CN115035401A - 用于对保持环进行分类的机器学习 - Google Patents
用于对保持环进行分类的机器学习 Download PDFInfo
- Publication number
- CN115035401A CN115035401A CN202210224774.7A CN202210224774A CN115035401A CN 115035401 A CN115035401 A CN 115035401A CN 202210224774 A CN202210224774 A CN 202210224774A CN 115035401 A CN115035401 A CN 115035401A
- Authority
- CN
- China
- Prior art keywords
- retaining ring
- polishing
- profile
- measurements
- substrate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000005498 polishing Methods 0.000 claims abstract description 100
- 239000000758 substrate Substances 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000014759 maintenance of location Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000012528 membrane Substances 0.000 description 5
- 239000004696 Poly ether ether ketone Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 239000000945 filler Substances 0.000 description 4
- 229920002530 polyetherether ketone Polymers 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007517 polishing process Methods 0.000 description 3
- -1 polyethylene terephthalate Polymers 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 239000004693 Polybenzimidazole Substances 0.000 description 2
- 239000004697 Polyetherimide Substances 0.000 description 2
- 239000004734 Polyphenylene sulfide Substances 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 229920002480 polybenzimidazole Polymers 0.000 description 2
- 229920001707 polybutylene terephthalate Polymers 0.000 description 2
- 229920001601 polyetherimide Polymers 0.000 description 2
- 229920000139 polyethylene terephthalate Polymers 0.000 description 2
- 239000005020 polyethylene terephthalate Substances 0.000 description 2
- 229920000069 polyphenylene sulfide Polymers 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000009334 Singa Species 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 239000003082 abrasive agent Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000012790 adhesive layer Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B24B37/32—Retaining rings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Numerical Control (AREA)
Abstract
本申请公开了用于对保持环进行分类的机器学习。一种用于优化抛光的方法,包括对于安装在特定承载头上的多个保持环中的每个相应保持环,使用坐标测量机对安装在特定承载头上的相应保持环的底表面执行测量并且收集使用相应保持环抛光的基板的相应去除轮廓。基于对保持环的底表面和相应去除轮廓的测量来训练机器学习模型。
