JP7420328B2 - うねり予測装置、うねり予測方法、被研磨物の加工方法及びプログラム - Google Patents
うねり予測装置、うねり予測方法、被研磨物の加工方法及びプログラム Download PDFInfo
- Publication number
- JP7420328B2 JP7420328B2 JP2023570883A JP2023570883A JP7420328B2 JP 7420328 B2 JP7420328 B2 JP 7420328B2 JP 2023570883 A JP2023570883 A JP 2023570883A JP 2023570883 A JP2023570883 A JP 2023570883A JP 7420328 B2 JP7420328 B2 JP 7420328B2
- Authority
- JP
- Japan
- Prior art keywords
- waviness
- prediction
- feature amount
- undulation
- polished
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 56
- 238000012545 processing Methods 0.000 title claims description 40
- 238000005498 polishing Methods 0.000 claims description 145
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 23
- 238000003754 machining Methods 0.000 description 20
- 235000012431 wafers Nutrition 0.000 description 20
- 238000003860 storage Methods 0.000 description 17
- 239000004065 semiconductor Substances 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 10
- 239000000758 substrate Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000007517 polishing process Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 230000002950 deficient Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000000969 carrier Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- JOYRKODLDBILNP-UHFFFAOYSA-N Ethyl urethane Chemical compound CCOC(N)=O JOYRKODLDBILNP-UHFFFAOYSA-N 0.000 description 1
- 239000006061 abrasive grain Substances 0.000 description 1
- 239000004760 aramid Substances 0.000 description 1
- 229920006231 aramid fiber Polymers 0.000 description 1
- CETPSERCERDGAM-UHFFFAOYSA-N ceric oxide Chemical compound O=[Ce]=O CETPSERCERDGAM-UHFFFAOYSA-N 0.000 description 1
- 229910000422 cerium(IV) oxide Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- 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
- B24B37/04—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
- B24B37/08—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for double 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
- B24B37/11—Lapping tools
- B24B37/12—Lapping plates 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
- B24B37/34—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
- B24B49/03—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 according to the final size of the previously ground workpiece
-
- 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)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Description
この発明は、うねり予測装置、うねり予測方法、被研磨物の加工方法及びプログラムに関する。
半導体ウェハー等の基板の製造工程では、基板の表面に研磨加工を施すポリッシング工程が行われる。ポリッシング工程では、研磨量及び表面粗さ（以下、「うねり」とも呼ぶ）が重要特性とされる。これらの特性が製造規格を満たさない場合、基板は不良品として廃棄される。また、うねり異常が発生した場合、研磨装置では研磨パッドを交換する必要がある。
例えば、特許文献１には、スキャンされたウェハー形状の厚さに応じたプロファイルを研磨時間に反映することで、ウェハー表面の研磨精度を高める発明が開示されている。また、例えば、特許文献２には、研磨パッドの研磨面の巨視的なうねり形状を線状走査レーザ光により測定することで、研磨パッドの寿命到来を検知する発明が開示されている。
しかしながら、うねり異常は研磨加工後に抜き取り検査を行わなければ検知することができない。また、うねり測定には時間を要する。基板の製造工程は一連であるため、うねり異常を検知したときには、同じロットの基板は後工程に進んでいる。さらに、全工程が完了した基板の中からうねり異常のある不良品のみを抽出することは困難であるため、同じロットの基板は良品も含めて廃棄されることになる。したがって、うねり異常の検知が遅れると、歩留まりを低下させる要因となる。
本開示は、上記のような技術的課題に鑑みて、うねり異常の発生を予測することを目的とする。
本開示は、以下に示す構成を備える。
［１］ 研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるように構成されているデータ入力部と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得するように構成されている特徴量取得部と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得部が取得した前記特徴量を入力することで、前記うねりを予測するように構成されているうねり予測部と、
を備えるうねり予測装置。
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得するように構成されている特徴量取得部と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得部が取得した前記特徴量を入力することで、前記うねりを予測するように構成されているうねり予測部と、
を備えるうねり予測装置。
［２］ 前記［１］に記載のうねり予測装置であって、
