TW202337626A - 波紋度預測裝置、波紋度預測方法、被研磨物的加工方法及程式 - Google Patents

波紋度預測裝置、波紋度預測方法、被研磨物的加工方法及程式 Download PDF

Info

Publication number
TW202337626A
TW202337626A TW111149480A TW111149480A TW202337626A TW 202337626 A TW202337626 A TW 202337626A TW 111149480 A TW111149480 A TW 111149480A TW 111149480 A TW111149480 A TW 111149480A TW 202337626 A TW202337626 A TW 202337626A
Authority
TW
Taiwan
Prior art keywords
waviness
prediction
polished
unit
data
Prior art date
Application number
TW111149480A
Other languages
English (en)
Other versions
TWI832631B (zh
Inventor
橋本崇希
都甲侑祐
成澤基行
平
奥野好成
Original Assignee
日商昭和電工股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商昭和電工股份有限公司 filed Critical 日商昭和電工股份有限公司
Publication of TW202337626A publication Critical patent/TW202337626A/zh
Application granted granted Critical
Publication of TWI832631B publication Critical patent/TWI832631B/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • 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)

Abstract

對波紋度異常的發生進行預測。波紋度預測裝置具備：數據輸入部，被構成為接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的；數據輸入部，被構成為獲取特徵量，該特徵量包含研磨墊的加工數量和太陽齒輪的扭矩；及波紋度預測部，被構成為，藉由將特徵量獲取部獲取的特徵量輸入預測模型而對波紋度進行預測，該預測模型是藉由對特徵量和波紋度數據之間的關係進行學習而獲得的。

Description

波紋度預測裝置、波紋度預測方法、被研磨物的加工方法及程式
本發明涉及波紋度預測裝置、波紋度預測方法、被研磨物的加工方法及程式(program)。
半導體晶圓等的基板的製造工藝中，執行對基板的表面進行研磨加工的拋光步驟。拋光步驟中，研磨量和表面粗糙度(以下也稱｢波紋度｣)為重要的特性。如果這些特性不滿足製造標準，則基板作為不良品(次品)而被廢棄。此外，當波紋度異常發生時，還需要更換研磨裝置中的研磨墊。
例如，專利文獻1公開了一種發明，其中，藉由將基於被掃描的晶圓形狀的厚度的輪廓(profile)反應至研磨時間，可提高晶圓表面的研磨精度。此外，例如，專利文獻2還公開了一種發明，其中，利用線掃描鐳射光對研磨墊的研磨面的宏觀波紋度形狀進行測量，藉此來檢測研磨墊壽命的終止。
[先前技術文獻] [專利文獻] [專利文獻1]特表2019-507027號公報 [專利文獻2]特開2014-91190號公報
[發明欲解決的課題]
然而，就波紋度異常而言，除非在研磨加工後實施抽樣檢查，否則無法對其進行檢測。此外，波紋度測量也需要時間。基板的製造工藝是一系列步驟，為此，當檢測到波紋度異常時，同一大批次(lot)的基板已經進入下一步驟。另外，由於難以從所有步驟都結束了的基板中僅提取具有異常波紋度的不良品，故包括良品在內的同一大批次的基板都要被廢棄。因此，如果波紋度異常的檢測不及時(發生遲延)，則會成為降低成品率的因素。
鑑於上述技術問題，本公開之目的在於對異常波紋度的發生進行預測。