Description
技术领域
本公开大体涉及化学机械抛光,并且更具体地,涉及使用机器学习对保持环进行分类。
背景技术
集成电路典型地在硅晶片上通过顺序地沉积导电层、半导电层或绝缘层并通过对这些层的后续处理而被形成在基板(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该填料层平面化。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期望的厚度保留在下方的层上方。另外,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。该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。在一些抛光机器中,承载头包括形成多个独立地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。
作为单独的问题,机器学习被广泛用于通过经验(例如,历史数据)来辅助自动化,例如,将项目划分为不同的类别。机器学习可分为三大类:使用具有已知类别标签的输入数据的监督学习,使用不知道类别标签的输入数据的无监督学习,以及旨在通过导航和与环境交互达到特定目标的强化学习。如一些示例,无监督学习已被用于营销(例如,客户细分)、生物学(例如,聚类DNA模式)和金融(例如,异常检测或欺诈检测)。
机器学习的一个分支是深度学习,在深度学习中通常采用神经网络。神经网络是一种机器学习模型,它使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该网络中下一层(即下一个隐藏层或输出层)的输入。该网络的每一层根据各自的一组参数的当前值对接收的输入生成输出。
发明内容
一种用于评估抛光的方法,包括:对于安装在特定承载头上的多个保持环中的每个相应保持环,使用坐标测量机对安装在特定载体头上的相应保持环的底表面进行测量。测量值表示底表面的特征。执行无监督学习算法,以基于多个保持环的测量将多个保持环中的每一个分类到相应的类别中;存储由无监督学习算法生成的分类;以及根据抛光轮廓测量评估分类,以确定驱使轮廓差异的参数。
在另一方面,一种用于优化抛光的方法,包括对于安装在特定承载头上的多个保持环中的每个相应保持环,使用坐标测量机对安装在特定承载头上的相应保持环的底表面执行测量并且收集使用相应保持环抛光的基板的相应去除轮廓。基于对保持环的底表面和相应去除轮廓的测量来训练机器学习模型。
某些实施方式可以包括但不限于以下可能的优势中的一个或多个。
可跨保持环的底表面以高分辨率进行测量,例如,在保持环的整个底表面上进行网格扫描。这将生成足够的几何信息,以使得能够分析保持环特征。特定保持环的分析的特征可与使用保持环抛光的基板的一个或多个抛光轮廓相关联,从而允许确定驱使抛光轮廓差异的与保持环相关的一个或多个参数。
另外,基于由网格扫描收集的测量值来预测抛光轮廓。具体地,可以使用无监督机器学习算法将一个或多个保持环分类为多个类别中的相应类别。每个经分类的保持环可与使用该经分类的保持环抛光的相应基板的一个或多个抛光轮廓相关联。
可以通过接收具有相关联的抛光轮廓的经分类的保持环的几何信息作为输入来训练神经网络模型。然后,可以通过在经训练的神经网络中执行推断操作,保持环使用神经网络模型来预测抛光轮廓,该经训练的神经网络接收测量的保持环的底表面轮廓作为输入。
生产时间可被改善。使用所述技术,系统可以更有效地检测在磨合过程之前或之后是否可以根据不同的抛光要求使用保持环来抛光基板。该系统还可以有效地确定保持环是否已充分磨合,并基于分类结果为进一步磨合过程提供用户信息或指导。
抛光过程的质量控制可以得到改善,吞吐量也可以提高。具体地,可以标识并更换有缺陷的保持环。可以基于与保持环相关联的预测的抛光轮廓来调整正在进行抛光的基板的一个或多个区域中的抛光速率,从而在抛光期间增强晶片内的均匀性,并最终实现更高的吞吐量。
此外,所描述的技术可以以较低的计算成本容易地扩展。该系统可以基于后续测量的几何数据和抛光轮廓,进一步调整或修改分类和神经网络模型,从而消除不必要的重复计算并降低计算成本。存储的分类数据和神经网络模型可以由位于不同位置的一个或多个抛光装置同时访问和使用,而无需重新计算,这允许对多个抛光装置的系统进行容易的按比例扩展。
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图示了包括保持环的抛光装置的示例的示意性横截面视图。
图2A图示了示例保持环的示意性透视图和横截面图。
图2B图示了保持环的上部示意性横截面图。
图2C图示了示例保持环的示意性仰视图。
图3图示了使用坐标测量机进行测量的示例保持环的示意性俯视图。
图4A和图4B示出了用于测量的不同类型的网格扫描的示意性俯视图。
图5是示出了使用机器学习算法的保持环的示例分类过程的流程图。
图6是示出了基于输入数据来训练用于预测抛光轮廓的神经网络的示例过程的流程图。
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