前記被研磨面は、第１研磨パッドを設けられた上定盤と第２研磨パッドを設けられた下定盤とを逆方向に回転させることで、研磨されており、
前記特徴量は、前記上定盤と前記下定盤との回転数差をさらに含む、
うねり予測装置。
前記被研磨面は、第１研磨パッドを設けられた上定盤と第２研磨パッドを設けられた下定盤とを逆方向に回転させることで、研磨されており、
前記特徴量は、前記上定盤と前記下定盤との回転数差をさらに含む、
うねり予測装置。
［３］ 前記［２］に記載のうねり予測装置であって、
前記加工枚数より大きい第２加工枚数及び前記第２加工枚数を加工したときの前記太陽ギアのトルクである第２トルクを含む第２特徴量を生成するように構成されている特徴量生成部をさらに備え、
前記うねり予測部は、前記予測モデルに、前記特徴量生成部が生成した前記第２特徴量を入力することで、前記うねりを予測するように構成されている、
うねり予測装置。
前記加工枚数より大きい第２加工枚数及び前記第２加工枚数を加工したときの前記太陽ギアのトルクである第２トルクを含む第２特徴量を生成するように構成されている特徴量生成部をさらに備え、
前記うねり予測部は、前記予測モデルに、前記特徴量生成部が生成した前記第２特徴量を入力することで、前記うねりを予測するように構成されている、
うねり予測装置。
［４］ 前記［３］に記載のうねり予測装置であって、
前記うねり予測部が予測した前記うねりの予測値と所定の閾値とを比較するように構成されている予測値判定部と、
前記うねりの予測値が前記閾値以上であるとき、前記うねりの予測値が前記閾値未満となる加工条件を探索するように構成されている加工条件探索部と、
をさらに備えるうねり予測装置。
前記うねり予測部が予測した前記うねりの予測値と所定の閾値とを比較するように構成されている予測値判定部と、
前記うねりの予測値が前記閾値以上であるとき、前記うねりの予測値が前記閾値未満となる加工条件を探索するように構成されている加工条件探索部と、
をさらに備えるうねり予測装置。
［５］ 前記［１］から［４］のいずれかに記載のうねり予測装置であって、
前記研磨パッドで所定枚数の前記被研磨面を研磨するたびに、前記データ入力部が受け付けた前記うねりデータと前記特徴量取得部が取得した前記特徴量とを用いて、前記予測モデルを学習するように構成されているモデル学習部をさらに備える、
うねり予測装置。
前記研磨パッドで所定枚数の前記被研磨面を研磨するたびに、前記データ入力部が受け付けた前記うねりデータと前記特徴量取得部が取得した前記特徴量とを用いて、前記予測モデルを学習するように構成されているモデル学習部をさらに備える、
うねり予測装置。
［６］ 前記［５］に記載のうねり予測装置であって、
前記モデル学習部は、前記研磨パッド毎に、前記予測モデルを学習するように構成されている、
うねり予測装置。
前記モデル学習部は、前記研磨パッド毎に、前記予測モデルを学習するように構成されている、
うねり予測装置。
［７］ コンピュータが、
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
を実行するうねり予測方法。
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
を実行するうねり予測方法。
［８］ コンピュータが、
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
前記うねり予測手順で予測した前記うねりの予測値と所定の閾値とを比較する予測値判定手順と、
前記うねりの予測値が前記閾値以上であるとき、前記うねりの予測値が前記閾値未満となる加工条件を探索する加工条件探索手順と、
を実行し、
研磨装置が、
前記加工条件探索手順で発見された前記加工条件に基づいて被研磨物の加工を行う加工手順を実行する、
被研磨物の加工方法。
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
前記うねり予測手順で予測した前記うねりの予測値と所定の閾値とを比較する予測値判定手順と、
前記うねりの予測値が前記閾値以上であるとき、前記うねりの予測値が前記閾値未満となる加工条件を探索する加工条件探索手順と、
を実行し、
研磨装置が、
前記加工条件探索手順で発見された前記加工条件に基づいて被研磨物の加工を行う加工手順を実行する、
被研磨物の加工方法。
［９］ コンピュータに、
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
を実行させるためのプログラム。
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
を実行させるためのプログラム。
本開示によれば、うねり異常の発生を予測することができる。
以下、本発明の各実施形態について添付の図面を参照しながら説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
［実施形態］
半導体ウェハー等の基板は、一連の工程を経て製造される。例えば、半導体ウェハーであれば、原料として用いられるインゴットをウェハー形状に切断するスライシング工程、ウェハーの厚さを均一化して平坦化するラッピング工程、機械加工により発生したダメージを化学的に除去するエッチング工程、ウェハーの表面を研磨し鏡面化するポリッシング工程、及びウェハーを洗浄して表面に付着した異物を除去するクリーニング工程等を経て製造される。
半導体ウェハー等の基板は、一連の工程を経て製造される。例えば、半導体ウェハーであれば、原料として用いられるインゴットをウェハー形状に切断するスライシング工程、ウェハーの厚さを均一化して平坦化するラッピング工程、機械加工により発生したダメージを化学的に除去するエッチング工程、ウェハーの表面を研磨し鏡面化するポリッシング工程、及びウェハーを洗浄して表面に付着した異物を除去するクリーニング工程等を経て製造される。
半導体ウェハーの製造工程では、所定枚数からなるロット単位で、上記の一連の工程を連続して実行する。ポリッシング工程においては、基板の研磨量及び被研磨面のうねりを抜き取り検査により評価する。うねりの測定には数時間かかるため、あるロットにおいてうねり異常が検知されたときには、そのロットはすでに後工程に進んでいることになる。また、うねり異常を検知しても、すべての工程が完了するまでは、そのロットを回収することはできない。
さらに、うねりの測定には時間を要するため、うねり異常を検知したロットから不良品のみを抽出して廃棄することは工数がかかり、現実的ではない。そのため、うねり異常を検知した場合、そのロットの基板を良品も含めてすべて廃棄することになる。
したがって、うねり異常の検知が遅れると、歩留まりが低下する要因となる。逆に言えば、うねり異常を予測することができれば、歩留まりを向上することができる。
本実施形態は、半導体ウェハーの製造工程におけるポリッシング工程を実行する研磨システムである。本実施形態における研磨システムは、研磨装置が研磨した被研磨面のうねりを予測する。また、本実施形態における研磨システムは、うねりの予測値に応じて、実行すべき作業を出力する。特に、うねり異常が予測されるときに、うねり異常とならない加工条件がある場合には、加工条件を変更すべき旨を出力する。
なお、本実施形態における研磨システムは、半導体ウェハーに限らず、製造工程の中で研磨を行う様々な基板を対象とすることができる。
＜研磨システムの全体構成＞
まず、本実施形態における研磨システムの全体構成を、図１を参照しながら説明する。図１は、本実施形態における研磨システムの全体構成の一例を示すブロック図である。
まず、本実施形態における研磨システムの全体構成を、図１を参照しながら説明する。図１は、本実施形態における研磨システムの全体構成の一例を示すブロック図である。
図１に示されているように、本実施形態における研磨システム１は、研磨装置１０、うねり測定装置２０及びうねり予測装置３０を含む。研磨装置１０、うねり測定装置２０及びうねり予測装置３０は、ＬＡＮ（Local Area Network）又はインターネット等の通信ネットワークＮ１を介してデータ通信可能に接続されている。
研磨装置１０は、研磨対象の基板（以下、「被研磨物」とも呼ぶ）を研磨する。本実施形態における研磨装置１０は、遊星歯車機構により研磨パッドを回転させることで被研磨物の主面（以下、「被研磨面」とも呼ぶ）を研磨する。
