JP2021150474A - 研磨装置、情報処理システム及びプログラム - Google Patents

研磨装置、情報処理システム及びプログラム Download PDF

Info

Publication number
JP2021150474A
JP2021150474A JP2020048666A JP2020048666A JP2021150474A JP 2021150474 A JP2021150474 A JP 2021150474A JP 2020048666 A JP2020048666 A JP 2020048666A JP 2020048666 A JP2020048666 A JP 2020048666A JP 2021150474 A JP2021150474 A JP 2021150474A
Authority
JP
Japan
Prior art keywords
polishing
substrate
film thickness
data
estimated value
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
Application number
JP2020048666A
Other languages
English (en)
Other versions
JP7390945B2 (ja
Inventor
顕 中村
Akira Nakamura
顕 中村
恒男 鳥越
Tsuneo Torigoe
恒男 鳥越
佑多 鈴木
Yuta Suzuki
佑多 鈴木
尚典 松尾
Naonori Matsuo
尚典 松尾
隆仁 神子島
Takahito Kagoshima
隆仁 神子島
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 JP2020048666A priority Critical patent/JP7390945B2/ja
Priority to KR1020210033736A priority patent/KR20210117954A/ko
Priority to SG10202102724V priority patent/SG10202102724VA/en
Priority to CN202110285164.3A priority patent/CN113492356A/zh
Priority to US17/205,344 priority patent/US11897078B2/en
Priority to TW110110019A priority patent/TW202135979A/zh
Publication of JP2021150474A publication Critical patent/JP2021150474A/ja
Application granted granted Critical
Publication of JP7390945B2 publication Critical patent/JP7390945B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
    • B24B37/042—Lapping machines or devices; Accessories designed for working plane surfaces operating processes therefor
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • 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
    • 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
    • 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
    • B24B49/14—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 taking regard of the temperature during grinding

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

【課題】不良品を見逃さずにスループットを改善するまたは歩留まりを向上する。【解決手段】研磨装置１０は、研磨中の研磨部材（研磨パッド１０１）と基板Ｗとの間の摩擦力に関する信号の特徴量又は研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ若しくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを用いて機械学習モデルが記憶されているストレージを参照可能であり、研磨部材が設けられ研磨テーブル１００と、研磨テーブルに対向する研磨ヘッド１とを回転させながら、基板を研磨部材に押し付けて研磨するよう制御する制御部と、研磨部材と基板の間の摩擦力又は基板の温度から特徴量を生成し、特徴量を学習済みの機械学習モデルに入力することで、研磨後の基板の膜厚に関するデータ又は研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力するＡＩ部と、を有する。【選択図】図１

