)上,并通过驱动轴74连接到承载头旋转电机76,使得承载头可以绕轴线71旋转。可选地,承载头70可以通过沿轨道移动或通过转盘本身的旋转振动,而例如在转盘上的滑块上横向振荡。
承载头70可包括:柔性膜80,所述柔性膜80具有与基板10的背面接触的基板安装表面;以及多个可加压腔室82,用于向基板10上的不同的区域(例如,不同的径向区域)施加不同的压力。承载头70可以包括扣环84以固定基板。在一些实施方式中,扣环84可以包括接触抛光垫的塑料下部86,以及更加刚性材料(例如金属)的上部88。
在操作中,工作台24绕其中心轴线25旋转。承载头绕其中心轴线71旋转(见图3中的箭头B)并跨抛光垫30的顶表面而横向地平移(见图3中的箭头C)。
抛光装置20还包括传送站(见图2),用于从承载头70装载和卸载基板。
传送站可以包括多个装载罩8,例如,两个装载罩,所述装载罩适于通过传送机械臂(未示出)促进承载头70与工厂接口(factory interface)(未示出)或另一设备(未示出)之间的基板传送。
装载罩8通常通过装载和卸载承载头70来促进机械臂和每个承载头70之间的传送。
图2是具有示例承载头70的示例装载罩8的示意性横截面视图。如图2所示,每个装载罩8包括底座204,用于在装载/卸载期间固持基板10。装载罩8还包括围绕或基本上围绕底座204的壳体206。
致动器提供壳体206和承载头70之间的相对垂直运动。例如,轴210可以支撑壳体206,并且可垂直致动以升高和降低壳体206。可选地或另外地,承载头70可以垂直移动。底座204可以与轴210在同一轴线上。底座204可以相对于壳体206垂直运动。
在操作中,承载头70可以放置在装载罩8之上,并且可以升高壳体206(或降低承载头70),使得承载头70部分位于腔208内。基板10可以从底座204上开始,并被吸附到承载头70上,和/或从承载头70上开始,并被解吸附到底座204上。
装载罩8可以进一步包括用于输送蒸汽的喷嘴,以用于对承载头70和基板10进行清洁和/或预加热。抛光装置20可以调整蒸汽的温度、压力以及流速,从而改变对承载头70和基板10的清洁和预加热。在一些实施方式中,可针对每个喷嘴或在喷嘴组之间独立调整温度、压力和/或流速。装载罩8中的喷嘴的流速可以是1-1000立方厘米/分钟,这取决于加热器功率和压力。
再次参考图1,抛光装置20还可以包括温度控制系统100,以控制抛光垫30和/或抛光垫上的浆料38的温度。温度控制系统100可以包括冷却系统102和/或加热系统104。冷却系统102和加热系统104中的至少一个(且在有些实施方式中是两个)通过将温度控制介质(例如,液体、蒸汽或喷雾)输送到抛光垫30的抛光表面36上(或输送到已经存在于抛光垫上的抛光液体上)来进行操作。
冷却系统102可以包括液体冷却剂介质源130和气体源132(见图3)。冷却系统102或加热系统104可以包括臂110,所述臂110在工作台24和抛光垫30之上从抛光垫的边缘延伸到或至少靠近(例如,在抛光垫总半径的5%以内)抛光垫30的中心。臂110可以由基座112支撑,并且基座112可与工作台24支撑在同一框架40上。基座112可以包括一个或多个致动器,例如,用于升高或降低臂110的线性致动器,和/或用于在工作台24之上横向摆动臂110的旋转致动器。臂110被定位为避免与其他硬件部件(诸如承载头70、衬垫调节盘、以及浆料分配臂39)碰撞。
示例冷却系统102包括悬挂于臂110上的多个喷嘴120。每个喷嘴120被配置为将液体冷却剂介质(例如水)喷射到抛光垫30上。臂110可以由基座112支撑,使得喷嘴120通过间隙126与抛光垫30分离。
图3是示例抛光装置20的示意性俯视图。结合图1如前所述,抛光装置可以包括冷却系统102、加热系统104和冲洗系统106。如图3所示,抛光装置可以包括用于这些系统中的每一个的分离的臂。每个系统可以由相应的致动器致动。或者,各种子系统可以被包括在由公共臂和公共致动器支撑的单个组件中。
与冷却系统102类似,加热系统104连接到具有加热介质的加热介质箱,所述加热介质包括气体(例如蒸汽(例如来自蒸汽发生器410)或经加热的空气)或液体(例如加热水,或气体和液体的组合)。加热系统104可以包括多个喷嘴和臂,所述臂在工作台24和抛光垫30之上延伸,由基座142支撑。基座142可与工作台24支撑在同一框架40上。基座142可以包括致动器,例如,用于升高或降低臂140的线性致动器,和/或用于在工作台24之上横向摆动臂140的旋转致动器。所述臂被定位为避免与其他硬件部件(诸如承载头70、衬垫调节盘92、以及浆料分配臂39)碰撞。
与冷却和加热系统类似,高压冲洗系统106包括多个喷嘴,所述多个喷嘴连接到清洗液罐156并被配置为以高强度将清洗液(例如水)引导到抛光垫30上,以清洗垫30并去除用过的浆料、抛光碎屑等。
如图3所示,示例冲洗系统106包括在工作台24上方延伸且由基座152支撑的臂,并且所述基座152可与工作台24支撑在同一框架40上。基座152可以包括一个或多个致动器,例如,用于升高或降低臂150的线性致动器,和/或用于在工作台24之上横向摆动臂150的旋转致动器。所述臂150被定位为避免与其他硬件部件(诸如承载头70、衬垫调节盘92、以及浆料分配臂39)碰撞。
在一些实施方式中,抛光系统20还可以进一步包括刮水片或主体170,用于跨抛光垫30分布抛光液38。沿着工作台24旋转的方向,刮水片170可以在浆料输送臂39和承载头70之间。
再次参考图1、图2和图3,抛光装置20还可以包括控制器12,用于控制系统内的各种部件的操作。控制器12也配置为接收传感器数据,所述传感器数据由测量各种部件的操作的一个或多个传感器收集,并基于对接收的传感器数据的分析,提供反馈调整,以改变部件操作。
为了执行一个或多个部件的偏移检测操作,例如,通过将数据与来自参考部件的数据进行比较,系统可以包括一个或多个视频图像传感器14(例如,相机或录像机),其中每个视频图像传感器定位为具有抛光装置20的一个或多个部件的视图16。每个视频图像传感器14配置为捕获抛光装置中的至少一个部件的操作的基于时间的监控图像序列。视频图像传感器14可通常定位于工作台24上方,以具有各种部件(例如,承载头70、浆料输送臂39等)的顶外表面和/或侧外表面的向下透视图。在所述位置,基板10不受视频图像传感器14监控。