研磨装置１０は、所定枚数を同時に研磨するバッチを複数回繰り返すことで、１ロットの被研磨物を研磨する。例えば、研磨装置１０は、１バッチで５０枚の基板を研磨し、４０バッチ実行することで、２０００枚からなる１ロットの研磨を行う。
研磨装置１０は、例えば、参考文献１に開示された両面研磨装置を用いることができる。
〔参考文献１〕システム精工株式会社，"技術紹介"，［令和3年11月16日検索］，インターネット＜URL： https://www.systemseiko.co.jp/technology/＞
うねり測定装置２０は、研磨装置１０が研磨した被研磨面を検査し、うねり測定を行う。本実施形態において測定するうねりは、二乗平均平方根粗さ（ＲＭＳ：Root Mean Square、Ｒｑとも呼ばれる）と呼ばれる指標である。ただし、本実施形態を適用可能なうねりの指標はこれに限定されず、どのような指標であってもよい。
うねり測定装置２０は、研磨装置１０が所定枚数の研磨を行う毎に、研磨後の被研磨物を抜き取り検査する。例えば、うねり測定装置２０は、研磨装置１０が１ロットの研磨を完了する毎に、うねり測定を行う。
うねり測定装置２０は、例えば、参考文献２に開示された表面検査装置を用いることができる。
〔参考文献２〕KLA Corporation，"Candela 8520"，［令和3年11月16日検索］，インターネット＜URL： https://www.kla-tencor.com/products/instruments/defect-inspectors/candela-8520＞
うねり予測装置３０は、研磨装置１０が研磨した被研磨面のうねりを予測するＰＣ（Personal Computer）、ワークステーション、サーバ等の情報処理装置である。うねり予測装置３０は、うねり測定装置２０が出力するうねりの測定値及び研磨装置１０から取得できる加工条件並びに装置状態に基づいて、予測モデルを学習する。また、うねり予測装置３０は、学習済みの予測モデルを用いて、研磨装置１０が研磨した被研磨面のうねりを予測する。さらに、うねり予測装置３０は、うねりの予測値に応じて、実行すべき作業を出力する。実行すべき作業とは、例えば、研磨の続行、研磨パッドの交換、又は加工条件の変更等である。
うねり予測装置３０は、うねり測定装置２０がうねり測定を行う毎（すなわち、研磨装置１０が１ロットの研磨を完了する毎）に、予測モデルの学習を行う。また、うねり予測装置３０は、研磨装置１０が所定枚数の研磨を行う毎に、研磨後の被研磨面のうねりを予測する。例えば、うねり予測装置３０は、研磨装置１０が１バッチの研磨を完了する毎に、うねり予測を行う。
うねり予測装置３０は、研磨パッド毎に予測モデルを学習する。研磨パッドを交換した場合、うねり予測装置３０は、予測モデルは初期化し、再度学習を開始する。研磨パッドと被研磨面のうねりとの関係は、個体差が大きいことが判明しているためである。したがって、ある研磨パッドに関して学習した予測モデルを、他の研磨パッドで研磨した被研磨面のうねり予測に用いることはできない。
なお、図１に示した研磨システム１の全体構成は一例であって、用途や目的に応じて様々なシステム構成例があり得る。例えば、うねり予測装置３０は、複数台のコンピュータにより実現してもよいし、クラウドコンピューティングのサービスとして実現してもよい。
＜研磨システムのハードウェア構成＞
次に、本実施形態における研磨システム１のハードウェア構成を、図２から図４を参照しながら説明する。
次に、本実施形態における研磨システム１のハードウェア構成を、図２から図４を参照しながら説明する。
≪コンピュータのハードウェア構成≫
本実施形態におけるうねり予測装置３０は、例えばコンピュータにより実現される。図２は、本実施形態におけるコンピュータ５００のハードウェア構成の一例を示すブロック図である。
本実施形態におけるうねり予測装置３０は、例えばコンピュータにより実現される。図２は、本実施形態におけるコンピュータ５００のハードウェア構成の一例を示すブロック図である。
図２に示されているように、コンピュータ５００は、ＣＰＵ（Central Processing Unit）５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３、ＨＤＤ（Hard Disk Drive）５０４、入力装置５０５、表示装置５０６、通信Ｉ／Ｆ（Interface）５０７及び外部Ｉ／Ｆ５０８を有する。ＣＰＵ５０１、ＲＯＭ５０２及びＲＡＭ５０３は、いわゆるコンピュータを形成する。コンピュータ５００の各ハードウェアは、バスライン５０９を介して相互に接続されている。なお、入力装置５０５及び表示装置５０６は外部Ｉ／Ｆ５０８に接続して利用する形態であってもよい。
ＣＰＵ５０１は、ＲＯＭ５０２又はＨＤＤ５０４等の記憶装置からプログラムやデータをＲＡＭ５０３上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。
ＲＯＭ５０２は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）の一例である。ＲＯＭ５０２は、ＨＤＤ５０４にインストールされている各種プログラムをＣＰＵ５０１が実行するために必要な各種プログラム、データ等を格納する主記憶装置として機能する。具体的には、ＲＯＭ５０２には、コンピュータ５００の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＥＦＩ（Extensible Firmware Interface）等のブートプログラムや、ＯＳ（Operating System）設定、ネットワーク設定等のデータが格納されている。
ＲＡＭ５０３は、電源を切るとプログラムやデータが消去される揮発性の半導体メモリ（記憶装置）の一例である。ＲＡＭ５０３は、例えば、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等である。ＲＡＭ５０３は、ＨＤＤ５０４にインストールされている各種プログラムがＣＰＵ５０１によって実行される際に展開される作業領域を提供する。
ＨＤＤ５０４は、プログラムやデータを格納している不揮発性の記憶装置の一例である。ＨＤＤ５０４に格納されるプログラムやデータには、コンピュータ５００全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーション等がある。なお、コンピュータ５００はＨＤＤ５０４に替えて、記憶媒体としてフラッシュメモリを用いる記憶装置（例えばＳＳＤ：Solid State Drive等）を利用するものであってもよい。
入力装置５０５は、ユーザが各種信号を入力するために用いるタッチパネル、操作キーやボタン、キーボードやマウス、音声等の音データを入力するマイクロホン等である。
表示装置５０６は、画面を表示する液晶や有機ＥＬ（Electro-Luminescence）等のディスプレイ、音声等の音データを出力するスピーカ等で構成されている。
通信Ｉ／Ｆ５０７は、通信ネットワークに接続し、コンピュータ５００がデータ通信を行うためのインタフェースである。
外部Ｉ／Ｆ５０８は、外部装置とのインタフェースである。外部装置には、ドライブ装置５１０等がある。
ドライブ装置５１０は、記録媒体５１１をセットするためのデバイスである。ここでいう記録媒体５１１には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５１１には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。これにより、コンピュータ５００は外部Ｉ／Ｆ５０８を介して記録媒体５１１の読み取り及び／又は書き込みを行うことができる。
なお、ＨＤＤ５０４にインストールされる各種プログラムは、例えば、配布された記録媒体５１１が外部Ｉ／Ｆ５０８に接続されたドライブ装置５１０にセットされ、記録媒体５１１に記録された各種プログラムがドライブ装置５１０により読み出されることでインストールされる。あるいは、ＨＤＤ５０４にインストールされる各種プログラムは、通信Ｉ／Ｆ５０７を介して、通信ネットワークとは異なる他のネットワークよりダウンロードされることでインストールされてもよい。