[用於解決課題的手段] 本公開具備如下所示的構成。
[1]一種波紋度預測裝置，具備： 數據輸入部，被構成為接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取部，被構成為獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩；及 波紋度預測部，被構成為藉由將所述特徵量獲取部獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的。
[2]如所述[1]記載的波紋度預測裝置，其中， 所述被研磨面是藉由使設置有第1研磨墊的上固定盤和設置有第2研磨墊的下固定盤沿相反方向進行旋轉而被研磨的， 所述特徵量還包括所述上固定盤和所述下固定盤之間旋轉數差。
[3]如所述[2]記載的波紋度預測裝置，還具備： 特徵量生成部，被構成為生成第2特徵量，該第2特徵量包括大於所述加工數量的第2加工數量和對所述第2加工數量進行加工時的所述太陽齒輪的扭矩即第2扭矩， 其中，所述波紋度預測部被構成為，藉由將所述特徵量生成部生成的所述第2特徵量輸入所述預測模型而對所述波紋度進行預測。
[4]如所述[3]記載的波紋度預測裝置，還具備： 預測值判斷部，被構成為對所述波紋度預測部預測的所述波紋度的預測值和預定的閾值進行比較；及 加工條件搜索部，被構成為，當所述波紋度的預測值為所述閾值以上時，對所述波紋度的預測值小於所述閾值的加工條件進行搜索。
[5]如所述[1]至[4]中的任意一項記載的波紋度預測裝置，還具備： 模型學習部，被構成為，每次藉由所述研磨墊對預定數量的所述被研磨面進行研磨時，均使用所述數據輸入部接收的所述波紋度數據和所述特徵量獲取部獲取的所述特徵量使所述預測模型進行學習。
[6]如所述[5]記載的波紋度預測裝置，其中， 所述模型學習部被構成為按照每個所述研磨墊使所述預測模型進行學習。
[7]一種波紋度預測方法，由計算機執行： 數據輸入步驟，接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取步驟，獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩；及 波紋度預測步驟，藉由將所述特徵量獲取步驟中獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的。
[8]一種被研磨物的加工方法，由計算機執行： 數據輸入步驟，接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取步驟，獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩； 波紋度預測步驟，藉由將所述特徵量獲取步驟中獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的； 預測值判斷步驟，對所述波紋度預測步驟中預測的所述波紋度的預測值和預定的閾值進行比較；及 加工條件搜索步驟，當所述波紋度的預測值為所述閾值以上時，對所述波紋度的預測值小於所述閾值的加工條件進行搜索， 並由研磨裝置執行： 加工步驟，根據所述加工條件搜索步驟中發現的所述加工條件，執行被研磨物的加工。
[9]一種程式，使計算機執行： 數據輸入步驟，接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取步驟，獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩；及 波紋度預測步驟，藉由將所述特徵量獲取步驟中獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的。
[發明的效果] 根據本公開，能夠對波紋度異常的發生進行預測。
以下，參照附圖對本發明的各實施方式進行說明。需要說明的是，本說明書和附圖中，對具有實質相同的功能構成的構成要素賦予了相同符號，由此對重複說明進行了省略。
[實施方式] 半導體晶圓等的基板經由一系列步驟來製造。例如，在半導體晶圓的情況下，是經由將作為原料而使用的錠切割為晶圓形狀的切片步驟、使晶圓的厚度均勻化以進行平坦化的研磨步驟、以化學方式去除藉由機械加工而產生的損壞的蝕刻步驟、對晶圓的表面進行研磨和鏡面化的拋光步驟、對晶圓進行清洗以去除表面上附著的異物的清洗步驟等而製造的。
