KR20240027455A

KR20240027455A - Control method and control apparatus for controlling polisher for wafer substrate, and training mehtod and training apparatus

Info

Publication number: KR20240027455A
Application number: KR1020220105684A
Authority: KR
Inventors: 한정헌; 양기혁; 손지훈; 우상정
Original assignee: 주식회사 케이씨텍
Priority date: 2022-08-23
Filing date: 2022-08-23
Publication date: 2024-03-04
Also published as: CN117620879A

Abstract

웨이퍼 기판의 연마 장치를 제어하는 제어 방법 및 제어 장치, 및 학습 방법 및 학습 장치가 개시된다. 학습 방법은 웨이퍼 기판의 실제 두께 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들을 결정하는 단계, 학습 스펙트럼 데이터들을 정규화하고 2차원 사인 피팅한 데이터로부터 정규화 특성 값들을 획득하는 단계, 및 학습 스펙트럼 데이터들의 정규화 특성 값들에 기초하여 두께 추정 모델의 파라미터들을 업데이트하는 단계를 포함할 수 있다.A control method and control device for controlling a wafer substrate polishing device, and a learning method and learning device are disclosed. The learning method includes determining learning spectrum data based on sampling data including actual thickness information of the wafer substrate, normalizing the learning spectrum data and obtaining normalized characteristic values from two-dimensional sine-fitted data, and learning spectrum data. It may include updating parameters of the thickness estimation model based on the normalized characteristic values.

Description

A control method and control device for controlling a polishing device for a wafer substrate, and a learning method and learning device {CONTROL METHOD AND CONTROL APPARATUS FOR CONTROLLING POLISHER FOR WAFER SUBSTRATE, AND TRAINING MEHTOD AND TRAINING APPARATUS}

본 개시의 실시예들은 웨이퍼 기판의 연마 장치를 제어하는 제어 기술 및 학습 기술에 관한 것이다.Embodiments of the present disclosure relate to control technology and learning technology for controlling a wafer substrate polishing device.

웨이퍼 기판의 제조에는, 연마와 버핑(buffing) 및 세정을 포함하는 CMP(chemical mechanical polishing) 작업이 필요하다. 웨이퍼 기판의 CMP 작업에는, 연마패드를 통해 웨이퍼 기판의 피연 마면을 연마하는 공정이 요구된다. CMP 장치는 웨이퍼 기판의 일면 또는 양면을 연마, 버핑 및 세정하기 위한 구성요소로서, 웨이퍼 기판을 지지하는 캐리어, 웨이퍼 기판의 표면을 물리적으로 마모시키는 연마패드를 포함한다. CMP를 이용한 웨이퍼 기판의 평탄화 방법은 전형적으로 캐리어 헤드 상에 웨이퍼 기판이 장착될 것을 요구되고, 웨이퍼 기판의 노출된 표면은 거친 표면을 갖는 회전하는 연마패드에 맞닿게 배치될 수 있다.Manufacturing wafer substrates requires chemical mechanical polishing (CMP) operations including polishing, buffing, and cleaning. CMP work on wafer substrates requires a process of polishing the polished surface of the wafer substrate using a polishing pad. A CMP device is a component for polishing, buffing, and cleaning one or both sides of a wafer substrate, and includes a carrier that supports the wafer substrate and a polishing pad that physically wears the surface of the wafer substrate. A method of planarizing a wafer substrate using CMP typically requires that the wafer substrate be mounted on a carrier head, and the exposed surface of the wafer substrate may be placed in contact with a rotating polishing pad having a rough surface.

일 실시예에 따른 학습 방법은, 웨이퍼 기판의 실제 두께 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들을 결정하는 단계, 상기 학습 스펙트럼 데이터들을 정규화하고 2차원 사인 피팅(sine fitting)한 데이터로부터 정규화 특성 값들을 획득하는 단계, 및 상기 학습 스펙트럼 데이터들의 상기 정규화 특성 값들에 기초하여 두께 추정 모델의 파라미터들을 업데이트하는 단계를 포함할 수 있다.A learning method according to an embodiment includes determining learning spectrum data based on sampling data including actual thickness information of a wafer substrate, normalizing the learning spectrum data, and normalizing the learning spectrum data from two-dimensional sine fitting data. Obtaining characteristic values, and updating parameters of a thickness estimation model based on the normalized characteristic values of the learning spectral data.

일 실시예에 따른 학습 장치는, 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령들(instructions)을 저장하는 메모리를 포함하고, 상기 실행 가능한 명령들은 상기 프로세서로 하여금, 웨이퍼 기판의 실제 두께 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들을 결정하는 동작, 상기 학습 스펙트럼 데이터들을 정규화하고, 2차원 사인 피팅한 데이터로부터 정규화 특성 값들을 획득하는 동작, 및 상기 학습 스펙트럼 데이터들의 상기 정규화 특성 값들에 기초하여 두께 추정 모델의 파라미터들을 업데이트하는 동작을 포함하는 복수의 동작들을 수행하도록 할 수 있다.A learning device according to one embodiment includes a processor; and a memory storing instructions executable by the processor, wherein the executable instructions cause the processor to determine learning spectrum data based on sampling data including actual thickness information of the wafer substrate. An operation of normalizing the learning spectrum data, obtaining normalization characteristic values from two-dimensional sine-fitted data, and updating parameters of a thickness estimation model based on the normalization characteristic values of the learning spectrum data. Multiple operations can be performed.

도 1은 일 실시예에 따른 학습 과정의 개요(overview)를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 학습 방법의 동작들을 도시하는 흐름도이다.
도 3은 일 실시예에 따른 학습 장치의 구성을 도시하는 블록도이다.
도 4는 일 실시예에 따른 학습 스펙트럼 데이터와 정규화된 학습 스펙트럼 데이터의 일례를 도시하는 도면이다.
도 5는 일 실시예에 따른 학습 스펙트럼 데이터에 대한 정규화 특성 값들의 일례를 도시하는 도면이다.
도 6은 일 실시예에 따른 웨이퍼 기판의 연마 장치를 제어하는 제어 과정의 개요를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 제어 방법의 동작들을 도시하는 흐름도이다.
도 8은 일 실시예에 따른 제어 장치의 구성을 도시하는 블록도이다.
도 9는 일 실시예에 따른 측정된 스펙트럼 데이터와 정규화된 스펙트럼 데이터의 일례를 도시하는 도면이다.
도 10은 일 실시예에 따른 측정된 스펙트럼 데이터에 대한 정규화 특성 값들의 일례를 도시하는 도면이다.
도 11은 일 실시예에 따른 웨이퍼 기판에 대한 컨디셔닝 시스템의 블록도이다.
도 12는 일 실시예에 따른 연마 장치의 사시도이다.
도 13은 일 실시예에 따른 연마 장치의 평면도이다.1 is a diagram for explaining an overview of a learning process according to an embodiment.
Figure 2 is a flowchart showing operations of a learning method according to one embodiment.
Figure 3 is a block diagram showing the configuration of a learning device according to an embodiment.
FIG. 4 is a diagram illustrating an example of learning spectrum data and normalized learning spectrum data according to an embodiment.
FIG. 5 is a diagram illustrating an example of normalization characteristic values for learning spectrum data according to an embodiment.
FIG. 6 is a diagram illustrating an outline of a control process for controlling a wafer substrate polishing device according to an embodiment.
Figure 7 is a flowchart showing operations of a control method according to an embodiment.
Figure 8 is a block diagram showing the configuration of a control device according to an embodiment.
FIG. 9 is a diagram illustrating an example of measured spectrum data and normalized spectrum data according to an embodiment.
FIG. 10 is a diagram illustrating an example of normalization characteristic values for measured spectrum data according to an embodiment.
Figure 11 is a block diagram of a conditioning system for a wafer substrate according to one embodiment.
Figure 12 is a perspective view of a polishing device according to one embodiment.
Figure 13 is a top view of a polishing device according to one embodiment.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the attached drawings. However, various changes can be made to the embodiments, so the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents, or substitutes for the embodiments are included in the scope of rights.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안 된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the examples are for descriptive purposes only and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the embodiments belong. Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted in an ideal or excessively formal sense unless explicitly defined in the present application. No.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, when describing with reference to the accompanying drawings, identical components will be assigned the same reference numerals regardless of the reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiments, if it is determined that detailed descriptions of related known technologies may unnecessarily obscure the gist of the embodiments, the detailed descriptions are omitted.

또한, 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. Additionally, in describing the components of the embodiment, terms such as first, second, A, B, (a), and (b) may be used. These terms are only used to distinguish the component from other components, and the nature, sequence, or order of the component is not limited by the term. When a component is described as being "connected," "coupled," or "connected" to another component, that component may be directly connected or connected to that other component, but there is no need for another component between each component. It should be understood that may be “connected,” “combined,” or “connected.”

본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.The term “module” used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as logic, logic block, component, or circuit, for example. It can be used as A module may be an integrated part or a minimum unit of the parts or a part thereof that performs one or more functions. For example, according to one embodiment, the module may be implemented in the form of an application-specific integrated circuit (ASIC).

어느 하나의 실시 예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시 예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시 예에 기재한 설명은 다른 실시 예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.Components included in one embodiment and components including common functions will be described using the same names in other embodiments. Unless stated to the contrary, the description given in one embodiment may be applied to other embodiments, and detailed description will be omitted to the extent of overlap.

본 명세서에 개시된 기술은 데이터 정규화 모델 기반의 기계 학습을 이용한 웨이퍼 기판의 두께(또는 박막 두께)를 측정하는 기술과 웨이퍼 기판을 연마하는 연마 장치의 박막 프로파일을 제어하는 기술을 포함한다. 일 실시예에 따르면, 연마 장치의 연마 프로세스 초기에 기계 학습 모델을 이용하여 웨이퍼 기판의 박막 두께를 신속하게 측정하여 박막 프로파일을 제어할 수 있다.The technology disclosed in this specification includes a technology for measuring the thickness (or thin film thickness) of a wafer substrate using machine learning based on a data normalization model and a technology for controlling the thin film profile of a polishing device that polishes the wafer substrate. According to one embodiment, the thin film profile of the wafer substrate can be controlled by quickly measuring the thin film thickness of the wafer substrate using a machine learning model at the beginning of the polishing process of the polishing device.