≪研磨装置のハードウェア構成≫
図３は、本実施形態における研磨装置１０のハードウェア構成の一例を示す図である。図３に示されているように、本実施形態における研磨装置１０は、上下一対の下定盤１１及び上定盤１２と、下定盤１１の上定盤１２と対向する面に配置された複数のキャリア１３とを備え、各キャリア１３に設けられた複数の開口部１４に半導体ウェハー（図示せず）をセットし、これら複数の半導体ウェハーの両主面を下定盤１１及び上定盤１２に設けられた研磨パッドにより研磨する構成とする。
図３は、本実施形態における研磨装置１０のハードウェア構成の一例を示す図である。図３に示されているように、本実施形態における研磨装置１０は、上下一対の下定盤１１及び上定盤１２と、下定盤１１の上定盤１２と対向する面に配置された複数のキャリア１３とを備え、各キャリア１３に設けられた複数の開口部１４に半導体ウェハー（図示せず）をセットし、これら複数の半導体ウェハーの両主面を下定盤１１及び上定盤１２に設けられた研磨パッドにより研磨する構成とする。
具体的に、下定盤１１及び上定盤１２は、それぞれの中心部に設けられた回転軸１１ａ，１２ａを駆動モータ（図示せず）により回転駆動することで、互いの中心軸を一致させた状態で互いに逆向きに回転可能となっている。また、下定盤１１の上定盤１２と対向する面には、複数のキャリア１３を配置するための凹部１５が設けられている。
複数のキャリア１３は、例えばアラミド繊維やガラス繊維を混入することで強化されたエポキシ樹脂などを円盤状に形成したものからなる。そして、これら複数のキャリア１３は、凹部１５の内側において回転軸１１ａの周囲に並んで配置されている。また、各キャリア１３の外周部には、全周に亘って遊星ギア１６が設けられている。一方、凹部１５の内周部には、各キャリア１３の遊星ギア１６と噛合された状態で、回転軸１１ａと共に回転する太陽ギア１７と、凹部１５の外周部には、各キャリア１３の遊星ギア１６と噛合される固定ギア１８とが、それぞれ設けられている。
これにより、複数のキャリア１３は、回転軸１１ａと共に太陽ギア１７が回転すると、太陽ギア１７及び固定ギア１８と遊星ギア１６との噛合によって、凹部１５内で回転軸１１ａの周囲を当該回転軸１１ａと同一方向に回転（公転）しながら、互いの中心軸回りに回転軸１１ａとは逆方向に回転（自転）する、いわゆる遊星運動を行う。
したがって、上記構成を採用することにより、各キャリア１３の開口部１４に保持された複数の半導体ウェハーを遊星運動させながら、その両主面を下定盤１１及び上定盤１２に設けられた研磨パッドにより研磨することが可能である。また、この構成の場合、半導体ウェハーに対する研磨をより精度良く、また迅速に行うことが可能である。
研磨パッドには、例えばウレタンにより形成された硬質研磨布を用いることができる。そして、この研磨パッドにより半導体ウェハーの両主面を研磨する際は、半導体ウェハーに研磨液を滴下する。研磨液については、例えばセリア、シリカ、ダイヤモンド、又はこれらの混合物の砥粒等を水に分散してスラリー化したものなどを用いることができる。
＜研磨システムの機能構成＞
続いて、本実施形態における研磨システムの機能構成を、図４を参照しながら説明する。図４は本実施形態における研磨システム１の機能構成の一例を示すブロック図である。
続いて、本実施形態における研磨システムの機能構成を、図４を参照しながら説明する。図４は本実施形態における研磨システム１の機能構成の一例を示すブロック図である。
≪うねり予測装置の機能構成≫
図４に示されているように、本実施形態におけるうねり予測装置３０は、データ入力部３１、状態取得部３２、特徴量取得部３３、モデル学習部３４、うねり予測部３５、予測値判定部３６、特徴量生成部３７、加工条件探索部３８、結果出力部３９、及びモデル記憶部３００を備える。
図４に示されているように、本実施形態におけるうねり予測装置３０は、データ入力部３１、状態取得部３２、特徴量取得部３３、モデル学習部３４、うねり予測部３５、予測値判定部３６、特徴量生成部３７、加工条件探索部３８、結果出力部３９、及びモデル記憶部３００を備える。
うねり予測装置３０が備える各処理部（モデル記憶部３００を除く）は、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。うねり予測装置３０が備えるモデル記憶部３００は、例えば、図２に示されているＨＤＤ５０４を用いて実現される。
データ入力部３１は、うねり測定装置２０が出力するうねりの測定値（以下、「うねりデータ」とも呼ぶ）の入力を受け付ける。うねりデータの入力は、うねり測定装置２０がディスプレイ等に出力したうねりデータを、ユーザが入力装置５０５を用いて入力してもよいし、うねり測定装置２０が通信ネットワークＮ１を介してうねり予測装置３０に送信したうねりデータをオンラインで入力してもよい。
状態取得部３２は、データ入力部３１がうねりデータの入力を受け付けたことに応じて、研磨装置１０から研磨に関する状態情報を取得する。本実施形態における状態情報は、研磨パッドの状態、加工条件、及び装置状態を含む。研磨パッドの状態は、例えば、その研磨パッドで研磨した被研磨物の通算枚数を示す加工枚数等である。加工条件は、例えば、１回当たりの研磨時間及び各定盤の回転速度等である。装置状態は、例えば、各ギアのトルク等である。
特徴量取得部３３は、状態取得部３２が取得した状態情報から所定の特徴量を取得する。本実施形態における特徴量は、研磨パッドの加工枚数及び太陽ギアのトルク（以下、「サンギアトルク」とも呼ぶ）を含む。また、本実施形態における特徴量は、上定盤と下定盤の間の回転数差を含んでもよい。
モデル学習部３４は、特徴量取得部３３が取得した特徴量と、データ入力部３１が受け付けたうねりデータとの関係を学習することで、予測モデルを生成する。本実施形態における予測モデルは、加工枚数及びサンギアトルクを説明変数とし、うねりデータを目的変数とするモデルである。また、特徴量が回転数差を含む場合には、本実施形態における予測モデルは、加工枚数、サンギアトルク及び回転数差を説明変数とし、うねりデータを目的変数とするモデルである。
モデル記憶部３００は、モデル学習部３４が生成した予測モデルを記憶する。
うねり予測部３５は、モデル記憶部３００が記憶する予測モデルに、特徴量取得部３３が取得した特徴量を入力することで、うねりの予測値を計算する。また、うねり予測部３５は、モデル記憶部３００が記憶する予測モデルに、特徴量生成部３７が生成した特徴量を入力することで、うねりの予測値を計算する。
予測値判定部３６は、うねり予測部３５が計算したうねりの予測値を所定の閾値と比較することで、うねりの予測値が所定の閾値以上であるか否かを判定する。
特徴量生成部３７は、特徴量取得部３３が取得した特徴量に基づいて、所定の特徴量を生成する。特徴量生成部３７が生成する特徴量は、次にうねり予測を行う際に取得されることが推定される特徴量である。
加工条件探索部３８は、予測値判定部３６によりうねりの予測値が所定の閾値以上であると判定されたとき、うねりの予測値が所定の閾値未満となる加工条件を探索する。
結果出力部３９は、うねりの予測結果を表示装置５０６等に出力する。本実施形態における予測結果は、うねり予測部３５が予測したうねりの予測値を含む。また、本実施形態における予測結果は、実行すべき作業を示す情報を含んでもよい。
＜研磨システムの処理手順＞
次に、本実施形態における研磨システム１が実行するうねり予測方法の処理手順を、図５から図１０を参照しながら説明する。本実施形態におけるうねり予測方法は、予測モデルを学習する学習処理（図５参照）、及び学習済みの予測モデルを用いてうねりを予測する予測処理（図９から図１０参照）からなる。
次に、本実施形態における研磨システム１が実行するうねり予測方法の処理手順を、図５から図１０を参照しながら説明する。本実施形態におけるうねり予測方法は、予測モデルを学習する学習処理（図５参照）、及び学習済みの予測モデルを用いてうねりを予測する予測処理（図９から図１０参照）からなる。
≪学習処理≫
図５は本実施形態における学習処理の手順の一例を示すフローチャートである。