理想情况下,经过抛光的基板在整个基板表面上的抛光速率基本上均匀。然而,在实践中,基板的不同径向和/或角度区域可能具有不同的抛光速率。另外,待抛光的基板可能具有初始径向和/或角度不均匀性。
抛光不均匀性的一个来源是保持环的底表面的轮廓的变化。即,两个保持环的底表面轮廓的微小差异可能会导致边缘区域中不同的抛光速率。通过将保持环的底表面轮廓与基板的抛光轮廓相关联,可以更好地理解抛光性能。此外,可以例如通过改变施加到基板上的压力来调整抛光过程,以提高边缘区域的抛光速率的均匀性。
常规地,在检查底表面轮廓时,仅跨保持环的整个底表面做几个测量点。因此,现有技术可能无法获得足够的信息来分析保持环的底表面的特征。虽然在保持环在集成电路生产中使用之前,诸如“环磨合”的技术已应用于保持环,但精度要求越来越严格,并且“环磨合”也会增加机器停机时间,从而增加生产成本。
然而,本文所述的技术可以提高吞吐量、降低生产成本并且提高抛光质量(例如,减少基板边缘附近的不均匀性)。
可以使用坐标测量机(CMM)以高清晰度测量保持环的底表面,以生成高质量的底表面轮廓,以便进一步分析。可以使用无监督机器学习算法将多个保持环中的每一者分类为相应的类别,并且可以使用分类信息来获得与抛光轮廓差异相关的参数。
可以训练神经网络模型,将其接收作为每个保持环的分类的输入,并且使用相应的经分类的保持环来抛光基板的轮廓。训练后,神经网络可以通过输入保持环的几何信息来推断经训练的神经网络,从而生成使用保持环抛光的基板的抛光轮廓(例如,边缘抛光轮廓)的预测。
因此,采用所述技术的系统可以基于所测量的保持环的底表面轮廓来检测保持环是否有缺陷,在使用基于获得的参数的保持环时调整抛光过程,并预测正在利用保持环进行抛光的基板的抛光轮廓。该系统可以改善抛光后的晶片均匀性,并提高抛光的吞吐量。
图1图示了抛光装置100的示例。抛光装置100包括可旋转盘形工作台120,抛光垫110位于该可旋转盘形工作台120上。
工作台120可操作以绕轴线125旋转。例如,电机121可以转动驱动轴124以旋转工作台120。抛光垫110可以例如通过粘合层可拆卸地固定至工作台120上。抛光垫110可以是具有外抛光层112和较软的背衬层114的双层抛光垫。
抛光装置100可包括分配端口130,用于将抛光液132(诸如,研磨浆料)递送到抛光垫110上。
抛光装置还可包括抛光垫调节器,用于研磨抛光垫110,以将抛光垫110维持在一致的研磨状态。
抛光装置110可包括承载头140,该承载头140可操作以将基板10固持为抵靠抛光垫110。承载头140可配置成对于基板10上的多个区中的每个区独立地控制抛光参数,例如,压力。
承载头140从支撑结构150(例如,转盘)悬挂,并且通过驱动轴152连接到承载头旋转电机154,使得承载头能够绕轴线155旋转。任选地,承载头140可例如在转盘150上的滑块上、或通过转盘自身的旋转振荡而横向地振荡。在操作中,工作台绕其中心轴125旋转。每个承载头绕其中心轴155旋转,并且在抛光垫的顶表面上横向地平移。
承载头140可包括:壳体144,其可连接至驱动轴152;支撑板184,其可在柔性的中央隔膜182上方延伸;环形压力控制组件195,其围绕柔性的中央隔膜182;以及保持环142,其围绕环形压力控制组件195,以将基板10保持在柔性的中央隔膜182下方。
柔性的中央隔膜182的下表面提供用于基板10的安装表面。柔性的中央隔膜182可包括固定至支撑板184的一个或多个翻板,用于形成一个或多个可加压腔室。这些腔室通过相应的压力供应线183被连接至一个或多个压力供应181,以便在抛光时将不同的压力施加到基板的内区域(例如,远离基板边缘至少6mm的区域)上,使得系统可调整基板中的相应区域上的相应抛光速率。
图2A图示了示例保持环142的示意性透视横截面图。
如上所述,保持环142是可以固定到抛光设备100的承载头140上的大致环形环。
如图2A所示,保持环100的上部205具有圆柱形内表面265、圆柱形外表面250和大致垂直于内表面和外表面两者的顶表面215。顶表面包括孔220以接收机械紧固件,诸如螺栓、螺钉或其他硬件(诸如螺钉护套或插件),用于将保持环142和承载头140固定在一起(未示出)。附加地,一个或多个对准孔225可位于上部205的顶表面215中,以正确地对准保持环142和承载头140。
上部205可以由刚性或高拉伸模量材料形成,诸如金属、陶瓷或硬塑料。用于形成上部的合适金属包括不锈钢、钼、钛或铝。此外,可以使用复合材料,诸如复合陶瓷。
保持环142的第二部分,即下部210,可以由对于CMP工艺化学惰性的材料形成,并且可以比上部205的材料更软。下部210的材料应具有足够的可压缩性或弹性,以使基板边缘抵靠保持环142的接触不会导致基板发生切屑或开裂。下部210也应当耐用并且具有高耐磨性,尽管下部210磨损是可以接受的。例如,下部130可以由塑料制成,诸如聚苯硫醚(PPS)、聚对苯二甲酸乙二醇酯(PET)、聚醚醚酮(PEEK)、碳填充PEEK、聚醚醚酮(PEKK)、聚对苯二甲酸丁二醇酯(PBT)、聚四氟乙烯(PTFE)、聚苯并咪唑(PBI)、聚醚酰亚胺(PEI)或复合材料。