半導體晶圓的製造工藝中，以由預定數量構成的大批次為單位連續執行上述一系列的步驟。拋光步驟中，藉由抽樣檢查對基板的研磨量和被研磨面的波紋度進行評價。由於波紋度的測量需要幾個小時，故當在某個大批次中檢測到波紋度異常時，該大批次已經進入後續步驟。此外，即使檢測到了波紋度異常，在完成所有步驟之前也無法對該大批次進行回收。
另外，由於波紋度的測量需要時間，故從檢測到波紋度異常的大批次中僅提取和廢棄不良品也需要工時，是不現實的。為此，在檢測到波紋度異常的情況下，包括良品在內的該大批次的基板都要被廢棄。
因此，如果波紋度異常的檢測不及時(發生遲延)，則會成為降低成品率的因素。相反，如果能夠對波紋度異常進行預測，則可提高成品率。
本實施方式為執行半導體晶圓的製造工藝中的拋光步驟的研磨系統。本實施方式的研磨系統對經研磨裝置研磨後的被研磨面的波紋度進行預測。此外，本實施方式的研磨系統還根據波紋度的預測值輸出應執行的作業(工作)。尤其是，當預測到波紋度異常時，如果存在不會發生波紋度異常的加工條件，則輸出表示應對加工條件進行變更的通知。
需要說明的是，本實施方式的研磨系統並不限定於半導體晶圓，可將在製造工藝中進行研磨的各種各樣的基板作為對象。
＜研磨系統的整體構成＞ 首先，參照圖1對本實施方式的研磨系統的整體構成進行說明。圖1是表示本實施方式的研磨系統的整體構成的一例的框圖。
如圖1所示，本實施方式的研磨系統1包含研磨裝置10、波紋度測量裝置20、及波紋度預測裝置30。研磨裝置10、波紋度測量裝置20、及波紋度預測裝置30經由LAN(Local Area Network)、因特網等的通信網絡N1以能夠進行數據通信的方式進行了連接。
研磨裝置10對研磨對象的基板(以下也稱｢被研磨物｣)進行研磨。本實施方式的研磨裝置10使用行星齒輪機構使研磨墊旋轉，由此對被研磨物的主表面(以下也稱｢被研磨面｣)進行研磨。
研磨裝置10藉由多次重複同時對預定數量進行研磨的小批次(batch)來對1個大批次(lot)的被研磨物進行研磨。例如，研磨裝置10藉由在1個小批次中對50個基板進行研磨，並執行40個小批次，可進行由2000個構成的1個大批次的研磨。
研磨裝置10例如可使用參考文獻1公開的雙面研磨裝置。
[參考文獻1]システム精工株式會社，“技術紹介”，[令和3年(2021年)11月16日檢索]，因特網＜URL： https：//www.systemseiko.co.jp/technology/＞
波紋度測量裝置20對被研磨裝置10研磨了的被研磨面進行檢查，並執行波紋度測量。本實施方式中測量的波紋度是被稱為均方根粗糙度(RMS：Root Mean Square，也被稱為Rq)的指標。但是，能夠應用本實施方式的波紋度的指標並不限定於此，可為任意的指標。
波紋度測量裝置20在研磨裝置10每次進行完預定數量的研磨時都對研磨後的被研磨物進行抽樣檢查。例如，波紋度測量裝置20在研磨裝置10每次完成1個大批次的研磨時均進行波紋度測量。
波紋度測量裝置20例如可使用參考文獻2公開的表面檢查裝置。
[參考文獻2]KLA Corporation，“Candela 8520”，[令和3年(2021年)11月16日檢索]，因特網＜URL： https：//www.kla-tencor.com/products/instruments/defect-inspectors/candela-8520＞
波紋度預測裝置30為對經研磨裝置10研磨後的被研磨面的波紋度進行預測的PC(Personal Computer)、工作站、服務器等的資訊處理裝置。波紋度預測裝置30根據從波紋度測量裝置20輸出的波紋度的測量值、可從研磨裝置10獲取的加工條件、及裝置狀態使預測模型進行學習。此外，波紋度預測裝置30使用已學習的預測模型對由研磨裝置10研磨了的被研磨面的波紋度進行預測。另外，波紋度預測裝置30還根據波紋度的預測值輸出應執行的作業。應執行的作業是指例如研磨的繼續、研磨墊的更換、加工條件的變更等。
波紋度預測裝置30在波紋度測量裝置20每次進行完波紋度測量(即，研磨裝置10每次完成1個大批次的研磨)時都進行預測模型的學習。此外，波紋度預測裝置30在研磨裝置10每次進行完預定數量的研磨時均對研磨後的被研磨面的波紋度進行預測。例如，波紋度預測裝置30在研磨裝置10每次完成1個小批次的研磨時都進行波紋度預測。
