JP2021058955A - 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 - Google Patents

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 Download PDF

Info

Publication number
JP2021058955A
JP2021058955A JP2019183750A JP2019183750A JP2021058955A JP 2021058955 A JP2021058955 A JP 2021058955A JP 2019183750 A JP2019183750 A JP 2019183750A JP 2019183750 A JP2019183750 A JP 2019183750A JP 2021058955 A JP2021058955 A JP 2021058955A
Authority
JP
Japan
Prior art keywords
polishing
data
eddy current
current sensor
board
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
Application number
JP2019183750A
Other languages
English (en)
Inventor
顕 中村
Akira Nakamura
顕 中村
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
Priority to JP2019183750A priority Critical patent/JP2021058955A/ja
Priority to TW109131436A priority patent/TW202114814A/zh
Priority to PCT/JP2020/035106 priority patent/WO2021065516A1/ja
Priority to US17/765,388 priority patent/US20220371151A1/en
Publication of JP2021058955A publication Critical patent/JP2021058955A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
    • 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
    • B24B37/11—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
    • B24B37/27—Work carriers
    • B24B37/30—Work carriers for single side lapping of 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
    • 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
    • B24B49/02—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 according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—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 according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during 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
    • 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
    • B24B49/10—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 involving electrical means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Automatic Control Of Machine Tools (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Numerical Control (AREA)

Abstract

【課題】研磨中に基板の配線高さを推定する方法を提供する。【解決手段】渦電流センサ１５０が設けられ且つ回転可能に構成された研磨テーブル１１０と、回転可能に構成され且つ当該研磨テーブル１１０と対向する面に基板１２１が取り付け可能な研磨ヘッド１２０と、対象基板１２１の研磨処理中に、前記渦電流センサ１５０が対象基板１２１に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して前処理後データを生成し、当該渦電流センサ１５０が基板１２１に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板１２１の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前処理後データを入力することによって、当該対象基板１２１の少なくとも一つの位置における配線高さを決定するプロセッサ１４２と、を有する。【選択図】図１

Description

本発明は、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に関する。
化学機械研磨（Chemical Mechanical Polishing：以下、ＣＭＰという）は、研磨剤（砥粒）自体が有する表面化学作用または研磨液に含まれる化学成分の作用によって、研磨剤と研磨対象物の相対運動による機械的研磨（表面除去）効果を増大させ、高速かつ平滑な研磨面を得る技術である。
研磨装置は、研磨終点検出するコントローラを搭載して例えば渦電流センサを用いて、最適な研磨終了点の検出を行うことが行われている（特許文献１参照）。渦電流センサは、例えば研磨テーブルの下に設置され、研磨テーブルを貫く方向に磁力線を発生している。研磨テーブルが回転すると渦電流センサは研磨テーブルと共に回転し、トップリングに保持されたウエハの下を通過する。このとき、ウエハ面上に導電性の膜が存在すると、ウエハ面上に渦電流が発生する。渦電流が流れると当初の磁力線とは逆方向に磁力線が発生する。この逆方向に発生する磁力線の強度を測定することによって導電性の膜の厚さを計測する。
特開２００５−１２１６１６号公報
半導体の微細化によりＣＭＰ加工中の配線の高さをコントロールしたい需要がある。ＣＭＰを用いた研磨装置がウエハのＣＭＰ加工中に渦電流センサで配線パターンを持ったウエハを測定すると、凹凸を持った信号が観測できる。この凹凸と配線パターンのサイズ（パターン形状、幅、高さ）には相関がある。
しかし、ＣＭＰ加工中にはウエハと、研磨テーブルの下に固定された渦電流センサはそれぞれに円運動しており、また、配線パターンは製品により種々に変化するため、出現する凹凸パターンも様々であり、単純に配線高さ（導電性の膜の厚さ）を算出することができない。
本発明は、上記問題に鑑みてなされたものであり、研磨中に基板の配線高さを推定することを可能とする研磨装置、情報処理システム、情報処理方法及びプログラムを提供することを目的とする。
本発明の第１の態様に係る研磨装置は、渦電流センサが設けられ且つ回転可能に構成された研磨テーブルと、前記研磨テーブルに対向し且つ回転可能に構成され且つ前記研磨テーブルと対向する面に基板が取り付け可能な研磨ヘッドと、対象基板の研磨処理中に、前記渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成し、前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定するプロセッサと、を備える。
この構成によれば、渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、対象基板の前処理後データを入力することによって、対象基板の少なくとも一つの位置における配線高さを推定することができる。
本発明の第２の態様に係る研磨装置は、第１の態様に係る研磨装置であって、前記プロセッサは、当該決定された配線高さが予め決められた配線高さになった場合、前記対象基板の研磨を終了するよう制御する。
この構成によれば、予め決められた配線高さになった場合に研磨を自動的に終了することができる。
本発明の第３の態様に係る研磨装置は、第１または２の態様に係る研磨装置であって、前記研磨ヘッドには、基板を押圧するためのエアバッグが設けられており、前記プロセッサは、前記決定された配線高さの分布に応じて、前記エアバッグ内の圧力分布を制御する。
この構成によれば、基板の研磨された面の高さ（例えば配線高さ）の均一性を向上させることができる。
本発明の第４の態様に係る研磨装置は、第１から３のいずれかの態様に係る研磨装置であって、前記機械学習モデルの入力は、更に研磨パッドの厚さ、研磨テーブルの回転数、及び／または研磨ヘッドの回転数を含む。
この構成によれば、研磨パッドの厚さ、研磨テーブルの回転数、及び／または研磨ヘッドの回転数によって、１回の削れる量が変わり得るので、これらのパラメータを一つ以上考慮することによって、配線高さの推定精度を向上させることができる。
本発明の第５の態様に係る研磨装置は、第１から４のいずれかの態様に係る研磨装置であって、前記渦電流センサを複数備え、前記機械学習モデルの入力は、前記複数の前記渦電流センサの同じ研磨テーブル回転周回における前記対象基板に対向する各位置における出力信号に対して、前記前処理が実行された後のデータである。
この構成によれば、複数の渦電流センサの同じ研磨テーブル回転周回の出力信号に対して、当該前処理が実行された後のデータを機械学習モデルの入力として用いることによって、同じ周回の出力信号を複数用いることで、一つの出力信号にノイズが載ったとしても他の出力信号にノイズが載っていなければ配線高さを推定することができる。これにより、配線高さの推定のロバスト性を向上させることができる。
本発明の第６の態様に係る研磨装置は、第１から４のいずれかの態様に係る研磨装置であって、前記渦電流センサを複数備え、前記機械学習モデルの入力は、前記複数の前記渦電流センサの同じ複数の研磨テーブル回転周回の前記対象基板に対向する各位置における出力信号に対して、前記前処理が実行された後のデータである。
この構成によれば、複数の周回の出力信号を用いることで、特定の渦電流センサが周回毎に基板を基準とする渦電流センサの移動軌跡が異なっていたとしても、その影響を相殺することができるので、配線高さの推定精度を向上させることができる。同じ周回の渦電流センサの出力信号を複数用いることで、一つの出力信号にノイズが載ったとしても他の出力信号にノイズが載っていなければ配線高さを推定することができるので、配線高さの推定のロバスト性を向上させることができる。
本発明の第７の態様に係る研磨装置は、第１から４のいずれかの態様に係る研磨装置であって、前記機械学習モデルの入力は、一つの前記渦電流センサの複数の研磨テーブル回転周回における前記対象基板に対向する各位置における出力信号に対して、前記前処理が実行された後のデータである。
この構成によれば、複数の周回の出力信号を用いることで、特定の渦電流センサが周回毎に基板を基準とする渦電流センサの移動軌跡が異なっていたとしても、その影響を相殺することができるので、配線高さの推定精度を向上させることができる。
本発明の第８の態様に係る研磨装置は、第１から７のいずれかの態様に係る研磨装置であって、前記プロセッサは、研磨処理中の渦電流センサの出力信号を用いて、前記学習済みの機械学習モデルを再学習させる。
この構成によれば、研磨装置を稼働した後も、研磨処理中の渦電流センサの出力信号を用いて、再学習するので、配線高さの予測精度を向上させることができる。
本発明の第９の態様に係る情報処理システムは、対象基板の研磨処理中に、渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する前処理部と、前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定する予測部と、を備える。
この構成によれば、渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、対象基板の前処理後データを入力することによって、対象基板の少なくとも一つの位置における配線高さを推定することができる。
本発明の第１０の態様に係る情報処理方法は、対象基板の研磨処理中に、渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する前処理ステップと、前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定する予測ステップと、を有する。
この構成によれば、渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、対象基板の前処理後データを入力することによって、対象基板の少なくとも一つの位置における配線高さを推定することができる。
本発明の第１１の態様に係るプログラムは、コンピュータを、対象基板の研磨処理中に、渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する前処理部と、前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定する予測部と、として機能させるためのプログラムである。
この構成によれば、渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、対象基板の前処理後データを入力することによって、対象基板の少なくとも一つの位置における配線高さを推定することができる。
本発明の一態様によれば、渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、対象基板の前処理後データを入力することによって、対象基板の少なくとも一つの位置における配線高さを推定することができる。
一実施形態に係る研磨装置の概略正面図である。 本実施形態に係る配線高さを説明するための図である。 基板１２１に対する渦電流センサ１５０の水平方向の移動軌跡を示す模式図である。 基板１２１の下を通る渦電流センサ１５０が通っている間の渦電流センサ１５０の出力信号を表すグラフである。 第１の実施形態に係るプロセッサ１４２の機能ブロック図である。 第１の実施形態において用いられるニューラルネットワークの一例を示す模式図である。 第１の実施形態に係る処理の流れの一例を示すフローチャートである。 第１の実施形態の変形例に係るプロセッサ１４２の機能ブロック図である。 第１実施形態の変形例に係る処理の流れの一例を示すフローチャートである。 基板１２１に対する複数の渦電流センサの水平方向の移動軌跡を示す模式図である。 基板１２１の下を通る渦電流センサそれぞれが通っている間の渦電流センサそれぞれの出力信号を表すグラフの模式図である。 第２の実施形態に係るプロセッサ１４２の機能ブロック図である。 第２の実施形態において用いられるニューラルネットワークの一例を示す模式図である。 同じ渦電流センサのＶ回転目からＶ＋３回転目までの出力信号の例を示す模式図である。 図１２におけるＶ回転目からＶ＋３回転目までの同じ渦電流センサの水平位置における水平方向の移動軌跡を示す模式図である。 第３の実施形態に係るプロセッサ１４２の機能ブロック図である。 第３の実施形態において用いられるニューラルネットワークの学習時のデータの流れの一例を示す模式図である。 第３の実施形態において用いられるニューラルネットワークの一例を示す模式図である。 第３の実施形態において用いられるニューラルネットワークの推論時のデータの流れの一例を示す模式図である。
以下、各実施形態について、図面を参照しながら説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
本実施形態では、配線パターンを持ったウエハをＣＭＰ研磨中の渦電流センサで測定して得られた出力信号と、その出力信号が測定された時の配線高さ（測定値でも、推定値でも良い）を機械学習モデル（ここでは一例としてニューラルネットワーク）に学習させる。この学習済みの機械学習モデル（ここでは一例としてニューラルネットワーク）を、ＣＭＰ加工中に得られた出力信号に適用することにより、推定配線高さを決定する（すなわち膜厚値を推定する）。また、運用中に得られた、ＣＭＰ加工中の渦電流波形データと、推定配線高さを用いて、学習済みの機械学習モデルを再学習することで、推定精度を改善する。
図１は、一実施形態に係る研磨装置の概略正面図である。一実施形態に係る研磨装置１００は、化学機械研磨（ＣＭＰ）で基板を研磨するＣＭＰ装置である。なお、研磨装置１００は、渦電流センサが設けられた研磨テーブルを回転させて基板を研磨する装置であればよい。
図１に示すように、一実施形態に係る研磨装置１００は、研磨テーブル１１０と、研磨ヘッド１２０と、液体供給機構１３０と、を備える。研磨装置１００は、各構成要素を制御するためのコントローラ１４０を更に備えてもよい。コントローラ１４０は例えば、ストレージ１４１、プロセッサ１４２および入出力インタフェース１４３を備えてもよい。
研磨テーブル１１０の研磨ヘッド１２０と対向する面には、研磨パッド１１１が着脱可能に取り付けられている。研磨ヘッド１２０は研磨テーブル１１０と対向するように設けられている。研磨ヘッド１２０のうち研磨テーブル１１０と対向する面には基板１２１が着脱可能に取り付けられている。液体供給機構１３０はスラリなどの研磨液を研磨パッド１１１に供給するよう構成されている。なお、液体供給機構１３０は、研磨液以外にも洗浄液または薬液などを供給するように構成されていてもよい。
研磨装置１００は、図示しない上下動機構により研磨ヘッド１２０を下降させて基板１２１を研磨パッド１１１に接触させることができる。ただし、上下動機構は研磨テーブル１１０を上下動させることができてもよい。研磨テーブル１１０および研磨ヘッド１２０は図示しないモータなどによって回転させられる。研磨装置１００は、基板１２１と研磨パッド１１１とが接触した状態で研磨テーブル１１０および研磨ヘッド１２０の双方を回転させることで基板１２１を研磨する。
研磨テーブル１１０の内部には渦電流センサ１５０が設けられている。具体的には例えば、渦電流センサ１５０は、研磨中の基板１２１の中心を通過する位置に設置されている。渦電流センサ１５０は基板１２１の表面の導電層に渦電流を誘起する。渦電流センサ１５０は更に、当該渦電流により生じる磁界に起因するインピーダンスの変化から基板１２１の表面の導電層の厚さ（以下、配線高さともいう）を検出する。渦電流センサ１５０（または渦電流センサ１５０に接続されたコントローラ１４０もしくは渦電流センサ１５０の出力を読み取ったオペレータ）は、検出された導電層の厚さから、基板研磨の終点を検知することができる。入出力インタフェース１４３は、渦電流センサ１５０に接続されており、渦電流センサ１５０によって検出された出力信号を渦電流センサ１５０から受け取る。
研磨ヘッドには、基板１２１を押圧するためのエアバッグが設けられており、エアバッグ１２２は例えば、複数の区画１２２１〜１２２４に分割されている。エアバッグ１２２は一例として研磨ヘッド１２０に設けられている。なお、それに加えてまたはそれに替えて、エアバッグ１２２は研磨テーブル１１０に設けられていてもよい。エアバッグ１２２は基板１２１の研磨圧力を基板１２１の領域ごとに調整するための部材である。エアバッグ１２２は、内部に導入された空気の圧力によって体積が変化するように構成されている。なお、「エア」バッグという名称ではあるが、空気以外の流体、たとえば窒素ガスや純水、がエアバッグ１２２に導入されてもよい。
区画１２２１、１２２２、１２２３、１２２４はそれぞれ対応する圧力制御弁Ｒ１、Ｒ２、Ｒ３、Ｒ４に接続されている。圧力制御弁Ｒ１、Ｒ２、Ｒ３、Ｒ４は、コントローラ１４０に接続されており、コントローラ１４０からの制御信号に応じて、区画１２２１、１２２２、１２２３、１２２４に供給する圧力流体（例えば、ガス）の圧力を個別に調整する。これにより、区画１２２１〜１２２４毎に圧力を調整することができる。
図２は、本実施形態に係る配線高さを説明するための図である。図２の向かって左側の基板の断面図に示すように、研磨前の基板は、配線用の溝ＤＰが形成されているベース層Ｌ１２とベース層Ｌ１２の上に設けられた金属層Ｌ１１とを有する。ここでベース層Ｌ２は例えば、酸化膜（例えば、ＳｉＯ2）または窒化膜である。
続いて、研磨装置１００によって研磨することによって、金属層Ｌ１１が削られて溝ＤＰ以外にベース層Ｌ１２の上に載っている金属を除去すると、図２の向かって右側の基板の断面図のようになる。ここで、図２に示すように、溝ＤＰの底から金属層Ｌ１１の上面までの長さＨが配線高さである。以下、基板１２１は一例としてウエハであるものとして説明する。
図３Ａは、基板１２１に対する渦電流センサ１５０の水平方向の移動軌跡を示す模式図である。研磨テーブル１１０が回転することにより、図３Ａに示すように、渦電流センサ１５０は、矢印Ａ１に示す軌跡で、基板１２１の下を通る。研磨テーブル１１０の回転数が予め決められているので、研磨テーブル１１０に固定された渦電流センサ１５０の速度は既知である。渦電流センサ１５０は、基板１２１（ここでは一例としてウエハ）の中心を通るように、渦電流センサ１５０及び研磨ヘッド１２０の基板１２１の位置が予め設定されている。これにより、プロセッサ１４２は、渦電流センサ１５０は一定の速度で円弧状に移動するので、渦電流センサ１５０が例えば所定の時間毎に移動する位置を計算することができ、この位置からウエハの半径方向の位置（以下、ウエハ半径位置という）を計算することができる。
図３Ｂは、基板１２１の下を通る渦電流センサ１５０が通っている間の渦電流センサ１５０の出力信号を表すグラフである。横軸が渦電流センサ１５０が位置するウエハ半径位置であり、縦軸がセンサ出力である。ここでは、ウエハの半径が１５０ｍｍであり、ウエハ半径位置が−１５０ｍｍから１５０ｍｍまで変化する際のセンサ出力を表している。このように、出力信号の波形には凹凸がある。
図４は、第１の実施形態に係るプロセッサ１４２の機能ブロック図である。図４に示すように、プロセッサ１４２は、前処理部１６０、予測部１６４、判定部１６５として機能する。
前処理部１６０は、対象基板の研磨処理中に、渦電流センサ１５０が対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する。ここで、前処理部１６０は、ノイズ除去フィルタ１６１、データ補間部１６２、及びオフセット処理部１６３を備える。これらの処理については、図６において後述する。
予測部１６４は、機械学習モデル（ここでは一例としてニューラルネットワーク）を用いて、対象基板の配線高さを決定する。より詳細には、予測部１６４は、渦電流センサ１５０が基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習した機械学習モデル（ここでは一例としてニューラルネットワーク）に対して、当該対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置（ここでは、一例としてＭ個の位置）における配線高さを決定する。
図５は、第１の実施形態において用いられるニューラルネットワークの一例を示す模式図である。図５に示すように、ニューラルネットワークＭＤ１は一例として、Ｋ層（Ｋは自然数）のニューラルネットワークで、入力層は、Ｎ＋３個（Ｎは自然数）のニューロンを有し、中間層はＮ個のニューロンを有し、出力層はＭ個（Ｍは自然数）のニューロンを有する。入力層及び中間層に含まれる各ニューロンは、一例として、次の層のニューロンと全結合する。それに加えて中間層のニューロンは一例として、自身の出力を入力に重みづけしてフィードバックする。このように本実施形態に係るニューラルネットワークは、一例としてリカレントニューラルネットワーク（ＲＮＮ）である。
ある周回で基板の下を通過中の渦電流センサ１５０の出力信号で出現する出力波形または波形パターンは、それより前の周回基板の下を通過中の渦電流センサ１５０の出力信号（前スキャンの出力信号ともいう）の出力波形に関係がある。前スキャンの出力信号のデータを利用できるように、機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）またはリカレントニューラルネットワークの一種であるＬＳＴＭ(Long short-term memory)を使うのが好ましい。
ニューラルネットワークの入力層のニューロンＬ1,1〜Ｌ1,Nには、各ウエハ半径位置に対応する前処理後の信号であるデータ１〜データＮが入力される。
また、ニューラルネットワークの入力層のニューロンＬ1,N+1〜Ｌ1,N+3にはそれぞれ研磨パッド１１１の厚さデータ（以下、Ｐａｄ厚さデータともいう）、研磨テーブル１１０の回転数データ（以下、テーブル回転数データともいう）、研磨ヘッド１２０の回転数データ（以下、キャリア回転数データともいう）が入力される。ニューラルネットワークの出力層からはそれぞれ、半径ｒ1〜半径ｒMにおける配線高さが出力される。
すなわち、このニューラルネットワークの学習時には、学習データセットとして、各ウエハ半径位置に対応する前処理後の信号であるデータ１〜データＮ、及びＰａｄ厚さデータ、テーブル回転数データ及びキャリア回転数データが入力データとされ、そのときの半径ｒ1〜半径ｒMにおける配線高さの測定値または推測値が出力データとして入力されて、各ニューロンの重み係数が更新される。ここで、測定値は、実際にウエハを研磨した後に計測された配線高さである。この重み係数の更新は、既存の更新方法（例えば、バックプロパゲーションなど）が用いられてもよい。
続いて、図６を用いて本実施形態に係る処理の流れについて説明する。図６は、第１の実施形態に係る処理の流れの一例を示すフローチャートである。ここでは、ストレージ１４１には、学習済のニューラルネットワークにおける各ニューロンの重み係数が記憶されているものとして説明する。
（ステップＳ１０１）まず、プロセッサ１４２はウエハ研磨を開始するよう制御する。
（ステップＳ１０２）次にプロセッサ１４２は、ウエハの下を１回通過する際の渦電流センサの出力信号を順次、ストレージ１４１に蓄積する。
以下のステップＳ１０３〜Ｓ１０５の処理は、前処理部１６０の処理である。
（ステップＳ１０３）次にノイズ除去フィルタ１６１は、渦電流センサの出力信号に対して、ノイズ除去フィルタ（ここでは一例としてローパスフィルタ（ＬＰＦ））をかける。
（ステップＳ１０４）次にデータ補間部１６２は、センサ値がないウエハ半径位置のデータを補間する。
（ステップＳ１０５）次にオフセット処理部１６３は、データ補間後の信号に対して、予め決められた半径位置のデータを特定の値になるようオフセットする。これにより、ウエハ毎にばらつく直流成分を同じ特定の値にすることによってキャンセルすることができ、直流成分を除く交流成分の違いを学習することができる。オフセット処理部１６３は例えば、直流成分を除去するフィルタであってもよい。
（ステップＳ１０６）次に、予測部１６４は、ストレージ１４１を参照して、学習済のニューラルネットワークへ、オフセット後のデータを入力して、配線高さを決定する。
（ステップＳ１０７）次に、判定部１６５は、ステップＳ１０６で決定された配線高さが、予め決められた配線高さになったか否か判定する。配線高さが、予め決められた配線高さになっていないと判定された場合、処理がステップＳ１０２に戻って、ステップＳ１０２以降の処理が実行される。
（ステップＳ１０８）ステップＳ１０７で配線高さが、予め決められた配線高さになったと判定された場合、プロセッサ１４２はウエハ研磨を終了するよう制御する。
このように、プロセッサ１４２は、当該決定された配線高さが予め決められた配線高さになった場合、対象基板の研磨を終了するよう制御する。これにより、予め決められた配線高さになった場合に研磨を自動的に終了することができる。
なお、第１の実施形態では、ニューラルネットワークが、基板の複数の位置における配線高さを出力するようにしたが、これに限らず、基板の一つの位置における配線高さを出力してもよい。
以上、第１の実施形態に係る研磨装置は、渦電流センサ１５０が設けられ且つ回転可能に構成された研磨テーブル１１０と、研磨テーブル１１０に対向し且つ回転可能に構成され且つ研磨テーブル１１０と対向する面に基板が取り付け可能な研磨ヘッド１２０と、プロセッサ１４２とを備える。プロセッサ１４２は、対象基板の研磨処理中に、前記渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する。そして、プロセッサ１４２は、渦電流センサ１５０が基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、当該対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定する。
この構成により、渦電流センサ１５０が基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、対象基板の前処理後データを入力することによって、対象基板の少なくとも一つの位置における配線高さを推定することができる。
なお、本実施形態に係るニューラルネットワークの入力には、研磨パッドの厚さ、研磨テーブルの回転数、及び研磨ヘッドの回転数を含んだが、これに限らず、これらのうちの一つまたは二つが含まれていてもよい。すなわち、機械学習モデルの入力は、更に研磨パッドの厚さ、研磨テーブルの回転数、及び／または研磨ヘッドの回転数を含んでもよい。この構成により、研磨パッドの厚さ、研磨テーブルの回転数、及び／または研磨ヘッドの回転数によって、１回の削れる量が変わり得るので、これらのパラメータを一つ以上考慮することによって、配線高さの推定精度を向上させることができる。
また、研磨パッドの厚さ、研磨テーブルの回転数、及び研磨ヘッドの回転数の入力がないニューラルネットワークであってもよい。
＜第１の実施形態の変形例＞
続いて第１の実施形態の変形例について説明する。第１の実施形態の変形例では、第１の実施形態に比べて、更にプロセッサ１４２が、決定された配線高さの分布に応じて、エアバッグ１２２内の圧力分布を制御する点が異なっている。
図７は、第１の実施形態の変形例に係るプロセッサ１４２の機能ブロック図である。図７に示す第１の実施形態の変形例に係るプロセッサ１４２の機能ブロック図は、図４の第１の実施形態に係るプロセッサ１４２の機能ブロック図に比べて、圧力制御部１６６が追加されたものになっている。図７において、図４と同じ要素には同じ符号を付し、その説明を省略する。圧力制御部１６６は、予測部１６４によって決定された配線高さの分布に応じて、エアバッグ１２２内の圧力分布を制御する。
図８は、第１実施形態の変形例に係る処理の流れの一例を示すフローチャートである。ステップＳ２０１〜Ｓ２０５は、図６のステップＳ１０１〜Ｓ１０５と同様であるので、その説明を省略する。
（ステップＳ２０６）予測部１６４は、ストレージ１４１を参照して、学習済のニューラルネットワークへ、オフセット後のデータを入力して、配線高さの分布を決定する。
（ステップＳ２０７）次に、圧力制御部１６６は、予測部１６４によって決定された配線高さの分布に応じて、エアバッグ１２２内の圧力分布を制御する。具体的には例えば、圧力制御部１６６は、対象の位置の配線高さが他の位置よりも高い場合、他の位置よりも削れていないので、その位置におけるエアバッグ１２２内の圧力を他の位置よりも圧力を高くしてもよい。また、それに加えてまたはそれに替えて、圧力制御部１６６は、対象の位置の配線高さが他の位置よりも低い場合、他の位置よりも削れているので、その位置におけるエアバッグ１２２内の圧力を他の位置よりも圧力を低くしてもよい。これにより、基板の研磨された面の高さ（例えば配線高さ）の均一性を向上させることができる。
以降のステップＳ２０８〜Ｓ２０９は、図６のステップＳ１０７〜Ｓ１０８と同様であるので、その説明を省略する。
＜第２の実施形態＞
続いて第２の実施形態について説明する。第２の実施形態では、第１の実施形態と比べて、渦電流センサが複数設けられている点が異なっている。図９Ａは、基板１２１に対する複数の渦電流センサの水平方向の移動軌跡を示す模式図である。図９Ａに示すように、渦電流センサ１５０−１、…、１５０−Ｕ（Ｕは２以上の整数）までのＵ個の渦電流センサが設けられている。
図９Ｂは、基板１２１の下を通る渦電流センサそれぞれが通っている間の渦電流センサそれぞれの出力信号を表すグラフの模式図である。図９Ｂに示すように、研磨テーブル１１０が１回転する毎に、渦電流センサ１５０−１、…、１５０−Ｕそれぞれの出力信号が得られるので、Ｕ個の出力信号が得られる。
図１０は、第２の実施形態に係るプロセッサ１４２の機能ブロック図である。図１０に示すように、図７の第１の実施形態の変形例に比べて、前処理部１６０が前処理部１６０ｂに変更され、予測部１６４が予測部１６４ｂに変更されたものになっている。
前処理部１６０ｂは、ノイズ除去フィルタ１６１−１、…、１６１−Ｕと、データ補間部１６２−１、…、１６２−Ｕと、オフセット処理部１６３−１、…、１６３−Ｕとを備える。ノイズ除去フィルタ１６１−１、…、１６１−Ｕはそれぞれ対応する渦電流センサ１５０−１、…、１５０−Ｕからの出力信号に対してノイズ除去フィルタをかける。データ補間部１６２−１、…、１６２−Ｕはそれぞれ対応するノイズ除去フィルタ後の信号に対して、センサ値がないウエハ半径位置のデータを補間する。オフセット処理部１６３−１、…、１６３−Ｕはそれぞれ対応するデータ補間後の信号に対して、予め決められた半径位置のデータを特定の値になるようオフセットする。
予測部１６４ｂは、機械学習モデル（ここでは一例としてニューラルネットワーク）を用いて、対象基板の配線高さを決定する。より詳細には、予測部１６４ｂは、複数の渦電流センサ１５０−１〜１５０−Ｕの同じ研磨テーブル回転周回の対象基板に対向する各位置における出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習した機械学習モデル（ここでは一例としてニューラルネットワーク）に対して、当該対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置（ここでは、一例としてＭ個の位置）における配線高さを決定する。
図１１は、第２の実施形態において用いられるニューラルネットワークの一例を示す模式図である。図１１に示すように、ニューラルネットワークＭＤ２は一例として、Ｋ層（Ｋは自然数）のニューラルネットワークで、入力層は、Ｕ×Ｎ＋３個（Ｎは自然数）のニューロンを有し、中間層はＵ×Ｎ個のニューロンを有し、出力層はＭ個（Ｍは自然数）のニューロンを有する。入力層及び中間層に含まれる各ニューロンは、一例として、次の層のニューロンと全結合する。それに加えて中間層のニューロンは、自身の出力を入力に重みづけしてフィードバックする。
ニューラルネットワークの入力層のニューロンＬ1,1〜Ｌ1,U×Nには、同じテーブル回転周回の渦電流センサ１５０−１、…、１５０−Ｕからの出力信号に対して前処理された後の各ウエハ半径位置に対応する信号である渦電流センサ１５０−１のデータ１〜データＮ、…、渦電流センサ１５０−Ｕのデータ１〜データＮが入力される。
また、ニューラルネットワークの入力層のニューロンＬ1,U×N+1〜Ｌ1,U×N+3にはそれぞれ研磨パッド１１１の厚さデータ（Ｐａｄ厚さデータ）、研磨テーブル１１０の回転数データ（テーブル回転数データ）、研磨ヘッド１２０の回転数データ（キャリア回転数データ）が入力される。ニューラルネットワークの出力層からはそれぞれ、半径ｒ1〜半径ｒMにおける配線高さが出力される。
以上、第２の実施形態では、渦電流センサを複数備え、機械学習モデルの入力は、複数の渦電流センサ１５０−１〜１５０−Ｕの同じ研磨テーブル回転周回における対象基板に対向する各位置における出力信号に対して、当該前処理が実行された後のデータである。
これにより、複数の渦電流センサの同じ研磨テーブル回転周回の出力信号に対して、当該前処理が実行された後のデータを機械学習モデルの入力として用いることによって、同じ周回の出力信号を複数用いることで、一つの出力信号にノイズが載ったとしても他の出力信号にノイズが載っていなければ配線高さを推定することができる。これにより、配線高さの推定のロバスト性を向上させることができる。
＜第３の実施形態＞
続いて、第３の実施形態について説明する。第３の実施形態では、第２の実施形態と比べて、複数の渦電流センサの出力信号を用いることは共通しているが、更に複数の周回の出力信号を用いる点が異なっている。
図１２は、研磨テーブルのＶ回転目からＶ＋３回転目までの同じ渦電流センサの出力信号の例を示す模式図である。Ｖは自然数である。縦軸がセンサ出力で、横軸がウエハ半径位置である。研磨回数が増えると、研磨されて僅かずつ配線高さが低くなっていく。
図１３は、図１２におけるＶ回転目からＶ＋３回転目までの同じ渦電流センサの基板を基準とする水平方向の移動軌跡を示す模式図である。図１３に示すように、渦電流センサのＶ回転目からＶ＋３回転目それぞれの水平方向の移動軌跡は、Ｔ１〜Ｔ４である。このように、同じ渦電流センサであっても、研磨テーブルが回転する回数毎に、基板１２１を基準とする水平方向の移動軌跡が異なっている。本実施形態では、複数の渦電流センサの複数の周回の出力信号を用いることによって、その複数の周回の平均的な配線高さを推定する。
図１４は、第３の実施形態に係るプロセッサ１４２の機能ブロック図である。図１４に示すように、図１０の第２の実施形態に比べて、前処理部１６０ｂが前処理部１６０ｃに変更され、予測部１６４ｂが予測部１６４ｃに変更されたものになっている。
本実施形態では、一例として、渦電流センサ１５０−１、…、１５０−８までの８個の渦電流センサを備える。これに応じて、前処理部１６０ｃは、前処理部１６０ｂにおいて、ノイズ除去フィルタ、データ補間部、オフセット処理部それぞれの数が８になったものである。ノイズ除去フィルタ１６１−１〜１６１−８、データ補間部１６２−１〜１６２−８、オフセット処理部１６３−１〜１６３−８は第２の実施形態と同様の処理を実行する。そしてオフセット処理部１６３−１〜１６３−８は、オフセット後のデータをストレージ１４１に保存する。
予測部１６４ｃは、機械学習モデル（ここでは一例としてニューラルネットワーク）を用いて、対象基板の配線高さを決定する。より詳細には、予測部１６４ｃは、複数の渦電流センサの同じ“複数の”研磨テーブル回転周回の対象基板に対向する各位置における出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習した機械学習モデル（ここでは一例としてニューラルネットワーク）に対して、当該対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置（ここでは、一例としてＭ個の位置）における配線高さを決定する。
図１５は、第３の実施形態において用いられるニューラルネットワークの学習時のデータの流れの一例を示す模式図である。図１５に示すように、研磨テーブルが１回転する毎に、渦電流センサ１５０−１〜１５０−８それぞれから出力された出力信号に対して前処理部１６０ｃが前処理を実行した後のデータＤ１が出力され、ストレージ１４１に保存される。渦電流センサ１５０−１〜１５０−８それぞれについて、ウエハ半径位置それぞれのデータが得られるので、研磨テーブル１回転分のデータＤ１は、図１５に示すように一例として、８行×Ｎ列（Ｎは自然数）の行列で表される。ここでは一例として、ウエハ半径位置は、−１５０ｍｍ〜１５０ｍｍの範囲であるので、列のインデックスが１の場合、−１５０ｍｍのウエハ半径位置のデータを表わし、列のインデックスがＮの場合、１５０ｍｍのウエハ半径位置のデータを表す。
研磨テーブルの回転回数（以下、研磨テーブル回転回数ともいう）が５回転分の前処理後のデータを、第３の実施形態において用いられるニューラルネットワークＭＤ３の学習データセットの入力データとする。図１５では、研磨テーブル回転回数がＳ−４〜Ｓ（Ｓは５以上の整数）までの５回分の前処理後のデータＤ２がニューラルネットワークＭＤ３の学習データセットの入力データとして入力される。
まず、研磨前の基板の厚さ分布（研磨前の厚さプロファイルともいう）を測定する。そして、研磨時間、研磨テーブル回転数を設定する。そして、設定された研磨時間、設定された研磨テーブル回転数で研磨を実行する。研磨終了後に、研磨後の基板の厚さ分布（研磨後の厚さプロファイルともいう）を測定する。
研磨テーブル１１０の１回転あたりの研磨で除去される厚みである研磨レートが一定と仮定して、各研磨テーブル回転回数Ｓ−４〜Ｓでのウエハ半径位置毎の配線高さを計算する。この計算で得られたウエハ半径位置毎の配線高さ配列を学習データセットの出力データとする。
図１６は、第３の実施形態において用いられるニューラルネットワークの一例を示す模式図である。図１５に示すように、ニューラルネットワークＭＤ３は一例として、Ｋ層（Ｋは自然数）のニューラルネットワークで、入力層は、５Ｎ＋３個（Ｎは自然数）のニューロンを有し、中間層は５Ｎ個のニューロンを有し、出力層はＭ個（Ｍは自然数）のニューロンを有する。入力層及び中間層に含まれる各ニューロンは、一例として、次の層のニューロンと全結合する。それに加えて中間層のニューロンは、自身の出力を入力に重みづけしてフィードバックする。
ニューラルネットワークの入力層のニューロンＬ1,1〜Ｌ1,Nには、テーブル回転回数が同じＳ−４回の渦電流センサの１５０−１、…、１５０−８からの出力信号に対して前処理された後の各ウエハ半径位置に対応する信号である渦電流センサ１５０−１のデータ１〜データＮ、…、渦電流センサ１５０−８のデータ１〜データＮが入力される。
同様にして、テーブル回転回数がＳ−３、Ｓ−２、Ｓ−１、Ｓ回それぞれの渦電流センサの１５０−１、…、１５０−８からの出力信号に対して前処理された後の各ウエハ半径位置に対応する信号である渦電流センサ１５０−１のデータ１〜データＮ、…、渦電流センサ１５０−８のデータ１〜データＮが入力される。
また、ニューラルネットワークの入力層のニューロンＬ1,5N+1〜Ｌ1,U×5+3にはそれぞれ研磨パッド１１１の厚さデータ（Ｐａｄ厚さデータ）、研磨テーブル１１０の回転数データ（テーブル回転数データ）、研磨ヘッド１２０の回転数データ（キャリア回転数データ）が入力される。ニューラルネットワークの出力層からはそれぞれ、半径ｒ1〜半径ｒMにおける配線高さが出力される。
図１７は、第３の実施形態において用いられるニューラルネットワークの推論時のデータの流れの一例を示す模式図である。図１７に示すように、研磨処理中において、研磨テーブルが１回転する毎（あるいは渦電流センサ１５０−１〜１５０−８がそれぞれ基板１２１の下を通る毎に）に、渦電流センサ１５０−１〜１５０−８の出力信号に対して前処理部１６０ｃが前処理を実行する。これによって、前処理部１６０ｃから前処理後のデータＤ３が出力され、この前処理後のデータＤ３がストレージ１４１に保存される。
そして、予測部１６４ｃは、研磨テーブルが５回転する毎に、ストレージ１４１から研磨テーブル回転回数が直近のｉ−４〜ｉ（ｉは５以上の整数）までの５個の前処理後のデータを読み出し、この読み出された５個の前処理後のデータＤ４が学習済みのニューラルネットワークＭＤ３に入力される。これにより、学習済みのニューラルネットワークＭＤ３から、配列高さ配列が出力される。
このように、第３の実施形態では、機械学習モデル（ここではニューラルネットワークＭＤ３）の入力は、複数の渦電流センサの複数の研磨テーブル回転周回における対象基板に対向する各位置における出力信号に対して、前処理が実行された後のデータである。
これにより、複数の周回の出力信号を用いることで、特定の渦電流センサが周回毎に基板を基準とする渦電流センサの移動軌跡が異なっていたとしても、その影響を相殺することができるので、配線高さの推定精度を向上させることができる。同じ周回の渦電流センサの出力信号を複数用いることで、一つの出力信号にノイズが載ったとしても他の出力信号にノイズが載っていなければ配線高さを推定することができるので、配線高さの推定のロバスト性を向上させることができる。
なお、第３の実施形態において、渦電流センサは２〜７個または９個以上であってもよいし、一つであってもよく、一つ以上であればよい。
なお、第３の実施形態では、機械学習モデルの入力は、複数の渦電流センサの複数の研磨テーブル回転周回における対象基板に対向する各位置における出力信号に対して、前処理が実行された後のデータであるとしたが、これに限らず、“一つの”渦電流センサの複数の研磨テーブル回転周回における対象基板に対向する各位置における出力信号に対して、前処理が実行された後のデータであってもよい。これにより、複数の周回の出力信号を用いることで、特定の渦電流センサが周回毎に基板を基準とする渦電流センサの移動軌跡が異なっていたとしても、その影響を相殺することができるので、配線高さの推定精度を向上させることができる。
なお、ノイズ除去フィルタ１６１、データ補間部１６２、及びオフセット処理部１６３の処理の順番は、この順番に限ったものではなく、順不同である。
なお、各実施形態において、学習済みの機械学習モデルが完成後に、プロセッサ１４２は、研磨処理中の渦電流センサの出力信号を用いて、学習済みの機械学習モデル（例えば、ニューラルネットワーク）を再学習させてもよい。これにより、研磨装置を稼働した後も、研磨処理中の渦電流センサの出力信号を用いて、再学習するので、配線高さの予測精度を向上させることができる。
なお、プロセッサ１４２の処理の一部または全部を、別の情報処理システムが実行してもよいし、クラウド上に実装された情報処理システムが実行してもよい。
なお、上述した実施形態で説明したコントローラ１４０の少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ハードウェアで構成する場合には、コントローラ１４０の少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ−ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。
また、コントローラ１４０の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。
さらに、一つまたは複数の情報処理装置を含む情報処理システムによってコントローラ１４０を機能させてもよい。複数の情報処理装置を用いる場合、情報処理装置のうちの１つをコンピュータとし、当該コンピュータが所定のプログラムを実行することによりコントローラ１４０の少なくとも１つの手段として機能が実現されてもよい。
また、方法の発明においては、全ての工程（ステップ）をコンピュータによって自動制御で実現するようにしてもよい。また、各工程をコンピュータに実施させながら、工程間の進行制御を人の手によって実施するようにしてもよい。また、さらには、全工程のうちの少なくとも一部を人の手によって実施するようにしてもよい。
以上、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。
１００ 研磨装置
１１０ 研磨テーブル
１１１ 研磨パッド
１２０ 研磨ヘッド
１２１ 基板
１２２ エアバッグ
１２２１〜１２２４ 区画
１３０ 液体供給機構
１４０ コントローラ
１４１ ストレージ
１４２ プロセッサ
１４３ 入出力インタフェース
１５０ 渦電流センサ
１６０、１６０ｂ、１６０ｃ 前処理部
１６１ ノイズ除去フィルタ
１６２ データ補間部
１６３ オフセット処理部
１６４、１６４ｂ、１６４ｃ 予測部
１６５ 判定部
１６６ 圧力制御部

Claims (11)

  1. 渦電流センサが設けられ且つ回転可能に構成された研磨テーブルと、
    前記研磨テーブルに対向し且つ回転可能に構成され且つ前記研磨テーブルと対向する面に基板が取り付け可能な研磨ヘッドと、
    対象基板の研磨処理中に、前記渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成し、前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定するプロセッサと、
    を備える研磨装置。
  2. 前記プロセッサは、当該決定された配線高さが予め決められた配線高さになった場合、前記対象基板の研磨を終了するよう制御する
    請求項１に記載の研磨装置。
  3. 前記研磨ヘッドには、基板を押圧するためのエアバッグが設けられており、
    前記プロセッサは、前記決定された配線高さの分布に応じて、前記エアバッグ内の圧力分布を制御する
    請求項１または２に記載の研磨装置。
  4. 前記機械学習モデルの入力は、更に研磨パッドの厚さ、研磨テーブルの回転数、及び／または研磨ヘッドの回転数を含む
    請求項１から３のいずれか一項に記載の研磨装置。
  5. 前記渦電流センサを複数備え、
    前記機械学習モデルの入力は、前記複数の前記渦電流センサの同じ研磨テーブル回転周回における前記対象基板に対向する各位置における出力信号に対して、前記前処理が実行された後のデータである
    請求項１から４のいずれか一項に記載の研磨装置。
  6. 前記渦電流センサを複数備え、
    前記機械学習モデルの入力は、前記複数の前記渦電流センサの複数の研磨テーブル回転周回における前記対象基板に対向する各位置における出力信号に対して、前記前処理が実行された後のデータである
    請求項１から４のいずれか一項に記載の研磨装置。
  7. 前記機械学習モデルの入力は、一つの前記渦電流センサの複数の研磨テーブル回転周回における前記対象基板に対向する各位置における出力信号に対して、前記前処理が実行された後のデータである
    請求項１から４のいずれか一項に記載の研磨装置。
  8. 前記プロセッサは、研磨処理中の渦電流センサの出力信号を用いて、前記学習済みの機械学習モデルを再学習させる
    請求項１から７のいずれか一項に記載の研磨装置。
  9. 対象基板の研磨処理中に、渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する前処理部と、
    前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定する予測部と、
    を備える情報処理システム。
  10. 対象基板の研磨処理中に、渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する前処理ステップと、
    前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定する予測ステップと、
    を有する情報処理方法。
  11. コンピュータを、
    対象基板の研磨処理中に、渦電流センサが対象基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行して対象基板の前処理後データを生成する前処理部と、
    前記渦電流センサが基板に対向する各位置にある場合の出力信号に対して予め決められた前処理を実行された後のデータを入力とし、当該基板の少なくとも一つの位置における配線高さを出力とする学習データセットを用いて学習済みの機械学習モデルに対して、前記対象基板の前処理後データを入力することによって、当該対象基板の少なくとも一つの位置における配線高さを決定する予測部と、
    として機能させるためのプログラム。
JP2019183750A 2019-10-04 2019-10-04 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 Pending JP2021058955A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019183750A JP2021058955A (ja) 2019-10-04 2019-10-04 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
TW109131436A TW202114814A (zh) 2019-10-04 2020-09-14 研磨裝置、資訊處理系統、資訊處理方法及程式
PCT/JP2020/035106 WO2021065516A1 (ja) 2019-10-04 2020-09-16 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
US17/765,388 US20220371151A1 (en) 2019-10-04 2020-09-16 Polishing apparatus, information processing system, information processing method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019183750A JP2021058955A (ja) 2019-10-04 2019-10-04 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

Publications (1)

Publication Number Publication Date
JP2021058955A true JP2021058955A (ja) 2021-04-15

Family

ID=75337975

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019183750A Pending JP2021058955A (ja) 2019-10-04 2019-10-04 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

Country Status (4)

Country Link
US (1) US20220371151A1 (ja)
JP (1) JP2021058955A (ja)
TW (1) TW202114814A (ja)
WO (1) WO2021065516A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
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
TWI792559B (zh) * 2021-09-13 2023-02-11 中國砂輪企業股份有限公司 可感測研磨狀態的研磨工具及包含其的研磨系統

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3902064B2 (ja) * 2000-11-24 2007-04-04 株式会社荏原製作所 渦電流センサ
TWI755448B (zh) * 2016-11-30 2022-02-21 美商應用材料股份有限公司 使用神經網路的光譜監測
TWI816620B (zh) * 2017-04-21 2023-09-21 美商應用材料股份有限公司 使用神經網路來監測的拋光裝置

Also Published As

Publication number Publication date
US20220371151A1 (en) 2022-11-24
WO2021065516A1 (ja) 2021-04-08
TW202114814A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
JP7441889B2 (ja) 機械学習とパッドの厚さの補正を使用した研磨装置
WO2021065516A1 (ja) 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
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
KR101919032B1 (ko) 인-시츄 폴리싱 모니터링 중에 데이터의 필터링을 위한 선형 예측
US11731238B2 (en) Monitoring of polishing pad texture in chemical mechanical polishing
CN111133560A (zh) 使用机器学习方式以产生工艺控制参数的半导体制造
WO2021193063A1 (ja) ワークピースの化学機械研磨システム、演算システム、および化学機械研磨のシミュレーションモデルを作成する方法
KR20220116313A (ko) 인접한 전도성 층들의 적층체의 연마 동안의 프로파일 제어
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
TW202235214A (zh) 用於對保持環進行分類的機器學習
TWI845444B (zh) 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
WO2023162579A1 (ja) 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
CN114952596A (zh) 基板处理装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220902

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231121

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240521