JP2021194748A - 研磨装置及びプログラム - Google Patents

研磨装置及びプログラム Download PDF

Info

Publication number
JP2021194748A
JP2021194748A JP2020104283A JP2020104283A JP2021194748A JP 2021194748 A JP2021194748 A JP 2021194748A JP 2020104283 A JP2020104283 A JP 2020104283A JP 2020104283 A JP2020104283 A JP 2020104283A JP 2021194748 A JP2021194748 A JP 2021194748A
Authority
JP
Japan
Prior art keywords
polishing
time
amount
target
substrate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020104283A
Other languages
English (en)
Inventor
顕 中村
Akira Nakamura
佑多 鈴木
Yuta Suzuki
俊介 関山
Shunsuke Sekiyama
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 JP2020104283A priority Critical patent/JP2021194748A/ja
Priority to KR1020210076651A priority patent/KR20210156225A/ko
Priority to US17/349,648 priority patent/US20210394338A1/en
Priority to TW110121897A priority patent/TW202218802A/zh
Priority to CN202110672653.4A priority patent/CN113878489A/zh
Publication of JP2021194748A publication Critical patent/JP2021194748A/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
    • B24B37/015—Temperature control
    • 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
    • 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
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/34—Accessories
    • 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
    • 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
    • B24B49/16—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 load
    • 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
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Numerical Control (AREA)

Abstract

【課題】研磨の状況が変化しても研磨中の対象時刻のパラメータを推定する。【解決手段】研磨中の対象時刻における研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて特徴量を生成する生成部と、研磨中の各時刻における研磨部材と基板との間の摩擦力に関するデータに基づく特徴量または研磨部材もしくは基板の温度の測定データに基づく特徴量を入力に含み、研磨後に測定した膜厚を少なくとも用いて推定した研磨中の各時刻の研磨量もしくは残膜量を出力とする学習用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、当該生成部によって生成された特徴量を少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定部と、を有する。【選択図】図５Ａ

Description

本発明は、研磨装置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のように、研磨における摩擦力に関連する信号から、新たな界面が露出し初期の凹凸が平坦化されたことを検知して研磨を終了する技術が知られている。この検知を終点検知ともいう。この際には、信号波形が予め決められた条件を満たすかどうかをリアルタイムで判定し、終点を決定している。
特開２０１７−７６７７９号公報
しかしながら、従来の終点検知方法を用いた場合、終点検知のタイミングが基板間で異なり、基板の残りの膜（残膜ともいう）の厚さ（残膜厚ともいう）が一定にならないという問題があった。
従来の終点検知方法では、研磨における摩擦力に関連する信号波形を特徴づける単純な数値（例えば、傾き）が所定の条件を満たすかどうかを検知し、さらに検知後に所定の追加研磨を行うという手法であった。実際の研磨においては、例えば研磨パッドの減耗などにより研磨レートは変化しており、また、基板上の研磨プロファイルも常に一定であるとは限らない。そのように変化する研磨の状況（もしくは状態）に対応して、残膜厚を一定にするためには、新たな終点検知方法を確立することが必要であった。また、研磨中の研磨量あるいは残膜量が所定の条件を外れた場合は、研磨の条件（例えば研磨圧力など）を変更して、例えば研磨時間が長くなることなく、目標の研磨量になるように研磨できることが望ましい。いずれの場合であっても、研磨の状況が変化しても研磨中の対象時刻のパラメータ（例えば、研磨量もしくは残膜量、研磨終点確率、研磨残り時間もしくは終点検知タイミングからの追加研磨時間など）の推定が望まれていた。
本発明は、上記問題に鑑みてなされたものであり、研磨の状況が変化しても研磨中の対象時刻のパラメータの推定を可能とする研磨装置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、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨後に測定した膜厚を少なくとも用いて推定した研磨中の当該特定の時刻の研磨量もしくは残膜量もしくは当該特定の時刻までの研磨量もしくは残膜量の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定部と、を備える。
この構成によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨の結果としての研磨量もしくは残膜量との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の残膜量もしくは残膜量の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨量もしくは残膜量を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の研磨量もしくは残膜量を推定することができる。またこの推定値が、対象基板の研磨の終点検知に用いられることで、研磨の状況が変化しても残膜厚の基板間の差を抑えることが可能な終点検知を実現することができる。
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、前記推定値を用いて、研磨の終点に到達したか否か判定する判定部と、前記判定部によって研磨の終点に到達したと判定された場合、研磨を終了するよう制御する制御部と、を備える。
この構成によれば、研磨パッドなどの消耗部材や基板の不均一性の影響を加味して推定された研磨中の研磨量もしくは残膜量を用いて研磨を終了するよう制御できるので、研磨終了時における研磨量もしくは残膜量の基板間の違いを縮小することができる。
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、前記機械学習の入力は更に研磨レシピ、一つの消耗部材の使用時間、同じ消耗部材で処理した基板の枚数、及び／または初期の膜厚を含む。
この構成によれば、研磨の条件や消耗部材の状態に応じた研磨量もしくは残膜量の推定が可能になり、推定精度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、前記学習用データセット中の各時刻の前記研磨量もしくは残膜量は、被研磨層と下層との界面が表出するまでの第１の研磨レートと当該界面が表出した後の第２の研磨レートとを用いて算出されたものである。
本発明の第５の態様に係る研磨装置は、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨中の当該特定の時刻の研磨終点確率もしくは当該特定の時刻までの研磨終点確率の時系列データを出力とする学習量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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象時刻の研磨終点確率の推定値を出力する推定部と、前記推定値を用いて、研磨の終点に到達したか否か判定する判定部と、を備える。
この構成によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨中の各時刻の研磨終点確率との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の各時刻の研磨終点確率の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨中の各時刻の研磨終点確率を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の各時刻の研磨終点確率を推定することができる。またこの推定値が、対象基板の研磨の終点検知に用いられることで、研磨の状況が変化しても残膜厚の基板間の差を抑えることが可能な終点検知を実現することができる。
本発明の第６の態様に係る研磨装置は、第５の態様に係る研磨装置であって、前記判定部によって研磨の終点に到達したと判定された場合、研磨を終了するよう制御する制御部を備える。
この構成によれば、研磨パッドなどの消耗部材や基板の不均一性の影響を加味できるので、研磨終了時における研磨量もしくは残膜量のずれ範囲を縮小することができる。
本発明の第７の態様に係る研磨装置は、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板に対して残膜厚もしくは研磨量が目標値になるよう決定された当該特定の時刻における研磨残り時間もしくは終点検知タイミングからの追加研磨時間もしくは当該特定の時刻までの研磨残り時間もしくは終点検知タイミングからの追加研磨時間の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力する推定部と、前記推定値を用いて、研磨の終点に到達したか否か判定する判定部と、を備える。
この構成によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨残り時間もしくは終点検知タイミングからの追加研磨時間との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨残り時間もしくは終点検知タイミングからの追加研磨時間を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の研磨残り時間もしくは終点検知タイミングからの追加研磨時間を推定することができる。またこの推定値が、対象基板の研磨の終点検知に用いられることで、研磨の状況が変化しても残膜厚の基板間の差を抑えることが可能な終点検知を実現することができる。
本発明の第８の態様に係る研磨装置は、第７の態様に係る研磨装置であって、前記研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を用いて、研磨を終了するよう制御する制御部を備える。
この構成によれば、研磨パッドなどの消耗部材や基板の不均一性の影響を加味できるので、研磨終了時における研磨量もしくは残膜量のずれ範囲を縮小することができる。
本発明の第９の態様に係るプログラムは、コンピュータを、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨後に測定した膜厚を少なくとも用いて推定した研磨中の当該特定の時刻の研磨量もしくは残膜量もしくは当該特定の時刻までの研磨量もしくは残膜量の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定部と、として機能させるためのプログラムである。
本発明の第１０の態様に係るプログラムは、コンピュータを、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨中の当該特定の時刻の研磨終点確率もしくは当該特定の時刻までの研磨終点確率の時系列データを出力とする学習量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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象時刻の研磨終点確率の推定値を出力する推定部と、として機能させるためのプログラムである。
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、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板に対して残膜厚もしくは研磨量が目標値になるよう決定された当該特定の時刻における研磨残り時間もしくは終点検知タイミングからの追加研磨時間もしくは当該特定の時刻までの研磨残り時間もしくは終点検知タイミングからの追加研磨時間の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力する推定部と、として機能させるためのプログラムである。
本発明の第１２の態様に係る情報処理システムは、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨後に測定した膜厚を少なくとも用いて推定した研磨中の当該特定の時刻の研磨量もしくは残膜量もしくは当該特定の時刻までの研磨量もしくは残膜量の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定部と、を備える。
本発明の第１３の態様に係る情報処理システムは、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨中の当該特定の時刻の研磨終点確率もしくは当該特定の時刻までの研磨終点確率の時系列データを出力とする学習量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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象時刻の研磨終点確率の推定値を出力する推定部と、を備える。
本発明の第１４の態様に係る情報処理システムは、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板に対して残膜厚もしくは研磨量が目標値になるよう決定された当該特定の時刻における研磨残り時間もしくは終点検知タイミングからの追加研磨時間もしくは当該特定の時刻までの研磨残り時間もしくは終点検知タイミングからの追加研磨時間の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力する推定部と、を備える。
本発明の第１５の態様に係る基板研磨方法は、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成工程と、
別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨後に測定した膜厚を少なくとも用いて推定した研磨中の当該特定の時刻の研磨量もしくは残膜量もしくは当該特定の時刻までの研磨量もしくは残膜量の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定工程と、前記推定値を用いて、研磨の終点に到達したか否か判定する判定工程と、前記研磨の終点に到達したと判定されるまで、前記対象基板を研磨する研磨工程と、を有する。
本発明の第１６の態様に係る基板研磨方法は、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成工程と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨中の当該特定の時刻の研磨終点確率もしくは当該特定の時刻までの研磨終点確率の時系列データを出力とする学習量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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象時刻の研磨終点確率の推定値を出力する推定工程と、前記推定値を用いて、研磨の終点に到達したか否か判定する判定工程と、前記研磨の終点に到達したと判定されるまで、前記対象基板を研磨する研磨工程と、を有する。
本発明の第１７の態様に係る基板研磨方法は、研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成工程と、別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板に対して残膜厚もしくは研磨量が目標値になるよう決定された当該特定の時刻における研磨残り時間もしくは終点検知タイミングからの追加研磨時間もしくは当該特定の時刻までの研磨残り時間もしくは終点検知タイミングからの追加研磨時間の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力する推定工程と、前記推定値を用いて、研磨の終点に到達したか否か判定する判定工程と、前記研磨の終点に到達したと判定されるまで、前記対象基板を研磨する研磨工程と、を有する。
本発明の一態様によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨の結果としての研磨量もしくは残膜量との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の残膜量もしくは残膜量の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨量もしくは残膜量を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の研磨量もしくは残膜量を推定することができる。
本発明の別の態様によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨中の各時刻の研磨終点確率との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の各時刻の研磨終点確率の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨中の各時刻の研磨終点確率を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の各時刻の研磨終点確率を推定することができる。
本発明の別の態様によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨残り時間もしくは終点検知タイミングからの追加研磨時間との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨残り時間もしくは終点検知タイミングからの追加研磨時間を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の研磨残り時間もしくは終点検知タイミングからの追加研磨時間を推定することができる。
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テーブルトルク電流の波形との対応関係について説明する図である。 従来の終点検知の検出点と理想検出点との違いについて説明するための図である。 第１の実施形態に係る学習工程と推定工程の一例を説明する模式図である。 テーブルトルク電流の時間変化を示すグラフと、その際の研磨量／残膜量の時間変化を示すグラフの一例である。 機械学習の学習方法の第１の例を示し模式図である。 機械学習の学習方法の第２の例を示し模式図である。 ウエハの研磨中のＡＩ部の処理の第１の例を示すフローチャートである。 ウエハの研磨中のＡＩ部の処理の第２の例を示すフローチャートである。 第１の実施形態の第１の変形例におけるウエハの研磨中のＡＩ部の処理の一例を示すフローチャートである。 第１の実施形態の第２の変形例におけるウエハの研磨中のＡＩ部の処理の一例を示すフローチャートである。 第１の実施形態の第２の変形例におけるウエハの研磨中のＡＩ部の処理の別の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。
本願の発明者らは、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨の結果としての研磨量もしくは残膜量間との間には相関があることを見出した。また本願の発明者らは、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨中の各時刻の研磨終点確率との間には相関があることを見出した。更に本願の発明者らは、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨残り時間もしくは終点検知タイミングからの追加研磨時間との間には相関があることを見出した。そこで各実施形態では、機械学習モデル（例えば、リカレントニューラルネットワークまたはＬＳＴＭ：Long short-term memory）を使って、上記の関係の一つを学習させる。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の実施形態に係る研磨装置の全体構成を示す概略図である。図１に示すように、研磨装置１０は、情報処理システムＳを備え、この情報処理システムＳはＡＩ部４を有する。なお、情報処理システムＳは更に制御部５００を有するようにしてもよい。
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１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に入力する特徴の元となる、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、記憶部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。
記憶部４１には、研磨中の各時刻の摩擦力に関するデータに基づく特徴量もしくは温度の測定データに基づく特徴量を入力に含み、研磨後に測定した膜厚を少なくとも用いて推定した研磨中の各時刻の研磨量もしくは残膜量を出力とする学習用データセットを用いて学習させた機械学習モデルが記憶されている。また記憶部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。記憶部４１は、ハードディスクまたはＤＶＤなどのストレージであってもよいし、ＳＤカードまたはフラッシュメモリなどの外部記憶媒体であってもよいし、オンラインストレージであってもよく、記憶デバイスであればよい。
ここで、研磨中の各時刻の摩擦力に関するデータは、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（以下、テーブルトルク電流ともいう）である。ここで、研磨中の各時刻の摩擦力に関するデータは、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、研磨中の各時刻の摩擦力に関するデータは、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、研磨中の各時刻の摩擦力に関するデータは、このロードセルの信号値であってもよい。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、研磨中の各時刻の摩擦力に関するデータは、この歪センサの信号値であってもよい。
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、記憶部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は例えば、研磨中の対象時刻における研磨部材と対象基板との間の摩擦力に関するデータを用いて特徴量を生成する。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、学習済みの機械学習モデルに対して、生成部４５１によって生成された特徴量を少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する。この処理の詳細については後述する。判定部４５３は、推定値を用いて、研磨の終点に到達したか否か判定する。
図３は、ウエハの研磨状況とテーブルトルク電流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のトルク電流値で、横軸が時間であり、テーブルトルク電流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、それに応じてテーブルトルク電流の値も変化する。
図３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、被研磨層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３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、研磨パッドの減耗などにより研磨レートは研磨位置により変化して膜が不均一に研磨されることなどにより、下層膜が表出するタイミングがウエハ面内でばらつくため、研磨部材と基板との間の摩擦力に関するデータ（例えばテーブルトルク電流の信号）と、残膜厚もしくは研磨量には相関関係があることを発見した。ここで残膜厚は、被研磨層５１の残りの厚さであり、凹部内の底から被研磨層５１の下面までの厚さであり、例えば図３の点Ｐ３のように界面出しの場合は、凹部内に残った膜の厚さ（例えば、矢印Ａ１１、Ａ１２、Ａ１３、Ａ１４の長さ）である。残膜厚は、ある決められた位置の残膜厚でもよいし、複数の位置で計測された残膜厚の平均値でもよい。研磨量は例えば、被研磨層５１が研磨によって削れた厚さである。研磨量は、ある決められた位置の研磨量でもよいし、複数の位置で計測された研磨量の平均値でもよい。
そこで本実施形態では、ある初期膜厚を有する基板を研磨してある残膜厚となった際の、研磨部材と基板との間の摩擦力に関するデータを入力とし、そのときの残膜厚もしくは研磨量を出力とする学習データセットで機械学習モデルを学習させ、学習済みの機械学習モデルに、新たに対象となる研磨部材と基板との間の摩擦力に関するデータを読み込ませることにより、残膜厚もしくは研磨量の推定値を出力させ、この残膜厚もしくは研磨量が目標値となるタイミングで研磨を終了させる。
図４は、従来の終点検知の検出点と理想検出点との違いについて説明するための図である。図４に示すように、従来の終点検知の検出点（実際の検出点）は、理想検出点より早いタイミングになるため、その後の所定期間Ｔ１、追加研磨（オーバーポリッシュともいう）しても膜厚が、目標残膜厚（ターゲット残膜厚ともいう）になるまで削れないという問題があった。一方、終点検知の検出点が、理想検出点に一致すれば、その後の所定期間Ｔ１、更に研磨した場合、膜厚が目標残膜厚になるまで削れるため、理想検出点で検出することが望まれる。
図５Ａは、第１の実施形態に係る学習工程と推定工程の一例を説明する模式図である。図５Ａに示すように、記憶部４１には、研磨中の各種信号の波形（研磨波形ともいう）に関するデータ、研磨後の膜厚、消耗部材（例えば、研磨パッド）の使用時間などが蓄積データとして蓄積されている。ただし、消耗部材の使用時間は、なくてもよい。研磨の状態は研磨パッドの使用時間によって変化する可能性がある。学習工程において、研磨パッドの開始直後から消耗が進んだ段階までの様々な状態の研磨パッドを用いた学習データを、研磨パッドの使用時間をパラメータに入れることなしに一括して学習させ、残膜厚もしくは研磨量を適切に推定できる場合は、研磨パッドの使用時間を蓄積データに入れる必要はない。ただし、研磨パッドの使用時間を蓄積データに入れて、対象基板の研磨時の研磨パッドの使用時間に応じた残膜厚もしくは研磨量の推定を行うようにしても良い。
学習工程において記憶部４１を参照して、研磨中の各時刻における研磨部材と基板との間の摩擦力に関するデータ（例えば、テーブルトルク電流）に基づく特徴量が抽出される。また、記憶部４１を参照して、研磨後に測定した膜厚を少なくとも用いて推定した研磨中の各時刻の研磨量もしくは残膜量が抽出される。
研磨中の各時刻における研磨部材と基板との間の摩擦力に関するデータに基づく特徴量を入力に含み、研磨後に測定した膜厚を少なくとも用いて推定した研磨中の各時刻の研磨量もしくは残膜量を出力とする学習用データセットを用いて機械学習が行われる。その結果、学習済みの機械学習モデルが記憶部４１に保存される。学習用データセットの入力には、上記の研磨中の各時刻における研磨部材と基板との間の摩擦力に関するデータに基づく特徴量に加えて、後述するように、研磨レシピ、一つの消耗部材の使用時間、同じ消耗部材で処理した基板の枚数、及び／または初期の膜厚が加えられてもよい。
ここで、この学習用データセット中の各時刻の研磨量もしくは残膜量は、例えば、初期膜厚と研磨後の膜厚を測定した結果を基に、研磨中の研磨レートを一定とみなし、各時刻の研磨量もしくは残膜量（残膜厚）を計算で求めたものである。あるいは、研磨中の研磨レートの変化を実験により求め、各時刻の研磨量もしくは残膜量を計算しても良い。なお
、被研磨層と下層との界面が表出するまでの第１の研磨レートと当該界面が表出した後の第２の研磨レートとを別々に算出しても良い。
図５Ｂは、テーブルトルク電流の時間変化を示すグラフと、その際の研磨量／残膜量の時間変化を示すグラフの一例である。図５Ｂに示すように、曲線Ｗ１は、テーブルトルク電流の移動平均の時間変化を示し、曲線Ｗ２は、テーブルトルク電流の微分値の時間変化を示す。ｔ４は研磨終了時刻であり、ｔ５は理想研磨終了時刻である。曲線Ｗ１１は、研磨量の時間変化を示し、曲線Ｗ１２は、残膜量を示す。
図５Ｃは、機械学習の学習方法の第１の例を示し模式図である。図５Ｃの例では、１枚の基板の研磨結果から、複数の学習データができる。つまり、図５Ｃの例では、一組の学習データセットは、ある時刻ｔまでの特徴量（例えば、テーブルトルク電流の移動平均値、微分値、積分値、研磨パッドの減耗量またはステップ番号）の時系列データを入力とし、当該同じ時刻ｔまでの出力パラメータ（例えば、残膜量、研磨量、終点確率または残り研磨時間の推定値）の値を出力とする。
例えば、研磨開始から時刻ｔ１までの特徴量の時系列データを入力とし、時刻ｔ１時点の出力パラメータの値を出力とする学習データを使って学習させる。
また別の学習データとして、研磨開始から時刻ｔ２までの特徴量の時系列データを入力とし、時刻ｔ２時点の出力パラメータの値を出力とする学習データを使って学習させる。
また別の学習データとして、研磨開始から時刻ｔ３までの特徴量の時系列データを入力とし、時刻ｔ３時点の出力パラメータの値を出力とする学習データを使って学習させる。
この時刻ｔ１、ｔ２、ｔ３までの特徴量の時系列データから、時刻時刻ｔ１、ｔ２、ｔ３の出力パラメータの値を出力とする学習を行う。
学習が完了後に、新規の研磨において、ある時刻までの特徴量の時系列データを機械学習モデルに入力すると、当該時刻時点の出力パラメータの推定値（例えば、未知の残膜量）が出力される。この機械学習モデルは、例えばＲＮＮまたはＬＳＴＭを用いてもよい。ただしＲＮＮあるいはＬＳＴＭ以外の機械学習モデル（手法）を用いても良い。
なお、図５Ｄのように、機械学習モデルを学習させてもよい。図５Ｄは、機械学習の学習方法の第２の例を示し模式図である。図５Ｄの例では、１枚の基板の研磨結果から、１組の学習データができる。つまり、図５Ｄの例では、一組の学習データセットは、研磨開始から研磨終了までの特徴量の時系列データを入力とし、研磨開始から研磨終了までの出力パラメータ（例えば、残膜量、研磨量、終点確率または残り研磨時間の推定値）の時系列データを出力とする。ここで、特徴量は、研磨中の対象時刻における研磨部材と対象基板との間の摩擦力に関するデータに基づく特徴量である。この特徴量は、例えば、テーブルトルク電流の移動平均値、テーブルトルク電流の微分値、テーブルトルク電流の積分値のうち少なくとも一つである。特徴量はそれに加えてもしくは替えて研磨パッドの減耗量または研磨レシピ中のステップ番号であってもよい。ここで研磨レシピ中のステップ番号が、「研磨部材と基板との間の摩擦力に関するデータに基づく特徴量」として使用される理由は、研磨ステップ毎に、研磨条件（エアバッグ圧力やスラリ流量など）を変更することができ、これに応じて研磨部材と基板との間の摩擦力が変更されるからである。例えば最初はエアバッグ圧力を上げて速く研磨し、後半は終点検出を正確にするためにエアバッグ圧力を下げてゆっくり削るという設定が可能である。
すなわち、研磨開始から研磨終了までの特徴量の時系列データを入力とし、研磨開始から研磨終了までの出力パラメータの時系列データを出力とする学習データを使って学習させる。
学習が完了後に、新規の研磨において、ある時刻までの特徴量の時系列データを機械学習モデルに入力すると、当該時刻までの出力パラメータの推定値（例えば、未知の残膜量）が出力される。つまり、時刻ｔ１までの特徴量の時系列データを機械学習モデルに入力すると、当該時刻ｔ１までの出力パラメータの推定値（例えば、未知の残膜量）が出力される。また時刻ｔ２までの特徴量の時系列データを機械学習モデルに入力すると、当該時刻ｔ２までの出力パラメータの推定値（例えば、未知の残膜量）が出力される。また時刻ｔ３までの特徴量の時系列データを機械学習モデルに入力すると、当該時刻ｔ３までの出力パラメータの推定値（例えば、未知の残膜量）が出力される。このようにして、その時点までの出力パラメータの推定値が複数出力されるので、推定部４５２は、その複数の推定値のうち、当該その時点における推定値を取得してもよい。判定部４５３は、当該その時点における推定値を用いて、研磨の終点に到達したか否か判定してもよい。
続いて図５Ａに戻って、推定工程において、図５Ｃで説明したように機械学習モデルを学習した場合、学習済みの機械学習モデルに対して、対象時刻までの上記特徴量の時系列データを入力すると、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値が出力される。
なお、図５Ｄで説明したように機械学習モデルを学習した場合、学習済みの機械学習モデルに対して、対象時刻までの上記特徴量の時系列データを入力すると、対象時刻までの対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値の時系列データが出力される。