波紋度預測裝置30按照每個研磨墊使預測模型進行學習。在更換了研磨墊的情況下，波紋度預測裝置30初始化預測模型並再次使其開始進行學習。其原因在於，已經發現了研磨墊和被研磨面的波紋度之間的關係存在較大的個體差。因此，關於某個研磨墊而進行了學習的預測模型無法應用於藉由其它研磨墊而進行了研磨的被研磨面的波紋度預測。
需要說明的是，圖1所示的研磨系統1的整體構成僅為一例，根據用途和目的，可具有各種各樣的系統構成例。例如，波紋度預測裝置30可由多個計算機實現，也可作為雲計算的服務而實現。
＜研磨系統的硬體構成＞ 接下來，參照圖2至圖4對本實施方式的研磨系統1的硬體構成進行說明。
≪計算機的硬體構成≫ 本實施方式的波紋度預測裝置30例如由計算機實現。圖2是表示本實施方式的計算機500的硬體構成的一例的框圖。
如圖2所示，計算機500具有CPU(Central Processing Unit)501、ROM(Read Only Memory)502、RAM(Random Access Memory)503、HDD(Hard Disk Drive)504、輸入裝置505、顯示裝置506、通信I/F(Interface)507、及外部I/F508。CPU501、ROM502、及RAM503形成所謂的計算機。計算機500的各硬體經由總線509相互連接。需要說明的是，輸入裝置505和顯示裝置506也可為藉由連接至外部I/F508而使用的形態。
CPU501是從ROM502、HDD504等的存儲裝置中將程式和數據讀取到RAM503上並執行處理以實現計算機500的整體控制和功能的運算裝置。
ROM502是即使切斷電源也可對程式和數據進行保持的非揮發性半導體存儲器(存儲裝置)的一例。ROM502作為對CPU501執行HDD504中安裝的各種程式時所需的各種程式、數據等進行保存的主存儲裝置而發揮功能。具體而言，ROM502中保存有計算機500起動時所執行的BIOS(Basic Input/Output System)、EFI(Extensible Firmware Interface)等的引導程式、OS(Operating System)設定、網絡設定等的數據。
RAM503是電源切斷後程式和數據便會消失的揮發性半導體存儲器(存儲裝置)的一例。RAM503例如為DRAM(Dynamic Random Access Memory)、SRAM(Static Random Access Memory)等。RAM503提供CPU501執行HDD504中安裝的各種程式時所展開的作業區域。
HDD504是對程式和數據進行保存的非揮發性存儲裝置的一例。HDD504中保存的程式和數據包括對計算機500的整體進行控制的基本軟體即OS、在OS上提供各種功能的應用程式等。需要說明的是，計算機500也可使用存儲裝置(例如SSD：Solid State Drive等)作為存儲介質來取代HDD504，該存儲裝置使用閃存。
輸入裝置505是用於讓用戶輸入各種信號的觸屏、操作鍵、按鈕、鍵盤、鼠標、用於輸入聲音等的聲音數據的麥克風等。
顯示裝置506由用於顯示畫面的液晶、有機EL(Electro-Luminescence)等的顯示器、用於輸出聲音等的聲音數據的揚聲器等構成。
通信I/F507與通信網絡連接，是計算機500用於進行數據通信的接口。
外部I/F508是與外部裝置進行連接的接口。外部裝置包括驅動裝置510等。
驅動裝置510是用於使存儲介質511放入(set)的裝置。這裡所說的存儲介質511包括CD-ROM、軟盤、諸如光磁盤等的藉由光、電、或磁的方式對資訊進行存儲的介質。此外，存儲介質511還可包含ROM、諸如閃存等的藉由電的方式對資訊進行存儲的半導體存儲器等。據此，計算機500可經由外部I/F508進行從存儲介質511的讀取和/或至存儲介質511的寫入。
需要說明的是，HDD504中安裝的各種程式例如可藉由如下方式安裝，即，將分發的存儲介質511放入與外部I/F508連接的驅動裝置510中，並由驅動裝置510讀取存儲介質511中存儲的各種程式，據此進行安裝。或者，HDD504中安裝的各種程式也可藉由如下方式安裝，即，經由通信I/F507從與通信網絡不同的其它網絡下載，藉此進行安裝。