図５は本実施形態における学習処理の手順の一例を示すフローチャートである。
ステップＳ１１において、研磨装置１０は、１ロット分の研磨加工を完了する。次に、研磨装置１０は、１ロット分の研磨加工が完了したことを示す通知を出力する。
ステップＳ１２において、うねり測定装置２０は、研磨装置１０が通知を出力したことに応じて、研磨加工が完了したロットから被研磨物をサンプリングし、被研磨面のうねりを測定する。次に、うねり測定装置２０は、測定したうねりデータを出力する。
ここで、うねりデータについて、図６を参照しながら説明する。図６は、うねりデータの一例を示す図であり、加工枚数を横軸に、うねり（ＲＭＳ）を縦軸にし、１ロット（＝２０００枚）毎に測定されたＲＭＳをプロットしたグラフである。なお、うねりを測定する被研磨物は、各ロットの先頭バッチからサンプリングしている。また、新規の研磨パッドがセットされると最初にダミー品の研磨を行うため、加工枚数は、２０００枚毎のちょうどの枚数からダミー研磨の加工枚数分だけ上乗せされてプロットされている。
図６に示された一点鎖線（ＲＭＳ＝０．１６０）は、製造規格を表しており、この線を超えるとうねり異常と判定される。図６に示されているように、全体的にＲＭＳの値はばらつきが大きいが、加工枚数が一定数を超えると急激に上昇することがわかる。
図５に戻って説明する。ステップＳ１３において、うねり予測装置３０が備えるデータ入力部３１は、うねり測定装置２０が出力したうねりデータの入力を受け付ける。次に、データ入力部３１は、受け付けたうねりデータをモデル学習部３４に送る。また、データ入力部３１は、うねりデータの入力を受け付けたことを状態取得部３２に通知する。
ステップＳ１４において、うねり予測装置３０が備える状態取得部３２は、データ入力部３１からの通知に応じて、研磨装置１０から研磨パッドの状態、加工条件、及び装置状態を含む研磨に関する状態情報を取得する。次に、状態取得部３２は、取得した状態情報を特徴量取得部３３に送る。
ステップＳ１５において、うねり予測装置３０が備える特徴量取得部３３は、状態取得部３２から状態情報を受け取る。次に、特徴量取得部３３は、受け取った状態情報に基づいて、現在のサンギアトルクを計算する。
ここで、サンギアトルクについて、図７を参照しながら説明する。図７は、サンギアトルクの一例を示す図であり、加工枚数を横軸に、サンギアトルク（Ｎ・ｍ：newton metre）を縦軸にし、１バッチ（＝５０枚）毎に取得されたサンギアトルクをプロットしたグラフである。図７において、濃い点はうねりを測定したバッチ（すなわち、ロットの先頭バッチ）、薄い点はその他のバッチで取得されたサンギアトルクを表している。
図７に示されているように、全体的にサンギアトルクの値はばらつきが大きい。特に、うねり測定はロットの先頭バッチで行うため、うねりデータはトルクの値のばらつきを反映しない傾向がある。そのため、本実施形態において、サンギアトルクは、研磨装置１０から取得したサンギアトルクそのものではなく、破線で示したトレンドラインへの代入値を用いるものとする。なお、所定のバッチ数ごとにトレンドラインを更新することができる。
サンギアトルクのトレンドラインは、例えば、ＲＢＦカーネルを用いたガウス過程回帰により計算することができる。なお、本実施形態において適用可能な回帰はガウス過程回帰に限定されず、回帰であればどのようなものであってもよい。
図５に戻って説明する。ステップＳ１６において、特徴量取得部３３は、受け取った状態情報に基づいて、現在の回転数差を計算する。回転数差とは、下定盤１１の回転数と上定盤１２の回転数との差である。
ここで、回転数差について、図８を参照しながら説明する。図８は、回転数差の一例を示す図であり、加工枚数を横軸に、回転数差（ｒｐｍ：rotations per minute）を縦軸にし、１バッチ（＝５０枚）毎に取得された回転数差（＝上定盤１２の回転数－下定盤１１の回転数）をプロットしたグラフである。図８において、濃い点はうねりを測定したバッチ（すなわち、ロットの先頭バッチ）、薄い点はその他のバッチで取得された回転数差を表している。
図８に示されているように、回転数差は大きく変動することがない。これは、各定盤の回転数は制御可能であることによる。そのため、本実施形態における回転数差は、研磨装置１０から取得した各定盤の回転数の差をそのまま用いる。
図５に戻って説明する。ステップＳ１７において、特徴量取得部３３は、所定の特徴量（以下、「学習特徴量」とも呼ぶ）を生成する。学習特徴量は、加工枚数及びサンギアトルクを含む。また、学習特徴量は、回転数差を含んでもよい。次に、特徴量取得部３３は、生成した学習特徴量をモデル学習部３４に送る。
ステップＳ１８において、うねり予測装置３０が備えるモデル学習部３４は、データ入力部３１からうねりデータを受け取る。また、モデル学習部３４は、特徴量取得部３３から学習特徴量を受け取る。次に、モデル学習部３４は、受け取ったうねりデータ及び学習特徴量に基づいて、学習特徴量とうねりデータとの関係を学習することで、予測モデルを生成する。予測モデルは、例えば、二次関数となるカーネルを用いたガウス過程回帰により計算することができる。なお、本実施形態において適用可能な回帰はガウス過程回帰に限定されず、出力が確率となる回帰であればどのようなものであってもよい。
ステップＳ１９において、モデル学習部３４は、学習済みの予測モデルをモデル記憶部３００に記憶する。
≪予測処理≫
図９及び図１０は本実施形態における予測処理の手順の一例を示すフローチャートである。
図９及び図１０は本実施形態における予測処理の手順の一例を示すフローチャートである。
ステップＳ２１において、研磨装置１０は、１バッチ分の研磨加工を完了する。次に、研磨装置１０は、１バッチ分の研磨加工が完了したことを示す通知を出力する。
ステップＳ２２において、うねり予測装置３０が備える状態取得部３２は、研磨装置１０が通知を出力したことに応じて、研磨装置１０から研磨パッドの状態、加工条件、及び装置状態を含む研磨に関する状態情報を取得する。次に、状態取得部３２は、取得した状態情報を特徴量取得部３３に送る。
ステップＳ２３において、うねり予測装置３０が備える特徴量取得部３３は、状態取得部３２から状態情報を受け取る。次に、特徴量取得部３３は、受け取った状態情報に基づいて、現在のサンギアトルクを計算する。なお、所定のバッチ数ごとにサンギアトルクのトレンドラインを更新することができる。
ステップＳ２４において、特徴量取得部３３は、受け取った状態情報に基づいて、現在の回転数差を計算する。
ステップＳ２５において、特徴量取得部３３は、所定の特徴量（以下、「第１特徴量」とも呼ぶ）を生成する。第１特徴量が含む項目は、上述した学習特徴量と同様である。次に、特徴量取得部３３は、生成した第１特徴量をうねり予測部３５及び特徴量生成部３７に送る。
ステップＳ２６において、うねり予測装置３０が備えるうねり予測部３５は、特徴量取得部３３から第１特徴量を受け取る。次に、うねり予測部３５は、受け取った第１特徴量をモデル記憶部３００に記憶されている予測モデルに入力することで、うねりの予測値（以下、「第１予測値」とも呼ぶ）を計算する。続いて、うねり予測部３５は、計算した第１予測値を予測値判定部３６及び結果出力部３９に送る。
ステップＳ２７において、うねり予測装置３０が備える予測値判定部３６は、うねり予測部３５から第１予測値を受け取る。次に、予測値判定部３６は、第１予測値を所定の閾値と比較することで、第１予測値が所定の閾値以上であるか否かを判定する。
予測値判定部３６は、第１予測値が所定の閾値以上であると判定した場合（ＹＥＳ）、図１０に示されているステップＳ３７に処理を進める。一方、予測値判定部３６は、第１予測値が所定の閾値未満であると判定した場合（ＮＯ）、ステップＳ２８に処理を進める。
ステップＳ２８において、うねり予測装置３０が備える特徴量生成部３７は、特徴量取得部３３から第１特徴量を受け取る。次に、特徴量生成部３７は、第１特徴量に含まれる加工枚数に基づいて、第２加工枚数を計算する。具体的には、特徴量生成部３７は、第１特徴量に含まれる加工枚数に１バッチ分の枚数を加算した結果を第２加工枚数とする。
ステップＳ２９において、特徴量生成部３７は、第１特徴量に含まれるサンギアトルクに基づいて、第２サンギアトルクを計算する。具体的には、特徴量生成部３７は、過去のサンギアトルクのトレンドラインに第２加工枚数を代入した値を第２サンギアトルクとする。