また、機械学習の入力は更に研磨レシピ、一つの消耗部材の使用時間、同じ消耗部材で処理した基板の枚数、及び／または初期の膜厚を含んでもよい。これにより、研磨の条件や消耗部材の状態に応じた研磨量もしくは残膜量の推定が可能になり、推定精度を向上させることができる。
図６は、ウエハの研磨中のＡＩ部の処理の第１の例を示すフローチャートである。
（ステップＳ１１０）まずプロセッサ４５は、記憶部４１から、学習済みの機械学習モデル（ＡＩモデルともいう）をメモリ４２にロードする。
（ステップＳ１２０）次に、プロセッサ４５は、テーブルトルク電流データを取得する。
（ステップＳ１３０）次に、生成部４５１は、ステップＳ１２０で取得されたテーブルトルク電流データから特徴量を算出する。
（ステップＳ１４０）次に、推定部４５２は、学習済みの機械学習モデルに対して、ステップＳ１３０で算出された特徴量を入力して、対象基板の研磨中の対象時刻の研磨量の推定値を出力する。
（ステップＳ１５０）次に、判定部４５３は、ステップＳ１４０で出力された研磨量の推定値が、設定閾値以上か否か判定する。研磨量の推定値が、設定閾値以上でない場合、ステップ１３０に戻って処理を繰り返す。一方、研磨量の推定値が、設定閾値以上である場合、判定部４５３は研磨終了を指示する旨を制御部５００へ出力し、研磨終了を指示する旨を受信した制御部５００は、研磨を終了するよう制御する。このように、判定部４５３は、推定部４５２が推定した推定値を用いて、研磨を終了するよう制御する。この構成によれば、研磨パッドなどの消耗部材や基板の不均一性の影響を加味できるので、研磨終了時における研磨量もしくは残膜量のずれ範囲を縮小することができる。
なお、実際には、図４の上の図に示したように、研磨を終了する前の段階であり、且つ研磨量の推定値が目標研磨量になる前の段階で、所定の研磨量あるいは所定の研磨時間を残した段階で検出を行い、それ以降、追加研磨（オーバーポリッシュ）を行ってから、研磨を終了させるようにしてもよい。これにより、信号処理の遅れによる過度の研磨を回避したり、追加研磨の条件を変更したりする制御を行うことが可能になる。
図７は、ウエハの研磨中のＡＩ部の処理の第２の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、基板の初期膜厚を取得する。
（ステップＳ２２０）まずプロセッサ４５は、記憶部４１から、学習済みの機械学習モデル（ＡＩモデルともいう）をメモリ４２にロードする。
（ステップＳ２３０）次に、プロセッサ４５は、テーブルトルク電流データを取得する。
（ステップＳ２４０）次に、生成部４５１は、ステップＳ２３０で取得されたテーブルトルク電流データから特徴量を算出する。
（ステップＳ２５０）次に、推定部４５２は、学習済みの機械学習モデルに対して、ステップＳ２３０で算出された特徴量を入力して、対象基板の研磨中の対象時刻の研磨量の推定値を出力し、ステップＳ２１０で取得された初期膜厚からこの研磨量の推定値を減算することにより残膜厚の推定値を算出する。
（ステップＳ２６０）次に、判定部４５３は、ステップＳ２５０で出力された残膜厚の推定値が、設定閾値以下か否か判定する。残膜厚の推定値が、設定閾値以下でない場合、ステップ２４０に戻って処理を繰り返す。一方、残膜厚の推定値が、設定閾値以下である場合、判定部４５３は研磨終了を指示する旨を制御部５００へ出力し、研磨終了を指示する旨を受信した制御部５００は、研磨を終了するよう制御する。
なお、研磨中の各時刻の摩擦力に関するデータに基づく特徴量を入力に含み、研磨後に測定した膜厚を少なくとも用いて推定した研磨中の各時刻の残膜量を出力とする学習用データセットを用いて学習済みの機械学習モデルを用いる場合、ステップＳ２４０では、学習済みの機械学習モデルから、研磨量の推定値ではなく、残膜厚の推定値が直接出力されてもよい。
以上、第１の実施形態に係る情報処理システムＳは、研磨中の対象時刻における研磨部材と対象基板との間の摩擦力に関するデータに基づく特徴量を生成する生成部４５１を備える。更に情報処理システムＳは、研磨中の各時刻における研磨部材と基板との間の摩擦力に関するデータに基づく特徴量を入力に含み、研磨後に測定した膜厚を少なくとも用いて推定した研磨中の各時刻の研磨量もしくは残膜量を出力とする学習用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、生成部４５１によって生成された特徴量を少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定部４５２を備える。
この構成により、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨の結果としての研磨量もしくは残膜量との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の残膜量もしくは残膜量の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨量もしくは残膜量を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の研磨量もしくは残膜量を推定することができる。この推定値が、対象基板の研磨の終点検知に用いられることで、研磨の状況が変化しても残膜厚の基板間の差を抑えることが可能な終点検知を実現することができる。
＜第１の実施形態の第１の変形例＞
続いて第１の実施形態の第１の変形例について説明する。第１の変形例では、記憶部４１には、研磨中の各時刻の摩擦力に関するデータに基づく特徴量もしくは温度の測定データに基づく特徴量を少なくとも入力とし、研磨中の各時刻の研磨終点確率を出力とする学習量データセットを用いて学習済みの機械学習モデルが記憶されている。研磨終点確率とは、例えば、研磨の途中までのデータに基づく学習データの出力は０とし、理想的な研磨終点、あるいは理想的な検出点に達した研磨のデータに基づく学習データの出力は１とするものである。
生成部４５１は、研磨中の対象時刻における研磨部材と対象基板との間の摩擦力に関するデータを用いて特徴量を生成する。
推定部４５２は、記憶部４１に記憶された学習済みの機械学習モデルに対して、生成部４５１によって生成された特徴量を少なくとも入力して、対象時刻の研磨終点確率の推定値を出力する。
この構成により、機械学習モデルを使うことによって、例えばデータの特徴量の瞬間値だけではなく波形変化を記憶して推論を行うことができるので、研磨パッドなどの消耗部材や基板の不均一性の影響を加味して研磨終点確率を推定することができる。そして、この研磨終点確率の推定値が、研磨の終了制御に利用されることにより、研磨後における残膜厚の基板間の違いを低減することができる。
判定部４５３は、推定部４５２が推定した推定値を用いて、研磨を終了するよう制御する。
図８は、第１の実施形態の第１の変形例におけるウエハの研磨中のＡＩ部の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、記憶部４１から、学習済みの機械学習モデル（ＡＩモデルともいう）をメモリ４２にロードする。
（ステップＳ３２０）次に、プロセッサ４５は、テーブルトルク電流データを取得する。
（ステップＳ３３０）次に、生成部４５１は、ステップＳ３２０で取得されたテーブルトルク電流データから特徴量を算出する。
（ステップＳ３４０）次に、推定部４５２は、学習済みの機械学習モデルに対して、ステップＳ３３０で算出された特徴量を入力して、対象時刻の研磨終点確率の推定値を出力する。
（ステップＳ３５０）次に、判定部４５３は、ステップＳ３４０で出力された研磨終点確率の推定値が、設定閾値以上か否か判定する。研磨終点確率の推定値が、設定閾値以上でない場合、ステップ３３０に戻って処理を繰り返す。一方、研磨終点確率の推定値が、設定閾値以上である場合、判定部４５３は研磨終了を指示する旨を制御部５００へ出力し、研磨終了を指示する旨を受信した制御部５００は、研磨を終了するよう制御する。このように、制御部５００は、判定部４５３によって研磨の終点に到達したと判定された場合、研磨を終了するよう制御する。この構成によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨中の各時刻の研磨終点確率との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の各時刻の研磨終点確率の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨中の各時刻の研磨終点確率を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の各時刻の研磨終点確率を推定することができる。この推定値が、対象基板の研磨の終点検知に用いられることで、研磨の状況が変化しても残膜厚の基板間の差を抑えることが可能な終点検知を実現することができる。
＜第１の実施形態の第２の変形例＞
続いて第１の実施形態の第２の変形例について説明する。第２の変形例では、記憶部４１には、研磨中の各時刻の摩擦力に関するデータに基づく特徴量を少なくとも入力とし、残膜厚もしくは研磨量が目標値になるよう決定された研磨残り時間もしくは終点検知タイミングからの追加研磨時間を出力とする学習用データセットを用いて学習済みの機械学習モデルが記憶されている。ここで、終点検知タイミングからの追加研磨時間の推定値は、図４に示す目標残膜厚になるまで、終点検知タイミングから追加で研磨する時間の推定値である。
生成部４５１は、研磨中の対象時刻における研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは基板の温度の測定データを用いて特徴量を生成する。
推定部４５２は、記憶部４１に記憶された学習済みの機械学習モデルに対して、生成部４５１によって生成された特徴量を少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力する。
この構成により、機械学習モデルを使うことによって、例えばデータの特徴量の瞬間値だけではなく波形変化を記憶して推論を行うことができるので、研磨パッドなどの消耗部材や基板の不均一性の影響を加味して研磨残り時間もしくは終点検知タイミングからの追加研磨時間を推定することができる。そして、この研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値が、研磨の終了制御に利用されることにより、研磨後における残膜厚の基板間の違いを低減することができる。
図９は、第１の実施形態の第２の変形例におけるウエハの研磨中のＡＩ部の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、記憶部４１から、学習済みの機械学習モデル（ＡＩモデルともいう）をメモリ４２にロードする。
（ステップＳ４２０）次に、プロセッサ４５は、テーブルトルク電流データを取得する。
（ステップＳ４３０）次に、生成部４５１は、ステップＳ４２０で取得されたテーブルトルク電流データから特徴量を算出する。
（ステップＳ４４０）次に、推定部４５２は、学習済みの機械学習モデルに対して、ステップＳ４３０で算出された特徴量を入力して、研磨残り時間の推定値を出力する。
（ステップＳ４５０）次に、判定部４５３は、ステップＳ４４０で出力された研磨残り時間の推定値が、ゼロ以下か否か判定する。研磨終点確率の推定値が、ゼロ以下でない場合、ステップ４２０に戻って処理を繰り返す。一方、研磨終点確率の推定値が、ゼロ以下である場合、判定部４５３は研磨終了を指示する旨を制御部５００へ出力し、研磨終了を指示する旨を受信した制御部５００は、研磨を終了するよう制御する。このように、制御部５００は、判定部４５３によって研磨の終点に到達したと判定された場合、研磨を終了するよう制御する。この構成によれば、研磨を行った際の摩擦力あるいは温度の変化に関する特徴量と、研磨残り時間もしくは終点検知タイミングからの追加研磨時間との関係を学習させ、学習済みの機械学習モデルを用いて新たな基板の研磨中の研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定を行う。この機械学習モデルの学習によって、学習済みの機械学習モデルは、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して研磨残り時間もしくは終点検知タイミングからの追加研磨時間を推定することができるようになるので、研磨パッドなどの消耗部材や研磨の不均一性の影響を加味して新たな基板の研磨中の研磨残り時間もしくは終点検知タイミングからの追加研磨時間を推定することができる。この推定値が、対象基板の研磨の終点検知に用いられることで、研磨の状況が変化しても残膜厚の基板間の差を抑えることが可能な終点検知を実現することができる。
図１０は、第１の実施形態の第２の変形例におけるウエハの研磨中のＡＩ部の処理の別の例を示すフローチャートである。
（ステップＳ５１０）まずプロセッサ４５は、記憶部４１から、学習済みの機械学習モデル（ＡＩモデルともいう）をメモリ４２にロードする。
（ステップＳ５２０）次に、プロセッサ４５は、テーブルトルク電流データを取得する。
（ステップＳ５３０）次に、生成部４５１は、ステップＳ５２０で取得されたテーブルトルク電流データから特徴量を算出する。
（ステップＳ５４０）次に、推定部４５２は、学習済みの機械学習モデルに対して、ステップＳ５３０で算出された特徴量を入力して、研磨残り時間の推定値を出力する。
（ステップＳ５５０）ステップＳ５３０及びステップＳ５４０に並行して、プロセッサ４５は、従来方式の終点検出処理を実行する。例えば、プロセッサ４５は、テーブルトルク電流の時間微分値が予め設定された閾値より下がった場合に、研磨終点と検出する。
（ステップＳ５６０）プロセッサ４５は、ステップＳ５５０で研磨終点を検出したか否か判定し、研磨終点を検出していない場合（ステップＳ５６０ ＮＯ）、ステップＳ５２０に戻って処理を繰り返す。
（ステップＳ５７０）一方、研磨終点を検出した場合（ステップＳ５６０ ＹＥＳ）、そのタイミングで推定部４５２によって出力された研磨残り時間の推定値を追加研磨時間（オーバーポリッシュ時間ともいう）として設定する。
（ステップＳ５８０）判定部４５３は、研磨終点を検出してから、追加研磨時間（オーバーポリッシュ時間）が経過したか否か判定する。研磨終点を検出してから、追加研磨時間（オーバーポリッシュ時間）が経過した場合、判定部４５３は研磨終了を指示する旨を制御部５００へ出力し、研磨終了を指示する旨を受信した制御部５００は、研磨を終了するよう制御する。
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を有する情報処理システムを備えたが、第２の実施形態では、ＡＩ部４を有する情報処理システムＳ２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１１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情報処理システムＳ２とを備える。情報処理システムＳ２はＡＩ部４を有し、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タ）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タに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、分析センター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は、複数の工場内に設けられた研磨装置１０−１〜１０−Ｎと、分析センターに設けられた情報処理システムＳ３とを備える。情報処理システムＳ３はＡＩ部４を有し、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分析センターに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、分析を集中的に行う分析センターではなく、クラウド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、フォグコンピュータ等）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）分析センター（もしくはクラウド）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）分析センター（もしくはクラウド）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、フォグコンピュータ等）、及び／または、（４）分析センター（もしくはクラウド）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、研磨中の各時刻における研磨部材と基板との間の摩擦力に関するデータに基づく特徴量としたが、これに限ったものではない。機械学習モデルの入力は、研磨中の各時刻における研磨部材（ここでは研磨パッド１０１）もしくは基板の温度の測定データに基づく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。
例えば、第１の実施形態の場合、記憶部４１には、研磨中の各時刻における研磨部材もしくは基板の温度の測定データに基づく特徴量を少なくとも入力とし、研磨後に測定した膜厚を少なくとも用いて推定した研磨中の各時刻の研磨量もしくは残膜量を出力とする学習用データセット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。
この場合、生成部４５１は、研磨中の対象時刻における研磨部材もしくは対象基板の温度の測定データを用いて特徴量を生成してもよい。そして、推定部４５２は、当該学習済みの機械学習モデルに対して、生成部４５１によって生成された特徴量を少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力してもよい。
また例えば、第１の実施形態の第１の変形例の場合、記憶部４１には、研磨中の各時刻における研磨部材もしくは基板の温度の測定データに基づく特徴量を少なくとも入力とし、研磨中の各時刻の研磨終点確率を出力とする学習量データセット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。
この場合、生成部４５１は、研磨中の対象時刻における研磨部材もしくは対象基板の温度の測定データを用いて特徴量を生成してもよい。そして、推定部４５２は、当該学習済みの機械学習モデルに対して、生成部４５１によって生成された特徴量を少なくとも入力して、対象時刻の研磨終点確率の推定値を出力してもよい。
また例えば、第１の実施形態の第２の変形例の場合、記憶部４１には、研磨中の各時刻における研磨部材もしくは基板の温度の測定データに基づく特徴量を少なくとも入力とし、残膜厚もしくは研磨量が目標値になるよう決定された研磨残り時間もしくは終点検知タイミングからの追加研磨時間を出力とする学習用データセット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。
この場合、生成部４５１は、研磨中の対象時刻における研磨部材もしくは対象基板の温度の測定データを用いて特徴量を生成してもよい。そして推定部４５２は、当該学習済みの機械学習モデルに対して、生成部４５１によって生成された特徴量を少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力してもよい。
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少なくとも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。
なお、上記の実施形態においては、図３に示したように、被研磨層５１を下層５２が露出するまで研磨するプロセスを例に説明したが、下層が露出しない、被研磨層を所定厚さ残して研磨を終了するプロセスに本発明を適用することも可能である。下層を露出するプロセスに比べると、摩擦力、あるいは温度に関する信号は変化しにくいが、変化しない状態がどのくらいの数値でどのくらい継続するかを学習させることにより、より目標値に近い残膜量になるように研磨を終了させることは可能である。
また本発明は、研磨の終了の判定に用いるだけでなく、研磨中に推定した研磨量あるいは残膜量が所定の条件を外れた場合は、研磨の条件（例えば研磨圧力など）を変更するようにして、例えば研磨時間が長くなることなく、目標の研磨量になるように研磨を行うようにしても良い。
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 記憶部
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
５００ 制御部
Ｓ１〜Ｓ３ 情報処理システム

Claims (11)

  1. 研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
    別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨後に測定した膜厚を少なくとも用いて推定した研磨中の当該特定の時刻の研磨量もしくは残膜量もしくは当該特定の時刻までの研磨量もしくは残膜量の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定部と、
    を備える研磨装置。
  2. 前記推定値を用いて、研磨の終点に到達したか否か判定する判定部と、
    前記判定部によって研磨の終点に到達したと判定された場合、研磨を終了するよう制御する制御部と、
    を備える請求項１に記載の研磨装置。
  3. 前記機械学習の入力は更に研磨レシピ、一つの消耗部材の使用時間、同じ消耗部材で処理した基板の枚数、及び／または初期の膜厚を含む
    請求項１または２に記載の研磨装置。
  4. 前記学習用データセット中の各時刻の前記研磨量もしくは残膜量は、被研磨層と下層との界面が表出するまでの第１の研磨レートと当該界面が表出した後の第２の研磨レートとを用いて算出されたものである
    請求項１から３のいずれか一項に記載の研磨装置。
  5. 研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
    別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨中の当該特定の時刻の研磨終点確率もしくは当該特定の時刻までの研磨終点確率の時系列データを出力とする学習量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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象時刻の研磨終点確率の推定値を出力する推定部と、
    前記推定値を用いて、研磨の終点に到達したか否か判定する判定部と、
    を備える研磨装置。
  6. 前記判定部によって研磨の終点に到達したと判定された場合、研磨を終了するよう制御する制御部
    を備える請求項５に記載の研磨装置。
  7. 研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
    別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板に対して残膜厚もしくは研磨量が目標値になるよう決定された当該特定の時刻における研磨残り時間もしくは終点検知タイミングからの追加研磨時間もしくは当該特定の時刻までの研磨残り時間もしくは終点検知タイミングからの追加研磨時間の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力する推定部と、
    前記推定値を用いて、研磨の終点に到達したか否か判定する判定部と、
    を備える研磨装置。
  8. 前記研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を用いて、研磨を終了するよう制御する制御部
    を備える請求項７に記載の研磨装置。
  9. コンピュータを、
    研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
    別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨後に測定した膜厚を少なくとも用いて推定した研磨中の当該特定の時刻の研磨量もしくは残膜量もしくは当該特定の時刻までの研磨量もしくは残膜量の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象基板の研磨中の対象時刻の研磨量もしくは残膜量の推定値を出力する推定部と、
    として機能させるためのプログラム。
  10. コンピュータを、
    研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
    別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板の研磨中の当該特定の時刻の研磨終点確率もしくは当該特定の時刻までの研磨終点確率の時系列データを出力とする学習量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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、対象時刻の研磨終点確率の推定値を出力する推定部と、
    として機能させるためのプログラム。
  11. コンピュータを、
    研磨中の対象時刻までの研磨部材と対象基板との間の摩擦力に関するデータまたは研磨部材もしくは対象基板の温度の測定データを用いて当該対象時刻までの特徴量の時系列データを生成する生成部と、
    別の基板を研磨中の特定の時刻までの前記特徴量の時系列データを入力に含み、当該別の基板に対して残膜厚もしくは研磨量が目標値になるよう決定された当該特定の時刻における研磨残り時間もしくは終点検知タイミングからの追加研磨時間もしくは当該特定の時刻までの研磨残り時間もしくは終点検知タイミングからの追加研磨時間の時系列データを出力とする学習用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、前記生成部によって生成された特徴量の時系列データを少なくとも入力して、研磨残り時間もしくは終点検知タイミングからの追加研磨時間の推定値を出力する推定部と、
    として機能させるためのプログラム。
JP2020104283A 2020-06-17 2020-06-17 研磨装置及びプログラム Pending JP2021194748A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2020104283A JP2021194748A (ja) 2020-06-17 2020-06-17 研磨装置及びプログラム
KR1020210076651A KR20210156225A (ko) 2020-06-17 2021-06-14 연마 장치 및 프로그램
US17/349,648 US20210394338A1 (en) 2020-06-17 2021-06-16 Polishing apparatus and program
TW110121897A TW202218802A (zh) 2020-06-17 2021-06-16 研磨裝置及程式
CN202110672653.4A CN113878489A (zh) 2020-06-17 2021-06-17 研磨装置及记录介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020104283A JP2021194748A (ja) 2020-06-17 2020-06-17 研磨装置及びプログラム