捕获的监控图像可以被发送到抛光装置中的控制器12,或抛光装置20外部的一台或多台计算机。基于参考部件的基于时间的参考图像序列,所述系统可以进一步分析捕获的监控图像,以检测至少一个部件的偏移。可选地,所述系统可以在检测到偏移时生成通知,并调整由控制器12控制的至少一个部件的操作。为了调整操作,控制器可以发射反馈信号到控制机构(例如,与致动器、电机或压力源有关的机构),以调整所述至少一个部件的操作。可以由控制器12利用内部反馈算法计算反馈信号,或基于捕获的监控图像,从外部计算机接收反馈信号。下文将描述获取参考图像以及用不同算法分析捕获的监控图像的细节。
图4是示出偏移检测的示例过程400的流程图,所述偏移检测基于使用图像处理的视频图像。所述过程400可由位于一个或多个地点的一台或多台计算机执行。或者,过程400可被存储为一台或多台计算机中的指令。一旦被执行,这些指令就可使抛光装置的一个或多个部件执行所述过程。例如,如图1至图3所示,控制器12,或抛光装置20外部的一台或多台计算机,可以执行所述过程400。
所述系统获取在抛光系统的测试操作期间执行操作的抛光系统部件的基于时间的参考图像序列(402)。所述系统可以包括一个或多个适当定位的摄像机,用于捕获基于时间的参考图像序列。
为了获得抛光系统的参考部件的基于时间的参考图像序列,为抛光系统选定合适的配方,例如黄金配方,并且利用控制器12控制相关联的抛光系统,以根据黄金配方执行操作。如果参考部件操作与所指示的操作实质相同,则在测试图像期间获得的视频图像可以被用为基于时间的参考图像序列。为简单起见,下文的描述中,基于时间的参考图像序列也称为参考视频。
在实际抛光操作期间,例如,作为针对基板上的集成电路的制造过程的一部分,系统从相机接收执行操作d的等效抛光系统的等效部件的基于时间的监控图像序列(404)。与获取参考视频类似,系统可以使用一个或多个相机捕获基于时间的监控图像序列,或者从合适的外部监控系统接收基于时间的监控图像序列。
系统对抛光装置中的参考部件采用与等效抛光装置中的等效部件相同的黄金配方,并指示等效抛光装置的控制器12控制等效部件执行黄金配方所指示的操作。所述系统利用一个或多个相机捕获一组基于时间的监控图像。所述一组监控图像应至少包括等效抛光装置中的等效部件。所述系统可以存储捕获的监控图像以待后续分析。为简单起见,下文的描述中,基于时间的监控图像序列也称为监控视频。
所述系统通过使用图像处理算法将基于时间的参考图像序列与基于时间的监控图像序列进行比较,来确定基于时间的监控图像序列的差值(406)。系统采用图像处理算法来分析针对等效部件的监控视频。所述图像处理算法将参考视频和监控视频两者都作为输入,并对两个视频进行预处理以减少噪声,并可选地对两个视频的每一帧的图像像素进行归一化。
系统还可以对两个视频设置各自的开始时间,以用于图像处理算法。从各自的开始时间开始,参考部件和等效部件都处于实质相似的状态,并执行实质相似的操作。例如,参考部件是参考抛光装置中的承载头。等效部件是等效抛光装置中的所述承载头的副本,所述等效抛光装置也是参考抛光装置的副本。系统可以为两个视频设置各自的开始时间,从而使参考承载头和等效承载头在各自的开始时间位于各自的工作台上与各自的基板一起各自开始旋转。参考视频的开始时间可以与监控视频的开始时间不同。例如,参考视频中的承载头从参考视频的第五秒开始在工作台上旋转。然而,监控视频中的等效承载头从监控视频的第三十一秒开始在等效工作台上旋转。
系统生成代表从开始时间开始的参考视频和监控视频的每一帧之间的相似度的差值。所述差值可以是任何合适的形式,例如,标量、矢量或张量。可以以任何合适的方式计算所述差值。例如,所述差值可以是来自监控视频和参考视频的每一帧的每一对像素之间的差值的度量。更具体来说,通过将每一对帧之间的强度差值的平方逐像素相加,所述差值的度量可以是均方根差值,其可以与输出差值相同。或者,所述差值可以是每一对组像素或者是来自每一帧的内核输出之间的差值的度量。内核接收不同的像素组,以生成不同特征等级的特征。例如,较低级别的特征可以包括线条或颜色,而较高水平的特征可以包括表示对象的至少一部分的基础形状到复杂形状。
在一些实施方式中,所述差值可以代表从参考视频和监控视频两者中获取的物理场的相似度水平。系统可以使用图像处理算法,生成对应部件的速度场、压力场或温度场,并且比较两个视频间的一个或多个物理场的差异。或者,所述差值可以表示参考视频和监控视频之间各自部件中的物理量的差异。例如,系统可以生成相应视频中相应部件的平均速度、角速度、轨迹、或振动,并且可以比较两个视频中的部件的这些物理量之间的差异。差值可以是视频之间相应物理量的均方根差,也可以是视频之间相应物理量绝对差的加权和,仅举几例。
系统确定所述差值是否超过阈值(408)。系统可以从用户处接收预先确定的阈值,或者使用特定算法自动生成阈值,并将每个所获得的差值与各自的阈值相关联。阈值可以表示绝对差值或相对差值的上限。例如,对于速度差值,所述阈值可以是1mm/s,或者对于温度场差值,所述阈值可以是10%。
响应于确定所述差值超过阈值,系统指示偏移(410)。当确定差值超过阈值时,系统可生成警报。系统还可以在用户界面部件上生成通知。
此外,系统还可以在用户界面部件上生成用户演示,用于将信息叠加到捕获的监控视频上。更具体来说,系统可以向用户呈现具有多个叠加的监控视频,每个叠加呈现基于时间的监控图像序列的相应的特征。例如,叠加可以呈现各种物理场(例如,流场、温度场)、各种物理量(例如,环空速度、轨迹)和通知(例如,警报、分析摘要)。
偏移可以包括由等效部件执行的各种操作,这些操作偏离了由参考配方指示的参考部件所执行的操作。例如,偏移可以是部件偏离预期运动路径(例如,预期轨迹)。在这些情况下,并结合图1至图3,所述部件可以是,例如,承载头70、工作台24、正在抛光的基板10、装载罩8中的底座204、调节器臂94、臂140、150、110、刮水片170和机械臂。
例如,可以通过比较参考视频和监控视频检测到承载头70偏离预期旋转(例如,以更低的环空速度旋转)。作为另一个示例,可以检测到刮水片170偏离预期轨迹,以至于刷片与承载头70碰撞。作为另一个示例,底座204不像预期的那样升高或降低。作为另一个示例,臂94、110、140和150中的两个在扫过时发生碰撞。作为极端的示例,可以检测到基板10从承载头70脱出,在工作台24上碎裂成碎片。