ステップＳ３０において、特徴量生成部３７は、第１特徴量に含まれる回転数差に基づいて、第２回転数差を計算する。具体的には、特徴量生成部３７は、第１特徴量に含まれる回転数差を、第２回転数差とする。各定盤の回転数は頻繁に変化するものではなく、次の予測時にも同様の値が取得されることが推定されるためである。
図１０に進んで説明する。ステップＳ３１において、特徴量生成部３７は、所定の特徴量（以下、「第２特徴量」とも呼ぶ）を生成する。第２特徴量が含む項目は、上述した学習特徴量と同様である。すなわち、学習特徴量が加工枚数及びサンギアトルクを含む場合、第２特徴量は、第２加工枚数及び第２サンギアトルクを含む。また、学習特徴量が回転数差をさらに含む場合、第２特徴量は、第２加工枚数、第２サンギアトルク及び第２回転数差を含む。次に、特徴量生成部３７は、生成した第２特徴量をうねり予測部３５に送る。
ステップＳ３２において、うねり予測部３５は、特徴量生成部３７から第２特徴量を受け取る。次に、うねり予測部３５は、受け取った第２特徴量をモデル記憶部３００に記憶されている予測モデルに入力することで、うねりの予測値（以下、「第２予測値」とも呼ぶ）を計算する。続いて、うねり予測部３５は、計算した第２予測値を予測値判定部３６及び結果出力部３９に送る。
ステップＳ３３において、予測値判定部３６は、うねり予測部３５から第２予測値を受け取る。次に、予測値判定部３６は、第２予測値を所定の閾値と比較することで、第２予測値が所定の閾値以上であるか否かを判定する。
予測値判定部３６は、第２予測値が所定の閾値以上であると判定した場合（ＹＥＳ）、ステップＳ３４に処理を進める。一方、予測値判定部３６は、第２予測値が所定の閾値未満であると判定した場合（ＮＯ）、ステップＳ３８に処理を進める。
ステップＳ３４において、うねり予測装置３０が備える加工条件探索部３８は、うねりの予測値が所定の閾値未満となる加工条件を探索する。具体的には、加工条件探索部３８は、第２予測値に含まれる第２回転数差を所定数だけ変更し、変更後の第２特徴量を予測モデルに入力することで得られた予測値が所定の閾値未満となるか否かを判定することを繰り返す。加工条件探索部３８は、得られた予測値が閾値未満となった場合、又は、変更後の第２回転数差が所定の範囲外となった場合、探索を終了する。
続いて、加工条件探索部３８は、探索結果を結果出力部３９に送る。探索結果には、発見した加工条件（すなわち、予測値が所定の閾値未満となる回転数差を実現する各定盤の回転数）が含まれる。
ステップＳ３５において、加工条件探索部３８は、予測値が所定の閾値未満となる加工条件を発見したか否かを判定する。加工条件探索部３８は、加工条件を発見した場合（ＹＥＳ）、ステップＳ３６へ処理を進める。一方、加工条件探索部３８は、加工条件を発見しなかった場合（ＮＯ）、ステップＳ３７へ処理を進める。
ステップＳ３６において、うねり予測装置３０が備える結果出力部３９は、加工条件探索部３８から探索結果を受け取る。次に、結果出力部３９は、探索結果に含まれる加工条件に変更すべき旨を示す情報を表示装置５０６等に出力する。
研磨装置１０では、ユーザの操作に応じて、加工条件の変更が行われる。すなわち、研磨装置１０が備える上定盤１２及び下定盤１１の回転数が、発見された加工条件に含まれる回転数に設定される。そして、研磨装置１０は、変更後の加工条件に従って、被研磨物の研磨加工を実行する。
ステップＳ３７において、結果出力部３９は、研磨パッドの交換が必要である旨を示す情報を表示装置５０６等に出力する。
ステップＳ３８において、結果出力部３９は、次のバッチの研磨に進むことを示す情報を表示装置５０６等に出力する。
ステップＳ３９において、結果出力部３９は、うねり予測部３５から第１予測値及び第２予測値を受け取る。次に、結果出力部３９は、第１予測値及び第２予測値を示す情報を表示装置５０６等に出力する。
＜評価結果＞
続いて、本実施形態におけるうねりの予測値の精度を評価した結果を、図１１から図１３を参照しながら説明する。図１１は、本実施形態における評価指標及び評価結果の一例を示す図である。
続いて、本実施形態におけるうねりの予測値の精度を評価した結果を、図１１から図１３を参照しながら説明する。図１１は、本実施形態における評価指標及び評価結果の一例を示す図である。
図１１（Ａ）は、評価指標の一例を示す図である。評価では、うねりの予測値（確率）が５０％以上となったバッチをうねり異常を予測したバッチ（以下、「異常予測バッチ」とも呼ぶ）とし、実際にうねりの測定値が製造規格を超えたバッチ（以下、「異常発生バッチ」とも呼ぶ）とのずれを求めた。
図１１（Ａ）に示されているように、うねり異常発生時の加工枚数が３万枚未満の場合、異常予測バッチが、異常発生バッチと一致した場合を１００点満点、異常発生バッチより１～２ロット前の場合を６０点、異常発生バッチより３ロット以上前の場合を４０点とした。また、うねり異常発生時の加工枚数が３万枚以上の場合、異常予測バッチが、異常発生バッチと一致した場合を１００点満点、異常発生バッチより１～２ロット前の場合を８０点、異常発生バッチより３ロット以上前の場合を６０点とした。異常予測バッチが異常発生バッチよりも後の場合には、うねり異常を見逃したことを表しているため、０点とした。
図１１（Ｂ）は、評価結果の一例を示す図である。図１１（Ｂ）に示されているように、特徴量が異なる３つのモデルを用意し、各モデルによる予測結果について、図１１（Ａ）に示した評価指標に従ってスコアを計算した。なお、スコアは２６枚の研磨パッドそれぞれについて計算したスコアの平均である。
説明変数として、モデルＡは、加工枚数のみを特徴量として学習したモデルである。モデルＢは、加工枚数及びサンギアトルクを特徴量として学習したモデルである。モデルＣは、加工枚数、サンギアトルク及び回転数差を特徴量として学習したモデルである。
図１１（Ｂ）に示されているように、加工枚数のみを特徴量としたモデルＡよりも、特徴量にサンギアトルクを追加したモデルＢの方が、大幅にスコアが向上した。また、特徴量に回転数差をさらに追加したモデルＣは、モデルＢよりもスコアが向上した。したがって、加工枚数のみを特徴量として予測する場合と比べて、サンギアトルクを特徴量に追加することで大幅に予測精度が向上することが示された。また、特徴量に回転数差を追加することで、さらに予測精度が向上することが示された。
図１２は、説明変数として加工枚数のみを特徴量としたモデルＡにおいて、ある研磨パッドで得たうねりの実測結果（黒丸、黒四角形、白丸）について評価した様子を示した図である。各グラフには、加工枚数を横軸に、うねりを縦軸にし、ロット毎のうねりの実測値がプロットされている。ｉはロットのインデックスを示しており、この実測データではｉ＝１８でうねり異常が発生していることがわかる。
各グラフは、ｉ－１番目のロットまでの測定値（黒四角形でプロットした実測値）を用いて学習したモデルを用いて、ｉ番目のロットでの想定値（白三角形でプロットした実測値）のうねり予測を行った結果（点線）を表している。各グラフ右下の「ＮＧ」が予測されたうねり異常の確率であり、この値が５０％以上のときうねり異常と判定される。
図１２に示されているように、モデルＡを用いた評価結果では、ｉ＝１８の段階でうねり異常を検知しておらず（ＮＧ：４８％）、うねり異常の見逃しが発生している。したがって、図１２の例では、スコアは０点となる。
図１３は、説明変数として加工枚数及びサンギアトルクを特徴量としたモデルＢにおいて、図１２と同じうねりの実測結果（黒丸、黒四角形、白丸）について評価した様子を示した図である。
図１３に示されているように、モデルＢを用いた評価結果では、ｉ＝１７でうねり異常を検知している（ＮＧ：５０％）。１ロット前にうねり異常を検知しており誤検知とも言えるが、うねり異常が発生する前に検知しているため、廃棄品の発生を予防することは可能である。したがって、図１３の例では、スコアは８０点となる。
