CN117620879A - 控制晶片基板的研磨装置的控制方法和控制装置以及学习方法和学习装置 - Google Patents

Abstract

公开了一种控制晶片基板的研磨装置的控制方法和控制装置以及学习方法和学习装置。学习方法可包括以下步骤：基于包括晶片基板的实际厚度信息的采样数据，决定学习光谱数据；对学习光谱数据进行归一化，并且从二维正弦拟合的数据获得归一化特性值；以及基于学习光谱数据的归一化特性值，对厚度推测模型的参数进行更新。

Description

控制晶片基板的研磨装置的控制方法和控制装置以及学习方 法和学习装置

技术领域

本公开的实施例涉及一种控制晶片基板的研磨装置的控制技术及学习技术。

背景技术

在制造晶片基板时需要包括研磨、抛光及清洗在内的CMP(chemical mechanicalpolishing，化学机械研磨)作业。在晶片基板的CMP作业中，需要通过研磨垫对晶片基板的被研磨面进行研磨的工艺。CMP装置作为用于对晶片基板的一面或两面进行研磨、抛光和清洗的构成要素，包括支撑晶片基板的载体、使得晶片基板表面物理磨损的研磨垫。利用CMP的晶片基板的平坦化方法典型地要求晶片基板安装于载体头上，并且晶片基板的露出的表面可配置为与具有粗糙表面的旋转的研磨垫相接触。

发明内容

根据一个实施例的学习方法，可包括以下步骤：基于包括晶片基板的实际厚度信息的采样数据，决定学习光谱数据；对学习光谱数据进行归一化，并且从二维正弦拟合(sine fitting)的数据获得归一化特性值；以及基于学习光谱数据的归一化特性值，对厚度推测模型的参数进行更新。

根据一个实施例的学习装置，包括：处理器；以及存储器，其存储可由处理器运行的指令(instructions)，可运行的指令使得处理器执行包括以下动作在内的多个动作：基于包括晶片基板的实际厚度信息的采样数据，决定学习光谱数据；对学习光谱数据进行归一化，并且从二维正弦拟合的数据获得归一化特性值；以及基于学习光谱数据的归一化特性值，对厚度推测模型的参数进行更新。

附图说明

图1是用于说明根据一个实施例的学习过程的概要(overview)的图。

图2是示出根据一个实施例的学习方法的动作的流程图。

图3是示出根据一个实施例的学习装置的构成的块图。

图4是示出根据一个实施例的学习光谱数据和归一化的学习光谱数据的一个例子的图。

图5是示出根据一个实施例的学习光谱数据的归一化特性值的一个例子的图。

图6是用于说明对根据一个实施例的晶片基板的研磨装置进行控制的控制过程的概要的图。

图7是示出根据一个实施例的控制方法的动作的流程图。

图8是示出根据一个实施例的控制装置的构成的块图。

图9是示出根据一个实施例的测量的光谱数据和归一化的光谱数据的一个例子的图。

图10是示出根据一个实施例的测量的光谱数据的归一化特性值的一个例子的图。

图11是示出根据一个实施例的晶片基板的调节系统的块图。

图12是根据一个实施例的研磨装置的立体图。

图13是根据一个实施例的研磨装置的平面图。

具体实施方式

以下，参照附图对实施例进行详细的说明。但是，由于实施例可进行多种变更，因此专利申请的权利范围并不受这些实施例的限制或限定。而是应当理解为对实施例进行的所有变更、均等物乃至替代物包含于权利范围内。

实施例中使用的术语仅用于说明目的，不应被解释为想要限定的意图。单数的表达包括复数的表达，除非文脉上有明显不同的意思。在本说明书中，“包括”或“具有”等术语应理解为要指定说明书中所记载的特征、数字、步骤、动作、构成要素、元件或它们组合的存在，不是事先排除一个或一个以上的其他特征或数字、步骤、动作、构成要素、元件或它们组合的存在或者附加可能性。

除非另有定义，否则包括技术的或科学的术语在内，在这里使用的所有术语都与在实施例所属的技术领域中具有一般知识的人通常所理解的含义具有相同的意义。通常使用的词典中定义的那些术语，应解释为具有与在相关技术的上下文中所具有的含义一致的意义，除非在本申请中明确定义，否则不能解释为理想的或过于形式上的意思。

另外，在参照附图进行说明时，不管附图标号如何，同一构成要素赋予相同的参照标号，并省略其重复的说明。在说明实施例时，当判断对相关的公知技术的具体的说明可能会不必要地模糊实施例的要旨时，将省略其详细的说明。

另外，在说明实施例的构成要素时，可以使用第一、第二、A、B、(a)、(b)等术语。这些术语只是为了将该构成要素与其他构成要素区别开来，并不因该术语而限制相关构成要素的本质或顺序或步骤等。当某个构成要素被记载为“连接”、“结合”或“接入”于其他构成要素时，应理解为虽然该构成要素可以直接连接或接入于其他构成要素，但在各构成要素之间也可以“连接”、“结合”或“接入”有另外的构成要素。