系统可以进一步分析部件从预期运动路径的偏移,以确定是否有一个或多个电机意外地驱动系统中的部件。另外,基于偏移,系统可以确定初始校准过程是否未正确执行。
此外,偏移可以指示部件执行操作时物理场的差异。在这些情况下,并结合图1至图3,所述部件可以是,例如,装载罩8中的喷嘴,用于冷却系统102、加热系统104和冲洗系统106的喷嘴,工作台24,以及浆料分配臂39。
例如,从分配臂39分配的浆料流速可被检测为具有比参考视频更低的流速。作为另一个示例,工作台24上的温度场可以具有温度比参考视频更高的一个或多个区域。作为另一个示例,装载罩8中的喷嘴可被检测为具有将会引起过喷涂的高水压。也可以在抛光装置的其他部件中监测到过喷涂,例如,在浆料分配臂39中的过喷涂。作为极端的示例,工作台24被检测为过热,并且冷却系统102的喷嘴被堵塞。
确定差值超过阈值之后,系统可以生成校正操作,用于调整执行操作的等效部件,以减小差值。系统可以在抛光装置20外部的一台或多台计算机上生成用于经调整的操作的指令,或者系统可以指示控制器12生成指令。然后,控制器12可以基于指令来控制对应的部件调整各自的操作。
系统可以快捷地放大分析过程,以同时检测抛光系统中的多个部件的偏移。
所述系统首先获取相应的基于时间的参考图像序列,所述相应的参考图像序列包括在抛光系统的相应的测试操作期间执行操作的抛光系统的多个部件。
然后,系统从相机接收基于时间的监控图像序列,所述基于时间的监控图像序列包括基板抛光期间执行操作的等效抛光系统的一个或多个等效部件。参考视频中捕获的多个部件应包括等效抛光装置中一个或多个等效部件的所有类型。系统可以对一个或多个等效部件中的每一个执行406、408和410的类似步骤。
图5是示出偏移检测的示例过程500的流程图,所述偏移检测基于使用机器学习的视频图像。所述过程500可由位于一个或多个地点的一台或多台计算机执行。或者,过程500可被存储为一台或多台计算机中的指令。一旦被执行,这些指令就可使抛光装置的一个或多个部件执行所述过程。例如,如图1至图3所示,控制器12、或抛光装置20外部的一台或多台计算机,可以执行所述过程500。
系统从相机接收在测试基板抛光期间执行操作的抛光系统的部件的基于时间的监控图像序列(502)。与上述的过程400类似,系统可以使用一个或多个相机捕获基于时间的监控图像序列,或者从合适的外部监控系统接收基于时间的监控图像序列。系统捕获执行参考配方所指示的操作的部件的监控视频。
系统将基于时间的监控图像序列分析输入到通过训练示例训练的机器学习模型中,以检测部件偏离预期操作的情况;其中,训练示例包括在测试操作期间执行操作的参考抛光系统的参考部件的基于时间的参考图像序列(504),以及参考图像序列的分类,例如,作为正常操作或偏移。所述分类还可以识别偏移的类型,例如,装载罩中的底座无法抬升、承载头偏离预期扫过位置等。
所述系统可以从外部存储器获取表示多个训练示例的数据,或者使用一个或多个相机来收集训练示例。每个训练示例都是执行操作的部件的基于时间的图像序列。为了收集训练示例,所述系统可指示具有等效部件的多个等效抛光装置使用参考配方(即,用于捕获监控视频的相同配方)执行操作,并对于每个等效部件捕获各自的监控视频。系统可以基于捕获的各自的监控视频训练神经网络。
在一些实施方式中,所述系统可以使用参考抛光装置中的参考部件和各自的等效抛光装置中的一个或多个等效部件来获取训练示例。可选地,系统还可以包括在训练神经网络期间针对每个训练示例的权重值,并且为具有参考视频的训练样本设置更大的权重值。
训练神经网络之后,所述系统可以使用等效部件的输入数据(例如监控视频)来执行推理计算。等效部件是与训练样本中的部件实质相似的部件。
系统从机器训练模型接收对部件偏移预期操作的指示(506)。与过程400的步骤410类似,系统可以基于输入数据(例如部件的监控视频)检测等效部件的偏移。结合过程400,来类似地描述偏移。系统可以类似地生成校正操作以调整执行操作的等效部件。
系统可以在位于一个或多个位置的一台或多台计算机上存储经训练的神经网络。一个或多个处理器可以同时访问存储的神经网络,以加速推理操作(例如并行计算)。系统可以继续用新捕获的训练示例训练神经网络。类似地,所述系统可以被放大以同时监控抛光装置中的多个部件的操作的偏移。
如在本说明书中所使用的,术语基板可包括,例如,产品基板(例如,其包括多个存储器或处理器管芯)、测试基板、裸基板和选通基板。基板可以处于集成电路制造的各种阶段,例如,基板可以是裸晶片,或者基板可包括一个或多个经沉积和/或图案化的层。术语基板可包括圆盘和矩形薄片。
可以在各种抛光系统中应用上述的抛光装置和方法。抛光垫、或承载头、或这两者可移动以提供抛光表面与基板之间的相对运动。例如,工作台可以绕轨道运行,而不是旋转。抛光垫可以是固定到工作台的圆形的(或一些其他形状的)衬垫。端点检测系统的一些方面可适用于线性抛光系统,例如,其中抛光垫是线性移动的连续的或卷对卷的带。抛光层可以是标准(例如,具有或不具有填料的聚氨酯)抛光材料、软材料或固定研磨材料。使用相对定位的术语;应当理解,抛光表面和基板能固定在竖直方向或某个其他方向。
对本说明书中描述的各种系统和过程、或其部分的控制能以计算机程序产品来实现,所述计算机程序产品包括存储在一个或多个非瞬态计算机可读存储介质中的指令,并且这些指令在一个或多个处理设备上是可执行的。本说明书中描述的系统或其部分可以作为装置、方法或电子系统来实现,这些装置、方法或电子系统可包括一个或多个处理设备和存储器,所述存储器存储用于执行本说明书中所描述的操作的可执行指令。
本说明书中描述的机器学习模型的分类和训练的实施例,可以在数字电子电路、有形实现的计算机软件或固件、计算机硬件中实现,包括本说明书中公开的结构及其结构等效物,或者是其中一种或多种的组合。本说明书中描述的主题的实施例可被实现为一个或多个计算机程序,即,编码在有形非瞬态存储介质上的一个或多个计算机程序指令模块,用于由数据处理装置执行或控制数据处理装置的操作。所述计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储设备、或它们中的一者或多者的组合。可选地或另外地,可以在人工生成的传播信号(例如,机器生成的电、光或电磁信号)上对程序指令进行编码,所述信号被生成以便对信息进行编码,从而传输到合适的接收器装置以供数据处理装置执行。
计算机程序(也可以被称为或描述为程序、软件、软件应用、应用、模块、软件模块、脚本或代码)可以用包括编译或解释语言或者声明性或过程性语言的任何形式的编程语言来编写;并且其可以以任何形式来部署,包括作为独立程序或者作为模块、部件、子例程或适于在计算环境中使用的其他单元。程序有可能但不是必须与文件系统中的文件相对应。程序可以被存储在保有其他程序或数据的文件的一部分中(例如,存储在标记语言文档中的一个或多个脚本)、在专用于所讨论的程序的单个文件中、或在多个协调文件(例如,存储一个或多个模块、子程序或部分代码的文件)中。计算机程序可被部署成在一台计算机上或在位于一个站点或跨多个站点分布并通过数据通信网络互连的多台计算机上执行。
本说明书描述的过程和逻辑流可由一台或多台可编程计算机执行,所述一台或多台可编程计算机执行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行功能。所述过程和逻辑流也可以由专用逻辑电路(例如,FPGA或ASIC)执行,或由专用逻辑电路和一台或多台编程计算机的组合来执行。
适用于执行计算机程序的计算机可以基于通用微处理器或专用微处理器,或两者兼有,或任何其他类型的中央处理单元。一般而言,中央处理单元将从只读存储器或随机存取存储器或这两者接收指令和数据。计算机的基本元件是用于运行或执行指令的中央处理单元,以及用于存储指令和数据的一个或多个存储器设备。中央处理单元和存储器可由专用逻辑电路系统补充,或并入到专用逻辑电路系统中。一般而言,计算机还将包括用于存储数据的一个或多个大容量存储设备(例如,磁盘、磁光盘或光盘)或可操作地耦接至所述一个或多个大容量存储设备,以从所述一个或多个大容量存储设备接收数据向所述一个或多个大容量存储设备传送数据,或两者兼有。然而,计算机不必具有此类设备。
适于存储计算机程序指令和数据的计算机可读介质包括各种形式的非易失性存储器、介质和存储器设备,例如包括:半导体存储器设备(例如,EPROM、EEPROM和闪存存储器设备);磁盘(例如,内部硬盘或可移动盘);磁光盘;以及CD ROM和DVD-ROM盘。
用于实施机器学习模型的数据处理装置也可以包括,例如,专用硬件加速器单元,用于处理机器学习训练或生产(即,推理、工作负载)的公共部分和计算密集部分。
机器学习模型可以使用机器学习框架(例如,TensorFlow框架、Microsoft认知工具包框架、Apache Singa框架,或Apache MXNet框架)来实现和部署。
本说明书中描述的主题的实施例可在计算系统中被实现,所述计算系统包括后端部件(例如,作为数据服务器)或包括中间件部件(例如,应用服务器)或包括前端部件(例如,具有图形用户界面、网络浏览器或应用的客户端计算机,用户能够通过所述客户端计算机与本说明书中描述的主题的实现进行交互),或包括一个或多个此类后端、中间件或前端部件的任何组合。系统的部件可由任何形式或介质的数字数据通信(例如,通信网络)互相连接。通信网络的示例包括局域网(LAN)和广域网(WAN),例如,因特网。
所述计算系统可包括客户端和服务器。客户端和服务器通常彼此远离,并且通常通过通信网络交互。客户端和服务器的关系根据在各自计算机上运行且彼此具有客户端-服务器关系的计算机程序来产生。在一些实施例中,服务器将数据(例如,HTML页面)传输到作为客户端的用户设备,例如,为了向与所述设备交互的用户显示数据,并从所述用户接收用户输入。在用户设备上生成的数据(例如,用户交互的结果)可以在所述服务器处从所述设备接收。
尽管本说明书包含许多特定实现细节,但是这些实现细节不应被解读为对任何发明的范围或者可能要求保护的内容的范围的限制,而应被解读为对可特定于具体发明的具体实施例的特征的描述。也可将在本说明书中描述的、在各单独实施例的上下文中的某些特征以组合形式实现在单个实施例中。反之,也可单独地在多个实施例中、或在任何合适的子组合中实现在单个实施例的上下文中所描述的各种特征。此外,虽然在上文中可能将特征描述为以某些组合的方式起作用,且甚至最初是如此要求保护的,但是,在一些情况下,可将来自所要求保护的组合的一个或多个特征从所述组合中删除,并且所要求保护的组合可以指向子组合或子组合的变型。
己经描述了主题的具体实施例。
其他实施例在所附权利要求的范围内。
Claims (20)
1.一种抛光系统,包括:
工作台,所述工作台用于支撑抛光垫;
承载头,所述承载头用于将基板固持抵靠所述抛光垫;
部件,所述部件从群组中选择,所述群组包括工作台、承载头、调节器臂、装载罩或机械臂;
相机,所述相机被定位以用于捕获所述部件的基于时间的监控图像序列;以及
控制器,所述控制器被配置成用于:
获取在测试操作期间执行操作的等效抛光系统的等效部件的基于时间的参考图像序列,
从相机接收所述部件在基板的抛光期间的基于时间的监控图像序列,
通过使用图像处理算法将所述基于时间的参考图像序列与所述基于时间的监控图像序列进行比较,以确定所述基于时间的监控图像序列的差值,
确定所述差值是否超过阈值,并且
响应于确定所述差值超过阈值,指示偏移。
2.如权利要求1所述的系统,其特征在于,所述控制器被配置为检测部件从预期运动路径的偏离作为偏移。
3.如权利要求1所述的系统,其特征在于,所述控制器被配置为,响应于确定所述差值超过所述阈值,生成校正操作以调整执行操作的所述部件,以减小所述差值。
4.如权利要求1所述的系统,进一步包括显示器,并且其中所述控制器被配置为在所述显示器上生成用户演示,其中所述用户演示包括所述基于时间的监控图像序列和一个或多个叠加,每个叠加代表所述基于时间的监控图像序列的相应特征。
5.一种计算机程序产品,所述计算机程序产品有形地实现于计算机可读介质中,所述计算机程序产品包括指令,所述指令使一台或多台计算机:
存储在抛光系统的测试操作期间执行操作的所述抛光系统的部件的基于时间的参考图像序列;
从相机接收在基板的抛光期间执行操作的等效抛光系统的等效部件的基于时间的监控图像序列;
通过使用图像处理算法将所述基于时间的参考图像序列与所述基于时间的监控图像序列进行比较,以确定所述基于时间的监控图像序列的差值;
确定所述差值是否超过阈值;并且
响应于确定所述差值超过阈值,指示偏移。
6.如权利要求5所述的计算机程序产品,进一步包括指令,所述指令用于在用户界面部件上生成用户演示,其中所述用户演示包括所述基于时间的监控图像序列和一个或多个叠加,每个叠加代表所述基于时间的监控图像序列的相应特征。
7.如权利要求6所述的计算机程序产品,进一步包括指令,所述指令用于响应于确定所述差值超过阈值,生成校正操作以调整执行操作的所述等效部件,以减小差值。
8.如权利要求6所述的计算机程序产品,其特征在于,所述偏移包括所述部件从预期运动路径的偏离、来自于流体分配器的流体过喷涂、或当经受抛光时的晶片滑动。
9.如权利要求6所述的计算机程序产品,包括指令,所述指令用于当所述抛光系统的所述部件在一组参考指令下执行操作时,从所述相机接收所述基于时间的参考图像序列,并用于当所述等效抛光系统的所述等效部件在所述一组参考指令下执行操作时,从所述相机接收所述基于时间的监控图像序列。
10.一种用于监控抛光系统的操作的方法,所述方法包括:
获取在抛光系统的测试操作期间执行操作的所述抛光系统的部件的基于时间的参考图像序列;
从相机接收在基板的抛光期间执行操作的等效抛光系统的等效部件的基于时间的监控图像序列;
通过使用图像处理算法将所述基于时间的参考图像序列与所述基于时间的监控图像序列进行比较,以确定所述基于时间的监控图像序列的差值;
确定所述差值是否超过阈值;以及
响应于确定所述差值超过阈值,指示偏移。
11.一种抛光系统,包括:
工作台,所述工作台用于支撑抛光垫;
承载头,所述承载头用于将基板固持抵靠所述抛光垫;
部件,所述部件从群组中选择,所述群组包括工作台、承载头、调节器臂、装载罩或机械臂;
相机,所述相机被定位以用于捕获所述部件的基于时间的监控图像序列;以及
控制器,所述控制器被配置成用于:
从相机接收在基板的抛光期间执行操作的所述部件的基于时间的监控图像序列,并且
使用通过训练示例训练的机器学习模型分析基于时间的监控图像序列,以检测并指示所述部件从预期操作的偏移,其中,所述训练示例包括在测试操作期间执行操作的参考抛光系统的参考部件的基于时间的参考图像序列,并且
基于分析指示偏移。
12.如权利要求11所述的系统,其特征在于,所述机器学习模型被配置为使用对象跟踪算法,基于输入的基于时间的监控图像序列,来确定所述部件的运动。
13.如权利要求11所述的系统,其特征在于,所述偏移包括所述部件从预期运动路径的偏离。
14.一种计算机程序产品,所述计算机程序产品有形地实现于计算机可读介质,所述计算机程序产品包括指令,所述指令使一台或多台计算机:
从相机接收在基板的抛光期间执行操作的抛光系统的部件的基于时间的监控图像序列;并且
使用通过训练示例训练的机器学习模型分析所述基于时间的监控图像序列,以检测并指示所述部件从预期操作的偏移,其中,所述训练示例包括在测试操作期间执行操作的参考抛光系统的参考部件的基于时间的参考图像序列。
15.如权利要求14所述的计算机程序产品,其特征在于,所述机器学习模型被配置为使用对象跟踪算法,基于输入的基于时间的监控图像序列,来确定所述部件的运动。
16.如权利要求14所述的计算机程序产品,其特征在于,所述机器学习模型被配置为根据输入的基于时间的监控图像序列,来预测所述部件的物理场轮廓。
17.如权利要求16所述的计算机程序产品,其特征在于,所述部件的物理场轮廓包括:旋转的抛光垫的温度场,或施加到晶片上的压力场。
18.如权利要求14所述的计算机程序产品,其特征在于,所述偏移包括所述部件从预期运动路径的偏离、来自于流体分配器的流体过喷涂、或当经受抛光时的晶片滑动。
19.如权利要求14所述的计算机程序产品,进一步包括指令,所述指令用于在用户界面部件上生成用户演示,其中所述用户演示包括所述基于时间的监控图像序列和一个或多个叠加,每个叠加代表所述基于时间的监控图像序列的相应特征。
20.一种用于监控抛光系统的操作的方法,所述方法包括:
从相机接收在基板抛光期间执行操作的抛光系统的部件的基于时间的监控图像序列;
将所述基于时间的监控图像序列分析输入到通过训练示例训练的机器学习模型中,以检测所述部件从预期操作的偏移,其中,所述训练示例包括在测试操作期间执行操作的参考抛光系统的参考部件的基于时间的参考图像序列;以及
从所述机器训练模型接收所述部件从预期操作的偏移的指示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163157616P | 2021-03-05 | 2021-03-05 | |
US63/157,616 | 2021-03-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115008339A true CN115008339A (zh) | 2022-09-06 |
CN115008339B CN115008339B (zh) | 2023-12-26 |
Family
ID=83066623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210218903.1A Active CN115008339B (zh) | 2021-03-05 | 2022-03-07 | 使用基于时间的图像序列检测cmp部件的偏移 |
Country Status (6)
Country | Link |
---|---|
US (3) | US11710228B2 (zh) |
JP (1) | JP2024508936A (zh) |
KR (1) | KR20230153443A (zh) |
CN (1) | CN115008339B (zh) |
TW (1) | TWI841927B (zh) |
WO (1) | WO2022187057A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1800837A (zh) * | 2004-09-27 | 2006-07-12 | 应用材料以色列公司 | 交变配置的光学检测 |
US20060258264A1 (en) * | 2005-05-16 | 2006-11-16 | The Ultran Group, Inc. | CMP Pad Analyzer |
CN101023429A (zh) * | 2004-07-02 | 2007-08-22 | 斯特拉斯鲍公司 | 用于处理晶片的方法和系统 |
JP2010238032A (ja) * | 2009-03-31 | 2010-10-21 | Nohmi Bosai Ltd | 煙検出装置 |
US20110301847A1 (en) * | 2010-06-07 | 2011-12-08 | Jeffrey Drue David | Automatic Initiation Of Reference Spectra Library Generation For Optical Monitoring |
US20160082566A1 (en) * | 2013-10-24 | 2016-03-24 | Globalfoundries Inc. | Wafer slip detection during cmp processing |
CN110871403A (zh) * | 2018-08-31 | 2020-03-10 | 台湾积体电路制造股份有限公司 | 化学机械平坦化系统和使用其的方法 |
Family Cites Families (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3639329C1 (de) * | 1986-11-18 | 1988-02-25 | Heesemann Karl Masch | Bandschleifmaschine |
US7751609B1 (en) * | 2000-04-20 | 2010-07-06 | Lsi Logic Corporation | Determination of film thickness during chemical mechanical polishing |
TW545580U (en) | 2002-06-07 | 2003-08-01 | Nanya Technology Corp | CMP device of measuring apparatus with a notched size for measuring the guide ring of wafer edge |
JP3793810B2 (ja) | 2002-07-09 | 2006-07-05 | 独立行政法人国立高等専門学校機構 | 研削工具の砥面状態検査方法 |
JP2006035353A (ja) | 2004-07-26 | 2006-02-09 | Seiko Epson Corp | Cmp装置、cmp研磨方法、及び、半導体装置の製造方法 |
US7416648B2 (en) * | 2005-05-12 | 2008-08-26 | Taiwan Semiconductor Manufacturing Company, Ltd. | Image sensor system for monitoring condition of electrode for electrochemical process tools |
US7210981B2 (en) | 2005-05-26 | 2007-05-01 | Applied Materials, Inc. | Smart conditioner rinse station |
JP4660569B2 (ja) * | 2008-03-21 | 2011-03-30 | 株式会社東芝 | 物体検出装置及び物体検出方法 |
KR101322410B1 (ko) | 2012-03-08 | 2013-10-28 | 김오수 | 화학기계식 웨이퍼연마장치 |
WO2014138087A1 (en) * | 2013-03-04 | 2014-09-12 | Rite-Hite Holding Corporation | Methods and apparatus for video based process monitoring and control |
US9343043B2 (en) * | 2013-08-01 | 2016-05-17 | Google Inc. | Methods and apparatus for generating composite images |
EP3277096B1 (en) * | 2015-03-27 | 2020-04-22 | Prashant Choudhary | Autonomous cooking device to prepare food from a recipe file |
US10565701B2 (en) * | 2015-11-16 | 2020-02-18 | Applied Materials, Inc. | Color imaging for CMP monitoring |
US10360477B2 (en) | 2016-01-11 | 2019-07-23 | Kla-Tencor Corp. | Accelerating semiconductor-related computations using learning based models |
KR102304331B1 (ko) * | 2017-02-24 | 2021-09-24 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의해 공정 모델들을 결정하는 방법들 |
US10127943B1 (en) * | 2017-03-02 | 2018-11-13 | Gopro, Inc. | Systems and methods for modifying videos based on music |
WO2019177841A1 (en) | 2018-03-13 | 2019-09-19 | Applied Materials, Inc. | Consumable part monitoring in chemical mechanical polisher |
CN111819583B (zh) * | 2018-03-21 | 2024-06-04 | 科磊股份有限公司 | 用于使用合成缺陷图像训练机器学习模型的方法和系统 |
US11731232B2 (en) * | 2018-10-30 | 2023-08-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | Irregular mechanical motion detection systems and method |
WO2020135988A1 (en) * | 2018-12-28 | 2020-07-02 | Asml Netherlands B.V. | Determining pattern ranking based on measurement feedback from printed substrate |
WO2020137802A1 (ja) * | 2018-12-28 | 2020-07-02 | 株式会社荏原製作所 | パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム |
US11815820B2 (en) * | 2019-03-21 | 2023-11-14 | Asml Netherlands B.V. | Training method for machine learning assisted optical proximity error correction |
US11551348B2 (en) * | 2019-04-09 | 2023-01-10 | KLA Corp. | Learnable defect detection for semiconductor applications |
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 |
SG10202006423VA (en) * | 2019-07-12 | 2021-02-25 | Ebara Corp | Substrate processing apparatus and storage medium |
CN114207517A (zh) * | 2019-08-13 | 2022-03-18 | Asml荷兰有限公司 | 训练用于改善图案化过程的机器学习模型的方法 |
US20220342316A1 (en) * | 2019-09-05 | 2022-10-27 | Asml Netherlands B.V. | Method for determining defectiveness of pattern based on after development image |
US20220335333A1 (en) * | 2019-09-16 | 2022-10-20 | Asml Netherlands B.V. | Methods for generating characteristic pattern and training machine learning model |
JP2021058955A (ja) * | 2019-10-04 | 2021-04-15 | 株式会社荏原製作所 | 研磨装置、情報処理システム、情報処理方法及びプログラム |
KR20220073828A (ko) * | 2019-11-01 | 2022-06-03 | 에이에스엠엘 네델란즈 비.브이. | 모델 베이스 정렬들을 위한 기계 학습 기반 이미지 생성 |
US11961219B2 (en) * | 2020-02-27 | 2024-04-16 | KLA Corp. | Generative adversarial networks (GANs) for simulating specimen images |
US11189509B2 (en) * | 2020-05-04 | 2021-11-30 | Nanya Technology Corporation | System and method for controlling semiconductor manufacturing equipment |
DE102020206497A1 (de) * | 2020-05-25 | 2021-11-25 | Thyssenkrupp Ag | Verfahren zum maschinellen Ermitteln des Funktionszustands von Tragrollen einer Gurtförderanlage, Verfahren zur Identifikation von funktionsbeeinträchtigen Tragrollen einer Gurtförderanlage, Computerprogramm zur Durchführung der Verfahren, maschinenlesbarer Datenträger mit einem darauf gespeicherten Computerprogramm und Einrichtung zum maschinellen Ermitteln des Funktionsstatus von Tragrollen einer Gurtförderanlage |
US11776108B2 (en) * | 2020-08-05 | 2023-10-03 | KLA Corp. | Deep learning based defect detection |
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 |
-
2022
- 2022-02-23 US US17/678,939 patent/US11710228B2/en active Active
- 2022-02-23 WO PCT/US2022/017548 patent/WO2022187057A1/en active Application Filing
- 2022-02-23 US US17/678,936 patent/US20220284560A1/en active Pending
- 2022-02-23 JP JP2023553996A patent/JP2024508936A/ja active Pending
- 2022-02-23 KR KR1020237033625A patent/KR20230153443A/ko unknown
- 2022-03-04 TW TW111107961A patent/TWI841927B/zh active
- 2022-03-07 CN CN202210218903.1A patent/CN115008339B/zh active Active
-
2023
- 2023-06-06 US US18/206,353 patent/US20230316502A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101023429A (zh) * | 2004-07-02 | 2007-08-22 | 斯特拉斯鲍公司 | 用于处理晶片的方法和系统 |
CN1800837A (zh) * | 2004-09-27 | 2006-07-12 | 应用材料以色列公司 | 交变配置的光学检测 |
US20060258264A1 (en) * | 2005-05-16 | 2006-11-16 | The Ultran Group, Inc. | CMP Pad Analyzer |
JP2010238032A (ja) * | 2009-03-31 | 2010-10-21 | Nohmi Bosai Ltd | 煙検出装置 |
US20110301847A1 (en) * | 2010-06-07 | 2011-12-08 | Jeffrey Drue David | Automatic Initiation Of Reference Spectra Library Generation For Optical Monitoring |
US20160082566A1 (en) * | 2013-10-24 | 2016-03-24 | Globalfoundries Inc. | Wafer slip detection during cmp processing |
CN110871403A (zh) * | 2018-08-31 | 2020-03-10 | 台湾积体电路制造股份有限公司 | 化学机械平坦化系统和使用其的方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2024508936A (ja) | 2024-02-28 |
US11710228B2 (en) | 2023-07-25 |
US20220284561A1 (en) | 2022-09-08 |
KR20230153443A (ko) | 2023-11-06 |
CN115008339B (zh) | 2023-12-26 |
TWI841927B (zh) | 2024-05-11 |
US20230316502A1 (en) | 2023-10-05 |
WO2022187057A1 (en) | 2022-09-09 |
US20220284560A1 (en) | 2022-09-08 |
TW202247944A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7465277B2 (ja) | 化学機械研磨における研磨パッドテクスチャのモニタリング | |
JP7227158B2 (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 | |
US20200130130A1 (en) | Irregular mechanical motion detection systems and method | |
US20120270477A1 (en) | Measurement of pad thickness and control of conditioning | |
JP7475462B2 (ja) | 隣接する導電層のスタックの研磨中のプロファイル制御 | |
US20230316502A1 (en) | Training a machine learning system to detect an excursion of a cmp component using time-based sequence of images | |
US20220193858A1 (en) | Adaptive slurry dispense system | |
TW202103847A (zh) | 用於溫度控制的化學機械拋光溫度掃描設備 | |
JP2018065212A (ja) | 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) | 研磨装置、研磨方法およびプログラム | |
US20190143479A1 (en) | Substrate holding device and substrate processing apparatus including the same | |
TW202232600A (zh) | 經由定向的晶圓裝載作不對稱性校正 | |
US11279001B2 (en) | Method and apparatus for monitoring chemical mechanical polishing process | |
US20220347813A1 (en) | Monitor chemical mechanical polishing process using machine learning based processing of heat images | |
JP2024105231A (ja) | 化学機械研磨における研磨パッドテクスチャのモニタリング | |
TWI837735B (zh) | 用於偵測拋光中振動的渦電流監測的方法、電腦程式產品以及系統 | |
WO2022235588A1 (en) | Chemical mechanical polishing with die-based modification |
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 |