なお、図１２及び図１３では、ｉ＝８以降でうねりの予測を開始している。研磨加工を開始した直後は動作が不安定であり、また、研磨パッドの寿命の観点からはうねり異常を検知する対象外としても影響が小さいことによる。予測を開始するバッチを何番目とするか（すなわち、最初に予測モデルを学習するためにどれだけの学習データを収集するか）は、ハイパーパラメータとしてチューニングの対象となる。ここでは、ハイパーパラメータチューニングの指標は、検証データの予測残差の絶対値とした。
＜実施形態の効果＞
本実施形態における研磨システムは、研磨装置から取得した状態情報に基づく特徴量とうねりデータとの関係を学習した予測モデルを用いて、被研磨面のうねりを実測することなく、うねりを予測する。これにより、本実施形態における研磨システムによれば、早期にうねり異常を検知することができる。早期にうねり異常を検知できれば、早期に研磨パッドを交換することができ、うねり異常となったときに発生する廃棄品を少なくすることができる。
本実施形態における研磨システムは、研磨装置から取得した状態情報に基づく特徴量とうねりデータとの関係を学習した予測モデルを用いて、被研磨面のうねりを実測することなく、うねりを予測する。これにより、本実施形態における研磨システムによれば、早期にうねり異常を検知することができる。早期にうねり異常を検知できれば、早期に研磨パッドを交換することができ、うねり異常となったときに発生する廃棄品を少なくすることができる。
また、本実施形態における研磨システムは、うねりの予測値に応じて、実行すべき作業を提案することができる。特に、うねり異常が予測されるときに、うねり異常とならない加工条件が発見された場合には、その加工条件に変更することを提案することができる。これにより、本実施形態における研磨システムは、研磨パッドをより長く利用することができる。そのため、本実施形態における研磨システムによれば、研磨パッドに係るコストを低減し、研磨パッド交換による稼働率の低下を軽減することができる。
［補足］
以上、本発明の実施の形態について詳述したが、本発明はこれらの実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。
以上、本発明の実施の形態について詳述したが、本発明はこれらの実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。
本願は、日本国特許庁に２０２１年１２月２７日に出願された日本国特許出願２０２１－２１２６２４号の優先権を主張するものであり、その全内容を参照することにより本願に援用する。
１ 研磨システム
１０ 研磨装置
２０ うねり測定装置
３０ うねり予測装置
３１ データ入力部
３２ 状態取得部
３３ 特徴量取得部
３４ モデル学習部
３５ うねり予測部
３６ 予測値判定部
３７ 特徴量生成部
３８ 加工条件探索部
３９ 結果出力部
３００ モデル記憶部
１０ 研磨装置
２０ うねり測定装置
３０ うねり予測装置
３１ データ入力部
３２ 状態取得部
３３ 特徴量取得部
３４ モデル学習部
３５ うねり予測部
３６ 予測値判定部
３７ 特徴量生成部
３８ 加工条件探索部
３９ 結果出力部
３００ モデル記憶部
Claims (9)
- 研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるように構成されているデータ入力部と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得するように構成されている特徴量取得部と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得部が取得した前記特徴量を入力することで、前記うねりを予測するように構成されているうねり予測部と、
を備えるうねり予測装置。 - 請求項１に記載のうねり予測装置であって、
前記被研磨面は、第１研磨パッドを設けられた上定盤と第２研磨パッドを設けられた下定盤とを逆方向に回転させることで、研磨されており、
前記特徴量は、前記上定盤と前記下定盤との回転数差をさらに含む、
うねり予測装置。 - 請求項２に記載のうねり予測装置であって、
前記加工枚数より大きい第２加工枚数及び前記第２加工枚数を加工したときの前記太陽ギアのトルクである第２トルクを含む第２特徴量を生成するように構成されている特徴量生成部をさらに備え、
前記うねり予測部は、前記予測モデルに、前記特徴量生成部が生成した前記第２特徴量を入力することで、前記うねりを予測するように構成されている、
うねり予測装置。 - 請求項３に記載のうねり予測装置であって、
前記うねり予測部が予測した前記うねりの予測値と所定の閾値とを比較するように構成されている予測値判定部と、
前記うねりの予測値が前記閾値以上であるとき、前記うねりの予測値が前記閾値未満となる加工条件を探索するように構成されている加工条件探索部と、
をさらに備えるうねり予測装置。 - 請求項１から４のいずれかに記載のうねり予測装置であって、
前記研磨パッドで所定枚数の前記被研磨面を研磨するたびに、前記データ入力部が受け付けた前記うねりデータと前記特徴量取得部が取得した前記特徴量とを用いて、前記予測モデルを学習するように構成されているモデル学習部をさらに備える、
うねり予測装置。 - 請求項５に記載のうねり予測装置であって、
前記モデル学習部は、前記研磨パッド毎に、前記予測モデルを学習するように構成されている、
うねり予測装置。 - コンピュータが、
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
を実行するうねり予測方法。 - コンピュータが、
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
前記うねり予測手順で予測した前記うねりの予測値と所定の閾値とを比較する予測値判定手順と、
前記うねりの予測値が前記閾値以上であるとき、前記うねりの予測値が前記閾値未満となる加工条件を探索する加工条件探索手順と、
を実行し、
研磨装置が、
前記加工条件探索手順で発見された前記加工条件に基づいて被研磨物の加工を行う加工手順を実行する、
被研磨物の加工方法。 - コンピュータに、
研磨パッドを遊星歯車機構により回転させることで研磨した被研磨面のうねりを測定したうねりデータの入力を受け付けるデータ入力手順と、
前記研磨パッドにおける加工枚数及び太陽ギアのトルクを含む特徴量を取得する特徴量取得手順と、
前記特徴量と前記うねりデータとの関係を学習した予測モデルに、前記特徴量取得手順で取得した前記特徴量を入力することで、前記うねりを予測するうねり予測手順と、
を実行させるためのプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021212624 | 2021-12-27 | ||
| JP2021212624 | 2021-12-27 | ||
| PCT/JP2022/046888 WO2023127601A1 (ja) | 2021-12-27 | 2022-12-20 | うねり予測装置、うねり予測方法、被研磨物の加工方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2023127601A1 JPWO2023127601A1 (ja) | 2023-07-06 |
| JP7420328B2 true JP7420328B2 (ja) | 2024-01-23 |
Family
ID=86998917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023570883A Active JP7420328B2 (ja) | 2021-12-27 | 2022-12-20 | うねり予測装置、うねり予測方法、被研磨物の加工方法及びプログラム |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7420328B2 (ja) |
| TW (1) | TWI832631B (ja) |
| WO (1) | WO2023127601A1 (ja) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0890406A (ja) * | 1994-09-28 | 1996-04-09 | Kobe Steel Ltd | 薄肉被研材の両面研磨機およびその両面研磨方法 |