Publications (1)

Publication Number Publication Date
JP2021194748A true JP2021194748A (ja) 2021-12-27

Family

ID=79010256

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020104283A Pending JP2021194748A (ja) 2020-06-17 2020-06-17 研磨装置及びプログラム

Country Status (5)

Country Link
US (1) US20210394338A1 (ja)
JP (1) JP2021194748A (ja)
KR (1) KR20210156225A (ja)
CN (1) CN113878489A (ja)
TW (1) TW202218802A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023162579A1 (ja) * 2022-02-24 2023-08-31 株式会社荏原製作所 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

Families Citing this family (1)

* 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

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7008300B1 (en) * 2000-10-10 2006-03-07 Beaver Creek Concepts Inc Advanced wafer refining
US7131890B1 (en) * 1998-11-06 2006-11-07 Beaver Creek Concepts, Inc. In situ finishing control
US7575501B1 (en) * 1999-04-01 2009-08-18 Beaver Creek Concepts Inc Advanced workpiece finishing
US6878038B2 (en) * 2000-07-10 2005-04-12 Applied Materials Inc. Combined eddy current sensing and optical monitoring for chemical mechanical polishing
US7024268B1 (en) * 2002-03-22 2006-04-04 Applied Materials Inc. Feedback controlled polishing processes
US7354332B2 (en) * 2003-08-04 2008-04-08 Applied Materials, Inc. Technique for process-qualifying a semiconductor manufacturing tool using metrology data
TWI530360B (zh) * 2012-09-28 2016-04-21 荏原製作所股份有限公司 研磨裝置
JP6775354B2 (ja) 2015-10-16 2020-10-28 株式会社荏原製作所 研磨装置、及び、研磨方法
WO2019177905A1 (en) * 2018-03-13 2019-09-19 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
US11731232B2 (en) * 2018-10-30 2023-08-22 Taiwan Semiconductor Manufacturing Company, Ltd. Irregular mechanical motion detection systems and method

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023162579A1 (ja) * 2022-02-24 2023-08-31 株式会社荏原製作所 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

Also Published As

Publication number Publication date
US20210394338A1 (en) 2021-12-23
KR20210156225A (ko) 2021-12-24
CN113878489A (zh) 2022-01-04
TW202218802A (zh) 2022-05-16

Similar Documents

Publication Publication Date Title
US20210394338A1 (en) Polishing apparatus and program
CN110116371B (zh) 研磨工具磨损量预测装置、机器学习装置以及系统
US20190240799A1 (en) Substrate processing control system, substrate processing control method, and program
US20210023672A1 (en) Polishing-amount simulation method for buffing, and buffing apparatus
US6625513B1 (en) Run-to-run control over semiconductor processing tool based upon mirror image target
US6648728B2 (en) Polishing system
JP2013526057A (ja) 一定除去速度を達成するためのパッド調整掃引トルクモデリング
KR20220011144A (ko) 기판 처리 시스템
JP7303065B2 (ja) 機械学習装置、制御システム及び機械学習方法
JP2023533805A (ja) ロボット補修制御システム及び方法
US20050066739A1 (en) Method and apparatus for wafer mechanical stress monitoring and wafer thermal stress monitoring
TW202140197A (zh) 工件之化學機械研磨系統、演算系統、及化學機械研磨之模擬模式之作成方法
US11897078B2 (en) Polishing apparatus, information processing system, polishing method, and computer-readable storage medium
US11110565B2 (en) Polishing apparatus, polishing method, and polishing control apparatus
JP6723431B2 (ja) 半導体製造装置および半導体製造方法
JP2002343753A (ja) シミュレーション方法及び装置、加工装置、加工システム、並びに半導体デバイス製造方法
JP2004106123A (ja) 研磨方法、ｃｍｐ装置及び膜厚測定装置
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
JP2003117816A (ja) 研磨パッドの修復方法および研磨パッドの修復装置およびそれを用いた被加工物の研磨方法
CN1224922A (zh) 抛光片磨损的在线监测
CN110653716A (zh) 一种研磨抛光加工过程中提高加工均匀性的方法及装置
WO2024095997A1 (ja) 研磨装置、情報処理装置及びプログラム
US20220152774A1 (en) Substrate processing apparatus and substrate processing method
TW202145329A (zh) 化學機械拋光系統及調節拋光襯墊的方法
JP2002103202A (ja) ポリッシング方法及びその装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221128

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230913

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231003

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240402