Description

本発明は、研磨装置、情報処理システム及びプログラムに関する。
基板（例えばウエハ）を研磨する研磨装置が知られている。例えば特許文献１には、研磨装置には例えば、研磨部材が設けられ且つ回転可能に構成された研磨テーブルと、研磨テーブルに対向し且つ回転可能に構成された研磨ヘッドであって研磨テーブルと対向する面に基板を取り付け可能である研磨ヘッドを備えることが開示されている。
特開２０１６−６８５６号公報
Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu. "LightGBM: A Highly Efficient Gradient Boosting Decision Tree." Advances in Neural Information Processing Systems 30 (NIPS 2017), pp. 3149-3157.
研磨装置では、研磨のコンディションが悪化する場合がある。ここでコンディションの悪化には研磨装置の消耗部材（例えば、研磨部材の一例である研磨パッド）が消耗して、テーブルコンディションが悪化する場合がある。このように研磨のコンディションが悪化すると、基板の研磨後の膜厚（残膜ともいう）のプロファイルが悪化する（例えば、膜厚のばらつきが大きくなる）。このような場合、不良品でないか調べるために、膜厚測定器で、全ての研磨後の基板について、研磨後の膜厚もしくは膜厚プロファイルを計測するので、工数がかかってしまう。特に、複数の研磨装置に対して膜厚測定器は一つしかない場合、全ての研磨後の基板について膜厚測定器で測定していると、膜厚測定器での測定時間がボトルネックとなって、スループットが低くなってしまうという問題がある。任意の基板のみ抜き取り膜厚測定することや、基板の測定ポイント数を減らすことで膜厚測定器（ＩＴＭ）の測定時間を短くすることも実施されているが、どちらも不良品を見逃す可能性があり、製品の歩留まりに影響を及ぼすため好ましくない。
本発明は、上記問題に鑑みてなされたものであり、不良品を見逃さずにスループットを向上するまたは歩留まりを向上させることを可能とする研磨装置、情報処理システム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、研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量または研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージを参照可能な研磨装置であって、研磨部材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た研磨ヘッドであって、前記研磨テーブルと対向する面に基板を取り付け可能である研磨ヘッドと、基板を取り付けた前記研磨ヘッドと前記研磨テーブルとを回転させながら、当該基板を前記研磨部材に押し付けて当該基板を研磨するよう制御する制御部と、研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成し、当該生成された特徴量を前記学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力するプロセッサと、を備える。
この構成によれば、研磨装置が研磨中に、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータの推定値が得られるので、膜厚測定をしなくても基板の研磨後の状態を予測できる。これにより、膜厚測定をしなくても基板の研磨後の状態を把握できるとともに膜厚測定の回数を減らすことができるので、不良品を見逃さずにスループットを向上させることができる。このように正常に研磨している場合の膜厚測定を省くことで、スループットを向上することができる。また、歩留まりに関するパラメータを推定することで、不良検知もしくは不良予知することができる。また、歩留まりに関するパラメータに応じて研磨パラメータを更新することで、歩留まりを向上させることができる。
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、前記出力された推定値が予め決められた研磨悪化条件を満たす場合、後続の基板の処理を停止させる。
この構成によれば、研磨状態が悪化した場合に、後続の基板の処理を停止するので、研磨部材を交換するなどメンテナンスすることができるので、研磨状態がこれ以上悪化することを防止することができる。
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、前記基板の膜厚を測定する膜厚測定器を備え、前記プロセッサは、前記出力された推定値が予め決められた研磨悪化条件を満たす場合、研磨後に対象の基板の膜厚を前記膜厚測定器に測定させるよう制御し、前記出力された推定値が予め決められた研磨悪化条件を満たさない場合、研磨後に対象の基板の膜厚を前記膜厚測定器に測定させないように制御する。
この構成によれば、研磨状態が悪化した場合に、基板の膜厚を測定するので、研磨がうまくいっているかどうかを判断することができ、研磨状態が悪化していない場合には、基板の膜厚を測定しないようにすることでスループット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、前記プロセッサは、複数の異なる時刻で研磨された基板に対して出力された前記推定値の傾向を用いて、メンテナンスタイミングを出力する。
この構成によれば、研磨状態が悪化するタイミングを予測でき、そのタイミングで研磨部材を交換するなどメンテナンスすることができるので、研磨状態がこれ以上悪化することを防止することができる。
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、前記プロセッサは、前記出力された推定値が予め決められた研磨悪化条件を満たす場合、メンテナンスを促す警告を発するように制御する。
この構成によれば、研磨状態が悪化した場合に、研磨部材を交換するなどメンテナンスすることができるので、研磨状態がこれ以上悪化することを防止することができる。
本発明の第６の態様に係る研磨装置は、第１から５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、前記出力された推定値に応じて、所望の研磨後の基板の膜厚に関するデータもしくは所望の研磨後の基板に含まれる製品の歩留まりに関するパラメータが得られるように、後続の基板の研磨条件を調整する。
この構成によれば、後続の基板の研磨条件を、研磨状態が良くなるように変更することができるため、良好な研磨状態をより長い時間維持することができる。
本発明の第７の態様に係る研磨装置は、第１から６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、当該研磨装置の運用中の前記特徴量を用いて前記機械学習モデルを再学習させる。
この構成によれば、推定精度を向上させることができる。
本発明の第８の態様に係る情報処理システムは、研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量または研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージを参照可能な情報処理システムであって、研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成する生成部と、前記生成された特徴量を前記学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力する推定部と、を備える。
この構成によれば、研磨装置が研磨中に、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータの推定値が得られるので、膜厚測定をしなくても基板の研磨後の状態を予測できる。これにより、膜厚測定をしなくても基板の研磨後の状態を把握できるとともに膜厚測定の回数を減らすことができるので、不良品を見逃さずにスループット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方法は、研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量または研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージを参照可能な情報処理システムが実行する情報処理方法であって、研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成する生成ステップと、前記生成された特徴量を前記学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力する推定ステップと、を備える。
この構成によれば、研磨装置が研磨中に、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータの推定値が得られるので、膜厚測定をしなくても基板の研磨後の状態を予測できる。これにより、膜厚測定をしなくても基板の研磨後の状態を把握できるとともに膜厚測定の回数を減らすことができるので、不良品を見逃さずにスループットを向上させることができる。
本発明の第１０の態様に係るプログラムは、研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量または研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージを参照可能なコンピュータを、研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成する生成部と、前記生成された特徴量を前記学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力する推定部と、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、研磨装置が研磨中に、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータの推定値が得られるので、膜厚測定をしなくても基板の研磨後の状態を予測できる。これにより、膜厚測定をしなくても基板の研磨後の状態を把握できるとともに膜厚測定の回数を減らすことができるので、不良品を見逃さずにスループットを向上させることができる。
本発明の一態様によれば、研磨装置が研磨中に、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータの推定値が得られるので、膜厚測定をしなくても基板の研磨後の状態を予測できる。これにより、膜厚測定をしなくても基板の研磨後の状態を把握できるとともに膜厚測定の回数を減らすことができるので、不良品を見逃さずにスループットを向上させることができる。このように正常に研磨している場合の膜厚測定を省くことで、スループットを向上することができる。また、歩留まりに関するパラメータを推定することで、不良検知もしくは不良予知することができる。また、歩留まりに関するパラメータに応じて研磨パラメータを更新することで、歩留まりを向上させることができる。
第１の実施形態に係る情報処理システムの概略構成図である。 第１の実施形態に係る研磨装置の全体構成を示す概略図である。 第１の実施形態に係るＡＩ部の概略構成図である。 ウエハの研磨状況とＴＣＭの波形との対応関係について説明する図である。 ＴＣＭの波形の切り出しを説明するための模式図である。 残膜の最大値と各パラメータの相関係数を示す棒グラフである。 LightGBMの概略の一例を示す模式図である。 学習工程と推定工程の一例を説明する模式図である。 第１の実施形態において膜厚最大値の測定値とＡＩ推定値とを比較する図である。 第１の実施形態において膜厚平均値の測定値とＡＩ推定値とを比較する図である。 第１の実施形態において膜厚範囲の測定値とＡＩ推定値とを比較する図である。 研磨悪化条件を満たす後続の基板の処理を停止させる処理の一例を示すフローチャートである。 研磨悪化条件を満たす場合に装置内の膜厚測定器で膜厚測定を実施する処理の一例を示すフローチャートである。 研磨悪化条件を満たす場合に装置内の膜厚測定器で膜厚測定を実施する処理の一例を示すフローチャートである。 研磨悪化条件を満たす場合にメンテナンスを促す警告を発する処理の一例を示すフローチャートである。 第２の実施形態に係る研磨システムの全体構成を示す概略図である。 第３の実施形態に係る研磨システムの全体構成を示す概略図である。
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。
上述した課題に加えて、研磨コンディション（例えばテーブルコンディション）の劣化を判断するのに時間がかかるという問題もある。
各実施形態では、研磨中のモニタリング波形の変化より研磨状態と、研磨後の膜厚（残膜厚ともいう）、もしくは膜厚の統計値（平均、最大もしくは最小など)、もしくは膜厚のプロファイル（膜厚分布ともいう）を推定する。これにより、研磨良/不良と研磨コンディション（例えばテーブルコンディション）をオンタイムで推定し、管理することができる。このため、不良の場合は次の研磨を行わないでテーブルコンディションの調整を行うことができる。よって研磨不良サンプルの削減を行うことが可能となる。各実施形態では、基板の一例としてウエハを例にして説明する。
＜第１の実施形態＞
まず第１の実施形態について説明する。図１は、第１の実施形態に係る情報処理システムの概略構成図である。図１に示すように、第１の実施形態に係る情報処理システムＳ１は、ロード／アンロード部２と、一例として二つの研磨装置１０と、洗浄部５と、膜厚測定器６とを備える。
ロード／アンロード部２は、多数のウエハをストックするウェハカセットが載置される２つ以上（本実施形態では４つ）のフロントロード部２０を備えている。フロントロード部２０には、オープンカセット、ＳＭＩＦ（Standard Manufacturing Interface）ポッド、またはＦＯＵＰ（Front Opening Unified Pod）を搭載することができるようになっている。ここで、ＳＭＩＦ、ＦＯＵＰは、内部にウェハカセットを収納し、隔壁で覆うことにより、外部空間とは独立した環境を保つことができる密閉容器である。ここでは一例としてフロントロード部２０の一つには、ＦＯＵＰ２１が搭載されているとして説明する。ウエハは、ロード／アンロード部２から搬送ロボット２２（特許文献１参照）によって研磨装置１０に移送される。
膜厚測定器６は、基板（ここではウエハ）の膜厚もしくは膜厚のプロファイル（膜厚分布ともいう）を測定する。膜厚測定器６は、例えば光学式膜厚測定器（ＩＴＭともいう）である。
研磨装置１０は、ＡＩ部４を備える。ＡＩ部４は、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板の膜厚のプロファイルの統計値、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータ（例えば、歩留まり率）のいずれかを推定値として出力する。そして、ＡＩ部４は例えば、推定値が予め決められた研磨正常条件から外れる場合もしくは予め決められた研磨悪化条件を満たす場合、研磨後に対象の基板の膜厚を膜厚測定器６に測定させる。例えば図１のウエハＷ１に対する推定値が予め決められた研磨正常条件から外れる場合もしくは予め決められた研磨悪化条件を満たす場合、矢印Ａ１に示すように、ウエハＷ１は洗浄部５で洗浄後に、膜厚測定器６で膜厚が測定される。一方、例えば図１のウエハＷ２に対する推定値が予め決められた研磨正常条件を満たす場合もしくは予め決められた研磨悪化条件を満たさない場合、矢印Ａ２に示すように、ウエハＷ２は洗浄部５で洗浄後に、膜厚測定器６で膜厚が測定されることなく、ＦＯＵＰ２１に戻される。
なおＡＩ部４に、研磨正常条件を使用する場合、正常データを学習させてもよいし、研磨悪化条件を使用する場合、不良データを学習させてもよいし、正常データと不良データを割合を決めて学習させてもよい。
なお、ＡＩ部４の出力は、正常、不良、不良候補の３つに分けて出力するようにしてもよい。そして不良候補と出力された場合に、膜厚測定器６で膜厚を測定する。
図９において、例えば、ＡＩ部４は、ＡＩの出力推定値が、下限閾値をいつまでも超えない場合、上限閾値を急に超える場合、不良候補と判定し、膜厚測定してもよい。
これに加えてもしくは替えて、ＡＩ部４は、研磨時間が、通常範囲よりかかっている場合に、不良候補と判定し、膜厚測定してもよい。
また、ＡＩ部４の出力は、正常、不良候補の２つに分けて出力するようにしてもよい。
図２は、第１の実施形態に係る研磨装置の全体構成を示す概略図である。図２に示すように、研磨装置１０は、研磨テーブル１００と、研磨対象物である基板（ここではウエハ）を保持して研磨テーブル１００上の研磨面に押圧する基板保持装置としての研磨ヘッド１とを備えている。研磨ヘッド１はトップリングともいわれる。研磨テーブル１００は、テーブル軸１００ａを介してその下方に配置されるテーブル回転モータ１０２に連結されている。研磨テーブル１００は、テーブル回転モータ１０２が回転することにより、テーブル軸１００ａ周りに回転する。研磨テーブル１００の上面には、研磨部材としての研磨パッド１０１が貼付されている。この研磨パッド１０１の表面は、半導体ウエハＷを研磨する研磨面１０１ａを構成している。このように、研磨装置１０は、研磨部材（ここでは一例として研磨パッド１０１）が設けられ且つ回転可能に構成された研磨テーブル１００と、研磨テーブル１００に対向し且つ回転可能に構成された研磨ヘッドであって、研磨テーブル１００と対向する面に基板（ここではウエハ）を取り付け可能である研磨ヘッド１とを備える。
研磨テーブル１００の上方には研磨液供給ノズル６０が設置されている。この研磨液供給ノズル６０から、研磨テーブル１００上の研磨パッド１０１上に研磨液（研磨スラリ）Ｑが供給される。
研磨ヘッド１は、半導体ウエハＷを研磨面１０１ａに対して押圧するトップリング本体２と、半導体ウエハＷの外周縁を保持して半導体ウエハＷが研磨ヘッド１から飛び出さないようにするリテーナ部材としてのリテーナリング３とから基本的に構成されている。研磨ヘッド１は、トップリングシャフト１１１に接続されている。このトップリングシャフト１１１は、上下動機構１２４によりトップリングヘッド１１０に対して上下動する。研磨ヘッド１の上下方向の位置決めは、トップリングシャフト１１１の上下動により、トップリングヘッド１１０に対して研磨ヘッド１の全体を昇降させて行われる。トップリングシャフト１１１の上端にはロータリージョイント２６が取り付けられている。
トップリングシャフト１１１及び研磨ヘッド１を上下動させる上下動機構１２４は、軸受１２６を介してトップリングシャフト１１１を回転可能に支持するブリッジ１２８と、ブリッジ１２８に取り付けられたボールねじ１３２と、支柱１３０により支持された支持台１２９と、支持台１２９上に設けられたサーボモータ１３８とを備えている。サーボモータ１３８を支持する支持台１２９は、支柱１３０を介してトップリングヘッド１１０に固定されている。
ボールねじ１３２は、サーボモータ１３８に連結されたねじ軸１３２ａと、このねじ軸１３２ａが螺合するナット１３２ｂとを備えている。また、サーボモータ１３８を駆動すると、ボールねじ１３２を介してブリッジ１２８が上下動し、これによりブリッジ１２８と一体となって上下動するトップリングシャフト１１１及び研磨ヘッド１が上下動する。
また、図２に示すようにトップリング用回転モータ１１４を回転駆動することによってタイミングプーリ１１６、タイミングベルト１１５、及びタイミングプーリ１１３を介して回転筒１１２及びトップリングシャフト１１１が一体に回転し、研磨ヘッド１が回転する。
トップリングヘッド１１０は、フレーム（図示せず）に回転可能に支持されたトップリングヘッドシャフト１１７によって支持されている。研磨装置１０は、トップリング用回転モータ１１４、サーボモータ１３８、テーブル回転モータ１０２をはじめとする装置内の各機器に制御線を介して接続されており、各機器を制御する制御部５００を備えている。制御部５００は、基板を取り付けた研磨ヘッド１と研磨テーブル１００とを回転させながら、当該基板を研磨部材（ここでは研磨パッド１０１）に押し付けて当該基板を研磨するよう制御する。
後述する機械学習モデルの入力は、テーブル回転、ヘッドの回転、トップリングヘッド１１０揺動用のモータ（図示せず）の回転がそれぞれあるが、一つの以上のセンサ検出値（例えば、モータ電流値）もしくは、センサ検出値から算出されたトルクの算出値を使用してもよい。
研磨装置１０は、制御部５００と配線を介して接続されているＡＩ部４を備える。図３は、第１の実施形態に係るＡＩ部の概略構成図である。図３に示すように、ＡＩ部４は、例えばコンピュータであり、ストレージ４１と、メモリ４２と、入力部４３と、出力部４４と、プロセッサ４５とを備える。
ストレージ４１には、研磨中の研磨部材（ここでは研磨パッド１０１）と基板との間の摩擦力に関する信号の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板の膜厚のプロファイルの統計値、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されている。またストレージ４１には、プロセッサ４５が読み込んで実行するためのプログラムが記憶されている。
ここで、研磨部材と基板との間の摩擦力に関する信号は、例えば、研磨中のテーブル回転モータ１０２のトルク算出用の電流値（Table Current Monitor：ＴＣＭともいう）の信号である。ここで、研磨部材と基板との間の摩擦力に関する信号は、モータの電流値から換算されたトルクの算出値であってもよい。なお、研磨部材と基板との間の摩擦力に関する信号は、研磨ヘッド１を回転させるトップリング用回転モータ１１４の駆動電流値の信号であってもよいし、トップリングヘッド１１０（すなわちトップリングヘッドシャフト１１７）を回転させるモータ（図示せず）の駆動電流値の信号であってもよい。
また、研磨装置１０は、研磨部材と基板との間の摩擦力を計測するロードセルを備えていてもよく、その場合、研磨部材と基板との間の摩擦力に関する信号は、このロードセルの信号であってもよい。研磨装置１０は、基板の歪を計測する歪センサを備えていてもよく、その場合、研磨部材と基板との間の摩擦力に関する信号は、この歪センサの信号であってもよい。
メモリ４２は、一時的に情報を記憶する媒体である。
入力部４３は、制御部５００からの情報を受け、この情報をプロセッサ４５に出力する。
出力部４４は、プロセッサ４５から情報を受け、この情報を制御部５００へ出力する。
プロセッサ４５は、ストレージ４１からプログラムを読み込んで実行することにより、生成部４５１、推定部４５２、判定部４５３として機能する。
生成部４５１は、研磨中の研磨部材と基板との間の摩擦力に関する信号から特徴量を生成する。ここで研磨中とは例えば、基板を取り付けた研磨ヘッド１と研磨テーブル１００とを回転させながら、当該基板を研磨部材に押し付けて当該基板を研磨している間のことである。この処理の詳細については後述する。
推定部４５２は、生成部４５１で生成された特徴量を学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力する。この処理の詳細については後述する。ここで研磨後の基板の膜厚に関するデータは例えば、研磨後の基板の膜厚そのもの、研磨後の基板の膜厚プロファイルの統計値（例えば膜厚分布の平均値、最大値、最小値、ばらつき幅、標準偏差など）、研磨後の基板の膜厚プロファイルなどのいずれかである。ここで、膜厚プロファイルは、ウエハ内で位置を変えて複数のポイントを測定した膜厚データ群（ＸＹ座標と膜厚の組み合わせ）である。
ウエハ内には複数のチップがあり、チップ毎に不良判定が実施され、ウエハ内のチップ歩留まりに関するパラメータが計算できる。上述した研磨後の基板に含まれる製品の歩留まりとは、例えばこのウエハ内のチップ歩留まりである。
図４は、ウエハの研磨状況とＴＣＭの波形との対応関係について説明する図である。図４に示すグラフの縦軸が研磨中のテーブル回転モータ１０２のトルク電流値（ＴＣＭ）で、横軸が時間［ｍｓ］であり、ＴＣＭの時間変化を示す波形Ｃ１が示されている。表出している膜種割合によって研磨パッド１０１との摩擦力が変化するので、それに応じてＴＣＭの値も変化する。
図４に示すように、ウエハＷは、研磨パッド１０１に対向するように取り付けられる被研磨層５１と、非研磨層５１の上に設けられた下層５２とを有する。研磨による摩擦による力で被研磨層５１が削られる。波形Ｃ１上の点Ｐ１では、被研磨層５１があまり削られておらず、更に時間が経過した波形Ｃ１上の点Ｐ２では、下層５２が一部表出する。更に時間が経過した波形Ｃ１上の点Ｐ３では、下層５２が全面に渡って表出する。下層５２が全面に渡って表出したら、テーブル回転モータ１０２が止まり、研磨が終了する。
図４の矢印Ａ１１、Ａ１４の長さに比べて矢印Ａ１２、Ａ１３の長さが短くなっているように、矢印Ａ１５の分、過研磨になっている。
本出願の発明者は、膜が不均一に研磨されると、下層膜が表出するタイミングがウエハハ面内でばらつくため、研磨終点前のＴＣＭ信号（図５では一例として下降カーブの波形）と、残膜厚もしくは残膜プロファイルには相関があることを発見した。そこで、本実施形態では、研磨終点前の所定の期間のＴＣＭ信号から特徴量を生成する。
図５を用いて、ＴＣＭ信号から特徴量を算出するために用いるために一部の信号を切り出すことについて説明する。図５は、ＴＣＭの波形の切り出しを説明するための模式図である。図５は、縦軸がＴＣＭで横軸が時間である。図５に示すように、グラフＧ１には、ＴＣＭの波形の全体が示されている。グラフＧ１のうち、領域Ｒ１が切り出されたものがグラフＧ２である。このように本実施形態に係る生成部４５１は例えば、ＴＣＭから予め決められた時間範囲のデータを抽出し、抽出したデータから特徴量を算出する。特徴量は、例えば、この抽出されたデータのうち、計算期間（例えば、抽出されたデータの全期間、一部期間Ｔ１、一部期間Ｔ１の後の一部期間Ｔ２など）の値そのもの、微分値、移動平均値などに対する統計量（例えば最大値、最小値、標準偏差、分散、平均値、中央値、分散、尖度、もしくは歪度など）である。ここで尖度は、頻度分布の鋭さを表す数字であり、公知の計算方法で算出される。歪度は、データが平均の回りに対称に分布していない度合いを示す尺度であり、公知の計算方法で算出される。
図６を用いて特徴量の例について説明する。図６は、残膜の最大値と各パラメータの相関係数を示す棒グラフである。図６において、縦軸は各特徴量、横軸は相関係数であり、縦軸の各特徴量は、残膜の最大値との間の相関係数が０．５以上であり、相関があることが発見された。
図６において、特徴量T1_min-d_r25は、図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの２５データ移動平均の微分の最小値、All_min-d_r25は、図５のグラフＧ２の全期間のＴＣＭの２５データ移動平均の微分の最小値、特徴量T1_min-d_r10は、図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの１０データ移動平均の微分の最小値、All_min-d_r10は、図５のグラフＧ２の全期間のＴＣＭの１０データ移動平均の微分の最小値である。T2_sumは、図５のグラフＧ２の期間のうち期間Ｔ１の後の期間Ｔ２のＴＣＭの合計値で、T1_std-d_r10は図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの１０データ移動平均の微分の標準偏差、All_skew-d-r10は図５のグラフＧ２の期間の全期間のＴＣＭの１０データ移動平均の微分の歪度、All_skew-d-r25は図５のグラフＧ２の期間の全期間のＴＣＭの２５データ移動平均の微分の歪度、T1_lenは、データ数である。
なお、相関係数が高い上位のパラメータから、使用するパラメータの種類の数（例えば、上位１０個のパラメータ）を決めて使用してもよいし、適用条件を決めてもよい。
適用条件は例えば、相関係数の平均値以上のパラメータを使用するという条件あってもよいし、相関係数の平均値から標準偏差σだけ加算した値以上のパラメータを使用する条件であってもよい。
またAll_range-d_r25は、図５のグラフＧ２の全期間のＴＣＭの２５データ移動平均の微分の範囲、T1_var-d_r25は、図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの２５データ移動平均の微分の分散、All_range-d_r10は、図５のグラフＧ２の全期間のＴＣＭの１０データ移動平均の微分の範囲である。T1_sumは、図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの合計である。
T1_mean-d_r10は、図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの１０データ移動平均の微分の平均、T1_maxは、図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの最大値である。All_maxは、図５のグラフＧ２の全期間のＴＣＭの最大値である。All_std-d_r10は、図５のグラフＧ２の全期間のＴＣＭの１０データ移動平均の微分の標準偏差である。T1_meanは、図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１のＴＣＭの平均値である。All_std-d_r25は、図５のグラフＧ２の全期間のＴＣＭの２５データ移動平均の微分の標準偏差である。All_lenは、データ数である。
T1_range-d_r10は図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１の１０データ移動平均の微分の範囲、T1_mean-d_r25は図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１の２５データ移動平均の微分の平均、T1_range-d_r25は図５のグラフＧ２の期間のうちの予め決められた期間Ｔ１の２５データ移動平均の微分の範囲、All_var-d_r10は図５のグラフＧ２の全期間の１０データ移動平均の微分の分散、T2_mean-d r5は、図５のグラフＧ２の期間のうち期間Ｔ１の後の期間Ｔ２のＴＣＭの５データ移動平均の微分の平均で、All_var-d_r25は、図５のグラフＧ２の全期間のＴＣＭの２５データ移動平均の微分の分散である。All_meanは、図５のグラフＧ２の全期間のＴＣＭの平均で、T2_meanは、図５のグラフＧ２の期間のうち期間Ｔ１の後の期間Ｔ２のＴＣＭの平均で、All_skewは、図５のグラフＧ２の全期間のＴＣＭの歪度で、T2_minは、図５のグラフＧ２の期間のうち期間Ｔ１の後の期間Ｔ２のＴＣＭの最小値である。
ＡＩ部４の推定部４５２が使用するＡＩ（人工知能）のモデルは例えば、非特許文献１に示すLightGBM (Light Gradient Boosting Machine)であってもよい。LightGBMは、探索木をベースにした機械学習モデルである。
図７は、LightGBMの概略の一例を示す模式図である。図７では、一例として第１の探索木Ｍ１、第２の探索木Ｍ２、第３の探索木Ｍ３が設けられている。第１の探索木Ｍ１でモデル訓練を行い推測結果を評価する。第１の探索木Ｍ１の推測結果と実際の値の「誤差」を訓練データとして、第２の探索木Ｍ２の訓練を実行する。同様に、第２の探索木Ｍ２の推測結果と実際の値の「誤差」を訓練データとして、第３の探索木Ｍ３の訓練を実行する。訓練終了後に、特徴量が第１の探索木Ｍ１に入力されると、推定値が第３の探索木Ｍ３から出力される。勾配ブースティングの訓練過程における決定木の扱い方は「Leaf-wise tree growth」という手法であり、決定木のleaf（つまり葉）に準じて成長していく。
図８は、学習工程と推定工程の一例を説明する模式図である。図８に示すように、学習工程では、ＡＩ部４は特徴量を入力として膜厚推定値を出力とする学習用データを用いて機械学習モデルを学習する。続いて、推定工程では、特徴量が学習済みの機械学習モデルに入力された場合、例えば機械学習モデルから膜厚推定値が出力される。このようにＡＩ部４は、学習済みの機械学習モデルを用いて、入力された特徴量に対して、膜厚推定値を出力する。そしてＡＩ部４は例えば膜厚推定値を、設定閾値と比較して、正常、もしくは不良候補を判定し、不良候補と判定された場合、ウエハが膜厚測定器に搬送するように制御してもよい。これにより、不良候補と判定された場合に、実際にウエハの膜厚が測定される。
本実施形態では、過去の研磨で得られたデータを学習用データとテストデータに分割したうえで、学習用データのみを学習に使いＡＩをトレーニングし、全体のデータに対してＡＩによる推定を実施し、実際の測定値と比較した。以下、膜厚最大値、膜厚平均値、膜厚範囲（膜厚レンジともいう）についての比較結果について説明する。
図９は、第１の実施形態において膜厚最大値の測定値とＡＩ推定値とを比較する図である。図９に示すように、グラフＧ１１では、縦軸は、許容できる限界の膜厚最大値で標準化された膜厚最大値のＡＩ推定値、横軸が許容できる限界の膜厚最大値で標準化された膜厚最大値の測定値である。ＡＩ推定値が正答線の近くに分布しており、推定が上手くいっていることを示している。グラフＧ１２は、縦軸がデータカウント数、横軸が推定誤差（＝膜厚最大値の測定値−膜厚最大値のＡＩ推定値）である。Trainが学習用データ、Testがテスト用データを表す。いずれも、推定誤差が所定の範囲に収まっている。
例えば、判定部４５３は、許容できる限界の膜厚最大値で標準化された膜厚最大値のＡＩ推定値が第１の閾値を超える場合、膜厚を測定するよう判定してもよい。これにより、第１の閾値を超える場合、許容できる限界の膜厚最大値を超えた削り残しがあるウエハが含まれる可能性があるので、膜厚を測定するよう制御してもよい。これにより、ＡＩ推定値を判定値として不良品を見逃さずに膜厚測定する条件を設定することができる。この例ではＡＩ推定値を利用することで、約２５％の基板のみ測定すれば良いことが分かった。具体的には、判定部４５３は、ウエハを、研磨後に膜厚測定器６に移動させるように、一つ以上のロボット（例えば、トランスポータ７、搬送ロボット２２、搬送ロボット５３、特許文献１参照）を制御してもよい。
図１０は、第１の実施形態において膜厚平均値の測定値とＡＩ推定値とを比較する図である。図１０に示すように、グラフＧ２１は、縦軸は、標準化された膜厚平均値のＡＩ推定値、横軸が標準化された膜厚平均値の測定値である。ＡＩ推定値が正答線の近くに分布しており、推定が上手くいっていることを示している。グラフＧ２２の縦軸がデータカウント数、横軸が推定誤差（＝膜厚平均値の測定値−膜厚平均値のＡＩ推定値）である。Trainが学習用データ、Testがテスト用データを表す。
図１１は、第１の実施形態において膜厚範囲の測定値とＡＩ推定値とを比較する図である。図１１に示すように、グラフＧ３１は、縦軸は、標準化された膜厚範囲のＡＩ推定値、横軸が標準化された膜厚範囲の測定値である。ＡＩ推定値が正答線の近くに分布しており、推定が上手くいっていることを示している。グラフＧ３２の縦軸がデータカウント数、横軸が推定誤差（＝膜厚範囲の測定値−膜厚範囲のＡＩ推定値）である。Trainが学習用データ、Testがテスト用データを表す。
続いて図１２を用いて、推定部４５２から出力された推定値が予め決められた研磨悪化条件を満たす場合、後続の基板の処理を停止させる処理の一例について説明する。図１２は、研磨悪化条件した場合に後続の基板の処理を停止させる処理の一例を示すフローチャートである。
ここで、判定部４５３は、推定部４５２で出力された推定値が予め決められた研磨悪化条件を満たすか否か判定する。その一例として研磨悪化条件が「推定値が設定範囲外である」という条件である場合、判定部４５３は、推定部４５２で出力された推定値が設定範囲外であることであるか否か判定する。図１２〜図１４ではその一例として、研磨悪化条件が「膜厚プロファイルの標準偏差の推定値が設定閾値以上である」という条件とし、判定部４５３は、推定部４５２で出力された膜厚プロファイルの標準偏差の推定値が設定閾値以上か否か判定する。
（ステップＳ１１０）まず、プロセッサ４５は、ウエハ研磨時のＴＣＭ信号を取得する。
（ステップＳ１２０）次に、生成部４５１は、取得したＴＣＭ信号から特徴量を算出する。
（ステップＳ１３０）次に、推定部４５２は、ストレージ４１に記憶された学習済みの機械学習モデルに特徴量を入力して、例えば膜厚プロファイルの標準偏差の推定値を出力する。ここで学習済みの機械学習モデルは一例として、ＴＣＭ信号の特徴量を入力とし膜厚プロファイルの標準偏差を出力とする学習用データが学習したモデルである。
（ステップＳ１４０）次に、判定部４５３は、膜厚プロファイルの標準偏差の推定値が設定閾値以上か否か判定する。膜厚プロファイルの標準偏差が設定閾値以上ではない場合（すなわちプロファイルの標準偏差が設定閾値未満である場合）、ステップＳ１１０の処理に戻って以降の処理が繰り返される。
（ステップＳ１５０）一方、ステップＳ１４０で膜厚プロファイルの標準偏差の推定値が設定閾値以上であると判定された場合、判定部４５３は、後続ウエハの処理を停止するよう制御部５００を制御する。これにより、制御部５００は、後続ウエハの処理を停止するよう制御する。
このように、プロセッサ４５は、推定部４５２から出力された推定値が予め決められた研磨悪化条件を満たす場合、後続の基板の処理を停止させてもよい。これにより、研磨状態が悪化した場合に、後続の基板の処理を停止するので、研磨部材を交換するなどメンテナンスすることができるので、研磨状態がこれ以上悪化することを防止することができる。
続いて、推定値が予め決められた研磨悪化条件を満たす場合、装置内または外部の膜厚測定器で膜厚測定を実施する処理について説明する。図１３は、研磨悪化条件を満たす場合に装置内の膜厚測定器で膜厚測定を実施する処理の一例を示すフローチャートである。
（ステップＳ２１０）まず、プロセッサ４５は、ウエハ研磨時のＴＣＭ信号を取得する。
（ステップＳ２２０）次に、生成部４５１は、取得したＴＣＭ信号から特徴量を算出する。
（ステップＳ２３０）次に、推定部４５２は、ストレージ４１に記憶された学習済みの機械学習モデルに特徴量を入力して、例えば膜厚プロファイルの標準偏差の推定値を出力する。ここで学習済みの機械学習モデルは一例として、ＴＣＭ信号の特徴量を入力とし膜厚プロファイルの標準偏差を出力とする学習用データが学習したモデルである。
（ステップＳ２４０）次に、判定部４５３は、膜厚プロファイルの標準偏差の推定値が設定閾値以上か否か判定する。
（ステップＳ２５０）ステップＳ２４０で膜厚プロファイルの標準偏差の推定値が設定閾値以上であると判定された場合、プロセッサ４５は、当該研磨したウエハの膜厚を膜厚測定器６にて計測するよう、一つ以上のロボット（例えば、トランスポータ７、搬送ロボット２２、搬送ロボット５３、特許文献１参照）を制御する。
（ステップＳ２６０）ステップＳ２４０で膜厚プロファイルの標準偏差の推定値が設定閾値以上ではない場合（すなわちプロファイルの標準偏差が設定閾値未満である場合）、プロセッサ４５は、膜厚測定器６に測定をせずにウエハをＦＯＵＰに戻すように、、一つ以上のロボット（例えば、トランスポータ７、搬送ロボット２２、搬送ロボット５３、特許文献１参照）を制御する。
このように、プロセッサ４５は、推定部４５２で出力された推定値が予め決められた研磨悪化条件を満たす場合、研磨後に対象の基板の膜厚を膜厚測定器６に測定させるよう制御し、制御し、前記出力された推定値が予め決められた研磨悪化条件を満たさない場合、研磨後に対象の基板の膜厚を膜厚測定器６に測定させないように制御する。これにより、研磨状態が悪化した場合に、基板の膜厚を測定するので、研磨がうまくいっているかどうかを判断することができ、研磨状態が悪化していない場合には、基板の膜厚を測定しないようにすることでスループットを向上させることができる。
続いて、推定値が予め決められた研磨悪化条件を満たす場合、装置内または外部の膜厚測定器で膜厚測定を実施する処理について説明する。図１４は、研磨悪化条件を満たす場合に装置内の膜厚測定器で膜厚測定を実施する処理の一例を示すフローチャートである。
（ステップＳ３１０）まず、プロセッサ４５は、ウエハ研磨時のＴＣＭ信号を取得する。
（ステップＳ３２０）次に、生成部４５１は、取得したＴＣＭ信号から特徴量を算出する。
（ステップＳ３３０）次に、推定部４５２は、ストレージ４１に記憶された学習済みの機械学習モデルに特徴量を入力して、例えば膜厚プロファイルの標準偏差の推定値を出力する。ここで学習済みの機械学習モデルは一例として、ＴＣＭ信号の特徴量を入力とし膜厚プロファイルの標準偏差を出力とする学習用データが学習したモデルである。
（ステップＳ３４０）次に、判定部４５３は例えば、膜厚プロファイルの標準偏差の推定値が設定閾値以上か否か判定する。膜厚プロファイルの標準偏差の推定値が設定閾値以上ではない場合（すなわちプロファイルの標準偏差が設定閾値未満である場合）、ステップＳ３１０の処理に戻って以降の処理が繰り返される。
（ステップＳ３５０）一方、ステップＳ３４０で膜厚プロファイルの標準偏差の推定値が設定閾値以上であると判定された場合、プロセッサ４５は、メンテナンスを促す警告を出力するよう制御する。この警告は、音声であってもよいし、警告の旨を表示装置に表示してもよいし、複数の色（例えば赤、黄、緑の三つ）の光源（例えばパトライト（登録商標））がある場合、特定の色（例えば黄色）のパトライトを点灯（もしくは点滅）させてもよいし、振動を発生させてもよいし、自動で研磨装置１０の使用者に連絡できるように使用者宛にメール配信して使用者に通知してもよいし、これらの２つ以上の組み合わせであってもよい。
このようにプロセッサ４５は、推定部４５２で出力された推定値が予め決められた研磨悪化条件を満たす場合、メンテナンスを促す警告を発するように制御する。これにより、研磨状態が悪化した場合に、研磨部材を交換するなどメンテナンスすることができるので、研磨状態がこれ以上悪化することを防止することができる。
続いて図１５を用いて、研磨悪化条件を満たす場合にメンテナンスを促す警告を発する処理について説明する。図１５は、研磨悪化条件を満たす場合にメンテナンスを促す警告を発する処理の一例を示すフローチャートである。
（ステップＳ４１０）まず、プロセッサ４５は、ウエハ研磨時のＴＣＭ信号を取得する。
（ステップＳ４２０）次に、生成部４５１は、取得したＴＣＭ信号から特徴量を算出する。
（ステップＳ４３０）次に、推定部４５２は、ストレージ４１に記憶された学習済みの機械学習モデルに特徴量を入力して、例えば膜厚プロファイルの標準偏差の推定値を出力する。ここで学習済みの機械学習モデルは一例として、ＴＣＭ信号の特徴量を入力とし膜厚プロファイルの標準偏差を出力とする学習用データが学習したモデルである。
（ステップＳ４４０）次に、推定部４５２は、推定値をストレージ４１に保存する。
（ステップＳ４５０）次に、判定部４５３は例えば、所定の数の推定値を蓄積したか否か判定する。所定の数の推定値を蓄積していない場合、ステップＳ４１０の処理に戻って以降の処理が繰り返される。