| JP2014091190A (ja) | 2012-11-02 | 2014-05-19 | Toho Engineering Kk | 研磨パッドの寿命検知方法 |
| JP7023455B2 (ja) * | 2017-01-23 | 2022-02-22 | 不二越機械工業株式会社 | ワーク研磨方法およびワーク研磨装置 |
| JP7046358B2 (ja) * | 2018-04-17 | 2022-04-04 | スピードファム株式会社 | 研磨装置 |
| JP7010166B2 (ja) * | 2018-07-24 | 2022-01-26 | 株式会社Sumco | ワークの両面研磨装置および両面研磨方法 |
| US11081359B2 (en) * | 2018-09-10 | 2021-08-03 | Globalwafers Co., Ltd. | Methods for polishing semiconductor substrates that adjust for pad-to-pad variance |
| JP7081544B2 (ja) * | 2019-03-22 | 2022-06-07 | 株式会社Sumco | ワークの両面研磨方法及びワークの両面研磨装置 |
| JP7004026B2 (ja) * | 2020-06-12 | 2022-01-21 | 株式会社Sumco | ワークの両面研磨方法、ワークの製造方法、及びワークの両面研磨装置 |
-
2022
- 2022-12-20 JP JP2023570883A patent/JP7420328B2/ja active Active
- 2022-12-20 WO PCT/JP2022/046888 patent/WO2023127601A1/ja active Application Filing
- 2022-12-22 TW TW111149480A patent/TWI832631B/zh active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI832631B (zh) | 2024-02-11 |
| TW202337626A (zh) | 2023-10-01 |
| JPWO2023127601A1 (ja) | 2023-07-06 |
| WO2023127601A1 (ja) | 2023-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW201923495A (zh) | 刀具磨耗檢測裝置、其檢測方法及刀具磨耗補償方法 | |
| US20160076970A1 (en) | Detecting apparatus, detection method, and program | |
| US20020192966A1 (en) | In situ sensor based control of semiconductor processing procedure | |
| WO2008004457A1 (fr) | Procédé de diagnostic d'installation, système de diagnostic d'installation, et programme d'ordinateur | |
| US7957944B2 (en) | Using historical data to estimate wear profiles of consumable wear products | |
| US11728172B2 (en) | Wafer thinning apparatus having feedback control | |
| CN109255182A (zh) | 一种硬脆材料工艺参数预测模型及其多目标优化方法 | |
| CN101456151B (zh) | 化学机械研磨及其终点检测方法 | |
| JP7420328B2 (ja) | うねり予測装置、うねり予測方法、被研磨物の加工方法及びプログラム | |
| Pal et al. | Material removal characteristics of full aperture optical polishing process | |
| US11846917B2 (en) | Systems and methods for enhanced wafer manufacturing | |
| Jin et al. | A Gaussian process model-guided surface polishing process in additive manufacturing | |
| CN114034772B (zh) | 一种轧辊潜在失效检测与剩余使用寿命预测专家系统 | |
| de San Román et al. | Analytical-method for polishing-surface prediction considering tool flexibility and grain-material interaction | |
| US20240062066A1 (en) | Information processing apparatus and machine learning apparatus | |
| JP7272455B2 (ja) | 検出方法、検出プログラム及び情報処理装置 | |
| JP2020015122A (ja) | ワークの両面研磨装置および両面研磨方法 | |
| CN115946154B (zh) | 一种基于晶圆传输状态数据的损害性预测方法 | |
| US11279001B2 (en) | Method and apparatus for monitoring chemical mechanical polishing process | |
| Tang et al. | Typical signal anomaly monitoring and support vector regression-based surface roughness prediction with acoustic emission signals in single-point diamond turning | |
| US20200353585A1 (en) | Method of double-side polishing wafer | |
| US20160207163A1 (en) | Manufacturing method of semiconductor device and semiconductor manufacturing apparatus | |
| CN112692721B (zh) | Cmp工艺晶圆定位装置和划痕追踪方法 | |
| Lai et al. | Real-time surface roughness estimation and automatic regrinding of ground workpieces using a data-driven model and grinding force inputs | |
| WO2023090080A1 (ja) | 製造条件設定支援装置、製造条件設定支援装置の作動方法、および製造条件設定支援装置の作動プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231127 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20231127 |
|
| 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: 20231212 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231225 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7420328 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |