TW202300279A

TW202300279A - 利用基於機器學習的熱影像處理監控化學機械性研磨製程

Info

Publication number: TW202300279A
Application number: TW111116435A
Authority: TW
Inventors: 湯瑪士Ｈ歐斯特海德; 班傑明傑瑞安
Original assignee: 美商應用材料股份有限公司
Priority date: 2021-04-30
Filing date: 2022-04-29
Publication date: 2023-01-01
Also published as: US20220347813A1; WO2022232290A1; CN115884848A; EP4329981A1; JP2023540839A; KR20230028472A

Abstract

一種化學機械性研磨設備，包括具有頂表面以固持研磨墊的平臺、用以在研磨製程期間抵著該研磨墊的研磨表面固持基板的承載頭、包括經定位在該平臺上方的無接觸熱成像攝影機以具有該平臺上該研磨墊之一部分的視野的溫度監控系統、及控制器。該控制器經配置以從該溫度監控系統接收熱影像，將該熱影像輸入至由訓練範例所訓練以決定針對下列之一或更多者的指示的機器學習模型中：1)製程偏差的存在，2)基板狀態，或3)針對該製程偏差的判斷，以及從該機器學習模型接收該指示。

Description

利用基於機器學習的熱影像處理監控化學機械性研磨製程

本揭示案關於化學機械性研磨（CMP），且更特定地關於監控來偵測製程漂移或製程異常。

常見藉由連續沉積導電層、半導電層、或絕緣層在矽晶圓上來形成積體電路在基板上。可能需要將基板表面平面化，來移除填補層、或針對積體電路製造期間的光刻技術來改善平面性。

化學機械性研磨（CMP）是一種被接受的平面化方法。此種平面化方法常見需要基板被安裝在承載頭或研磨頭上。基板的露出表面常見被抵著旋轉的研磨墊置放。承載頭提供在基板上的可控制負載以將其抵著研磨墊推。常見供應有研磨性的研磨漿至研磨墊的表面。

在研磨期間能利用各種原位監控系統（例如光學或渦流監控系統）來量測基板層的厚度。也有人提出利用紅外線攝影機進行基板的熱成像（thermal imaging）。

作為平行的問題，像是圖形處理單元（GPU）及張量處理單元（TPU）之硬體資源上的進展以導致在深度學習演算法及其應用中的大幅改善。深度學習之演進中領域之一是電腦視覺及影像辨識。此類電腦視覺演算法大部分經設計用於影像分類或分區。

在一態樣中，一種化學機械性研磨設備包括具有一頂表面以固持一研磨墊的一平臺、用以在研磨製程期間抵著該研磨墊的一研磨表面固持一基板的一承載頭、包括經定位在該平臺上方的一無接觸熱成像攝影機以具有該平臺上該研磨墊之一部分的視野的一溫度監控系統、及一控制器。該控制器經配置以從該溫度監控系統接收熱影像，將該熱影像輸入至由訓練範例所訓練以決定針對下列之一或更多者的指示的機器學習模型中：1)製程偏差的存在，2)基板狀態，或3)針對該製程偏差的判斷，以及從該機器學習模型接收該指示。

實施方式能包括（但不限於）以下潛在優點中之一或更多者。能以低成本監控跨於研磨墊的製程差異。可以比原位基板監控系統更直接的做法來偵測製程差異，因此對製程差異的偵測能更可靠。此能改善研磨製程的可預測性及改善晶圓內的一致性。

能將一低成本紅外線（IR）攝影機圍繞平行於該研磨表面的一軸安裝在該墊上方，以在製程期間以指定時間區間來拍下墊的熱影像。此可允許收集大量（例如數百個）研磨的熱影像。藉由利用該等熱影像作為給一機器學習程序的輸入，能更佳地了解製程異常。