在本文的各种实施例中使用的术语“模块”可包括由硬件、软件或固件来体现的单元，例如，可与逻辑、逻辑块、配件或电路等术语互换使用。模块可以是以一体的形式构成的配件或执行一个或一个以上功能的配件的最小单位或其一部分。例如，根据一个实施例，模块可以以专用集成电路(ASIC，application-specific integrated circuit)的形态体现出来。

在某一个实施例中包含的构成要素和包含共同功能的构成要素，在其他实施例中使用相同的名称来进行说明。如果没有相反的记载，任何一个实施例中记载的说明都可适用于其他实施例，并在重复的范围内省略具体说明。

本说明书中所公开的技术包括利用基于数据归一化模型的机器学习来测量晶片基板的厚度(或薄膜厚度)的技术和对研磨晶片基板的研磨装置的薄膜轮廓进行控制的技术。根据一个实施例，在研磨装置的研磨过程初期，可通过利用机器学习模型快速测量晶片基板的薄膜厚度来控制薄膜轮廓。

在用于研磨晶片基板的CMP工艺中，快速测量晶片基板的薄膜厚度作为在晶片基板的研磨过程中影响控制薄膜轮廓的因素是非常重要的。在CMP工艺初期计算晶片基板的薄膜厚度的作业因与初始待机时间相对应的初始死区时间(IDT，Initial Dead Time)而存在困难。这是因为获得测量晶片基板的薄膜厚度所需的时间序列数据需要花费初始时间。由于IDT，因此需要经过特定时间才能准确测量晶片基板的厚度。根据本说明书中提出的实施例，可利用机器学习模型在CMP工艺初期快速测量晶片基板的薄膜厚度。最终，可通过实时测量薄膜厚度来创建薄膜轮廓控制模型，并且可利用相应薄膜轮廓控制模型使得晶片基板在CMP工艺中持续保持平坦的状态。

图1是用于说明根据一个实施例的学习过程的概要的图。

参照图1，学习装置(例如：图3的学习装置300)可基于包括晶片基板的厚度信息的光谱数据来学习推测晶片基板的厚度的厚度推测模型130。在本说明书中，“晶片基板”的术语可用“基板”代替。

学习装置可利用学习光谱数据生成模型110来生成根据晶片基板厚度的学习光谱数据。为了机器学习，学习装置可事先利用相当于物理过程模型的学习光谱数据生成模型110生成多个学习光谱数据。学习光谱数据作为利用学习光谱数据生成模型110的数学式(例如：薄膜干涉数式)而理论上生成的晶片基板的薄膜厚度的光谱数据，理论上可与光学模型数据相对应。基于学习光谱数据生成模型110，可生成与晶片基板的选定的薄膜厚度相对应的理论的学习光谱信号。用于生成学习光谱信号的薄膜厚度可在晶片基板可能的薄膜厚度范围内选择为特定值或者从相应范围内的薄膜厚度值中随机选择。例如，与由学习光谱数据生成模型110生成的学习光谱信号分别对应的薄膜厚度值可基于最小厚度值与最大厚度值之间的线形或曲线形分布来选择。各个薄膜厚度理论上可通过数学式决定学习光谱信号，并且通过学习光谱数据生成模型110，在根据薄膜厚度的理论的学习光谱信号中，计算与所选择的薄膜厚度相对应的学习光谱信号，从而提供学习光谱信号。

在一个实施例中，学习光谱数据生成模型110可以是基于薄膜干涉的物理过程模型。基于薄膜干涉的物理过程模型是通过各个高斯峰(Gaussian peak)的重叠来生成强度模型，为了晶片基板厚度的三维数据，通过变形使用薄膜干涉(thin film interference)数式来生成根据晶片基板的厚度的学习光谱数据。

在一个实施例中，学习光谱数据生成模型110可以是基于采样的物理过程模型。在基于采样的物理过程模型中，可基于包括晶片基板实际厚度信息的采样数据来决定学习光谱数据。在基于采样的物理过程模型中，可基于实际测量的光谱数据中一部分的采样数据来生成学习光谱数据。在基于采样的物理过程模型中，例如，将事先测量的晶片基板的整个研磨区域的观测值的归一化强度(normalized intensity)作为概率变量，并且表示为概率变量的分布，即概率密度函数(probability density function)。通过利用标准化(standardization)、最大最小(minmax)或希尔伯特包络线(Hilbert envelope)的归一化方法生成归一化虚拟数据后，利用事先测量的光谱数据的概率密度函数对归一化虚拟数据进行采样，由此可生成学习光谱数据。通过概率密度函数，还可生成未测量的任意研磨区域的归一化虚拟数据。在基于采样的物理过程模型中使用的采样方法可包括拒绝采样(rejection sampling)、马尔可夫链蒙特卡洛(Markov Chain Monte Carlo)等。

学习装置可通过将学习光谱数据归一化(或数据归一化)120来获得归一化特性值。作为归一化的一个例子，当采用利用希尔伯特包络线的希尔伯特变换时，学习装置可执行将学习光谱数据用希尔伯特包络线(Hilbert envelope)划分的过程和通过相对于波长轴和厚度轴对归一化数据进行二维正弦拟合(sine fitting)来获得归一化特性值的过程。根据实施例，除了希尔伯特包络线以外，还可执行利用前面说明的标准化或最大最小等的归一化方法，并且实施例的范围并不受罗列出的归一化方法限制。归一化特性值可包括例如，归一化强度、偏移(offset)、振幅(amplitude)、空间频率(spatial frequency)和移相(phaseshift)中的至少一个。已获得的归一化特性值可作为用于厚度推测模型130机器学习的学习数据集来使用。

学习装置可基于归一化特性值来学习140厚度推测模型130。学习装置可通过将针对学习光谱数据分别定义的厚度值(例如：薄膜厚度值)与各学习光谱数据的归一化特性值相匹配来学习厚度推测模型130。学习过程包括对事先生成的归一化特性值和与相应归一化特性值相对应的厚度进行标记(labeling)的过程，通过学习过程可获得厚度推测模型130的最佳参数(例如：加权值、切片值)。通过学习过程，厚度推测模型130可将特征模式相应的归一化特性值与从学习光谱数据生成模型110导出的理论值相应的厚度值相匹配。

在一个实施例中，厚度推测模型130可将归一化特性值用作回归方程的输入变量，并反复计算直到用于机器学习的成本函数的结果值达到最小，并且更新厚度推测模型130的参数(例如：加权值、切片值)。反复进行学习过程，从而成本函数的结果值可逐渐降低，并且当成本函数的结果值最小时，厚度推测模型130可被决定为最优化。那时的回归方程的加权值和切片值可被决定为厚度推测模型130的最终学习的加权值和切片值。

图2是示出根据一个实施例的学习方法的动作的流程图。根据一个实施例的学习方法可由本说明书中所说明的学习装置(例如：图3的学习装置300)执行。

参照图2，在步骤210中，学习装置可基于包括晶片基板的实际厚度信息的采样数据，决定学习光谱数据。例如，学习装置可基于图1中说明的基于采样的物理过程模型，决定学习光谱数据。学习装置可基于包括根据事先测量的晶片基板整个研磨区域的厚度的光谱信号信息的采样数据，决定学习光谱数据。学习装置可在将根据事先测量的厚度的光谱信号信息的归一化强度(normalized intensity)以概率变量表示的概率密度函数中，对一个以上的归一化数据进行采样，从而决定学习光谱数据。学习装置可利用例如，基于希尔伯特包络线的采样方法、拒绝采样(rejection sampling)和马尔可夫链蒙特卡洛中任意一种采样方法来采样一个以上的归一化数据。学习装置通过概率密度函数，可生成与实际未测量的任意厚度相对应的归一化数据，因此，即使在未测量的区域，也可通过采样技术生成特定厚度的学习光谱数据。

在一个实施例中，拒绝采样是在可轻松地生成样品的q中生成样品后，修正为相应样品的分布遵循p(观测值的概率分布)的技术，此时，为了能够轻松地生成样品，将任意设定的q称为提案分布，并且期待各研磨域p的分布不同。提案分布可利用均匀分布(uniformdistribution)或正态分布(normal distribution)等，优选地，可利用与p相似形态的概率分布。当拒绝采样的情况，例如，在q中生成样品x后，在均匀分布中生成u(生成样品x的概率)，并当u存在于概率分布函数的特定A区域时，则拒绝(rejection)样品x，并且当存在于其他B区域时，则可收容样品x作为样品使用。通过这种过程，q中生成的样品将遵循p。当q中生成样品，并根据均匀分布的范围之间的随机数，反复进行拒绝或收容样品的过程时，通过拒绝采样获得的样品可能看起来像从p中生成的样品一样。因此，整个研磨的物理过程模型可由通过采样获得的样品构成。

在一个实施例中，在马尔可夫链蒙特卡洛技术中，在采样过程中首先执行在样本空间中选择任意输入值i的随机初始化(random initialization)。其次，从提案分布获得样本的推荐，并且当推荐的样本的目标分布上的高度低于以前提案的样本的目标分布中的高度时，会被拒绝，而当推荐的样本的目标分布上的高度高于以前提案的样本的目标分布中的高度时，则可被收容。假设样本的提案被收容，则以收容的样本点为中心绘制提案分布，并且通过相应提案分布，样本还可被推荐。

在步骤220中，学习装置可将学习光谱数据归一化，并且从二维正弦拟合的数据获得归一化特性值。归一化特性值可包括例如，归一化强度、偏移、振幅、空间频率和移相值中的至少一个。