웨이퍼 기판의 연마를 위한 CMP 공정에서 웨이퍼 기판의 박막 두께를 신속하게 측정하는 것은 웨이퍼 기판의 연마 과정에서 박막 프로파일 제어에 영향을 주는 요소로써 중요하다. 웨이퍼 기판의 박막 두께를 CMP 공정 초기에 산출하는 작업은 초기 대기 시간에 해당하는 IDT(Initial Dead Time)로 인하여 어려움이 있다. 이것은 웨이퍼 기판의 박막 두께의 측정에 필요한 시계열 데이터를 획득하는 데까지 초기 시간이 걸리기 때문이다. IDT로 인하여 특정 시간이 지나야 웨이퍼 기판의 두께에 대한 정확한 측정이 가능해진다. 본 명세서에서 제안된 실시예들에 따르면, 기계 학습 모델을 이용하여 웨이퍼 기판의 박막 두께를 CMP 공정 초기에 신속하게 측정하는 것이 가능해 진다. 최종적으로는 실시간 박막 두께 측정에 의해 박막 프로파일 제어 모델이 만들어질 수 있고, 해당 박막 프로파일 제어 모델을 이용하여 CMP 공정에서 웨이퍼 기판을 지속적으로 평평한 상태로 유지시킬 수 있다.In the CMP process for polishing wafer substrates, quickly measuring the thin film thickness of the wafer substrate is important as a factor affecting thin film profile control during the wafer substrate polishing process. Calculating the thin film thickness of the wafer substrate at the beginning of the CMP process is difficult due to IDT (Initial Dead Time), which corresponds to the initial waiting time. This is because it takes an initial time to acquire the time series data needed to measure the thin film thickness of the wafer substrate. Due to IDT, accurate measurement of the thickness of the wafer substrate becomes possible only after a certain period of time. According to embodiments proposed herein, it becomes possible to quickly measure the thin film thickness of a wafer substrate at the beginning of the CMP process using a machine learning model. Ultimately, a thin film profile control model can be created through real-time thin film thickness measurement, and the wafer substrate can be continuously maintained in a flat state during the CMP process by using the thin film profile control model.

도 1은 일 실시예에 따른 학습 과정의 개요를 설명하기 위한 도면이다.1 is a diagram for explaining an outline of a learning process according to an embodiment.

도 1을 참조하면, 학습 장치(예: 도 3의 학습 장치(300))는 웨이퍼 기판의 두께 정보를 포함하는 스펙트럼 데이터에 기초하여 웨이퍼 기판의 두께를 추정하는 두께 추정 모델(130)을 학습시킬 수 있다. 본 명세서에서 '웨이퍼 기판'의 용어는 '기판'으로 대체될 수 있다.Referring to FIG. 1, a learning device (e.g., learning device 300 in FIG. 3) trains a thickness estimation model 130 that estimates the thickness of the wafer substrate based on spectral data including the thickness information of the wafer substrate. You can. In this specification, the term 'wafer substrate' may be replaced with 'substrate'.

학습 장치는 학습 스펙트럼 데이터 생성 모델(110)을 이용하여 웨이퍼 기판의 두께에 따른 학습 스펙트럼 데이터들을 생성할 수 있다. 학습 장치는 기계 학습을 위해 사전에 물리적 프로세스 모델에 해당하는 학습 스펙트럼 데이터 생성 모델(110)을 이용하여 복수의 학습 스펙트럼 데이터들을 생성할 수 있다. 학습 스펙트럼 데이터는 학습 스펙트럼 데이터 생성 모델(110)의 수학식(예: 박막 간섭 수식)을 이용하여 이론적으로 생성된 웨이퍼 기반의 박막 두께에 따른 스펙트럼 데이터로서, 이론적 광학 모델 데이터에 대응할 수 있다. 학습 스펙트럼 데이터 생성 모델(110)에 기초하여 웨이퍼 기판의 선택된 박막 두께에 대응하는 이론적인 학습 스펙트럼 신호가 생성될 수 있다. 학습 스펙트럼 신호를 생성하기 위한 박막 두께는 웨이퍼 기판의 가능한 박막 두께의 범위 내에서 특정한 값으로 선택되거나 또는 해당 범위 내의 박막 두께 값들 중에서 랜덤하게 선택될 수 있다. 예를 들어, 학습 스펙트럼 데이터 생성 모델(110)에 의해 생성될 학습 스펙트럼 신호들 각각에 대응하는 박막 두께의 값은 최소 두께 값과 최대 두께 값 사이의 선형 또는 곡선형 분포에 기초하여 선택될 수 있다. 각각의 박막 두께마다 이론적으로 수학식에 의해 학습 스펙트럼 신호가 결정될 수 있고, 학습 스펙트럼 데이터 생성 모델(110)을 통해, 박막 두께에 따른 이론적인 학습 스펙트럼 신호들 중에서, 선택된 박막 두께에 대응하는 학습 스펙트럼 신호를 계산하여 학습 스펙트럼 신호가 제공될 수 있다.The learning device may use the learning spectrum data generation model 110 to generate learning spectrum data according to the thickness of the wafer substrate. The learning device may generate a plurality of learning spectrum data using the learning spectrum data generation model 110 corresponding to a physical process model in advance for machine learning. The learning spectrum data is spectrum data according to the thickness of a wafer-based thin film theoretically generated using a mathematical equation (e.g., thin film interference equation) of the learning spectrum data generation model 110, and may correspond to theoretical optical model data. Based on the learning spectrum data generation model 110, a theoretical learning spectrum signal corresponding to a selected thin film thickness of the wafer substrate may be generated. The thin film thickness for generating the learning spectrum signal may be selected as a specific value within a range of possible thin film thicknesses of the wafer substrate, or may be randomly selected among thin film thickness values within the range. For example, the value of the thin film thickness corresponding to each of the learning spectrum signals to be generated by the learning spectrum data generation model 110 may be selected based on a linear or curved distribution between the minimum thickness value and the maximum thickness value. . For each thin film thickness, a learning spectrum signal can be theoretically determined by a mathematical equation, and through the learning spectrum data generation model 110, a learning spectrum corresponding to the selected thin film thickness among the theoretical learning spectrum signals according to the thin film thickness. A learning spectrum signal can be provided by calculating the signal.

일 실시예에서, 학습 스펙트럼 데이터 생성 모델(110)은 박막 간섭 기반 물리적 프로세스 모델일 수 있다. 박막 간섭 기반 물리적 프로세스 모델은 각각의 가우시안 피크(Gaussian peak)들의 중첩으로 인텐시티 모델을 생성하는 것으로, 웨이퍼 기판의 두께에 따른 3차원 데이터를 위해 박막 간섭(thin film interference) 수식을 변형하여 사용하는 것을 통해 웨이퍼 기판의 두께에 따른 학습 스펙트럼 데이터들을 생성할 수 있게 된다.In one embodiment, learning spectral data generation model 110 may be a thin film interference based physical process model. The thin film interference-based physical process model generates an intensity model by overlapping each Gaussian peak, and uses a modified thin film interference formula for three-dimensional data according to the thickness of the wafer substrate. Through this, it is possible to generate learning spectrum data according to the thickness of the wafer substrate.

일 실시예에서, 학습 스펙트럼 데이터 생성 모델(110)은 샘플링 기반 물리적 프로세스 모델일 수 있다. 샘플링 기반 물리적 프로세스 모델에서는, 웨이퍼 기판의 실제 두께 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들이 결정될 수 있다. 샘플링 기반 물리적 프로세스 모델에서는 실제 측정된 스펙트럼 데이터들 중 일부의 샘플링 데이터에 기초하여 학습 스펙트럼 데이터가 생성될 수 있다. 샘플링 기반 물리적 프로세스 모델에서는, 예를 들어 사전에 측정된 웨이퍼 기판의 전체 연마 영역에 대한 관측 값의 정규화 강도(normalized intensity)를 확률 변수로 두고, 확률 변수의 분포인 확률 밀도 함수(probability density function)로 나타낸다. 표준화(standardization), 최대최소(minmax) 또는 힐버트 포락선(Hilbert envelope)을 이용한 정규화 방법을 통해 정규화 가상 데이터를 생성한 후 사전에 측정된 스펙트럼 데이터의 확률 밀도 함수에 의해 정규화 가상 데이터를 샘플링하는 것에 의해 학습 스펙트럼 데이터들이 생성될 수 있다. 확률 밀도 함수를 통해 측정되지 않은 임의의 연마 영역에서의 정규화 가상 데이터도 생성될 수 있다. 샘플링 기반 물리적 프로세스 모델에서 이용되는 샘플링 방법으로는 기각 샘플링(rejection sampling), 마르코프 연쇄 몬테카를로(Markov Chain Monte Carlo) 등이 있을 수 있다.In one embodiment, learning spectral data generation model 110 may be a sampling-based physical process model. In a sampling-based physical process model, learning spectrum data may be determined based on sampling data including actual thickness information of the wafer substrate. In a sampling-based physical process model, learning spectrum data may be generated based on sampling data of some of the actually measured spectrum data. In a sampling-based physical process model, for example, the normalized intensity of the observed value for the entire polishing area of the wafer substrate measured in advance is set as a random variable, and the probability density function, which is the distribution of the random variable, is used. It is expressed as By generating normalized virtual data through normalization methods using standardization, minmax, or Hilbert envelope, and then sampling the normalized virtual data by the probability density function of the previously measured spectral data. Learning spectrum data may be generated. Normalized virtual data from arbitrary unmeasured polishing areas can also be generated through a probability density function. Sampling methods used in sampling-based physical process models may include rejection sampling, Markov Chain Monte Carlo, etc.

학습 장치는 학습 스펙트럼 데이터들을 정규화(또는 데이터 정규화)(120)하여 정규화 특성 값들을 획득할 수 있다. 정규화의 일례로서 힐버트 포락선을 이용하는 힐버트 변환이 이용되는 경우, 학습 장치는 학습 스펙트럼 데이터들을 힐버트 포락선(Hilbert envelope)으로 나누어 주는 과정과 정규화 데이터를 파장 축과 두께 축에 대해 2차원 사인 피팅(sine fitting)하여 정규화 특성 값들을 획득하는 과정을 수행할 수 있다. 실시예에 따라, 힐버트 포락선 이외에 앞서 설명한 표준화 또는 최대최소 등을 이용한 정규화 방법이 수행될 수도 있으며, 실시예의 범위가 나열된 정규화 방법에 의해 제한되는 것은 아니다. 정규화 특성 값들은 예를 들어 정규화 강도, 오프셋(offset), 진폭(amplitude), 공간 주파수(spatial frequency) 및 위상 천이(phaseshift) 중 적어도 하나를 포함할 수 있다. 획득된 정규화 특성 값들은 두께 추정 모델(130)의 기계 학습을 위한 학습 데이터 세트로 이용될 수 있다. The learning device may obtain normalized characteristic values by normalizing (or data normalizing) the learning spectrum data (120). When the Hilbert transformation using the Hilbert envelope is used as an example of normalization, the learning device divides the learning spectrum data into the Hilbert envelope and performs a two-dimensional sine fitting of the normalized data on the wavelength axis and the thickness axis. ), the process of obtaining normalized characteristic values can be performed. Depending on the embodiment, in addition to the Hilbert envelope, the normalization method described above using standardization or max/min, etc. may be performed, and the scope of the embodiment is not limited by the listed normalization methods. The normalization characteristic values may include, for example, at least one of normalization intensity, offset, amplitude, spatial frequency, and phase shift. The obtained normalized characteristic values can be used as a learning data set for machine learning of the thickness estimation model 130.

학습 장치는 정규화 특성 값들에 기초하여 두께 추정 모델(130)을 학습(140)시킬 수 있다. 학습 장치는 학습 스펙트럼 데이터들 각각에 대해 정의된 두께 값(예: 박막 두께 값)을 각 학습 스펙트럼 데이터의 정규화 특성 값을 매칭시켜 두께 추정 모델(130)을 학습시킬 수 있다. 학습 과정은 사전에 생성된 정규화 특성 값을 해당 정규화 특성 값에 대응하는 두께와 레이블링(labeling)하는 과정을 포함하고, 학습 과정을 통해 두께 추정 모델(130)의 최적화된 파라미터들(예: 가중치, 절편 값)이 획득될 수 있다. 학습 과정을 통해 두께 추정 모델(130)은 특징 패턴에 해당하는 정규화 특성 값을 학습 스펙트럼 데이터 생성 모델(110)로부터 도출된 이론적인 값에 해당하는 두께 값과 매칭시킬 수 있게 된다.The learning device may learn (140) the thickness estimation model (130) based on the normalized characteristic values. The learning device may learn the thickness estimation model 130 by matching the thickness value (e.g., thin film thickness value) defined for each of the learning spectrum data with the normalization characteristic value of each learning spectrum data. The learning process includes labeling a pre-generated normalized characteristic value with a thickness corresponding to the normalized characteristic value, and through the learning process, optimized parameters of the thickness estimation model 130 (e.g., weight, intercept value) can be obtained. Through the learning process, the thickness estimation model 130 is able to match the normalized characteristic value corresponding to the feature pattern with the thickness value corresponding to the theoretical value derived from the learning spectrum data generation model 110.

일 실시예에서, 두께 추정 모델(130)은 정규화 특성 값들을 회귀식의 입력 변수로 적용하여 기계학습을 위한 비용 함수의 결과 값이 최소가 될 때까지 반복 계산하고 두께 추정 모델(130)의 파라미터들(예: 가중치, 절편 값)을 업데이트할 수 있다. 학습 과정을 반복적으로 수행함으로써 비용 함수의 결과 값은 점차 낮아질 수 있고, 비용 함수의 결과 값이 최소가 될 때 두께 추정 모델(130)은 최적화가 된 것으로 결정될 수 있다. 그 때의 회귀식의 가중치와 절편 값이 두께 추정 모델(130)의 최종 학습된 가중치와 절편 값으로 결정될 수 있다.In one embodiment, the thickness estimation model 130 applies the normalized characteristic values as input variables of the regression equation, repeatedly calculates the result value of the cost function for machine learning until it is minimized, and sets the parameters of the thickness estimation model 130. values (e.g. weights, intercept values) can be updated. By repeatedly performing the learning process, the result value of the cost function may gradually decrease, and when the result value of the cost function becomes minimum, the thickness estimation model 130 may be determined to be optimized. At that time, the weight and intercept values of the regression equation may be determined as the final learned weight and intercept values of the thickness estimation model 130.

도 2는 일 실시예에 따른 학습 방법의 동작들을 도시하는 흐름도이다. 일 실시예에 따른 학습 방법은 본 명세서에서 설명되는 학습 장치(예: 도 3의 학습 장치(300))에 의해 수행될 수 있다.Figure 2 is a flowchart showing operations of a learning method according to one embodiment. The learning method according to one embodiment may be performed by a learning device (eg, the learning device 300 of FIG. 3) described herein.

도 2를 참조하면, 단계(210)에서 학습 장치는 웨이퍼 기판의 실제 두께 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들을 결정할 수 있다. 예를 들어, 학습 장치는 도 1에서 설명한 샘플링 기반 물리적 프로세스 모델에 기초하여 학습 스펙트럼 데이터들을 결정할 수 있다. 학습 장치는 사전에 측정된 웨이퍼 기판의 전체 연마 영역에 대한 두께에 따른 스펙트럼 신호 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들을 결정할 수 있다. 학습 장치는 사전에 측정된 상기 두께에 따른 스펙트럼 신호 정보의 정규화 강도(normalized intensity)를 확률 변수로 나타낸 확률 밀도 함수에서 하나 이상의 정규화 데이터를 샘플링하는 것에 의해 학습 스펙트럼 데이터들을 결정할 수 있다. 학습 장치는 예를 들어 힐버트 포락선 기반 샘플링 방법, 기각 샘플링(rejection sampling) 및 마르코프 연쇄 몬테카를로 중 어느 하나의 샘플링 방법을 이용하여 하나 이상의 정규화 데이터를 샘플링할 수 있다. 학습 장치는 확률 밀도 함수를 통해, 실제로 측정되지 않은 임의의 두께에 대응하는 정규화 데이터를 생성할 수 있고, 이에 따라 측정되지 않은 영역에서도 샘플링 기법을 통해 특정 두께에 대한 학습 스펙트럼 데이터를 생성할 수 있게 된다.Referring to FIG. 2, in step 210, the learning device may determine learning spectrum data based on sampling data including actual thickness information of the wafer substrate. For example, the learning device may determine learning spectrum data based on the sampling-based physical process model described in FIG. 1. The learning device may determine learning spectrum data based on sampling data including spectral signal information according to the thickness of the entire polished area of the wafer substrate measured in advance. The learning device may determine learning spectrum data by sampling one or more normalized data from a probability density function representing the normalized intensity of the spectral signal information according to the previously measured thickness as a random variable. The learning device may sample one or more normalized data using any one of, for example, a Hilbert envelope-based sampling method, rejection sampling, and Markov chain Monte Carlo. The learning device can generate normalized data corresponding to an arbitrary thickness that has not actually been measured through a probability density function, and thus can generate learning spectrum data for a specific thickness through a sampling technique even in unmeasured areas. do.

일 실시예에서, 기각 샘플링은 쉽게 샘플들을 생성할 수 있는 q에서 샘플들을 생성한 뒤에 해당 샘플들의 분포가 p(관측 값의 확률 분포)를 따르도록 수정하는 기법으로, 이 때 쉽게 샘플을 생성할 수 있도록 임의로 설정한 q를 제안 분포라고 하고, 각 연마 대역마다 p의 분포가 다를 것이라 기대하게 된다. 제안 분포로는 균일 분포(uniform distribution) 또는 정규 분포(normal distribution) 등이 이용될 수 있으며, 바람직하게는 p와 비슷한 형태의 확률 분포가 이용될 수 있다. 기각 샘플링의 경우, 예를 들어 q에서 샘플 x를 생성한 후 균일 분포에서 u(샘플 x을 생성할 확률)를 생성하여 u가 확률 분포 함수의 특정한 A 영역에 존재하면 샘플 x을 기각(rejection)하고, 다른 B 영역에 존재한다면 샘플 x를 수용하여 샘플로서 이용할 수 있다. 이러한 과정을 통해 q에서 생성된 샘플들은 p를 따르게 된다. q에서 샘플을 생성하여 균일 분포의 범위 사이의 난수에 따라 샘플을 기각 또는 수용하는 과정을 반복하여 수행하면, 기각 샘플링을 통해 획득된 샘플들은 p에서 생성된 샘플처럼 보일 수 있다. 따라서, 전체 연마에 대한 물리적 프로세스 모델은 샘플링을 통해 얻은 샘플들로 구성될 수 있다.In one embodiment, rejection sampling is a technique of generating samples at q, where samples can be easily generated, and then modifying the distribution of the samples to follow p (probability distribution of observed values). In this case, samples can be easily generated. The arbitrarily set q is called the proposed distribution, and the distribution of p is expected to be different for each polishing band. A uniform distribution or normal distribution may be used as the proposed distribution, and preferably a probability distribution similar to p may be used. In the case of rejection sampling, for example, after generating a sample And, if it exists in another B area, sample x can be accepted and used as a sample. Through this process, samples generated from q follow p. If the process of generating a sample at q and rejecting or accepting the sample according to a random number within the range of the uniform distribution is repeatedly performed, the samples obtained through rejection sampling may look like the sample generated at p. Therefore, a physical process model for the entire polishing can be composed of samples obtained through sampling.

일 실시예에서, 마르코프 연쇄 몬테카를로 기법에서는, 샘플링 과정에서 먼저 샘플 공간에서 아무런 입력 값 i를 선택하는 랜덤 초기화(random initialization)가 수행된다. 다음으로 제안 분포로부터 샘플을 추천 받고, 추천된 샘플의 타겟 분포에의 높이가 이전에 제안된 샘플의 타겟 분포에서의 높이보다 낮으면 기각되고, 높으면 수용될 수 있다. 만약, 샘플의 제안이 수용되었다면 수용된 샘플 포인트를 중심으로 제안 분포가 그려지고, 해당 제안 분포를 통해 샘플이 또 추천될 수 있다.In one embodiment, in the Markov chain Monte Carlo technique, random initialization is first performed to select any input value i from the sample space during the sampling process. Next, a sample is recommended from the proposed distribution, and if the height of the target distribution of the recommended sample is lower than the height of the target distribution of the previously proposed sample, it is rejected, and if it is higher, it can be accepted. If the sample proposal is accepted, a proposal distribution is drawn centered on the accepted sample point, and the sample can be recommended again through the proposal distribution.

단계(220)에서, 학습 장치는 학습 스펙트럼 데이터들을 정규화하고, 2차원 사인 피팅한 데이터로부터 정규화 특성 값들을 획득할 수 있다. 정규화 특성 값은 예를 들어 정규화 강도, 오프셋, 진폭, 공간 주파수 및 위상 천이 값 중 적어도 하나를 포함할 수 있다.In step 220, the learning device may normalize the learning spectrum data and obtain normalized characteristic values from the two-dimensional sine-fitted data. The normalization characteristic value may include, for example, at least one of normalization intensity, offset, amplitude, spatial frequency, and phase shift value.

일 실시예에서, 학습 장치는 학습 스펙트럼 데이터를 힐버트 포락선으로 나누어 주는 정규화를 수행하고, 정규화가 수행된 학습 스펙트럼 데이터로부터 정규화 특성 값을 획득할 수 있다. 실시예에 따라, 학습 장치는 힐버트 포락선을 이용하는 정규화 방법 이외에 표준화 또는 최대최소 등을 이용한 정규화 방법을 수행할 수도 있으며, 실시예의 범위가 나열된 정규화 방법에 의해 제한되는 것은 아니다. 도 4를 참조하면, 일 실시예에 따른 학습 스펙트럼 데이터(410)와 정규화된 학습 스펙트럼 데이터(420)의 일례가 도시되어 있다. 학습 스펙트럼 데이터(410)와 정규화된 학습 스펙트럼 데이터(420)의 x축은 파장을 나타내고, y축은 웨이퍼 기판의 박막 두께를 나타낸다. 학습 스펙트럼 데이터(410)는 물리적 프로세스 모델에 해당하는 학습 스펙트럼 데이터 생성 모델의 수식으로 만든 인위적인 신호를 나타내고, 정규화된 학습 스펙트럼 데이터(420)는 학습 스펙트럼 데이터(410)를 정규화한 결과에 해당한다.In one embodiment, the learning device may perform normalization by dividing the learning spectrum data by the Hilbert envelope and obtain normalization characteristic values from the normalized learning spectrum data. Depending on the embodiment, the learning device may perform a normalization method using normalization or max/min, etc. in addition to the normalization method using the Hilbert envelope, and the scope of the embodiment is not limited by the listed normalization methods. Referring to FIG. 4, an example of learning spectrum data 410 and normalized learning spectrum data 420 according to one embodiment is shown. The x-axis of the learning spectrum data 410 and the normalized learning spectrum data 420 represents the wavelength, and the y-axis represents the thin film thickness of the wafer substrate. The learning spectrum data 410 represents an artificial signal created by the formula of the learning spectrum data generation model corresponding to the physical process model, and the normalized learning spectrum data 420 corresponds to the result of normalizing the learning spectrum data 410.

도 2로 돌아오면, 학습 장치는 정규화가 수행된 학습 스펙트럼 데이터를 파장을 나타내는 제1 축과 기판의 두께를 나타내는 제2 축에 대해 2차원 사인 피팅한 데이터로부터 정규화 특성 값들을 획득할 수 있다. 일 실시예에서, 학습 장치는 학습 스펙트럼 데이터를 기초로 힐버트 변환을 수행하고, 사인(sine) 신호에서의 힐버트 변환에서 힐버트 변환의 크기를 계산할 수 있다. 학습 스펙트럼 데이터를 힐버트 변환의 크기를 나눠 주면, 정규화된 학습 스펙트럼 데이터는 [-1 ~ 1]의 범위를 가지게 된다. 힐버트 포락선을 통해 잔여 추세(residual trends)(또는 오프셋)가 제거된 스펙트럼 함수에 이와 같은 사인 피팅 과정을 적용하면 정규화된 특성 값들을 추출하는 것이 가능해 진다. 도 5를 참조하면, 일 실시예에 따른 학습 스펙트럼 데이터에 대한 정규화 특성 값들의 일례가 도시되어 있다. 정규화 특성 값들은 예를 들어 각각의 학습 스펙트럼 데이터를 가리키는 인덱스(Index)(510)를 기준으로, 오프셋(offset)(520), 진폭(amplitude)(530), 공간 주파수(Spatial frequency)(540), 및 위상 천이(phaseshift)(550)의 값들을 포함할 수 있다. 이러한 정규화 특성 값들은 학습 스펙트럼 데이터를 사인 피팅 한 후에 얻어진 사인 신호의 파라미터들에 대응할 수 있다.Returning to FIG. 2, the learning device may obtain normalized characteristic values from data obtained by 2D sine fitting the normalized learning spectrum data to a first axis representing the wavelength and a second axis representing the thickness of the substrate. In one embodiment, the learning device may perform Hilbert transformation based on learning spectrum data and calculate the magnitude of the Hilbert transformation from the Hilbert transformation in a sine signal. If the learning spectrum data is divided by the magnitude of the Hilbert transform, the normalized learning spectrum data has a range of [-1 to 1]. By applying this sine fitting process to the spectral function from which residual trends (or offsets) have been removed through the Hilbert envelope, it becomes possible to extract normalized characteristic values. Referring to FIG. 5, an example of normalization characteristic values for learning spectrum data according to one embodiment is shown. Normalization characteristic values are, for example, based on the index 510 indicating each learning spectrum data, offset 520, amplitude 530, and spatial frequency 540. , and phase shift 550. These normalization characteristic values may correspond to the parameters of the sine signal obtained after sine fitting the learning spectrum data.

다시 도 2로 돌아오면, 단계(230)에서 학습 장치는 학습 스펙트럼 데이터들의 정규화 특성 값들에 기초하여 두께 추정 모델(예: 도 1의 두께 추정 모델(130))을 학습시킬 수 있다. 학습 장치는 정규화 특성 값들에 기초하여 두께 추정 모델의 파라미터들(예: 가중치, 절편 값)을 업데이트할 수 있다. 학습 장치는 정규화 특성 값을 두께 추정 모델의 입력 변수로 두어 비용 함수의 결과 값이 최소가 될 때까지 두께 추정 모델의 파라미터들을 최적화할 수 있다. 학습 장치는 각각의 학습 스펙트럼 데이터에 대해 위 설명된 학습 과정을 반복적으로 수행하여 두께 추정 모델에 대한 최적화된 파라미터 값들을 결정할 수 있다. 학습이 완료되면, 최적화된 파라미터 값들이 적용된 두께 추정 모델이 실제 웨이퍼 기판의 연마 과정에서 웨이퍼 기판의 두께(또는 박막 두께)를 추정하는데 이용될 수 있다.Returning to FIG. 2 , in step 230, the learning device may learn a thickness estimation model (eg, the thickness estimation model 130 of FIG. 1) based on the normalization characteristic values of the learning spectrum data. The learning device may update the parameters (eg, weight, intercept value) of the thickness estimation model based on the normalized characteristic values. The learning device can optimize the parameters of the thickness estimation model until the resulting value of the cost function is minimized by using the normalized characteristic value as an input variable of the thickness estimation model. The learning device may determine optimized parameter values for the thickness estimation model by repeatedly performing the learning process described above for each learning spectrum data. Once learning is completed, the thickness estimation model to which the optimized parameter values are applied can be used to estimate the thickness of the wafer substrate (or thin film thickness) during the actual polishing process of the wafer substrate.

어떤 실시예에서는, 학습 장치는 학습 스펙트럼 데이터들의 정규화 특성 값들 뿐만 아니라 연마 장치의 다른 센서(예: 온도 센서, 압력 센서, 가속도 센서)의 센서 데이터에 기초하여 두께 추정 모델을 학습시킬 수 있다. 이 때, 센서 데이터는 센서의 실제 센서 데이터가 아닌, 웨이퍼의 박막 두께에 대응하는 이론적인 센서 데이터일 수 있다. 두께 추정 모델에는 특정한 박막 두께에 대응하는 정규화 특성 값들과 해당 박막 두께에 대응하는 이론적인 센서 데이터가 입력되고, 학습 장치는 두께 추정 모델의 출력 값에 기초하여 두께 추정 모델을 학습시킬 수 있다.In some embodiments, the learning device may learn a thickness estimation model based on sensor data from other sensors of the polishing device (e.g., temperature sensor, pressure sensor, acceleration sensor) as well as normalized characteristic values of the learned spectral data. At this time, the sensor data may be theoretical sensor data corresponding to the thin film thickness of the wafer, rather than actual sensor data of the sensor. Normalized characteristic values corresponding to a specific thin film thickness and theoretical sensor data corresponding to the thin film thickness are input to the thickness estimation model, and the learning device can learn the thickness estimation model based on the output value of the thickness estimation model.

위와 같은 학습 과정은 기계 학습에서 차원의 감소 없이 소량의 정규화 학습 데이터 세트만으로도 학습 과정을 효과적으로 수행할 수 있기에 학습 비용이 적게 소요된다. 또한, 위 학습 과정은 실제 연마대에서의 전체 데이터가 아닌 일부의 샘플링 데이터만을 이용하여 학습 과정을 수행할 수 있으므로 학습에 소요되는 시간을 줄이면서 계산량을 줄일 수 있다. 또한, 위 학습 과정은 확률 밀도 함수 기반 샘플링 기법을 통해 실제 측정되지 않은 연마 대역에 대해서도 학습 스펙트럼 데이터를 생성할 수 있으므로, 높은 정확도를 가진 두께 추정 모델을 생성할 수 있게 된다.The above learning process requires a low learning cost because the learning process can be effectively performed with only a small amount of normalized learning data set without reducing the dimensionality in machine learning. In addition, the above learning process can be performed using only some sampling data rather than all data from the actual polishing table, so the amount of calculation can be reduced while reducing the time required for learning. In addition, the above learning process can generate learning spectrum data even for polishing bands that have not actually been measured through a probability density function-based sampling technique, making it possible to create a thickness estimation model with high accuracy.

도 3은 일 실시예에 따른 학습 장치의 구성을 도시하는 블록도이다.Figure 3 is a block diagram showing the configuration of a learning device according to an embodiment.

도 3을 참조하면, 학습 장치(300)는 프로세서(310) 및 메모리(320)를 포함할 수 있다. 어떤 실시예에서는, 학습 장치(300)에는 이들 구성요소들 중 적어도 하나가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 프로세서(310) 및 메모리(320)는 통신 버스(communication bus)를 통해 서로 통신할 수 있다. 학습 장치(300)는 본 명세서에서 설명되는 학습 장치에 대응할 수 있다.Referring to FIG. 3, the learning device 300 may include a processor 310 and a memory 320. In some embodiments, at least one of these components may be omitted or one or more other components may be added to the learning device 300. The processor 310 and memory 320 may communicate with each other through a communication bus. Learning device 300 may correspond to the learning device described herein.

메모리(320)는 프로세서(310)가 처리 동작을 수행하는데 필요한 정보를 저장한다. 예를 들어, 메모리(320)는 프로세서(310)에 의해 실행 가능한 명령들(instructions), 학습 스펙트럼 데이터, 및 정규화 특성 값들 등을 저장할 수 있다. 메모리(320)는 RAM, DRAM, SRAM과 같은 휘발성 메모리 및/또는 플래쉬 메모리와 같은 이 기술 분야에서 알려진 비휘발성 메모리를 포함할 수 있다.The memory 320 stores information necessary for the processor 310 to perform processing operations. For example, the memory 320 may store instructions executable by the processor 310, learning spectrum data, and normalization characteristic values. Memory 320 may include volatile memory such as RAM, DRAM, SRAM, and/or non-volatile memory known in the art such as flash memory.

저장 모듈(330)은 학습 스펙트럼 데이터 생성 모델(예: 도 1의 학습 스펙트럼 데이터 생성 모델(110), 두께 추정 모델(예: 도 1의 두께 추정 모델(130)) 등과 관련된 데이터를 저장할 수 있다. 저장 모듈(330)은 플래시 메모리 타입(flash memory type), 하드디스크 타입, SD 메모리, XD 메모리, 자기 메모리 및 자기 디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 어떤 실시예에서, 저장 모듈(330)은 학습 장치(300)에 포함될 수도 있고, 메모리(320)와 통합 구현될 수 있다.The storage module 330 may store data related to a learning spectrum data generation model (e.g., the learning spectrum data generation model 110 of FIG. 1), a thickness estimation model (e.g., the thickness estimation model 130 of FIG. 1), etc. The storage module 330 may include at least one type of storage medium among a flash memory type, hard disk type, SD memory, XD memory, magnetic memory, and magnetic disk. In some embodiments, storage The module 330 may be included in the learning device 300 and may be integrated with the memory 320.

프로세서(310)는 학습 장치(300)의 전체적인 동작을 제어할 수 있다. 프로세서(310)는 하나 또는 복수의 프로세서로 구성될 수 있고, 프로세서(310)는 CPU(central processing unit), AP(application processor), DSP(digital signal processor) 등과 같은 범용 프로세서, 또는 NPU(neural processing unit)을 포함할 수 있다.The processor 310 may control the overall operation of the learning device 300. The processor 310 may be comprised of one or more processors, and the processor 310 may be a general-purpose processor such as a central processing unit (CPU), an application processor (AP), a digital signal processor (DSP), or a neural processing unit (NPU). unit) may be included.

프로세서(310)는 메모리(320)에 저장된 명령들을 실행하여 본 명세서에서 설명되는 학습 장치(300)의 동작들을 수행하게 한다. 일 실시예에서, 메모리(320)에 저장된 프로세서(310)에 의해 실행 가능한 명령들은, 프로세서(310)로 하여금, 웨이퍼 기판의 실제 두께 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들을 결정하는 동작, 학습 스펙트럼 데이터들을 정규화하고, 2차원의 사인 피팅을 수행한 데이터로부터 정규화 특성 값들을 획득하는 동작, 학습 스펙트럼 데이터들의 정규화 특성 값들에 기초하여 두께 추정 모델을 학습(예: 두께 추정 모델의 학습 파라미터들을 업데이트)시키는 동작을 수행하도록 제어할 수 있다. 프로세서(310)는 사전에 측정된 웨이퍼 기판의 전체 연마 영역에 대한 두께에 따른 스펙트럼 신호 정보를 포함하는 샘플링 데이터에 기초하여 학습 스펙트럼 데이터들을 결정할 수 있다. 프로세서(310)는 사전에 측정된 상기 두께에 따른 스펙트럼 신호 정보의 정규화 강도를 확률 변수로 나타낸 확률 밀도 함수에서 하나 이상의 정규화 데이터를 샘플링하는 것에 의해 학습 스펙트럼 데이터들을 결정할 수 있다. 프로세서(310)는 예를 들어 힐버트 포락선 기반 샘플링 방법, 기각 샘플링 및 마르코프 연쇄 몬테카를로 중 어느 하나의 샘플링 방법을 이용하여 하나 이상의 정규화 데이터를 샘플링할 수 있다. 프로세서(310)는 확률 밀도 함수를 통해, 실제로 측정되지 않은 임의의 두께에 대응하는 정규화 데이터를 생성할 수 있고, 이에 따라 측정되지 않은 영역에서도 샘플링 기법을 통해 특정 두께에 대한 학습 스펙트럼 데이터를 생성할 수 있게 된다.The processor 310 executes instructions stored in the memory 320 to perform operations of the learning device 300 described in this specification. In one embodiment, instructions executable by the processor 310 stored in the memory 320 cause the processor 310 to determine learning spectrum data based on sampling data including actual thickness information of the wafer substrate. , Normalizing the learning spectrum data and obtaining normalization characteristic values from data on which two-dimensional sine fitting was performed, learning a thickness estimation model based on the normalization characteristic values of the learning spectrum data (e.g., learning parameters of the thickness estimation model You can control to perform an operation to update them. The processor 310 may determine learning spectrum data based on sampling data including spectral signal information according to the thickness of the entire polished area of the wafer substrate measured in advance. The processor 310 may determine learning spectrum data by sampling one or more normalized data from a probability density function representing the normalized intensity of the spectrum signal information according to the previously measured thickness as a random variable. The processor 310 may sample one or more normalized data using any one of, for example, a Hilbert envelope-based sampling method, rejection sampling, and Markov chain Monte Carlo. The processor 310 can generate normalized data corresponding to an arbitrary thickness that has not actually been measured through a probability density function, and thus generate learning spectrum data for a specific thickness through a sampling technique even in areas that have not been measured. It becomes possible.

또한, 프로세서(310)는 학습 스펙트럼 데이터를 힐버트 포락선으로 나누어 주는 정규화를 수행하는 동작, 및 정규화가 수행된 학습 스펙트럼 데이터를 2차원 사인 피팅한 데이터로부터 정규화 특성 값을 획득하는 동작을 수행할 수 있고, 정규화 특성 값은 예를 들어 정규화 강도, 오프셋, 진폭, 공간 주파수 및 위상 천이 값 중 적어도 하나를 포함할 수 있다. 프로세서(310)는 예를 들어 정규화가 수행된 학습 스펙트럼 데이터를 파장을 나타내는 제1 축과 기판의 두께를 나타내는 제2 축에 대해 2차원 사인 피팅하고, 2차원 사인 피팅한 데이터로부터 정규화 특성 값을 추출할 수 있다.In addition, the processor 310 may perform an operation of performing normalization by dividing the learning spectrum data by the Hilbert envelope, and an operation of obtaining normalization characteristic values from data obtained by two-dimensional sine fitting of the normalized learning spectrum data. , the normalization characteristic value may include, for example, at least one of normalization intensity, offset, amplitude, spatial frequency, and phase shift value. For example, the processor 310 performs a two-dimensional sine fit on the normalized learning spectrum data with respect to the first axis representing the wavelength and the second axis representing the thickness of the substrate, and creates a normalized characteristic value from the two-dimensional sine fitting data. It can be extracted.

도 6은 일 실시예에 따른 웨이퍼 기판의 연마 장치를 제어하는 제어 과정의 개요를 설명하기 위한 도면이다.FIG. 6 is a diagram illustrating an outline of a control process for controlling a wafer substrate polishing device according to an embodiment.

도 6을 참조하면, 제어 장치(예: 도 8의 제어 장치(800))는 웨이퍼 기판의 두께 추정을 위해 측정된 실제의 스펙트럼 데이터를 기초로 웨이퍼 기판의 두께를 추정하고, 추정된 두께에 기초하여 웨이퍼 기판의 연마 장치를 제어(650)할 수 있다.Referring to FIG. 6, the control device (e.g., the control device 800 of FIG. 8) estimates the thickness of the wafer substrate based on the actual spectrum data measured to estimate the thickness of the wafer substrate, and based on the estimated thickness Thus, the polishing device for the wafer substrate can be controlled (650).

분광 모니터링 장치(610)는 연마 장치에서 연마되고 있는 웨이퍼 기판의 두께(또는 박막 두께)를 측정하기 위한 스펙트럼 데이터를 실제 측정하여 제공할 수 있다. 측정된 스펙트럼 데이터는 웨이퍼 기판의 층의 두께에 대한 정보를 포함할 수 있다. 일 실시예에서, 분광 모니터링 장치(610)는 광원, 광 검출기 및 제어기를 포함할 수 있다. 광원으로부터 방사된 광은 연마 패드 상의 웨이퍼 기판에 반사되고, 웨이퍼 기판으로부터 반사된 광은 광 검출기에 의해 검출될 수 있다. 광 검출기는 분광계일 수 있다. 일 실시예에서, 웨이퍼 기판이 연마 패드 상에서 회전하면서 서로 다른 위치들에서의 스펙트럼 데이터들이 샘플링 주파수에 따라 연속적으로 측정될 수 있다. 제어기는 측정된 반사 광에 기초하여 시간에 따른 스펙트럼 데이터들을 생성할 수 있다. 최종적으로 분광 모니터링 장치(610)는 웨이퍼 기판의 두께 정보를 포함하는 측정된 스펙트럼 데이터들을 출력할 수 있다. The spectral monitoring device 610 may actually measure and provide spectral data for measuring the thickness (or thin film thickness) of the wafer substrate being polished in the polishing device. The measured spectral data may include information about the thickness of the layers of the wafer substrate. In one embodiment, spectral monitoring device 610 may include a light source, a light detector, and a controller. Light emitted from the light source is reflected by the wafer substrate on the polishing pad, and the light reflected from the wafer substrate can be detected by a light detector. The light detector may be a spectrometer. In one embodiment, spectral data at different locations may be measured continuously depending on the sampling frequency as the wafer substrate rotates on the polishing pad. The controller may generate time-dependent spectral data based on the measured reflected light. Finally, the spectral monitoring device 610 may output measured spectral data including thickness information of the wafer substrate.

제어 장치는 분광 모니터링 장치(610)로부터 획득된 스펙트럼 데이터에 대해 데이터 정규화(620)를 수행하여 여러 정규화 특성 값들을 추출할 수 있다. 정규화 특성 값들은 예를 들어 정규화 강도, 오프셋, 진폭, 공간 주파수 및 위상 천이 값 등을 포함할 수 있다. 일 실시예에서, 제어 장치는 측정된 스펙트럼 데이터들을 힐버트 포락선으로 나누어 주는 정규화를 수행하고, 정규화가 수행된 스펙트럼 데이터들을 2차원 사인 피팅한 데이터로부터 정규화 특성 값을 획득할 수 있다.The control device may perform data normalization 620 on the spectrum data acquired from the spectral monitoring device 610 to extract various normalization characteristic values. Normalization characteristic values may include, for example, normalization intensity, offset, amplitude, spatial frequency, and phase shift values. In one embodiment, the control device may perform normalization by dividing the measured spectrum data by a Hilbert envelope and obtain normalization characteristic values from data obtained by performing a two-dimensional sine fitting of the normalized spectrum data.

추출된 정규화 특성 값들은 두께 추정 모델(640)에 입력될 수 있다. 제어 장치는 두께 추정 모델(640)을 이용하여 웨이퍼 기판의 두께 추정 값을 결정할 수 있다. 일 실시예에서, 정규화 특성 값들은 두께 추정 모델(640)의 입력 노드들에 입력되고, 두께 추정 모델(640)의 하나 이상의 출력 노드로부터 웨이퍼 기판의 박막 두께에 대한 두께 추정 값이 출력될 수 있다. 어떤 실시예에서, 두께 추정 모델(640)에는 연마 장치의 다른 센서(630)(예: 온도 센서, 압력 센서, 가속도 센서)로부터 출력된 센서 데이터가 정규화 특성 값들과 함께 입력될 수도 있다. 두께 추정 모델(640)은 입력된 여러 데이터들에 기초하여 웨이퍼 기판의 두께를 추정하여 두께 추정 값을 출력할 수 있다.The extracted normalized characteristic values may be input to the thickness estimation model 640. The control device may determine an estimated thickness of the wafer substrate using the thickness estimation model 640. In one embodiment, normalized characteristic values are input to input nodes of the thickness estimation model 640, and a thickness estimate value for the thin film thickness of the wafer substrate may be output from one or more output nodes of the thickness estimation model 640. . In some embodiments, sensor data output from other sensors 630 (e.g., temperature sensor, pressure sensor, acceleration sensor) of the polishing device may be input to the thickness estimation model 640 along with normalized characteristic values. The thickness estimation model 640 may estimate the thickness of the wafer substrate based on various input data and output a thickness estimate value.

일 실시예에서, 두께 추정 모델(640)은 복수의 입력 노드들, 복수의 중간 노드들 및 하나 이상의 출력 노드를 포함하는 뉴럴 네트워크에 기반할 수 있다. 각각의 중간 노드는 각각의 입력 노드에 연결될 수 있고, 하나 이상의 출력 노드는 각각의 중간 노드에 연결될 수 있다. 어떤 실시예에서는 복수의 출력 노드들이 존재할 수 있다. 뉴럴 네트워크의 구조는 다양하게 변형될 수 있다. 일 실시예에서, 입력 노드들에는 정규화 특성 값들이 입력될 수 있다. 어떤 실시예에서는 다른 센서(630)로부터 출력된 센서 데이터가 입력 노드들에 추가적으로 입력될 수도 있다. 또는 어떤 실시예에서는, 입력 노드들에는 웨이퍼 기판을 연마하는데 이용되는 연마 파라미터, 캐리어 헤드 압력 및 플래튼 회전 속도 중 적어도 하나가 추가적으로 입력될 수도 있다.In one embodiment, the thickness estimation model 640 may be based on a neural network including a plurality of input nodes, a plurality of intermediate nodes, and one or more output nodes. Each intermediate node may be connected to each input node, and one or more output nodes may be connected to each intermediate node. In some embodiments, there may be multiple output nodes. The structure of a neural network can be modified in various ways. In one embodiment, normalized characteristic values may be input to input nodes. In some embodiments, sensor data output from other sensors 630 may be additionally input to input nodes. Alternatively, in some embodiments, at least one of polishing parameters used to polish the wafer substrate, carrier head pressure, and platen rotation speed may be additionally input to the input nodes.

제어 장치는 두께 추정 모델(440)로부터 출력된 웨이퍼 기판의 각 구역에 대한 두께 추정 값에 기초하여 연마 장치를 제어(450)(예: 박막 프로파일을 제어)할 수 있다. 제어 장치는 두께 추정 값에 기초하여 웨이퍼 기판의 연마 과정에서 나타난 불균일성을 감소시키기 위해 연마 장치의 처리 파라미터들을 조정하거나 또는 연마 종료 시점을 결정할 수 있다. 예를 들어, 제어 장치는 두께 추정 값에 기초하여 웨이퍼 기판에 대한 연마 종료점을 검출하거나, 연마를 중단하거나, 또는 웨이퍼 기판의 연마 과정에 적용되는 압력/회전 속도 등을 조정할 수 있다.The control device may control the polishing device 450 (e.g., control the thin film profile) based on the thickness estimate value for each region of the wafer substrate output from the thickness estimate model 440. Based on the thickness estimate value, the control device may adjust processing parameters of the polishing device to reduce non-uniformity that appears during the polishing process of the wafer substrate or may determine a polishing end point. For example, the control device may detect a polishing end point for the wafer substrate, stop polishing, or adjust the pressure/rotation speed, etc. applied in the polishing process of the wafer substrate, based on the thickness estimate value.

위와 같은 과정을 통해, 앞서 설명한 IDT로 인한 초기 박막 프로파일 제어에서의 어려움이 효과적으로 해소될 수 있다. 일련의 출력 특성 값들(두께 값)과 두께 추정 모델(640)을 통해 연마 과정 초기에 웨이퍼 기판의 박막 두께를 측정하여 박막 프로파일을 제어하는 것이 가능해 질 수 있기 때문이다.Through the above process, the difficulties in controlling the initial thin film profile due to IDT described above can be effectively resolved. This is because it may be possible to control the thin film profile by measuring the thin film thickness of the wafer substrate at the beginning of the polishing process through a series of output characteristic values (thickness values) and the thickness estimation model 640.

도 7은 일 실시예에 따른 제어 방법의 동작들을 도시하는 흐름도이다. 일 실시예에 따른 제어 방법은 본 명세서에서 설명되는 제어 장치(예: 도 8의 제어 장치(800))에 의해 수행될 수 있다.Figure 7 is a flowchart showing operations of a control method according to an embodiment. The control method according to one embodiment may be performed by a control device (eg, control device 800 of FIG. 8) described herein.

도 7을 참조하면, 단계(710)에서 제어 장치는 분광 모니터링 장치(예: 도 6의 분광 모니터링 장치(610))로부터 웨이퍼 기판의 두께에 대한 복수의 스펙트럼 데이터들을 수신할 수 있다. 분광 모니터링 장치는 연마 장치에서 연마되고 있는 웨이퍼 기판의 두께(또는 박막 두께)에 대한 정보를 포함하고 있는 복수의 스펙트럼 데이터들을 측정하여 제공할 수 있다. 측정된 스펙트럼 데이터는 웨이퍼 기판의 층의 두께에 대한 정보를 포함할 수 있다.Referring to FIG. 7, in step 710, the control device may receive a plurality of spectral data about the thickness of the wafer substrate from a spectral monitoring device (eg, the spectral monitoring device 610 of FIG. 6). The spectral monitoring device may measure and provide a plurality of spectral data containing information about the thickness (or thin film thickness) of the wafer substrate being polished in the polishing device. The measured spectral data may include information about the thickness of the layers of the wafer substrate.

단계(720)에서, 제어 장치는 스펙트럼 데이터들을 각각 정규화하여 정규화 특성 값을 획득할 수 있다. 정규화 특성 값은 예를 들어 정규화 강도, 오프셋, 진폭, 공간 주파수 및 위상 천이 값 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 제어 장치는 스펙트럼 데이터들을 힐버트 포락선으로 나누어 주는 정규화를 수행할 수 있다. 도 9를 참조하면, 일 실시예에 따른 측정된 스펙트럼 데이터(910)와 정규화된 스펙트럼 데이터(920)의 일례가 도시되어 있다. 측정된 스펙트럼 데이터(910)와 정규화된 스펙트럼 데이터(920)의 x축은 파장을 나타내고, y축은 웨이퍼 기판의 박막 두께를 나타낸다. 측정된 스펙트럼 데이터(910)는 분광 모니터링 장치에 의해 실제로 웨이퍼 기판에 대해 측정하여 획득된 스펙트럼 데이터를 나타내고, 정규화된 스펙트럼 데이터(420)는 측정된 스펙트럼 데이터(910)를 정규화한 결과에 해당한다.In step 720, the control device may obtain normalized characteristic values by normalizing each spectrum data. The normalization characteristic value may include, for example, at least one of normalization intensity, offset, amplitude, spatial frequency, and phase shift value. In one embodiment, the control device may perform normalization by dividing the spectral data by a Hilbert envelope. 9, an example of measured spectral data 910 and normalized spectral data 920 according to one embodiment is shown. The x-axis of the measured spectrum data 910 and the normalized spectrum data 920 represents the wavelength, and the y-axis represents the thin film thickness of the wafer substrate. The measured spectrum data 910 represents spectrum data obtained by actually measuring the wafer substrate by a spectral monitoring device, and the normalized spectrum data 420 corresponds to the result of normalizing the measured spectrum data 910.

도 7로 돌아오면, 제어 장치는 정규화가 수행된 스펙트럼 데이터들로부터 정규화 특성 값을 획득할 수 있다. 일 실시예에서, 제어 장치는 정규화가 수행된 스펙트럼 데이터들을 파장을 나타내는 제1 축과 기판의 두께를 나타내는 제2 축에 대해 2차원 사인 피팅한 데이터로부터 정규화 특성 값을 획득할 수 있다. 도 10을 참조하면, 일 실시예에 따른 측정된 스펙트럼 데이터에 대한 정규화 특성 값들의 일례가 도시되어 있다. 정규화 특성 값들은 예를 들어 각각의 측정된 스펙트럼 데이터를 가리키는 인덱스(Index)(1010)를 기준으로, 오프셋(offset)(1020), 진폭(amplitude)(1030), 공간 주파수(Spatial frequency)(1040), 및 위상 천이(phaseshift)(1050)의 값들을 포함할 수 있다. 이러한 정규화 특성 값들은 측정된 스펙트럼 데이터를 사인 피팅 한 후에 얻어진 사인 신호의 파라미터들에 대응할 수 있다.Returning to FIG. 7, the control device may obtain normalization characteristic values from the normalized spectrum data. In one embodiment, the control device may obtain normalized characteristic values from data obtained by 2D sine fitting the normalized spectrum data to a first axis representing the wavelength and a second axis representing the thickness of the substrate. Referring to FIG. 10, an example of normalization characteristic values for measured spectral data according to one embodiment is shown. Normalization characteristic values are, for example, based on the index (1010) indicating each measured spectrum data, offset (1020), amplitude (1030), spatial frequency (1040) ), and may include values of phase shift (1050). These normalization characteristic values may correspond to the parameters of a sine signal obtained after sine fitting the measured spectral data.

다시 도 7로 돌아오면,단계(730)에서 제어 장치는 스펙트럼 데이터의 정규화 특성 값을 입력으로 하는 학습된 두께 추정 모델(예: 도 6의 두께 추정 모델(640))을 이용하여 웨이퍼 기판의 두께 추정 값을 획득할 수 있다. 일 실시예에서, 두께 추정 모델은 정규화 특성 값들을 입력으로 하고, 입력된 정규화 특성 값들에 기초하여 웨이퍼 기판의 두께 추정 값을 출력하는 뉴럴 네트워크에 기반할 수 있다.Returning to FIG. 7, in step 730, the control device determines the thickness of the wafer substrate using a learned thickness estimation model (e.g., thickness estimation model 640 of FIG. 6) that inputs the normalization characteristic value of the spectral data. An estimated value can be obtained. In one embodiment, the thickness estimation model may be based on a neural network that inputs normalized characteristic values and outputs an estimated thickness of the wafer substrate based on the input normalized characteristic values.

단계(740)에서, 제어 장치는 획득한 두께 추정 값을 기반으로 웨이퍼 기판의 연마 장치의 동작을 제어할 수 있다. 예를 들어, 제어 장치는 두께 추정 값에 기초하여 웨이퍼 기판에 대한 연마를 종료 또는 중단시키거나, 또는 웨이퍼 기판의 연마 과정에 적용되는 압력/회전 속도 등을 조정할 수 있다. 일 실시예에서, 제어 장치는 두께 추정 모델을 통해 획득된 두께 추정 값에 기초하여 웨이퍼 기판의 연마 과정 초기에 박막 프로파일을 제어할 수 있다. 제어 장치는 박막 프로파일을 제어하는 동안 연마 종료점을 검출하고, 연마를 중단시키거나, 또는 연마 과정에 적용되는 압력을 조정할 수 있다.In step 740, the control device may control the operation of the wafer substrate polishing device based on the obtained thickness estimate value. For example, the control device may end or stop polishing of the wafer substrate based on the thickness estimate value, or adjust the pressure/rotation speed, etc. applied to the polishing process of the wafer substrate. In one embodiment, the control device may control the thin film profile at the beginning of the polishing process of the wafer substrate based on the thickness estimate value obtained through the thickness estimation model. The control device can detect the polishing endpoint, stop polishing, or adjust the pressure applied to the polishing process while controlling the thin film profile.

도 8은 일 실시예에 따른 제어 장치의 구성을 도시하는 블록도이다.Figure 8 is a block diagram showing the configuration of a control device according to an embodiment.

도 8을 참조하면, 제어 장치(800)는 프로세서(810) 및 메모리(820)를 포함할 수 있다. 어떤 실시예에서는, 제어 장치(800)에는 이들 구성요소들 중 적어도 하나가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 프로세서(810) 및 메모리(820)는 통신 버스를 통해 서로 통신할 수 있다. 제어 장치(800)는 본 명세서에서 설명되는 제어 장치에 대응할 수 있다.Referring to FIG. 8, the control device 800 may include a processor 810 and a memory 820. In some embodiments, at least one of these components may be omitted or one or more other components may be added to the control device 800. Processor 810 and memory 820 may communicate with each other through a communication bus. Control device 800 may correspond to the control device described herein.

메모리(820)는 프로세서(810)가 처리 동작을 수행하는데 필요한 정보를 저장한다. 예를 들어, 메모리(820)는 프로세서(810)에 의해 실행 가능한 명령들, 측정된 스펙트럼 데이터, 센서 데이터 등을 저장할 수 있다. 메모리(820)는 RAM, DRAM, SRAM과 같은 휘발성 메모리 및/또는 플래쉬 메모리와 같은 이 기술 분야에서 알려진 비휘발성 메모리를 포함할 수 있다.The memory 820 stores information necessary for the processor 810 to perform processing operations. For example, the memory 820 may store instructions executable by the processor 810, measured spectrum data, sensor data, etc. Memory 820 may include volatile memory such as RAM, DRAM, SRAM, and/or non-volatile memory known in the art such as flash memory.

저장 모듈(830)은 두께 추정 모델 및 연마 관련 파라미터와 관련된 데이터를 저장할 수 있다. 저장 모듈(830)은 플래시 메모리 타입, 하드디스크 타입, SD 메모리, XD 메모리, 자기 메모리 및 자기 디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 어떤 실시예에서, 저장 모듈(830)은 제어 장치(800)에 포함될 수도 있고, 메모리(820)와 통합 구현될 수 있다.The storage module 830 may store data related to the thickness estimation model and polishing-related parameters. The storage module 830 may include at least one type of storage medium selected from a flash memory type, hard disk type, SD memory, XD memory, magnetic memory, and magnetic disk. In some embodiments, the storage module 830 may be included in the control device 800 and may be integrated with the memory 820.

프로세서(810)는 제어 장치(800)의 전체적인 동작을 제어할 수 있다. 프로세서(810)는 하나 또는 복수의 프로세서로 구성될 수 있고, 프로세서(810)는 CPU, AP(application processor), DSP 등과 같은 범용 프로세서, 또는 NPU을 포함할 수 있다.The processor 810 may control the overall operation of the control device 800. The processor 810 may consist of one or more processors, and the processor 810 may include a general-purpose processor such as a CPU, an application processor (AP), a DSP, or an NPU.

프로세서(810)는 메모리(820)에 저장된 명령들을 실행하여 본 명세서에서 설명되는 제어 장치(800)의 동작들을 수행하게 한다. 일 실시예에서, 메모리(820)에 저장된 프로세서(810)에 의해 실행 가능한 명령들은, 프로세서(810)로 하여금, 분광 모니터링 장치(840)(예: 도 6의 분광 모니터링 장치(610))로부터 웨이퍼 기판의 두께에 대한 복수의 스펙트럼 데이터들을 수신하는 동작, 스펙트럼 데이터들을 각각 정규화하고 2차원 사인 피팅한 데이터로부터 정규화 특성 값(실제 측정된 웨이퍼 기판의 박막 두께에 대한 정규화 특성 값에 대응)을 획득하는 동작, 정규화 특성 값을 입력으로 하는 두께 추정 모델(예: 도 6의 두께 추정 모델(640))을 이용하여 웨이퍼 기판의 두께 추정 값을 획득하는 동작, 획득한 두께 추정 값을 기반으로 웨이퍼 기판의 연마 장치(860)의 동작을 제어하는 동작을 수행하도록 할 수 있다. 일 실시예에서, 프로세서(810)는 스펙트럼 데이터들을 힐버트 포락선으로 나누어 주는 정규화를 수행하고, 정규화가 수행된 스펙트럼 데이터들로부터 정규화 특성 값을 획득할 수 있다. 정규화 특성 값은 예를 들어 정규화 강도, 오프셋, 진폭, 공간 주파수 및 위상 천이 값 중 적어도 하나를 포함할 수 있다. 프로세서(810)는 예를 들어, 정규화가 수행된 스펙트럼 데이터들을 파장을 나타내는 제1 축과 기판의 두께를 나타내는 제2 축에 대해 2차원 사인 피팅한 데이터로부터 정규화 특성 값을 획득할 수 있다.The processor 810 executes instructions stored in the memory 820 to perform the operations of the control device 800 described in this specification. In one embodiment, instructions executable by processor 810 stored in memory 820 cause processor 810 to detect a wafer from spectral monitoring device 840 (e.g., spectral monitoring device 610 of FIG. 6). An operation of receiving a plurality of spectral data for the thickness of a substrate, normalizing each of the spectral data and obtaining normalized characteristic values (corresponding to normalized characteristic values for the actually measured thin film thickness of the wafer substrate) from the two-dimensional sine-fitted data. Operation: Obtaining the thickness estimation value of the wafer substrate using a thickness estimation model (e.g., the thickness estimation model 640 in FIG. 6) with the normalized characteristic value as input, calculating the thickness of the wafer substrate based on the obtained thickness estimation value. An operation to control the operation of the polishing device 860 can be performed. In one embodiment, the processor 810 may perform normalization by dividing the spectrum data by a Hilbert envelope and obtain normalization characteristic values from the normalized spectrum data. The normalization characteristic value may include, for example, at least one of normalization intensity, offset, amplitude, spatial frequency, and phase shift value. For example, the processor 810 may obtain normalized characteristic values from data obtained by 2D sine fitting the normalized spectrum data with respect to the first axis representing the wavelength and the second axis representing the thickness of the substrate.

프로세서(810)는 획득한 두께 추정 값에 기초하여 웨이퍼 기판의 연마 장치(860)의 동작을 제어할 수 있다. 예를 들어, 프로세서(810)는 두께 추정 값에 기초하여 웨이퍼 기판에 대한 연마를 종료 또는 중단시키거나, 또는 웨이퍼 기판의 연마 과정에 적용되는 압력/회전 속도 등을 조정할 수 있다.The processor 810 may control the operation of the wafer substrate polishing device 860 based on the obtained thickness estimate value. For example, the processor 810 may end or stop polishing the wafer substrate based on the thickness estimate value, or adjust the pressure/rotation speed applied to the wafer substrate polishing process.

도 11은 일 실시예에 따른 웨이퍼 기판에 대한 컨디셔닝 시스템의 블록도이다. 도 12는 일 실시예에 따른 연마 장치의 사시도이고, 도 13은 일 실시예에 따른 연마 장치의 평면도이다.Figure 11 is a block diagram of a conditioning system for a wafer substrate according to one embodiment. FIG. 12 is a perspective view of a polishing device according to an embodiment, and FIG. 13 is a top view of a polishing device according to an embodiment.

도 11, 도 12 및 도 13을 참조하면, 일 실시예에 따른 컨디셔닝 시스템(1)은 기계학습을 통해 제어 모델(M)을 최적화시키고, 최적화된 제어 모델(M)에 따라 컨디셔너(113)를 제어할 수 있다. 일 실시예에 따른 컨디셔닝 시스템(1)은 연마부(11), 센서부(12) 및 제어부(13)를 포함할 수 있다. 컨디셔닝 시스템(1)은 본 명세서에서 설명되는 연마 장치(예: 도 8의 연마 장치(860))에 대응할 수 있다.Referring to FIGS. 11, 12, and 13, the conditioning system 1 according to an embodiment optimizes the control model (M) through machine learning and operates the conditioner 113 according to the optimized control model (M). You can control it. The conditioning system 1 according to one embodiment may include a polishing unit 11, a sensor unit 12, and a control unit 13. Conditioning system 1 may correspond to a polishing device described herein (e.g., polishing device 860 in FIG. 8).

연마부(11)는 웨이퍼 기판(W)에 대한 연마 공정을 수행하는 기구일 수 있다. 웨이퍼 기판(W)에 대한 연마 공정은 웨이퍼 기판(W)을 직접 연마하는 공정 뿐만 아니라, 연마 패드를 컨디셔닝하거나, 기판(W) 위로 슬러리를 공급하는 공정까지 모두 포함하는 공정일 수 있다. 일 실시예에서, 연마부(11)는 캐리어 헤드(111), 연마정반(112), 컨디셔너(113) 및 슬러리 공급 장치(114)를 포함할 수 있다.The polishing unit 11 may be a device that performs a polishing process on the wafer substrate (W). The polishing process for the wafer substrate W may include not only a process of directly polishing the wafer substrate W, but also a process of conditioning a polishing pad or supplying slurry onto the substrate W. In one embodiment, the polishing unit 11 may include a carrier head 111, a polishing plate 112, a conditioner 113, and a slurry supply device 114.

일 실시예에서, 캐리어 헤드(111)는 웨이퍼 기판(W)을 파지할 수 있다. 캐리어 헤드(111)는 웨이퍼 기판(W)을 파지한 상태로 후술하는 연마패드(1122)에 가압함으로써, 웨이퍼 기판(W)를 연마할 수 있다. 캐리어 헤드(111)는 웨이퍼 기판(W)을 파지한 상태로 회전할 수 있다. 캐리어 헤드(111)는 웨이퍼 기판(W) 면에 수직한 축(예: z축)을 중심으로 회전할 수 있다. 캐리어 헤드(111)는 웨이퍼 기판(W) 면에 평행한 평면상에서 제1방향(예: x축 방향) 및 제1방향에 수직한 제2방향(예: y축 방향)으로 이동할 수 있다. 따라서, 웨이퍼 기판(W)은 캐리어 헤드(111)의 이동에 따라 연마패드(1122)의 상부에서 위치가 조절될 수 있다.In one embodiment, the carrier head 111 may hold the wafer substrate (W). The carrier head 111 can polish the wafer substrate W by pressing it against the polishing pad 1122, which will be described later, while holding the wafer substrate W. The carrier head 111 may rotate while holding the wafer substrate (W). The carrier head 111 may rotate about an axis (eg, z-axis) perpendicular to the surface of the wafer substrate (W). The carrier head 111 may move in a first direction (eg, x-axis direction) and a second direction (eg, y-axis direction) perpendicular to the first direction on a plane parallel to the surface of the wafer substrate (W). Accordingly, the position of the wafer substrate W can be adjusted on the upper part of the polishing pad 1122 according to the movement of the carrier head 111.

일 실시예에서, 연마정반(112)은 캐리어 헤드(111)에 파지된 웨이퍼 기판(W)과 접촉하여 웨이퍼 기판(W)을 연마할 수 있다. 연마정반(112)은 회전 테이블(1121) 및 연마패드(1122)를 포함할 수 있다.In one embodiment, the polishing plate 112 may contact the wafer substrate W held by the carrier head 111 to polish the wafer substrate W. The polishing plate 112 may include a rotation table 1121 and a polishing pad 1122.

일 실시예에서, 회전 테이블(1121)은 지면에 수직한 축(예: z축)을 중심으로 회전할 수 있다. 회전 테이블(1121)의 상부에는 연마패드(1122)가 구비될 수 있다. 연마패드(1122)는 표면에는 그루브(groove)가 형성될 수 있다. 연마패드(1122)는 웨이퍼 기판(W)보다 큰 면적을 가질 수 있다. 웨이퍼 기판(W)이 연마되는 과정에서, 웨이퍼 기판(W)은 연마패드(1122)의 국부 지점과 접촉될 수 있다.In one embodiment, the rotary table 1121 may rotate about an axis perpendicular to the ground (eg, z-axis). A polishing pad 1122 may be provided on the upper part of the rotary table 1121. The polishing pad 1122 may have a groove formed on its surface. The polishing pad 1122 may have a larger area than the wafer substrate (W). During the process of polishing the wafer substrate W, the wafer substrate W may be in contact with a local point of the polishing pad 1122.

일 실시예에서, 컨디셔너(113)는 연마패드(1122)의 표면을 컨디셔닝할 수 있다. 연마가 수행됨에 따라 연마패드(1122)의 표면이 마모될 수 있는데, 예를 들어, 연마패드(1122) 표면에 형성된 그루브가 평평해질 수 있다. 그루브의 마모는 웨이퍼 기판(W)의 연마 효율을 감소시키기 때문에, 컨디셔너(113)는 연마패드(1122)의 표면을 깎아내는 재생화 작업을 통해 연마패드(1122)의 표면이 충분한 거칠기를 가지도록 복구시킬 수 있다. 컨디셔너(113)는 연마패드(1122)에 접촉되는 컨디셔닝 패드와, 컨디셔닝 패드를 연마패드(1122)에 대해 회전시키는 컨디셔닝 헤드를 포함할 수 있다.In one embodiment, the conditioner 113 may condition the surface of the polishing pad 1122. As polishing is performed, the surface of the polishing pad 1122 may be worn. For example, the groove formed on the surface of the polishing pad 1122 may become flat. Since wear of the groove reduces the polishing efficiency of the wafer substrate (W), the conditioner 113 performs a regeneration operation to shave the surface of the polishing pad 1122 so that the surface of the polishing pad 1122 has sufficient roughness. It can be restored. The conditioner 113 may include a conditioning pad in contact with the polishing pad 1122 and a conditioning head that rotates the conditioning pad with respect to the polishing pad 1122 .

일 실시예에서, 슬러리 공급 장치(114)는 연마패드(1122)로 슬러리를 분사할 수 있다. 분사된 슬러리에 포함된 화학적 성분이 웨이퍼 기판(W)의 표면을 화학적으로 반응시켜 웨이퍼 기판(W)의 표면 부위를 화학적으로 연마하는 화학적 연마 공정이 수행될 수 있다.In one embodiment, the slurry supply device 114 may spray slurry onto the polishing pad 1122. A chemical polishing process may be performed in which the chemical components contained in the sprayed slurry chemically react with the surface of the wafer substrate (W) to chemically polish the surface portion of the wafer substrate (W).

센서부(12)는 연마패드(112)의 표면 상태를 측정할 수 있다. 예를 들어, 연마패드(1122)의 표면 상태는 연마패드(1122)의 프로파일일 수 있다. 예를 들어, 센서부(12)는 가속도 센서, 광학 센서, 압력 센서, 모터 토크 센서 및 전자기장 센서 중 적어도 어느 하나를 포함할 수 있다. 다만, 센서부(12)의 종류가 이에 한정되는 것은 아니다. 센서부(12)에서 측정되는 측정 데이터(SD)는 실시간으로 측정될 수 있다. 일 실시예에서, 센서부(12)는 웨이퍼 기판(W)의 박막 두께(또는 두께)의 측정을 위해 스펙트럼 데이터를 생성하는 분광 모니터링 장치를 포함할 수 있다.The sensor unit 12 can measure the surface condition of the polishing pad 112. For example, the surface state of the polishing pad 1122 may be the profile of the polishing pad 1122. For example, the sensor unit 12 may include at least one of an acceleration sensor, an optical sensor, a pressure sensor, a motor torque sensor, and an electromagnetic field sensor. However, the type of sensor unit 12 is not limited to this. Measurement data (SD) measured by the sensor unit 12 can be measured in real time. In one embodiment, the sensor unit 12 may include a spectral monitoring device that generates spectral data to measure the thin film thickness (or thickness) of the wafer substrate (W).

제어부(13)는 제어 모델(M)에 따라 컨디셔너(113)를 제어할 수 있다. 일 실시 예에서, 제어 모델(M)은 컨디셔너(113)에 가해지는 압력, 컨디셔너(113)의 회전속도 및 컨디셔너(113)와 연마패드(1122) 사이 접촉 시간 중 적어도 하나를 변수로 할 수 있다. 따라서, 제어부(13)는 컨디셔너(113)에 가해지는 압력, 컨디셔너(113)의 회전속도 및 컨디셔너(113)와 연마패드(1122) 사이 접촉 시간 중 적어도 하나를 제어할 수 있다. 일 실시예에서, 제어부(13)의 동작은 본 명세서에서 설명되는 제어 장치(예: 도 8의 제어 장치(800))에 의해 수행될 수 있다.The control unit 13 may control the conditioner 113 according to the control model (M). In one embodiment, the control model M may have at least one of the pressure applied to the conditioner 113, the rotational speed of the conditioner 113, and the contact time between the conditioner 113 and the polishing pad 1122 as a variable. . Accordingly, the control unit 13 can control at least one of the pressure applied to the conditioner 113, the rotational speed of the conditioner 113, and the contact time between the conditioner 113 and the polishing pad 1122. In one embodiment, the operation of the control unit 13 may be performed by a control device described herein (eg, the control device 800 of FIG. 8).

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes optical media (magneto-optical media) and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device. Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described with limited drawings as described above, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order than the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form than the described method, or other components are used. Alternatively, appropriate results may be achieved even if substituted or substituted by an equivalent.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims also fall within the scope of the following claims.

Claims

In terms of learning methods,
determining learning spectrum data based on sampling data including actual thickness information of the wafer substrate;
Normalizing the learning spectrum data and obtaining normalized characteristic values from the two-dimensional sine fitting data; and
Updating parameters of a thickness estimation model based on the normalized characteristic values of the learning spectral data.
Learning methods including.

According to paragraph 1,
The step of determining the learning spectrum data is,
Determining learning spectrum data based on the sampling data including spectral signal information according to the thickness of the entire polished area of the wafer substrate measured in advance.
Learning methods including.

According to paragraph 2,
The step of determining the learning spectrum data is,
Determining the learning spectral data by sampling one or more normalized data from a probability density function representing the normalized intensity of the spectral signal information according to the previously measured thickness as a random variable.
Learning methods including.

According to paragraph 3,
The step of determining the learning spectrum data is,
Sampling the one or more normalized data using any one of rejection sampling and Markov chain Monte Carlo sampling method.
Learning methods including.

According to paragraph 1,
The step of obtaining the normalized characteristic value is,
performing normalization by dividing the learning spectrum data by a Hilbert envelope; and
Step of fitting the two-dimensional sine to the normalized learning spectrum data.
Learning methods including.

According to clause 5,
The step of fitting the two-dimensional sign is,
Two-dimensional sine fitting the normalized learning spectrum data with respect to a first axis representing the wavelength and a second axis representing the thickness of the substrate.
Learning methods including.

According to paragraph 1,
The normalized characteristic value is,
Containing at least one of normalized intensity, offset, amplitude, spatial frequency, and phase shift values,
How to learn.

In the learning device,
processor; and
Includes a memory that stores instructions executable by the processor,
The executable instructions cause the processor to:
An operation of determining learning spectrum data based on sampling data including actual thickness information of the wafer substrate;
Normalizing the learning spectrum data and obtaining normalized characteristic values from the two-dimensional sine-fitted data; and
An operation of updating parameters of a thickness estimation model based on the normalized characteristic values of the learning spectral data.
A learning device that performs a plurality of operations including.

According to clause 8,
The operation of determining the learning spectrum data is,
An operation of determining learning spectrum data based on the sampling data including spectral signal information according to the thickness of the entire polished area of the wafer substrate measured in advance.
A learning device comprising:

According to clause 9,
The operation of determining the learning spectrum data is,
An operation of determining the learning spectral data by sampling one or more normalized data from a probability density function representing the normalized intensity of the spectral signal information according to the previously measured thickness as a random variable.
A learning device comprising:

According to clause 10,
The step of determining the learning spectrum data is,
An operation of sampling the one or more normalized data using any one of rejection sampling and Markov chain Monte Carlo sampling methods.
A learning device comprising:

According to clause 8,
The operation of obtaining the normalized characteristic value is,
An operation of performing normalization by dividing the learning spectrum data by a Hilbert envelope; and
An operation of fitting the two-dimensional sine-fitting learning spectrum data on which the normalization was performed.
A learning device comprising:

According to clause 12,
The two-dimensional sine fitting operation is,
An operation of two-dimensional sine fitting the normalized learned spectrum data with respect to a first axis representing the wavelength and a second axis representing the thickness of the substrate.
A learning device comprising:

According to clause 8,
The normalized characteristic value is,
Containing at least one of normalized intensity, offset, amplitude, spatial frequency, and phase shift values,
Learning device.