所述作法能被用以重建構所收集的影像並訓練一模型基於輸入影像以輸出晶圓的狀態。此能促進訓練更複雜的模型來了解致使研磨製程中之偏差的物理異常。例如，藉由利用所收集影像作為輸入，所述作法能監控晶圓均勻度的漂移、平臺硬體可能有的問題、墊的調節、固定環可能有的問題、頭部壓力的變異、及處理期間的其他問題。

計量系統中的深度學習能具有高推論速度且仍能達成對製程問題及漂移的高解析度監控。其致使計量系統能為針對記憶體應用的快速且低成本的計量前及計量後量測結果工具，對製程硬體效能而言有減少的問題。

一或更多實施例的細節經闡述於隨附圖式及以下的說明內容中。從說明書及圖式、以及從申請專利範圍，將顯見其他特徵、對象、及優點。

在化學機械性研磨期間，各式各樣的問題能導致與所期望的製程的偏離（「偏差」）。例如，研磨速率可能偏離期望速率，或者可能發生非一致的研磨速率。儘管利用原位基板監控系統（例如光學或渦流監控系統）能偵測研磨速率上的變異，此種系統不能提供製程偏差的預警或提供足夠資訊來識別出偏差的根本原因。

然而，研磨墊的熱成像能被使用來偵測及可能識別出製程偏差。研磨製程期間，由於基板表面及研磨墊之間的摩擦導致大量的熱生成。若墊的溫度表現不如預期，此可能表示有製程偏差及底下的問題。能將紅外線攝影機定位在研磨墊上方（例如緊接在承載頭的「下游」）來收集研磨墊的熱影像。藉由利用所收集的研磨墊的該等熱影像作為給一機器學習程序的輸入，能偵測製程偏差。此外，能利用該等熱影像來識別或監控跨於基板在研磨速率上的漂移，及/或平臺硬體、墊的調節、固定環、或承載頭壓力可能有的問題。

第1A圖及第1B圖描繪一化學機械性研磨系統的研磨站20的範例。研磨站20包括一可旋轉的碟形平臺24，一研磨墊30位於其上。平臺24是可操作的以圍繞一軸25旋轉。例如，一馬達22能將一驅動桿28轉向以旋轉平臺24（箭頭C）。研磨墊30能為具有一外研磨層34及一較軟的背襯層32的兩層研磨墊。

研磨站20能包括一供應埠（例如位於一磨漿供應臂39的末端）來分配一研磨液體38（像是研磨性的磨漿）至研磨墊30上。一承載頭70可操作以抵著研磨墊30固持一基板10。承載頭70從一支撐結構72（例如轉盤或軌道）被懸吊，且承載頭70被一驅動桿74連接至一承載頭旋轉馬達76使得該承載頭能圍繞一軸71旋轉（箭頭D）。可選地，承載頭70能橫向地振盪，例如在轉盤上的滑塊上、就由沿軌道的移動、或藉由轉盤本身的旋轉式振盪。

承載頭70能包括一固定環84來固持基板。在一些實施方式中，固定環84可包括一塑膠的下部86及具有較硬材質的一上部88，該下部接觸該研磨墊。

操作中，該平臺被圍繞其中心軸25旋轉，而該承載頭被圍繞其中心軸71旋轉且跨於研磨墊30之頂表面橫向地平移。

承載頭70能包括一有彈性的薄膜80，其具有一基板安裝表面以接觸基板10的背側，及用以施加不同壓力至基板10上的不同區域（例如不同徑向區域）的複數個可加壓腔室82。該承載頭也能包括一固定環84來固持該基板。

研磨系統20也包括一溫度控制系統100來控制研磨墊30及/或研磨墊上的磨漿38的溫度。溫度控制系統100能包括一冷卻系統102及/或一加熱系統104。在一些實施方式中冷卻系統102及加熱系統104中一者或兩者的操作是藉由傳遞一溫控介質（例如液體、蒸氣或噴霧）到研磨墊30的研磨表面36上（或到已經出現在研磨墊上的一研磨液體上）。例如，能從一臂110懸吊多個噴嘴120以分配（例如噴灑）該溫控介質。替代地，冷卻系統102及加熱系統104中至少一者（而在某些實施方式中是兩者）的操作是藉由利用接觸該研磨墊的一經溫度控制的平盤，來藉由傳導修正研磨墊的溫度。例如，加熱系統104能利用一熱平盤（例如有阻抗式加熱的平盤或具有攜帶一加熱液體的通道的平盤）。例如，冷卻系統102能使用一平盤（例如熱電式平盤或具有攜帶一冷卻劑液體的通道的平盤）。作為另一替代方式，溫度控制系統100能包括一加熱器（例如電阻式加熱器）嵌入在平臺24中，或一溫度控制流體能流經平臺24中的導管。

儘管第1B圖描繪用於各子系統（例如加熱系統102、冷卻系統104、及沖洗系統）的分開的臂，各不同子系統能被包括在由一共用臂支撐的單一組合件中。例如，一組合件能包括冷卻模組、沖洗模組、加熱模組、磨漿傳遞模組、可選地還有刮刀模組。

參看第1A圖及第1B圖，研磨站20具有一溫度監控系統150。溫度監控系統100包括定位在研磨墊30上方的一IR攝影機180。IR攝影機180具有對研磨墊30之一部分190的一視野195。在一些實施方式中，例如如第1A圖中所示，IR攝影機180為可移動的以改變正監控的墊的部分。例如，IR攝影機180能為一致動器162可旋轉的（由箭頭160所示）或可橫向移動的（由箭頭165所示），藉以跨於研磨墊30的不同部分掃過視野195。替代地，IR攝影機180能被固定就位，但具有足夠寬的視野195（例如第1B圖中所示）以涵蓋感興趣的範圍，例如從研磨墊的旋轉軸徑向延伸到墊邊緣的區域。IR攝影機180及其視野195能為緊接在承載頭70（即進一步沿著平臺24及研磨墊30的旋轉方向(箭頭C)）的「下游」。尤其，視野195在承載頭70與溫度控制系統100的（一或多個）臂之間。

一控制器90能經配置以從攝影機180接收影像並操作致動器來控制正監控的部分190的位置。

第2圖描繪利用由機器學習技術所生成之演算法的影像處理的方法200，供用於偵測製程偏差。

在基板處理期間的多個時間點，研磨墊的區域的熱影像從IR攝影機被收集。若IR攝影機跨於研磨墊移動，則可選地該控制器能拼接多個個別的影像成為單一個二維熱影像，不過若IR攝影機有足夠寬的視野以涵蓋感興趣的範圍，則不一定需要拼接。

可選地，控制器能對所收集的影像應用維度縮減（步驟204）。該影像或經維度縮減的影像被輸入至機器學習技術所生成的一演算法（例如神經網路）（步驟206）。依照該演算法如何經訓練而定，其能輸出以下之一或更多者：1)對製程偏差的存在/不存在的指示，2)對基板狀態的指示，或3)針對該製程偏差的判斷。

該演算法（例如神經網路）能被訓練以基於熱影像的輸入來輸出一指示或判斷。該演算法能例如利用藉一訓練資料集之反向傳播的訓練模式來被訓練。該訓練資料集包括訓練熱影像及訓練值，各訓練熱影像具有一相關聯的訓練值。在一些實施方式中，該演算法使用的訓練資料集具有來自研磨一測試基板期間的多個不同時間點該研磨墊的熱影像。在一些實施方式中，該等訓練值為僅兩種狀態之中的一者，例如「正常」或「異常」。在一些實施方式中，該等訓練值為僅三種狀態中之一者。

在一些實施方式中，該等訓練值指示出製程偏差的存在或不存在，例如「異常」或「正常」。該演算法能因此被訓練以基於一輸入熱影像來輸出「正常」或「不正常/異常」指示。此將允許該演算法輸出製程偏差的存在或不存在。

在一些實施方式中，該等訓練值指示出晶圓狀態，例如「均勻」、「研磨過度」、或「研磨不足」。該演算法能因此經訓練以基於一輸入熱影像來輸出「均勻」、「研磨過度」、或「研磨不足」指示。此將允許該演算法輸出期望的晶圓狀態。

在一些實施方式中，該等訓練值指示出偏差的肇因，例如「正常」、「固定環磨損」、「平臺旋轉過慢」、「承載頭腔室處於錯誤壓力」、等等。該演算法能因此經訓練以基於一輸入熱影像來輸出「正常」、「固定環磨損」、「平臺旋轉過慢」、「承載頭腔室處於錯誤壓力」、等等指示。此將允許該演算法產生指示出偏差的原因的輸出。

在一些實施方式中，經量測的影像以叢集（cluster）被分組。經縮減的影像或叢集被演算法所分析，且關聯於製程偏差、製程偏差的肇因、或基板的狀態。基於深度學習的演算法（例如神經網路）被利用訓練資料集所訓練。該訓練資料集包括具有對應於研磨墊之中心的熱量測結果的影像，該等熱量測結果來自乾式計量工具並經標記有在訓練該模型的同時的不同時間戳記。例如，該模型可在所收集的約50,000個影像上被訓練，該等影像有廣大範圍的狀態或異常。

第3圖描繪一神經網路320，其經使用作為用於研磨設備100的控制器90的部分。神經網路320能為經開發用於來自研磨墊之輸入熱影像之迴歸分析的一深度神經網路，以生成一模型來預測製程漂移。

神經網路320包括複數個輸入節點322。神經網路320能包括針對各顏色通道的一輸入節點、複數個隱藏節點324（以下也稱為「中間節點」）、及一輸出節點326，各顏色通道關聯於輸入彩色影像的每個像素，輸出節點326將生成製程量測值。在具有單一層隱藏節點的神經網路中，各隱藏節點324能耦接至各輸入節點322，而輸出節點326能耦接至各隱藏節點320。然而，作為實際的問題，用於影像處理的神經網路可能有許多層隱藏節點324。

一般而言，隱藏節點324輸出一值，該值是來自輸入節點322或隱藏節點324經連接所至之先前隱藏節點層的數值的加權總和的非線性函數。

例如，第一層的隱藏節點324（標記為節點k）的輸出能被表示成： tanh(0.5∗𝑎𝑘1(I1)+𝑎𝑘2(I2)+ … + 𝑎𝑘M(IM)+𝑏𝑘) 等式 1 其中tanh是雙曲正切函數，akx是用於第k個中間節點與第x個輸入節點（在M個輸入節點之中）之間的連接的權重，而IM是第M個輸入節點處的值。然而，能使用其他非線性函數而非tanh，像是校正線性單元（ReLU）函數及其變化型。

神經網路320因此包括用於關聯於輸入熱影像之各像素的各顏色通道的一輸入節點322，例如當有J個像素及K個顏色通道時，則L=J*K是在一輸入彩色影像中的強度值的個數，而神經網路320將包括至少輸入節點N1、N2、…、NL。

因此，在輸入節點的個數對應至彩色影像中的強度值的個數之時，隱藏節點324（標記成節點k）的輸出Hk能被表示成： Hk = tanh (0.5∗𝑎𝑘1(I1)+𝑎𝑘2(I2)+ … + 𝑎𝑘L(IL)+𝑏𝑘)

假設經量測的熱影像S由一個行（column）矩陣 (i1, i2, …, iL)表示，中間節點324（標記成節點k）的輸出能被表示成： Hk=tanh (0.5∗𝑎𝑘1(V1∙𝑺)+𝑎𝑘2(V2∙𝑺)+ … + 𝑎𝑘L(VL∙𝑺)+𝑏𝑘) 等式 2 其中V是權重的值 (v1, v2, …, vL)，其中Vx是用於來自該彩色影像的L個強度值之中的第x個強度值的權重。

輸出節點326能生成一指示值CV，其為隱藏節點的輸出的加權總和。例如，此能被表示成 CV = C1*H1+ C2*H2 + … + CL*HL 其中Ck是用於第k個隱藏節點的輸出的權重。

指示值與針對該些指示值之文字說明之間的對應關係能被儲存在一查找表中。

然而，神經網路320可選擇地包括一或更多個其他輸入節點（例如節點322a）以接收其他資料。此種其他資料可以來自原位監控系統對該研磨墊的先前量測結果，例如收集自稍早的製程的像素強度值（例如收集自處理另一基板之期間的像素強度值），來自研磨系統中的另一感測器（例如溫度感測器對墊或基板的溫度的量測結果），來自被利用來控制研磨系統的控制器所儲存的研磨配方（例如像是被用以研磨基板的承載頭壓力或平臺旋轉速率之研磨參數），來自控制器所追蹤的變數（例如自該墊被改變以來的基板個數）、或來自不屬於研磨系統的一感測器（例如由計量站對底下薄膜之厚度的量測結果）。此允許神經網路320在對該指示做判斷中考慮其他處理或環境變數，例如偏差的肇因。

輸出節點326處產生的製程異常指示能被饋入至一製程控制模組330。基於該異常指示，該製程控制模組能調整製程參數，例如承載頭壓力、平臺旋轉速率、等等。該調整能針對將在該基板或一後續基板上進行的研磨製程來進行。

針對訓練，在神經網路320以訓練模式（像是反向傳播模式）操作的同時，來自熱影像的數值（v1、v2、 …、vL）被饋入至相應的輸入節點N1、N2、…、NL，同時表示出該指示的一特徵值CV被饋入至輸出節點326。可針對每列重複。此程序設定上面的等式1或2中的ak1、等等的數值。

該系統現在可以用於操作。利用產線中（in-line）監控系統160或IR攝影機量測自研磨墊的熱影像。經量測的熱影像能藉由一行矩陣S=(i1, i2, …, iL)來表示，其中ij表示出自L個強度值中的第j個強度值處的強度值，而當影像包括共n個像素且各像素包括三個顏色通道時L=3n。

在神經網路320被使用在推論模式中時，這些數值（S1、S2、…、SL）被饋入作為給相應輸入節點N1、 N2、… NL的輸入。結果，神經網路320於輸出節點326處產生一特徵值，例如表示出製程異常的存在或不存在。

神經網路320的架構能在深度與廣度上有所差異。例如，儘管神經網路320經顯示成具有單一行的中間節點324，其可能包括有多個行。中間節點324的個數可能等於或大於輸入節點322的個數。

上述的研磨設備及方法能被應用在各式各樣研磨系統中。研磨墊、抑或承載頭、或以上兩者能移動以在研磨表面與基板之間提供相對運動。例如，平臺可繞軌道運行而非旋轉。研磨墊能為固定至平臺的圓形（或某種其他形狀）的墊。研磨層能為一標準（例如，有或沒有填充劑的聚氨酯）研磨材料、軟性材料、或固定研磨性材料。

相對定位的用語被用以標註系統內或基板內的相對定位；應理解在研磨操作期間能以垂直定向或一些其他定向來固持研磨表面與基板。

控制器90的功能性操作能利用一或更多電腦程式產品來實施，即有形地具體化在非暫態機器可讀取儲存媒體中的一或更多個電腦程式，以供由資料處理設備執行或供控制其操作，該資料處理設備例如可程式化處理器、電腦、或多個處理器或電腦。

已經說明了數個實施方式。然而，將理解可在沒有背離本發明之精神及範疇下做出各種修改。因此，其他實施方式在以下請求項的範疇內。

已有在小晶粒ILD0測試圖案的基板上訓練及驗證各種深度模型架構，其目標為降低量測中的錯誤。將底下層的特性納入考量的模型有較低的錯誤。此外，初步工具對工具匹配驗證的進行是藉由將一個工具上所收集的資料使用於在來自其他工具的資料上的推論以訓練該模型。結果是可以與藉由來自相同工具的資料以進行訓練及推論相比較的。

一般而言，資料能被用來控制CMP設備的一或更多個操作參數。操作性參數包括（例如）平臺旋轉速度、基板旋轉速度、基板的研磨路徑、跨於平盤的基板速度、施加在基板上的壓力、磨漿組成、磨漿流率、及基板表面處的溫度。能即時控制且能自動調整操作性參數，而沒有進一步人力介入的需要。

如在本說明書中所用的，基板一詞能包括（例如）產品基板（例如其包括多個記憶體或處理器晶粒）、測試基板、裸基板、及閘控基板。基板能位於積體電路製造之各種階段處，例如該基板能是裸晶圓，或者其能包括一或更多沉積及/或圖案層。基板一詞能包括圓形的盤碟及矩形的板片。

然而，上述的彩色影像處理技術在3D垂直NAND（VNAND）快閃記憶體的情境中尤其有用。特定言之，在VNAND之製造中使用的層堆疊如此複雜，使得現今的計量方法（例如Nova頻譜分析）可能無法在偵測具有不當厚度之區域上有足夠的可信賴度。相反地，彩色影像處理技術能在此應用上具有卓越的可信賴度。

本發明之實施例及本說明書中所述的全部功能性操作能被實施在數位電子電路系統中，或實施在電腦軟體、韌體、或硬體中（包括本說明書中揭示的結構性構件及其結構性均等者），或以上之組合。本發明之實施例能經實施成一或更多個電腦程式產品，即有形地具體化在非暫態機器可讀取儲存媒體中的一或更多個電腦程式，以供由資料處理設備執行或供控制其操作，該資料處理設備例如可程式化處理器、電腦、或多個處理器或電腦。

相對定位的用語被用以標註系統之組件相對於彼此的定位，而非必然相對於重力；應理解能以垂直定向或一些其他定向來固持研磨表面與基板。

已經說明了數個實施方式。然而，將理解可做出各種修改。因此，其他實施方式在請求項的範疇內。

10:基板 20:研磨站 22:馬達 24:平臺 25:軸 28:驅動桿 30:研磨墊 32:背襯層 34:外研磨層 36:研磨表面 38:磨漿 39:磨漿供應臂 70:承載頭 71:中心軸 72:支撐結構 74:驅動桿 76:承載頭旋轉馬達 80:有彈性的薄膜 82:可加壓腔室 84:固定環 86:下部 88:上部 90:控制器 100:溫度控制系統 102:冷卻系統 104:加熱系統 110:臂 120:噴嘴 150:溫度監控系統 160:箭頭 162:致動器 165:箭頭 180:IR攝影機 190,190’:部分 195:視野 200:方法 202,204,206,208:步驟 310:影像的維度縮減 320:神經網路 322:輸入節點 322a:節點 324:隱藏節點 326:輸出節點 330:製程控制模組 A,B,C,D:箭頭

第1A圖是一範例研磨設備的示意截面圖。

第1B圖是第1A圖之範例研磨設備的示意俯視圖。

第2圖描繪利用深度學習作法來偵測製程漂移的方法的流程圖。

第3圖描繪經使用作為用於研磨設備之控制器的一部件的一神經網路。

各不同圖式中的相似參考元件符號指示相似的元件。

200:方法

202,204,206,208:步驟

Claims

一種化學機械性研磨設備，包含：一平臺，該平臺具有一頂表面以固持一研磨墊；一承載頭，該承載頭用以在一研磨製程期間抵著該研磨墊的一研磨表面固持一基板；一溫度監控系統，該溫度監控系統包括經定位在該平臺上方的一無接觸熱成像攝影機，以具有該平臺上該研磨墊之一部分的一視野；及一控制器，該控制器經配置以從該溫度監控系統接收熱影像，將該熱影像輸入至由訓練範例所訓練以決定針對下列之一或更多者的一指示的一機器學習模型中：1)一製程偏差的存在，2)一基板狀態，或3)針對該製程偏差的判斷，以及從該機器學習模型接收該指示。
如請求項1所述的設備，其中該機器學習模型是由該等訓練範例所訓練以決定針對一製程偏差的存在的一指示。
如請求項1所述的設備，其中該機器學習模型是由該等訓練範例所訓練以決定針對一基板狀態的一指示。
如請求項3所述的設備，其中該機器學習模型是由該等訓練範例所訓練以決定一狀態，該狀態選自包括以下的一群組：一研磨不足狀態、一研磨過度狀態、及一正常狀態。
如請求項1所述的設備，其中該機器學習模型是由該等訓練範例所訓練以決定針對一製程偏差的判斷的一指示。
如請求項1所述的設備，其中該機器學習模型包含一人工神經網路。
如請求項6所述的設備，其中該神經網路包含一輸入層、一輸出層、及在該輸入層與該輸出層之間的一或更多個隱藏層，該輸入層具有複數個輸入節點以從熱影像接收強度值，該輸出層具有一輸出節點以輸出表示出指示的一值。
如請求項1所述的設備，其中該控制器經配置以在維度上縮減該熱影像並將經維度縮減的該熱影像輸入至該機器學習模型。
一種經有形地在電腦可讀取媒體中具體化的電腦程式產品，包含用以致使一或更多電腦進行下列操作的指示：從一溫度監控系統接收一熱影像；將該熱影像輸入至由訓練範例所訓練以決定針對下列之一或更多者的一指示的一機器學習模型中：1)一製程偏差的存在，2)一基板狀態，或3)針對該製程偏差的判斷；以及從該機器學習模型接收該指示。
如請求項9所述的電腦程式產品，其中該機器學習模型是由該等訓練範例所訓練以決定針對一製程偏差的存在的一指示。
如請求項9所述的電腦程式產品，其中該機器學習模型是由該等訓練範例所訓練以決定針對一基板狀態的一指示。
如請求項11所述的電腦程式產品，其中該機器學習模型是由該等訓練範例所訓練以決定一狀態，該狀態選自包括以下的一群組：一研磨不足狀態、一研磨過度狀態、及一正常狀態。
如請求項9所述的電腦程式產品，其中該機器學習模型是由該等訓練範例所訓練以決定針對一製程偏差的判斷的一指示。
如請求項9所述的電腦程式產品，其中該機器學習模型包含一人工神經網路。
如請求項9所述的電腦程式產品，其中該人工神經網路包含一輸入層、一輸出層、及在該輸入層與該輸出層之間的一或更多個隱藏層，該輸入層具有複數個輸入節點以從熱影像接收強度值，該輸出層具有一輸出節點以輸出表示出指示的一值。
如請求項9所述的電腦程式產品，其中該控制器經配置以在維度上縮減該熱影像並將經維度縮減的該熱影像輸入至該機器學習模型。
一種操作一研磨設備的方法，包含下列步驟：藉一研磨墊來研磨一基板；在研磨期間獲得該研磨墊的一部分的一熱影像；將該熱影像輸入至由訓練範例所訓練以決定針對下列之一或更多者的一指示的一機器學習模型中：1)一製程偏差的存在，2)一基板狀態，或3)針對該製程偏差的判斷；以及從該機器學習模型接收該指示。
如請求項17所述的方法，其中該機器學習模型是由該等訓練範例所訓練以決定針對一製程偏差的存在的一指示。
如請求項17所述的方法，其中該機器學習模型是由該等訓練範例所訓練以決定針對一基板狀態的一指示。
如請求項17所述的方法，其中該機器學習模型是由該等訓練範例所訓練以決定針對一製程偏差的判斷的一指示。
如請求項17所述的方法，其中該機器學習模型包含一人工神經網路。
如請求項21所述的方法，其中該人工神經網路包含一輸入層、一輸出層、及在該輸入層與該輸出層之間的一或更多個隱藏層，該輸入層具有複數個輸入節點以從熱影像接收強度值，該輸出層具有一輸出節點以輸出表示出指示的一值。