（ステップＳ４６０）一方、ステップＳ４５０で所定の数の推定値を蓄積したと判定された場合、プロセッサ４５はストレージ４１に記憶された複数の異なる時刻で研磨された基板に対して出力された推定値を参照して、複数の異なる時刻で研磨された基板に対して出力された推定値の傾向を用いて、メンテナンスタイミングを出力する。メンテナンスタイミングの出力態様は、「〇時間後にメンテナンスを推奨」であってもよい。プロセッサ４５は、メンテナンスタイミングを研磨装置の使用者に通知するようにしてもよい。これにより、メンテナンスタイミングが自動で通知される。この通知方法は、ＷＥＢ画面もしくはアプリケーション上にメンテナンスタイミングを表示するようにしてもよいし、使用者宛にメール配信してもよい。
もしくは、プロセッサ４５は、時刻がメンテナンスタイミングに到達した場合、研磨装置の使用者に通知するようにしてもよい。これにより、メンテナンスタイミングが自動で通知される。この通知方法は、ＷＥＢ画面もしくはアプリケーション上にメンテナンスが到来した旨を表示するようにしてもよいし、使用者宛にメール配信してもよい。
具体的には例えばプロセッサ４５は、膜厚プロファイルの標準偏差の推定値を、設定時間間隔で保存し、推定値の差分を設定時間間隔で割った単位時間あたり推定値の変動を算出し、設定閾値以上になるタイミングをメンテナンスタイミングとして出力してもよい。これにより、研磨状態が悪化するタイミングを予測でき、そのタイミングで研磨部材を交換するなどメンテナンスすることができるので、研磨状態がこれ以上悪化することを防止することができる。
また、プロセッサ４５は、推定部４５２で出力された推定値に応じて、所望の研磨後の基板の膜厚に関するデータもしくは所望の研磨後の基板に含まれる製品の歩留まりに関するパラメータが得られるように、後続の基板の研磨条件を調整してもよい。これにより、後続の基板の研磨条件を、研磨状態が良くなるように変更することができるため、良好な研磨状態をより長い時間維持することができる。
プロセッサ４５は、当該研磨装置の運用中の前記特徴量を用いて機械学習モデルを再学習させてもよい。これにより、推定精度を向上させることができる。
以上、第１の実施形態に係る研磨装置１０は、研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージ４１を参照可能である。研磨装置１０は、研磨部材が設けられ且つ回転可能に構成された研磨テーブル１００と、研磨テーブル１００に対向し且つ回転可能に構成された研磨ヘッド１であって、前記研磨テーブル１００と対向する面に基板を取り付け可能である研磨ヘッド１と、基板を取り付けた前記研磨ヘッドと前記研磨テーブルとを回転させながら、当該基板を前記研磨部材に押し付けて当該基板を研磨するよう制御する制御部５００とを備える。
研磨装置１０はプロセッサ４５を備え、プロセッサ４５は、研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成し、当該生成された特徴量を学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力する。
この構成により、研磨装置が研磨中に、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータの推定値が得られるので、膜厚測定をしなくても基板の研磨後の状態を予測できる。これにより、膜厚測定をしなくても基板の研磨後の状態を把握できるとともに膜厚測定の回数を減らすことができるので、不良品を見逃さずにスループットを向上させることができる。このように正常に研磨している場合の膜厚測定を省くことで、スループットを向上することができる。また、歩留まりに関するパラメータを推定することで、不良検知もしくは不良予知することができる。また、歩留まりに関するパラメータに応じて研磨パラメータを更新することで、歩留まりを向上させることができる。
なお、ＡＩ部４は、工場内のゲートウェイであって研磨装置がネットワーク回線で接続するゲートウェイに搭載されてもよい。このゲートウェイは、研磨装置の近傍にあるのが好ましい。高速処理が必要な場合（例えば、サンプリング速度が１００ｍｓ以下の場合）には、エッジコンピューティングとして、研磨装置内のＡＩ部４か、もしくはゲートウェイに搭載されたＡＩ部４が実行してもよい。研磨装置内のＡＩ部４は、装置用ＰＣやコントローラに搭載されてもよい。
＜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１の実施形態では、研磨装置１０がＡＩ部４を備えたが、第２の実施形態では、ＡＩ部４が、研磨装置ではなく、工場内の工場管理室やクリーンルーム等に設けられる点が異なっている。
図１６は、第２の実施形態に係る研磨システムの全体構成を示す概略図である。図１６に示すように、第２の実施形態に係る研磨システムＳ２は、研磨装置１０−１〜３−Ｎと、工場内に設けられた研磨装置１０−１〜１０−Ｎと同じ工場内、または工場管理室に設けられたＡＩ部４とを備える。ＡＩ部４は、研磨装置１０−１〜３−ＮとローカルネットワークＮＷ１を介して通信可能である。ＡＩ部４は例えばコンピュータ（例えばサーバ、またはフォグ（コンピューティング））に搭載されている。
研磨装置内やゲートウェイにＡＩ部４を設ける場合は、エッジコンピューティングにより、学習済の機械学習モデルを実行することにより、高速処理を行うことが可能となる。例えば、オンタイム（リアルタイムで）高速で処理することが可能となる。
また、工場内のサーバやフォグ（コンピューティング）にＡＩ部４を搭載する場合は、工場内の複数の研磨装置のデータを集めて、機械学習モデルを更新してもよい。また工場内の複数の研磨装置のデータを集めて解析し、解析結果を研磨パラメータ設定に反映してもよい。
＜第３の実施形態＞
続いて第２の実施形態について説明する。第１の実施形態では、研磨装置１０がＡＩ部４を備えたが、第２の実施形態では、ＡＩ部４が、研磨装置ではなく、クラウドに設けられる点が異なっている。
図１７は、第３の実施形態に係る研磨システムの全体構成を示す概略図である。図１７に示すように、第３の実施形態に係る研磨システムＳ３は、複数の工場内に設けられた研磨装置１０−１〜１０−Ｎと、クラウドに設けられたＡＩ部４とを備える。ＡＩ部４は、研磨装置１０−１〜１０−Ｎと、グローバルネットワークＮＷ２とローカルネットワークＮＷ１を介して通信可能である。ＡＩ部４は例えばコンピュータ（例えばサーバ）である。
このように研磨装置と物理的に離れたクラウドにＡＩ部４を設けることにより、複数の工場間でＡＩ部４を共通化することができ、ＡＩ部４のメンテナンス性が向上する。更に複数の工場の研磨中のデータを利用することで多くのデータで機械学習モデルを再学習させることにより、推定精度をより早く向上させることができる。
また、複数の工場に渡る複数の研磨装置のデータ（例えば多量のデータ）を集めて機械学習モデルを更新してもよい。また複数の工場に渡る複数の研磨装置のデータ（例えば多量のデータ）を集めて解析して、解析結果を研磨パラメータ設定に反映してもよい。
なお、ＡＩ部４は、クラウドではなく、分析を集中的に行う分析センターに設けられていてもよい。
ＡＩ部４の搭載場所については、（１）研磨装置内、及び／または、（２）研磨装置の近傍のゲートウェイ、及び／または、（３）工場内（例えば工場管理室内）のコンピュータ（ＰＣ、サーバ、フォグ（コンピューティング）等）であってもよい。
ＡＩ部４の搭載場所については、（１）研磨装置内、及び／または、（２）研磨装置の近傍のゲートウェイ、及び／または、（４）クラウド（もしくは分析センター）のコンピュータであってもよい。
ＡＩ部４の搭載場所については、（１）研磨装置内、及び／または、（２）研磨装置の近傍のゲートウェイ、及び／または、（３）工場内（例えば工場管理室内）のコンピュータ、及び／または、（４）クラウド（もしくは分析センター）のコンピュータであってもよい。
また、ＡＩ部４の各構成が、（１）研磨装置内、及び／または、（２）研磨装置の近傍のゲートウェイ、及び／または、（３）工場内（例えば工場管理室内）のコンピュータ（ＰＣ、サーバ、フォグ（コンピューティング）等）、及び／または、（４）クラウド（もしくは分析センター）のコンピュータに分散して配置されていてもよい。
なお、各実施形態では、機械学習モデルの入力は、研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量としたが、これに限ったものではない。機械学習モデルの入力は、研磨中の研磨部材（ここでは研磨パッド１０１）もしくは基板の温度の特徴量であってもよい。研磨中の研磨部材と基板との間の摩擦力が上がればその分、研磨部材もしくは基板の発熱量が大きくなり、研磨部材もしくは基板の温度が上がるので、研磨部材もしくは基板の温度は、研磨中の研磨部材と基板との間の摩擦力と正の相関関係があるからである。
すなわち、ストレージ４１には、研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板の膜厚のプロファイルの統計値、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されていてもよい。
その場合、生成部４５１は、対象の基板を取り付けた研磨ヘッド１と、研磨テーブル１００とを回転させながら、対象の基板を前記研磨部材に押し付けて前記基板を研磨している間の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは基板の温度から特徴量を生成してもよい。
なお、上述した実施形態で説明したＡＩ部４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。ソフトウェアで構成する場合には、ＡＩ部４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、ＡＩ部４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によってＡＩ部４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ＡＩ部４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。
１ 研磨ヘッド
１００ 研磨テーブル
１００ａ テーブル軸
１０１ 研磨パッド
１０１ａ 研磨面
１０２ テーブル回転モータ
１１０ トップリングヘッド
１１１ トップリングシャフト
１１２ 回転筒
１１３ タイミングプーリ
１１４ トップリング用回転モータ
１１５ タイミングベルト
１１６ タイミングプーリ
１１７ トップリングヘッドシャフト
１２４ 上下動機構
１２６ 軸受
１２８ ブリッジ
１２９ 支持台
１３０ 支柱
１３２ ボールねじ
１３２ａ ねじ軸
１３２ｂ ナット
１３８ サーボモータ
２０ フロントロード部
２１ ＦＯＵＰ
２２ 搬送ロボット
２６ ロータリージョイント
３ リテーナリング
４ ＡＩ部
４１ ストレージ
４２ メモリ
４３ 入力部
４４ 出力部
４５ プロセッサ
４５１ 生成部
４５２ 推定部
４５３ 判定部
５ 洗浄部
５００ 制御部
５３ 搬送ロボット
６ 膜厚測定器
７ トランスポータ
Ｓ１〜Ｓ３ 研磨システム

Claims (9)

  1. 研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量または研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージを参照可能な研磨装置であって、
    研磨部材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た研磨ヘッドであって、前記研磨テーブルと対向する面に基板を取り付け可能である研磨ヘッドと、
    基板を取り付けた前記研磨ヘッドと前記研磨テーブルとを回転させながら、当該基板を前記研磨部材に押し付けて当該基板を研磨するよう制御する制御部と、
    研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成し、当該生成された特徴量を前記学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力するプロセッサと、
    を備える研磨装置。
  2. 前記プロセッサは、前記出力された推定値が予め決められた研磨悪化条件を満たす場合、後続の基板の処理を停止させる
    請求項１に記載の研磨装置。
  3. 前記基板の膜厚を測定する膜厚測定器を備え、
    前記プロセッサは、前記出力された推定値が予め決められた研磨悪化条件を満たす場合、研磨後に対象の基板の膜厚を前記膜厚測定器に測定させるよう制御し、前記出力された推定値が予め決められた研磨悪化条件を満たさない場合、研磨後に対象の基板の膜厚を前記膜厚測定器に測定させないように制御する
    請求項１または２に記載の研磨装置。
  4. 前記プロセッサは、複数の異なる時刻で研磨された基板に対して出力された前記推定値の傾向を用いて、メンテナンスタイミングを出力する
    請求項１から３のいずれか一項に記載の研磨装置。
  5. 前記プロセッサは、前記出力された推定値が予め決められた研磨悪化条件を満たす場合、メンテナンスを促す警告を発するように制御する
    請求項１から４のいずれか一項に記載の研磨装置。
  6. 前記プロセッサは、前記出力された推定値に応じて、所望の研磨後の基板の膜厚に関するデータもしくは所望の研磨後の基板に含まれる製品の歩留まりに関するパラメータが得られるように、後続の基板の研磨条件を調整する
    請求項１から５のいずれか一項に記載の研磨装置。
  7. 前記プロセッサは、当該研磨装置の運用中の前記特徴量を用いて前記機械学習モデルを再学習させる
    請求項１から６のいずれか一項に記載の研磨装置。
  8. 研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量または研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージを参照可能な情報処理システムであって、
    研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成する生成部と、
    前記生成された特徴量を前記学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力する推定部と、
    を備える情報処理システム。
  9. 研磨中の研磨部材と基板との間の摩擦力に関する信号の特徴量または研磨中の研磨部材もしくは基板の温度の特徴量を入力とし、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータを出力とする学習用データを用いて学習済みの機械学習モデルが記憶されているストレージを参照可能なコンピュータを、
    研磨中の研磨部材と基板との間の摩擦力に関する信号または研磨中の研磨部材もしくは対象の基板の温度から特徴量を生成する生成部と、
    前記生成された特徴量を前記学習済みの機械学習モデルに入力することによって、研磨後の基板の膜厚に関するデータ、もしくは研磨後の基板に含まれる製品の歩留まりに関するパラメータのいずれかを推定値として出力する推定部と、
    として機能させるためのプログラム。
JP2020048666A 2020-03-19 2020-03-19 研磨装置、情報処理システム及びプログラム Active JP7390945B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2020048666A JP7390945B2 (ja) 2020-03-19 2020-03-19 研磨装置、情報処理システム及びプログラム
KR1020210033736A KR20210117954A (ko) 2020-03-19 2021-03-16 연마 장치, 정보 처리 시스템, 연마 방법 및 프로그램
SG10202102724V SG10202102724VA (en) 2020-03-19 2021-03-17 Polishing apparatus, information processing system, polishing method, and computer-readable storage medium
CN202110285164.3A CN113492356A (zh) 2020-03-19 2021-03-17 研磨装置、信息处理系统、研磨方法及记录介质
US17/205,344 US11897078B2 (en) 2020-03-19 2021-03-18 Polishing apparatus, information processing system, polishing method, and computer-readable storage medium
TW110110019A TW202135979A (zh) 2020-03-19 2021-03-19 研磨裝置、資訊處理系統、研磨方法及程式

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020048666A JP7390945B2 (ja) 2020-03-19 2020-03-19 研磨装置、情報処理システム及びプログラム

Publications (2)

Publication Number Publication Date
JP2021150474A true JP2021150474A (ja) 2021-09-27
JP7390945B2 JP7390945B2 (ja) 2023-12-04

Family

ID=77747361

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020048666A Active JP7390945B2 (ja) 2020-03-19 2020-03-19 研磨装置、情報処理システム及びプログラム

Country Status (6)

Country Link
US (1) US11897078B2 (ja)
JP (1) JP7390945B2 (ja)
KR (1) KR20210117954A (ja)
CN (1) CN113492356A (ja)
SG (1) SG10202102724VA (ja)
TW (1) TW202135979A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023112830A1 (ja) * 2021-12-17 2023-06-22 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117415682B (zh) * 2023-11-29 2024-05-24 深圳市摆渡微电子有限公司 钨钢喷嘴的加工抛光方法及装置
CN118024035B (zh) * 2024-04-12 2024-07-12 中唯精密工业有限公司 基于机器学习的抛光液更换预警方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000343380A (ja) * 1999-05-31 2000-12-12 Toshiba Mach Co Ltd 加工機械における運転条件の決定方法
JP2009004442A (ja) * 2007-06-19 2009-01-08 Renesas Technology Corp 半導体ウェハの研磨方法
JP2018058197A (ja) * 2016-09-30 2018-04-12 株式会社荏原製作所 研磨装置、及び研磨方法
WO2018074091A1 (ja) * 2016-10-18 2018-04-26 株式会社 荏原製作所 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
JP2019193970A (ja) * 2018-04-26 2019-11-07 株式会社荏原製作所 研磨パッドの表面性状測定装置を備えた研磨装置および研磨システム
JP2020013918A (ja) * 2018-07-19 2020-01-23 株式会社荏原製作所 基板の周縁部を研磨するための研磨装置および研磨方法
JP2020011315A (ja) * 2018-07-13 2020-01-23 株式会社荏原製作所 研磨装置および研磨方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5511600B2 (ja) * 2010-09-09 2014-06-04 株式会社荏原製作所 研磨装置
JP6373796B2 (ja) 2014-05-29 2018-08-15 株式会社荏原製作所 基板研磨装置
KR102666904B1 (ko) 2018-03-13 2024-05-20 어플라이드 머티어리얼스, 인코포레이티드 반도체 처리의 모니터링을 위한 기계 학습 시스템들

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000343380A (ja) * 1999-05-31 2000-12-12 Toshiba Mach Co Ltd 加工機械における運転条件の決定方法
JP2009004442A (ja) * 2007-06-19 2009-01-08 Renesas Technology Corp 半導体ウェハの研磨方法
JP2018058197A (ja) * 2016-09-30 2018-04-12 株式会社荏原製作所 研磨装置、及び研磨方法
WO2018074091A1 (ja) * 2016-10-18 2018-04-26 株式会社 荏原製作所 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
JP2019193970A (ja) * 2018-04-26 2019-11-07 株式会社荏原製作所 研磨パッドの表面性状測定装置を備えた研磨装置および研磨システム
JP2020011315A (ja) * 2018-07-13 2020-01-23 株式会社荏原製作所 研磨装置および研磨方法
JP2020013918A (ja) * 2018-07-19 2020-01-23 株式会社荏原製作所 基板の周縁部を研磨するための研磨装置および研磨方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023112830A1 (ja) * 2021-12-17 2023-06-22 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Also Published As

Publication number Publication date
SG10202102724VA (en) 2021-10-28
TW202135979A (zh) 2021-10-01
US20210291312A1 (en) 2021-09-23
KR20210117954A (ko) 2021-09-29
CN113492356A (zh) 2021-10-12
US11897078B2 (en) 2024-02-13
JP7390945B2 (ja) 2023-12-04

Similar Documents

Publication Publication Date Title
US11897078B2 (en) Polishing apparatus, information processing system, polishing method, and computer-readable storage medium
TWI831836B (zh) 研磨裝置、研磨方法及機器學習裝置
CN108500736B (zh) 工具状态推定装置以及机床
US8983644B2 (en) Manufacturing execution system with virtual-metrology capabilities and manufacturing system including the same
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
TW201842428A (zh) 半導體製造裝置、半導體製造裝置之故障預測方法、及半導體製造之故障預測程序
CN108829933B (zh) 一种半导体制造设备的预测性维护与健康管理的方法
WO2020235581A1 (ja) 基板処理システム
JP2006024195A (ja) 生産工程の品質予測システムおよびその方法
US20210394338A1 (en) Polishing apparatus and program
WO2020184078A1 (ja) 基板を研磨するための研磨装置を制御するための制御システム、および研磨方法
Chowdhury Semiconductor manufacturing process improvement using data-driven methodologies
WO2023189170A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023112830A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
US11487848B2 (en) Process abnormality identification using measurement violation analysis
WO2023166991A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023189165A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023149162A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
WO2023149161A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP2023127537A (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
EP4102321A1 (en) Systems and methods for concept intervals clustering for defect visibility regression
WO2024135150A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP2023116396A (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
KR20240065314A (ko) 정보 처리 장치, 추론 장치, 기계 학습 장치, 정보 처리 방법, 추론 방법, 및 기계 학습 방법
KR20220102559A (ko) 반도체 제조 장치에 있어서의 데이터의 관리 방법, 및 링 버퍼를 구비한 제어 장치

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220916

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230727

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230822

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231019

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231107

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231121

R150 Certificate of patent or registration of utility model

Ref document number: 7390945

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150