下部还可以具有圆柱形内表面235、圆柱形外表面230和底表面255。尽管保持环142的底表面255可以从平面开始,但在磨合或使用后,下部的底表面255通常具有非平面轮廓。在某些实现中,底表面255的径向轮廓可以包括弯曲截面、截锥截面或平截面。保持环100的底表面255的径向轮廓与基准轮廓基本上匹配以实现晶片间的均匀性将是有利的,但由于制造或磨合过程中的变化,或抛光过程中的不同磨损模式,这可能是不可能的。
图2B图示了保持环142的示意性横截面图,其中底表面255的变形被高度放大以便于观察。在实践中,每个保持环可能具有与基准轮廓略有不同的底表面轮廓,这可能会导致正在抛光的基板边缘区域出现不必要的不均匀性或晶片间的变化。
图2C图示了示例保持环142的示意性仰视图。如上文所述,保持环的底表面轮廓的特征可以包括底表面255的高度分布(或等效地,下部210的厚度分布)和底表面255的平整度(即,底表面255的高度或厚度变化),以及保持环的圆度。
如图2C所示,保持环具有内直径260和外直径280。如果环是完美的圆形,则可以通过测量内值径和外直径之间的差来确定保持环的宽度。然而,在实践中,保持环142可以在内外边界上的不同角度位置处具有不同的曲率,这导致不完美的圆度。例如,位置290A、290B、290C和290D处的外边界曲率可能彼此不同。作为另一示例,位置291A和291B处的内边界的曲率可以基本上相同。
图3图示了使用坐标测量机300进行测量的示例保持环142的示意性俯视图。保持环142位于底表面朝上的位置。
为了对保持环的底表面执行测量,将保持环安装在承载头上,坐标测量机(CMM)300对保持环的底表面执行测量。系统可以测量保持环的底部。
CMM 300可包括传感器310,传感器310被配置为测量保持环的底表面上的多个点中的每个点的垂直位置。传感器310可以是任何合适的传感器,例如,激光传感器、接触式探针。在一些实现中,传感器310可以在保持环的底表面上的每个测量点处执行高度或厚度坐标(Z方向坐标)的测量。
CMM 300可包括致动器350和355,传感器310可安装在致动器350和355上并四处移动,以探测保持环的底表面的高度信息。例如,传感器310安装在致动器355上。两个致动器中的每一个可以在不相关(例如,不平行)的方向上移动,使得传感器310可以移动以覆盖整个X-Y平面。例如,致动器355可沿着轨道360在X方向上移动,并且致动器350可沿着另一轨道370在垂直于X方向的Y方向上移动。
CMM 300还可以包括控制器390,控制器390具有控制线380a、380b以分别控制致动器350、355,控制器390还具有数据或控制线380c以控制传感器的操作并接收测量区域的捕获的高度信息(Z坐标)。
图4A和图4B是不同类型网格的示意图。测量可以分布在径向网格410中(例如,如图4A所示),或者分布在矩形网格420中(例如,如图4B所示)。基于相应的测量密度,每个网格可以有任何合适的尺寸。CMM 300可以测量毫米到厘米的区域。例如,图4A中的每个径向网格可以具有约1mm尺寸的边缘。CMM 300可以在保持环的底表面上生成1000到10000个测量值。例如,图4B中的网格总数为3000左右。
图5是示出了例如使用机器学习算法的保持环的示例分类过程500的流程图。
CMM 300测量各个保持环的底表面。每个测量值代表测量位置处的垂直高度或厚度(502)。如上所述,在进行测量之前,将每个保持环安装到对应的承载头上。在一些实现中,系统会对先前已磨合的一个或多个保持环进行测量。
控制器390可以接收测量值,并可以将测量值转换为测量位置处的底表面特征,例如,底表面的整体平整度、环锥度、圆度以及各个白互换的平均内直径或平均外直径。
在一些实现中,控制器390可以通过生成表示保持环的底表面相对于旋转轴的对称程度的数据来确定圆度。例如,对称程度可以包括表示保持环的边界上曲率分布的数据。因此,系统可以通过基于所测量的曲率数据确定不对称的曲率分布来测量和确定保持环的圆度。
为了分析保持环的平整度、圆度和环锥度,系统首先基于笛卡尔坐标系中的测量值,概括出保持环的空间映射。然后,该系统采用合适的数值技术处理空间映射,以在不同保持环的不同测量值之间生成一致的映射。更具体地,每个测量数据包括各自的基准平面和各自的基准中心点,并且每个测量数据表示每个测量点相对于各自的基准平面和基准中心点的高度信息。系统可以使用不同的技术来归一化每个测量数据。例如,系统可以使用诸如“最佳拟合平面”或“最小封闭圆”的数值技术为每个测量数据生成共享的中心,以归一化空间映射的测量数据。作为另一示例,系统可以使用一个或多个数据过滤器来筛选外围数据,以提高每个测量的完整性。
在上述数据处理之后,系统随后存储表示保持环的底表面轮廓的一个或多个特征的处理数据,以供分析。
然后,系统执行无监督学习算法,以基于多个保持环的测量将多个保持环中的每一个分类到相应的类别中(504)。为了对多个保持环中的每一个进行分类,系统首先在步骤502中从所存储的数据生成一个或多个特征。一个或多个特征可以是任何合适的类型,以表示代表底表面轮廓的所测量的数据的一个或多个特征。例如,代表底表面的所测量的数据的特征可以是总体平均厚度;角度方向、径向或两者的厚度变化(即,平整度);内边界、外边界或两者的圆度;或对称程度。特征类型中的每一种都有各自的特征图用于分析。
系统可以使用任何合适的无监督学习算法以进行分类。在优选实施例中的一个中,系统采用K-means(K-均值)方法。更具体地,系统可以为所测量的保持环假设几个类别(例如,K-means的标量值K),为特定特征图中的每个类别假设一个聚类中心,并将保持环中的每一个分配到最近的类别(即,保持环被分配到一个类别,该类别的聚类中心在特定特征地图中最接近保持环的特征类型。)该系统可以将全局误差(例如,平方欧氏距离)概括为将每个保持环分配到相应的类别中,并通过调整分配使全局误差最小化。系统还可以在每次分配调整时,基于分配给相应类别的保持环的相应特征,更新类别的相应聚类中心。
系统可以确定类别的数量。为了确定,系统可以首先为K-means算法选择多个候选数量的类别,并获得用于将保持环分配到多个候选数量的类别(即,不同的K)中的一个的相应候选误差(即,相应的最小化全局误差)。例如,系统可以对2个类别(即K=2)、3个类别(即K=3)和10个类别(即K=10)执行分类,并获得相应的最小化全局误差。系统可以基于最小候选误差从多个候选类别数量中选择一个类别数量,作为对保持环进行分类的K-均值算法的类别数量。例如,系统可以将K设置为具有最小候选误差的类别数量。作为另一示例,系统可以以最少的计算时间为代价,将K设置为具有第二最小候选误差的类别数量。
系统存储由无监督学习算法生成的分类(506)。例如,系统存储所确定的类别数量K、相应特征地图中每个类别的聚类中心,以及每个保持环的分类标签。在一些实现中,系统可以将分配最多保持环的类别存储为基准类别。
然后,可以根据抛光轮廓测量来评估分类,以确定驱使轮廓差异的参数(508)。例如,用户可以使得系统根据各种环特征绘制各种性能指标。例如,可以将边缘均匀性绘制为内边缘圆度形状的函数,以确定内边缘形状是否以及如何影响抛光轮廓。
系统可用于调整未分类为一个或多个预设类别的保持环。例如,系统可以存储指示几个类别在抛光中提供了可接受的结果的数据。然后,可以通过CMM系统测量样本环,并遵循分类算法。如果样本环不属于指定类别,可以采取校正措施。例如,保持环可以进一步“磨合”一段时间,并且可以测量“磨合”底表面。可以重复此过程,直到将保持环分类到可接受的类别中。
该系统可以使用经分类的保持环预测基板的抛光后轮廓。为了预测,系统可以使用特定类别中的保持环收集多个抛光轮廓,并生成平均抛光轮廓以作为使用该类别中的保持环来抛光待抛光基板的预测抛光后轮廓。
图6是示出了基于输入数据来训练用于预测抛光轮廓的神经网络的示例过程600的流程图。过程600可由位于一个或多个地点的一个或多个计算机执行。或者,过程600可被存储为一个或多个计算机中的指令。一旦被执行,指令可使得抛光装置的一个或多个部件、CMM的一个或多个部件或一个或多个计算机执行所述过程。例如,过程的至少一些步骤由如图1所示的控制器190执行。
类似地,如图5中的步骤502所述,使用坐标测量机对相应保持环的底表面进行测量。测量值表示底表面的特征(602)。底表面的特征可以是表面高度或者表面厚度。更具体地,系统可以为每个保持环生成特殊映射,并将所测量的数据存储在存储器中。在一些实现中,系统可对先前已“磨合”的保持环执行测量。
然后,该系统收集使用相应保持环抛光的基板的相应去除轮廓(604),并基于保持环的底表面和相应去除轮廓的测量来训练机器学习模型(606)。
机器学习模型包括可以使用训练示例进行训练的卷积神经网络模型。训练示例包括训练输入(诸如输入每个保持环的底表面轮廓),使用相应的保持环来抛光基板的抛光轮廓,以及训练每个抛光轮廓的标签。
在一些实现中,系统可以标记每个抛光轮廓。例如,系统可以为多个抛光轮廓分配第一标签(例如,“边缘快速”),每个抛光轮廓与基准轮廓相比具有快速边缘去除率,并且为每个具有慢速边缘去除率的多个抛光轮廓分配标签为“边缘慢速”。
该系统可以通过基于训练示例将全局误分类误差最小化来训练神经网络模型。在训练期间,系统通过反向传播来更新神经网络的每个层的权重,以将全局误差最小化。
训练神经网络后,系统可以使用经训练的神经网络来预测基板的去除轮廓。更具体地,系统可以测量保持环的底表面轮廓,或将代表所测量的底表面轮廓的所保存的数据提供给经训练的神经网络,并使用经训练的神经网络和经训练的权重执行推理操作,以生成使用该保持环的抛光轮廓的预测。替代地或另外,系统可以使用经训练的神经网络来预测所预测的抛光轮廓的标签。
该系统可以使用输入的测量值继续训练神经网络,使得基于较新的测量数据来更新神经网络的权重。系统可以在位于一个或多个位置的一个或多个计算机的存储器中存储具有经更新的权重的经训练的神经网络。经训练的神经网络可以被一个或多个计算机或计算单元访问,以加速推理操作。
如在本说明书中所使用,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文描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(或某个其他形状的)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,抛光表面和基板能以竖直取向或某个其他取向来固持。
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,该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被实现为装置、方法或电子系统,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,该存储器用于存储用于执行本说明书中所描述的操作的可执行指令。
本说明书中描述的分类与机器学习模型的训练的实施例,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,编码在有形的非瞬态存储介质上的一条或多条计算机程序指令,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,该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存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、子程序或代码的部分的文件)中。计算机程序可被部署以在位于一个地点的一个计算机上执行,或在跨多个地点且由数据通信网络互连的而分布的多个计算机上执行。
本说明书中描述的过程和逻辑流可由一个或多个可编程计算机执行,该一个或多个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或特殊用途的微处理器,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),或者可操作地被耦合以从一个或多个大容量存储设备接收数据或将数据传递到一个或多个大容量存储设备或既从一个或多个大容量存储设备接收数据又将数据传递到一个或多个大容量存储设备。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的公共和计算密集部分,即,推理、工作负载。
机器学习模型可以使用机器学习框架来实现和部署,例如,TensorFlow框架、Microsoft认知工具包框架、Apache Singa框架,或Apache MXNet框架。
本说明书中描述的主题的实施例可在计算系统中被实现,该计算系统包括后端组件(例如,作为数据服务器)或包括中间件组件(例如,应用服务器)或包括前端组件(例如,具有图形用户界面或具有网络浏览器或具有应用的客户端计算机,用户能够通过该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、中间件或前端组件的任何组合。系统的组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)发送到作为客户端的用户设备,例如,为了向与该设备交互的用户显示数据,并从该用户接收用户输入。在用户设备上生成的数据(例如,用户交互的结果)可以在该服务器上从该设备接收。
尽管本说明书包含许多特定的实现细节,但是这些实现细节不应被解释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,而应被解释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。相反,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,可将来自要求保护的组合的一个或多个特征从该组合中删除,并且要求保护的组合可以涉及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。
其他实施例在所附权利要求的范围内。
Claims (20)
1.一种用于评估抛光的方法,所述方法包括:
对于安装在特定承载头上的多个保持环中的每个相应保持环,使用坐标测量机对安装在所述特定载体头上的相应保持环的底表面进行测量,其中测量值表示所述底表面的特征;
执行无监督学习算法,以基于所述多个保持环的测量将所述多个保持环中的每一个分类到相应的类别中;
存储由所述无监督学习算法生成的分类;以及
根据抛光轮廓测量评估所述分类,以确定驱使轮廓差异的参数。
2.如权利要求1所述的方法,其中对所述相应保持环的底表面执行测量包括:
通过确定非对称曲率分布对所述相应保持环的圆度执行测量。
3.如权利要求1所述的方法,其中对相应保持环的底表面执行测量包括:
在不同的宽度和角度位置处在所述底表面上执行多次测量。
4.如权利要求3所述的方法,其中在所述底表面上执行多次测量包括:
将所述保持环的所述底表面划分为所述保持环的多个区域;以及
对于所述多个区域中的每一者,测量该区域的平面内位置和该区域的平均厚度。
5.如权利要求1所述的方法,其中所述底表面的特征是表面高度或环层厚度。
6.如权利要求1所述的方法,其中所述无监督学习算法包括K-means算法。
7.如权利要求6所述的方法,进一步包括使用所述K-means算法确定所述分类的类别数量,包括:
对于多个可能类别数量中的每一者:
选择表示类别总数的候选数量;以及
确定用于使用所述K-means算法将所述多个保持环分类到候选数量的类别中的相应候选误差;以及
基于最小候选误差选择所述候选数量中的一个作为所述类别数量。
8.如权利要求1所述的方法,进一步包括:
确定保持环的类别,所述类别在所有类别中具有最多的保持环;
将所确定的类别设置为基准类别;以及
根据所述分类调整未分类为所述基准类别的保持环。
9.如权利要求1所述的方法,进一步包括:
基于经分类的保持环来预测使用所述经分类的保持环抛光的基板的抛光后轮廓。
10.如权利要求1所述的方法,其中所述多个保持环包括已被磨合的一个或多个保持环。
11.一种用于优化抛光的方法,所述方法包括:
对于安装在特定承载头上的多个保持环中的每个相应保持环
使用坐标测量机对安装在所述特定承载头上的相应保持环的底表面执行测量;其中测量值表示所述底表面的特征;
收集使用所述相应保持环抛光的基板的相应去除轮廓;以及
基于对保持环的所述底表面和所述相应去除轮廓的测量来训练机器学习模型。
12.如权利要求11所述的方法,包括:
测量特定保持环的底表面;以及
将所述测量值输入到经训练的机器学习模型中,以生成预测的去除轮廓。
13.如权利要求11所述的方法,其中所述底表面的特征是表面高度或环层厚度。
14.如权利要求11所述的方法,其中收集使用所述相应保持环抛光的基板的相应去除轮廓,包括:
确定所述相应去除轮廓的相应去除轮廓标签以供训练。
15.如权利要求14所述的方法,其中所述相应去除轮廓标签包括表示所述基板的边缘区域中快速去除率的第一标签,以及表示所述基板的边缘区域中慢速去除率的第二标签。
16.如权利要求11所述的方法,其中所述机器学习模型包括卷积神经网络。
17.一种利用计算机程序编码的非瞬态计算机可读介质,所述计算机程序包括使一个或多个计算机执行以下操作的指令:
在抛光基板之前,接收表示保持环的底表面的轮廓的多个测量值;
将所述多个测量值提供给经训练的机器学习模型,以生成所述基板的预测的去除轮廓;
响应于所述预测的去除轮廓生成经调整的抛光参数,以提高所述基板的抛光均匀性;以及
使得抛光系统利用所述经调整的抛光参数来抛光所述基板。
18.如权利要求17的计算机可读介质,其中所述抛光参数包括所述基板上的压力。
19.如权利要求17所述的计算机可读介质,其中所述机器学习模型包括神经网络。
20.如权利要求17所述的计算机可读介质,其中所述轮廓是表面高度轮廓或层厚度分布。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163157512P | 2021-03-05 | 2021-03-05 | |
US63/157,512 | 2021-03-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035401A true CN115035401A (zh) | 2022-09-09 |
Family
ID=83116759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210224774.7A Pending CN115035401A (zh) | 2021-03-05 | 2022-03-07 | 用于对保持环进行分类的机器学习 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220281052A1 (zh) |
JP (1) | JP2024508913A (zh) |
KR (1) | KR20230150383A (zh) |
CN (1) | CN115035401A (zh) |
TW (1) | TWI826943B (zh) |
WO (1) | WO2022187055A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360956A (zh) * | 2023-06-02 | 2023-06-30 | 济南大陆机电股份有限公司 | 用于大数据任务调度的数据智能处理方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116945025B (zh) * | 2023-09-18 | 2023-11-28 | 南京昊阳环保科技有限公司 | 智能化轴颈抛光装置及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009260142A (ja) * | 2008-04-18 | 2009-11-05 | Panasonic Corp | ウェハ研磨装置及びウェハ研磨方法 |
US9067295B2 (en) * | 2012-07-25 | 2015-06-30 | Applied Materials, Inc. | Monitoring retaining ring thickness and pressure control |
JP6990980B2 (ja) * | 2017-03-31 | 2022-01-12 | 株式会社荏原製作所 | 基板処理装置 |
US11571786B2 (en) * | 2018-03-13 | 2023-02-07 | Applied Materials, Inc. | Consumable part monitoring in chemical mechanical polisher |
TWI825075B (zh) * | 2018-04-03 | 2023-12-11 | 美商應用材料股份有限公司 | 針對墊子厚度使用機器學習及補償的拋光裝置、拋光系統、方法及電腦儲存媒體 |
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 |
US11731232B2 (en) * | 2018-10-30 | 2023-08-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | Irregular mechanical motion detection systems and method |
-
2022
- 2022-02-23 JP JP2023553599A patent/JP2024508913A/ja active Pending
- 2022-02-23 KR KR1020237033476A patent/KR20230150383A/ko unknown
- 2022-02-23 US US17/678,932 patent/US20220281052A1/en active Pending
- 2022-02-23 WO PCT/US2022/017538 patent/WO2022187055A1/en active Application Filing
- 2022-03-04 TW TW111107932A patent/TWI826943B/zh active
- 2022-03-07 CN CN202210224774.7A patent/CN115035401A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360956A (zh) * | 2023-06-02 | 2023-06-30 | 济南大陆机电股份有限公司 | 用于大数据任务调度的数据智能处理方法及系统 |
CN116360956B (zh) * | 2023-06-02 | 2023-08-08 | 济南大陆机电股份有限公司 | 用于大数据任务调度的数据智能处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2024508913A (ja) | 2024-02-28 |
TW202235214A (zh) | 2022-09-16 |
WO2022187055A1 (en) | 2022-09-09 |
TWI826943B (zh) | 2023-12-21 |
US20220281052A1 (en) | 2022-09-08 |
KR20230150383A (ko) | 2023-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
KR102450925B1 (ko) | 프로세스 제어 파라미터들을 생성하는 것에 대해 기계 학습 접근법을 사용하는 반도체 제조 | |
US10969773B2 (en) | Machine learning systems for monitoring of semiconductor processing | |
CN111246970B (zh) | 抛光系统、抛光基板的方法和计算机储存介质 | |
US11731238B2 (en) | Monitoring of polishing pad texture in chemical mechanical polishing | |
US20230330803A1 (en) | Irregular mechanical motion detection systems and method | |
US20200282506A1 (en) | Spiral and concentric movement designed for cmp location specific polish (lsp) | |
US8992286B2 (en) | Weighted regression of thickness maps from spectral data | |
CN109844923A (zh) | 用于化学机械抛光的实时轮廓控制 | |
KR20200122399A (ko) | 패드 컨디셔너 절삭률 모니터링 | |
JP6466131B2 (ja) | 研磨基板からのスペクトルデータのグループ分け | |
KR20230148373A (ko) | 기판 세차운동을 이용한 기판 연마를 위한 처리 파라미터들의 제어 | |
CN109314050B (zh) | 化学机械研磨的自动配方的产生 | |
KR20170031225A (ko) | 증착 이전에 측정이 이루어지는 폴리싱 | |
US20220347813A1 (en) | Monitor chemical mechanical polishing process using machine learning based processing of heat images |
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 |