在一个实施例中，学习装置执行将学习光谱数据用希尔伯特包络线划分的归一化，并且可从执行了归一化的学习光谱数据获得归一化特性值。根据实施例，学习装置除了执行使用希尔伯特包络线的归一化方法以外，还可执行使用标准化或最大最小等的归一化方法，并且实施例的范围并不受罗列出的归一化方法的限制。参照图4，示出了根据一个实施例的学习光谱数据410和归一化的学习光谱数据420的一个例子。学习光谱数据410和归一化的学习光谱数据420的x轴表示波长，y轴表示晶片基板的薄膜厚度。学习光谱数据410表示用相当于物理过程模型的学习光谱数据生成模型的数式产生的人为信号，并且归一化的学习光谱数据420相当于将学习光谱数据410归一化的结果。

回到图2来看，学习装置可从将执行了归一化的学习光谱数据相对于表示波长的第一轴和表示基板厚度的第二轴进行了二维正弦拟合的数据中获得归一化特性值。在一个实施例中，学习装置可基于学习光谱数据，执行希尔伯特变换，并且可在正弦(sine)信号中的希尔伯特变换中计算希尔伯特变换的大小。如果用希尔伯特变换的大小来划分学习光谱数据，则归一化的学习光谱数据具有[-1～1]的范围。如果将这种正弦拟合过程应用于通过希尔伯特包络线去除残差趋势(residual trends)(或偏移)的光谱函数，则可提取归一化的特性值。参照图5，示出了根据一个实施例的学习光谱数据的归一化特性值的一个例子。归一化特性值例如，以指向各个学习光谱数据的指数(Index)510为基准，可包括偏移(offset)520、振幅(amplitude)530、空间频率(Spatial frequency)540及移相(phaseshift)550的值。这些归一化特性值可对应于在对学习光谱数据进行正弦拟合后获得的正弦信号的参数。

再次回到图2来看，在步骤230中，学习装置可基于学习光谱数据的归一化特性值，学习厚度推测模型(例如：图1的厚度推测模型130)。学习装置可基于归一化特性值，更新厚度推测模型的参数(例如：加权值和切片值)。学习装置可通过将归一化特性值作为厚度推测模型的输入变量来优化厚度推测模型的参数，直到成本函数的结果值达到最小。学习装置可对各个学习光谱数据反复执行上面所说明的学习过程，以决定厚度推测模型的优化参数值。当学习完成后，适用优化参数值的厚度推测模型可用于在实际晶片基板的研磨过程中推测晶片基板的厚度(或薄膜厚度)。

在某些实施例中，学习装置不仅可基于学习光谱数据的归一化特性值，而且可基于研磨装置的其他传感器(例如：温度传感器、压力传感器、加速度传感器)的传感器数据，学习厚度推测模型。此时，传感器数据可以不是传感器的实际传感器数据，而是与晶片的薄膜厚度相对应的理论的传感器数据。在厚度推测模型输入与特定的薄膜厚度相对应的归一化特性值和与相应薄膜厚度相对应的理论的传感器数据，并且学习装置可基于厚度推测模型的输出值，学习厚度推测模型。

如上所述的学习过程在机器学习中在不减少维度的情况下仅靠少量的归一化学习数据集就可有效完成学习过程，因此所需学习成本较低。另外，由于以上学习过程只利用一部分采样数据而不是实际磨床上的全部数据来执行学习过程，因此可在减少学习所需的时间的同时减少计算量。另外，以上学习过程通过基于概率密度函数的采样技术，也可针对实际未测量的研磨域生成学习光谱数据，因此可生成具有高准确度的厚度推测模型。

图3是示出根据一个实施例的学习装置的构成的块图。

参照图3，学习装置300可包括处理器310和存储器320。在某些实施例中，在学习装置300可省略这些构成要素中的至少一个，或者可添加一个以上的其他构成要素。处理器310和存储器320可通过通信总线(communication bus)相互通信。学习装置300可与本说明书中所说明的学习装置相对应。

存储器320对处理器310执行处理动作所需的信息进行存储。例如，存储器320能够存储可通过处理器310执行的指令(instructions)、学习光谱数据及归一化特性值等。存储器320可包括RAM、DRAM和SRAM等易失性存储器及/或闪速存储器等在该技术领域中已知的非易失性存储器。

存储模块330可存储与学习光谱数据生成模型(例如：图1的学习光谱数据生成模型110)、厚度推测模型(例如：图1的厚度推测模型130)等相关的数据。存储模块330可包括闪存类型(flash memory type)、硬盘类型、SD存储器、XD存储器、磁存储器及磁盘中的至少一种类型的存储媒介。在某些实施例中，存储模块330可包含在学习装置300中，并且可以以与存储器320集成的形式体现。

处理器310可控制学习装置300的整个动作。处理器310可由一个或多个处理器构成，并且处理器310可包括中央处理器(CPU，central processing unit)、应用处理器(AP，application processor)、数字信号处理器(DSP，digital signal processor)等通用处理器或神经处理单元(NPU，neural processing unit)。

处理器310通过运行储存于存储器320的指令来执行在本说明书中所说明的学习装置300的动作。在一个实施例中，可通过储存在存储器320的处理器310运行的指令可控制使得处理器310执行以下动作：基于包括晶片基板实际厚度信息的采样数据，决定学习光谱数据；对学习光谱数据进行归一化，并且从执行二维正弦拟合的数据获得归一化特性值；基于学习光谱数据的归一化特性值，学习厚度推测模型(例如：更新厚度推测模型的学习参数)。处理器310可基于包括根据事先测量的晶片基板的整个研磨区域的厚度的光谱信号信息的采样数据，决定学习光谱数据。处理器310可在将根据事先测量的厚度的光谱信号信息的归一化强度表示为概率变量的概率密度函数中，采样一个以上的归一化数据，从而决定学习光谱数据。处理器310可利用例如，基于希尔伯特包络线的采样方法、拒绝采样和马尔可夫链蒙特卡洛中的任意一种采样方法对一个以上的归一化数据进行采样。处理器310通过概率密度函数，可生成与实际未测量的任意厚度相对应的归一化数据，因此，即使在未测量的区域，也可通过采样技术生成特定厚度的学习光谱数据。

另外，处理器310可执行以下动作：执行将学习光谱数据用希尔伯特包络线划分的归一化；以及从对执行了归一化的学习光谱数据进行了二维正弦拟合的数据获得归一化特性值，并且归一化特性值可包括例如，归一化强度、偏移、振幅、空间频率和移相值中的至少一个。处理器310例如，可相对于表示波长的第一轴和表示基板厚度的第二轴对执行了归一化的学习光谱数据进行二维正弦拟合，并且从二维正弦拟合的数据提取归一化特性值。

图6是用于说明根据一个实施例的控制晶片基板的研磨装置的控制过程的概要的图。

参照图6，控制装置(例如：图8的控制装置800)可基于为了推测晶片基板的厚度而测量的实际光谱数据，推测晶片基板的厚度，并且可基于推测的厚度，控制650晶片基板的研磨装置。

分光监测装置610可实际测量并提供在研磨装置中用于测量正被研磨的晶片基板的厚度(或薄膜厚度)的光谱数据。测量的光谱数据可包括有关晶片基板层的厚度的信息。在一个实施例中，分光监测装置610可包括光源、光检测器和控制器。从光源放射的光反射于研磨垫上的晶片基板，并且从晶片基板反射的光可通过光检测器检测出来。光检测器可以是分光计。在一个实施例中，晶片基板在研磨垫上旋转的同时，可根据采样频率连续测量不同位置上的光谱数据。控制器可基于已测量的反射光，生成根据时间的光谱数据。最终，分光监测装置610可输出包括晶片基板的厚度信息的测量的光谱数据。

控制装置可对从分光监测装置610获得的光谱数据执行数据归一化620，从而提取多个归一化特性值。归一化特性值可包括例如，归一化强度、偏移、振幅、空间频率和移相值等。在一个实施例中，控制装置执行将测量的光谱数据用希尔伯特包络线划分的归一化，并且可从对执行了归一化的光谱数据进行二维正弦拟合的数据获得归一化特性值。

已提取的归一化特性值可被输入到厚度推测模型640。控制装置可利用厚度推测模型640决定晶片基板的厚度推测值。在一个实施例中，归一化特性值被输入到厚度推测模型640的输入节点，并且可从厚度推测模型640的一个以上的输出节点输出晶片基板薄膜厚度的厚度推测值。在某些实施例中，从研磨装置的其他传感器630(例如：温度传感器、压力传感器和加速度传感器)输出的传感器数据也可与归一化特性值一同输入至厚度推测模型640。厚度推测模型640可基于输入的各种数据，推测晶片基板的厚度并输出厚度推测值。

在一个实施例中，厚度推测模型640可以以包括多个输入节点、多个中间节点和一个以上的输出节点的神经网络为基础。各个中间节点可连接到各个输入节点，并且一个以上的输出节点可连接到各个中间节点。在某些实施例中，可存在多个输出节点。神经网络的结构可进行多种变形。在一个实施例中，可在输入节点输入归一化特性值。在某些实施例中，从其他传感器630输出的传感器数据也可追加输入到输入节点。或者在某些实施例中，在输入节点可追加输入在研磨晶片基板时利用的研磨参数、载体头压力和压板转速中的至少一个。

控制装置可基于从厚度推测模型440输出的晶片基板的各区域的厚度推测值，控制450(例如：控制薄膜轮廓)研磨装置。控制装置可基于厚度推测值，调整研磨装置的处理参数或决定研磨结束时间，以减少晶片基板的研磨过程中出现的不均匀性。例如，控制装置可基于厚度推测值，检测晶片基板的研磨终点，或中断研磨或调整适用于晶片基板研磨过程的压力/旋转速度等。

通过如上所述的过程，可有效地解决由于前面说明的IDT引起的初始薄膜轮廓控制中的困难。这是因为可通过一系列的输出特性值(厚度值)和厚度推测模型640在研磨过程初期测量晶片基板的薄膜厚度来控制薄膜轮廓。

图7是示出根据一个实施例的控制方法的动作的流程图。根据一个实施例的控制方法可由本说明书中所说明的控制装置(例如：图8的控制装置800)执行。

参照图7，在步骤710中，控制装置可从分光监测装置(例如：图6的分光监测装置610)接收晶片基板厚度的多个光谱数据。分光监测装置可测量并提供包括研磨装置中正在研磨的晶片基板的厚度(或薄膜厚度)信息的多个光谱数据。测量的光谱数据可包括晶片基板层厚度的相关信息。

在步骤720中，控制装置可通过分别对光谱数据进行归一化来获得归一化特性值。归一化特性值可包括例如，归一化强度、偏移、振幅、空间频率和移相值中的至少一个。在一个实施例中，控制装置可执行将光谱数据用希尔伯特包络线划分的归一化。参照图9，示出了根据一个实施例的测量的光谱数据910和归一化的光谱数据920的一个例子。测量的光谱数据910和归一化的光谱数据920的x轴表示波长，y轴表示晶片基板的薄膜厚度。测量的光谱数据910表示通过分光监测装置实际对晶片基板进行测量并获得的光谱数据，归一化的光谱数据420与对测量的光谱数据910进行归一化的结果相对应。

回到图7来看，控制装置可从执行了归一化的光谱数据获得归一化特性值。在一个实施例中，控制装置可从相对于表示波长的第一轴和表示基板厚度的第二轴对执行了归一化的光谱数据进行二维正弦拟合的数据获得归一化特性值。参照图10，示出了根据一个实施例的测量的光谱数据的归一化特性值的一个例子。归一化特性值可以以指向各个测量的光谱数据的指数(Index)1010为基准，包括例如偏移(offset)1020、振幅(amplitude)1030、空间频率(Spatial frequency)1040和移相(phaseshift)1050的值。这些归一化特性值可与在对测量的光谱数据进行正弦拟合后获得的正弦信号的参数相对应。

再次回到图7来看，在步骤730中，控制装置可利用通过输入光谱数据的归一化特性值学习的厚度推测模型(例如：图6的厚度推测模型640)获得晶片基板的厚度推测值。在一个实施例中，厚度推测模型可以以输入归一化特性值并且可基于已输入的归一化特性值输出晶片基板的厚度推测值的神经网络为基础。

在步骤740中，控制装置可基于获得的厚度推测值，控制晶片基板的研磨装置的动作。例如，控制装置可基于厚度推测值终止或中断对晶片基板的研磨，或调整适用于晶片基板研磨过程的压力/转速等。在一个实施例中，控制装置可基于通过厚度推测模型获得的厚度推测值，在晶片基板的研磨过程初期控制薄膜轮廓。控制装置在控制薄膜轮廓期间，可检测研磨终点，并且中断研磨或调整适用于研磨过程的压力。

图8是示出根据一个实施例的控制装置的构成的块图。

参照图8，控制装置800可包括处理器810和存储器820。在某些实施例中，控制装置800可省略这些构成要素中的至少一个，或者可添加一个以上的其他构成要素。处理器810和存储器820可通过通信总线相互通信。控制装置800可与本说明书中所说明的控制装置相对应。

存储器820储存处理器810执行处理动作所需的信息。例如，存储器820可存储通过处理器810运行的指令、测量的光谱数据、传感器数据等。存储器820可包括RAM、DRAM和SRAM等易失性存储器及/或闪速存储器等在该技术领域中已知的非易失性存储器。

存储模块830可存储与厚度推测模型和研磨参数相关的数据。存储模块830可包括闪存类型、硬盘类型、SD存储器、XD存储器、磁存储器及磁盘中的至少一种类型的存储媒介。在某些实施例中，存储模块830也可包含在控制装置800中，并且可以以与存储器820集成的形式体现。

处理器810可控制控制装置800的整个动作。处理器810可由一个或多个处理器构成，处理器810可包括CPU、AP(application processor)、DSP等通用处理器或NPU。

处理器810通过运行储存于存储器820的指令来执行在本说明书中所说明的控制装置800的动作。在一个实施例中，可通过储存在存储器820的处理器810运行的指令可使得处理器810执行以下动作：从分光监测装置840(例如：图6的分光监测装置610)接收有关晶片基板的厚度的多个光谱数据；将光谱数据分别归一化，并且从二维正弦拟合的数据获得归一化特性值(与实际测量的晶片基板的薄膜厚度相关的归一化特性值相对应)；利用输入归一化特性值的厚度推测模型(例如：图6的厚度推测模型640)获得晶片基板的厚度推测值；基于获得的厚度推测值，控制晶片基板的研磨装置860的动作。在一个实施例中，处理器810执行将光谱数据用希尔伯特包络线划分的归一化，并且从执行了归一化的光谱数据获得归一化特性值。归一化特性值可包括例如，归一化强度、偏移、振幅、空间频率和移相值中的至少一个。处理器810例如，可从相对于表示波长的第一轴和表示基板厚度的第二轴对执行了归一化的光谱数据进行二维正弦拟合的数据中获得归一化特性值。

处理器810可基于获得的厚度推测值，控制晶片基板的研磨装置860的动作。例如，处理器810可基于厚度推测值终止或中断对晶片基板的研磨，或调整应用于晶片基板研磨过程的压力/转速等。

图11是根据一个实施例的晶片基板的调节系统的块图。图12是根据一个实施例的研磨装置的立体图，图13是根据一个实施例的研磨装置的平面图。

参照图11、图12和图13，根据一个实施例的调节系统1可通过机器学习使得控制模型M最优化，并且根据优化后的控制模型M控制调节器113。根据一个实施例的调节系统1可包括研磨部11、传感器部12和控制部13。调节系统1可与本说明书中所说明的研磨装置(例如：图8中的研磨装置860)相对应。

研磨部11可以是用于对晶片基板W进行研磨工艺的机构。晶片基板W的研磨工艺可以是不仅包括直接研磨晶片基板W的工艺，还包括调节研磨垫或将研磨液供给到基板W上的工艺。在一个实施例中，研磨部11可包括载体头111、研磨平板112、调节器113和研磨液供给装置114。

在一个实施例中，载体头111可对晶片基板W进行抓取。载体头111可以以对晶片基板W进行抓取的状态，施压于后述的研磨垫1122，从而对晶片基板W进行研磨。载体头111可在抓取晶片基板W的状态下旋转。载体头111可围绕垂直于晶片基板W面的轴(例如：z轴)旋转。载体头111可在平行于晶片基板W面的平面上沿第一方向(例如：x轴方向)和垂直于第一方向的第二方向(例如：y轴方向)移动。因此，晶片基板W可根据载体头111的移动，在研磨垫1122的上部调节位置。

在一个实施例中，研磨平板112可通过与被载体头111抓取的晶片基板W相接触来研磨晶片基板W。研磨平板112可包括旋转台1121和研磨垫1122。

在一个实施例中，旋转台1121可以以垂直于地面的轴(例如：z轴)为中心旋转。在旋转台1121的上部可设置有研磨垫1122。研磨垫1122可在表面形成有凹槽(groove)。研磨垫1122可具有比晶片基板W更大的面积。在研磨晶片基板W的过程中，晶片基板W可与研磨垫1122的局部地点相接触。

在一个实施例中，调节器113可对研磨垫1122的表面进行调节。随着研磨的进行，研磨垫1122的表面可能会磨损，例如，在研磨垫1122表面形成的凹槽可能会变得平坦。由于凹槽的磨损降低了晶片基板W的研磨效率，因此调节器113可通过切削研磨垫1122的表面的再生化作业来使得研磨垫1122的表面恢复具有足够的粗糙度。调节器113可包括调节垫和调节头，其中，调节垫与研磨垫1122相接触，调节头使得调节垫相对于研磨垫1122旋转。

在一个实施例中，研磨液供给装置114可将研磨液喷射至研磨垫1122。通过使得喷射的研磨液中包含的化学成分与晶片基板W的表面产生化学反应来执行化学研磨晶片基板W的表面部位的化学研磨工艺。

传感器部12可对研磨垫112的表面状态进行测量。例如，研磨垫1122的表面状态可以是研磨垫1122的轮廓。例如，传感器部12可包括加速度传感器、光学传感器、压力传感器、马达扭矩传感器和电磁场传感器中的至少一种。但是，传感器部12的种类并不限于此。在传感器部12可实时测量测量数据SD。在一个实施例中，传感器部12可包括生成光谱数据的分光监测装置，以测量晶片基板W的薄膜厚度(或厚度)。

控制部13可根据控制模型M对调节器113进行控制。在一个实施例中，控制模型M可将施加到调节器113的压力、调节器113的转速以及调节器113和研磨垫1122之间接触时间中的至少一个作为变量。因此，控制部13可控制施加到调节器113的压力、调节器113的转速以及调节器113和研磨垫1122之间接触时间中的至少一个。在一个实施例中，控制部13的动作可由本说明书中所说明的控制装置(例如：图8的控制装置800)执行。

根据实施例的方法可以以通过各种计算机手段来执行的程序指令形态实现，并可记录在计算机可读媒体。计算机可读媒体可单独或以组合的形式包括程序指令、数据文件、数据结构等。记录在媒体上的程序指令可以是为了实施例而特别设计并构成的或者是已被计算机软件从业人员公知并使用的。计算机可读记录媒体的例子包括硬盘、软盘及磁带等磁性媒体(magnetic media)、CD-ROM和DVD等光学媒体(optical media)、软式光盘等磁光介质(magneto-optical media)以及以存储并执行只读存储器(ROM)、随机存取器(RAM)、闪存等程序命令的形式特别构成的硬件装置。程序命令的例子不仅包括由编译器制成的机械语言代码，还包括使用解释器等可通过计算机执行的高级语言代码。为了执行实施例的动作，硬件装置可以以作为一个以上的软件模块进行操作的形式构成，反之亦然。

软件可包括计算机程序(computer program)、代码(code)、指令(instruction)或其中一种以上的组合，并且以能够随意操作的形式构成处理装置，或者可独立或集体地(collectively)命令处理装置。为了借助于处理装置解释或向处理装置提供命令或数据，软件和/或数据可永久地或暂时地具体化(embody)在某种类型的机械、构成要素(component)、物理装置、虚拟装置、计算机储存媒介或装置，或传送的信号波(signalwave)。软件分散在通过网络连接的计算机系统上，从而也可以通过分散的方法存储或者运行。软件及数据可存储在一个以上的计算机可读记录媒体。

如上所述，虽然通过有限的图对实施例进行了说明，但如果是在相关技术领域具有一般知识的人，则可以基于上述内容进行多种技术修改和变形。例如，说明的技术可以按与说明的方法不同的顺序执行，以及/或者以与说明的方法不同的形态结合或组合说明的系统、结构、装置、电路等构成要素，或者即使被其他构成要素或均等物替换或置换，都可以取得适当的结果。

因此，其他体现、其他实施例及和专利权利要求书均等的部分也属于专利权利要求书的范围。

Claims (14)

1.一种学习方法，其特征在于，包括以下步骤：

基于包括晶片基板的实际厚度信息的采样数据，决定学习光谱数据；

对学习光谱数据进行归一化，并且从二维正弦拟合的数据获得归一化特性值；以及

基于学习光谱数据的归一化特性值，对厚度推测模型的参数进行更新。

2.根据权利要求1所述的学习方法，其特征在于，

决定学习光谱数据的步骤包括以下步骤：

基于包括根据事先测量的晶片基板的整个研磨区域的厚度的光谱信号信息的采样数据，决定学习光谱数据。

3.根据权利要求2所述的学习方法，其特征在于，

决定学习光谱数据的步骤包括以下步骤：

在将根据事先测量的厚度的光谱信号信息的归一化强度以概率变量表示的概率密度函数中，对一个以上的归一化数据进行采样，据此来决定学习光谱数据。

4.根据权利要求3所述的学习方法，其特征在于，

决定学习光谱数据的步骤包括以下步骤：

利用拒绝采样及马尔可夫链蒙特卡洛中任意一个采样方法，对一个以上的归一化数据进行采样。

5.根据权利要求1所述的学习方法，其特征在于，

获得归一化特性值的步骤包括以下步骤：

执行将学习光谱数据用希尔伯特包络线划分的归一化；以及

对执行了归一化的学习光谱数据进行二维正弦拟合。

6.根据权利要求5所述的学习方法，其特征在于，

二维正弦拟合的步骤包括以下步骤：

将执行了归一化的学习光谱数据相对于表示波长的第一轴和表示基板厚度的第二轴进行二维正弦拟合。

7.根据权利要求1所述的学习方法，其特征在于，

归一化特性值包括归一化强度、偏移、振幅、空间频率和移相值中的至少一个。

8.一种学习装置，其特征在于，包括：

处理器；以及

存储器，其存储可由处理器运行的指令，

可运行的指令使得处理器执行包括以下动作在内的多个动作：

基于包括晶片基板的实际厚度信息的采样数据，决定学习光谱数据；

对学习光谱数据进行归一化，并且从二维正弦拟合的数据获得归一化特性值；以及

基于学习光谱数据的归一化特性值，对厚度推测模型的参数进行更新。

9.根据权利要求8所述的学习装置，其特征在于，

决定学习光谱数据的动作包括以下动作：

基于包括根据事先测量的晶片基板的整个研磨区域的厚度的光谱信号信息的采样数据，决定学习光谱数据。

10.根据权利要求9所述的学习装置，其特征在于，

决定学习光谱数据的动作包括以下动作：

在将根据事先测量的厚度的光谱信号信息的归一化强度以概率变量表示的概率密度函数中，对一个以上的归一化数据进行采样，据此决定学习光谱数据。

11.根据权利要求10所述的学习装置，其特征在于，

决定学习光谱数据的动作包括以下动作：

利用拒绝采样及马尔可夫链蒙特卡洛中任意一个采样方法，对一个以上的归一化数据进行采样。

12.根据权利要求8所述的学习装置，其特征在于，

获得归一化特性值的动作包括以下动作：

执行用希尔伯特包络线划分学习光谱数据的归一化；以及

对执行了归一化的学习光谱数据进行二维正弦拟合。

13.根据权利要求12所述的学习装置，其特征在于，

二维正弦拟合的动作包括以下动作：

将执行了归一化的学习光谱数据相对于表示波长的第一轴和表示基板厚度的第二轴进行二维正弦拟合。

14.根据权利要求8所述的学习装置，其特征在于，

归一化特性值包括归一化强度、偏移、振幅、空间频率和移相值中的至少一个。