≪研磨裝置的硬體構成≫ 圖3是表示本實施方式的研磨裝置10的硬體構成的一例的圖。如圖3所示，本實施方式的研磨裝置10具備上下一對的下固定盤11和上固定盤12以及在下固定盤11的與上固定盤12相對的表面上配置的多個載台(carrier)13，半導體晶圓(未圖示)被放入各載台13上設置的多個開口部14內，這些半導體晶圓的兩個主表面被構成為可被設置在下固定盤11和上固定盤12上的研磨墊進行研磨。
具體而言，下固定盤11和上固定盤12藉由使用驅動馬達(未圖示)對各自的中心部處設置的旋轉軸11a、12a進行旋轉驅動可在相互的中心軸保持一致的狀態下相互逆向旋轉。此外，下固定盤11的與上固定盤12相對的表面上還設置有用於配置多個載台13的凹部15。
多個載台13例如由將通過混入芳綸纖維或玻璃纖維而被強化的環氧樹脂等形成為圓盤狀而得的載台構成。另外，這些載台13在凹部15的內側排列配置於旋轉軸11a的周圍。此外，在各載台13的外周部上，沿全周(整個圓周)還設置有行星齒輪16。另一方面，在凹部15的內周部上，在與各載台13的行星齒輪16嚙合的狀態下設置有與旋轉軸11a一起旋轉的太陽齒輪17，在凹部15的外周部上，設置有與各載台13的行星齒輪16嚙合的固定齒輪18。
據此，當太陽齒輪17與旋轉軸11a一起旋轉時，藉由太陽齒輪17和固定齒輪18與行星齒輪16的嚙合，多個載台13在凹部15內於旋轉軸11a的周圍與該旋轉軸11a沿同一方向旋轉(公轉)，同時沿與旋轉軸11a相反的方向圍繞彼此的中心軸旋轉(自轉)，即進行所謂的行星運動。
因此，藉由採用上述構成，可使各載台13的開口部14內保持的多個半導體晶圓進行行星運動，並可使用設置在下固定盤11和上固定盤12上的研磨墊對其兩個主表面進行研磨。此外，在該構成的情況下，可更準確且更迅速地進行對半導體晶圓的研磨。
研磨墊例如可使用由氨基甲酸乙酯形成的硬質研磨布。此外，當使用該研磨墊對半導體晶圓的兩個主表面進行研磨時，將研磨液滴到半導體晶圓上。就研磨液而言，例如可使用藉由將二氧化鈰、二氧化矽、金剛石、或它們的混合物的磨粒等分散於水中進行漿化而獲得的漿料等。
＜研磨系統的功能構成＞ 接下來，參照圖4對本實施方式的研磨系統的功能構成進行說明。圖4是表示本實施方式的研磨系統1的功能構成的一例的框圖。
≪波紋度預測裝置的功能構成≫ 如圖4所示，本實施方式的波紋度預測裝置30具備數據輸入部31、狀態獲取部32、特徵量獲取部33、模型學習部34、波紋度預測部35、預測值判斷部36、特徵量生成部37、加工條件搜索部38、結果輸出部39、及模型存儲部300。
波紋度預測裝置30所具備的各處理部(除了模型存儲部300之外)可藉由從圖2所示的HDD504展開到RAM503上的程式使CPU501執行的處理而實現。波紋度預測裝置30所具備的模型存儲部300例如可藉由使用由圖2所示的HDD504而實現。
數據輸入部31接收波紋度測量裝置20輸出的波紋度的測量值(以下也稱｢波紋度數據｣)的輸入。就波紋度數據的輸入而言，波紋度測量裝置20輸出至顯示器等的波紋度數據可藉由用戶使用輸入裝置505而被輸入，或者，波紋度測量裝置20經由通信網絡N1發送至波紋度預測裝置30的波紋度數據也可被在線(online)輸入。
狀態獲取部32響應於數據輸入部31接收到波紋度數據的輸入，從研磨裝置10獲取與研磨相關的狀態資訊。本實施方式的狀態資訊包括研磨墊的狀態、加工條件、及裝置狀態。研磨墊的狀態例如為表示被該研磨墊研磨了的被研磨物的總數的加工數量等。加工條件例如為每次的研磨時間、各固定盤的旋轉速度等。裝置狀態例如為各齒輪的扭矩等。
特徵量獲取部33從狀態獲取部32獲取的狀態資訊中獲取預定的特徵量。本實施方式的特徵量包括研磨墊的加工數量和太陽齒輪的扭矩(以下也稱｢太陽齒輪扭矩｣)。此外，本實施方式的特徵量也可包含上固定盤和下固定盤之間的旋轉數差。
模型學習部34藉由對特徵量獲取部33獲取的特徵量和數據輸入部31接收的波紋度數據之間的關係進行學習來生成預測模型。本實施方式的預測模型是將加工數量和太陽齒輪扭矩作為說明變量並將波紋度數據作為目標變量的模型。此外，在特徵量包含旋轉數差的情況下，本實施方式的預測模型為將加工數量、太陽齒輪扭矩、及旋轉數差作為說明變量並將波紋度數據作為目標變量的模型。
模型存儲部300對模型學習部34生成的預測模型進行存儲。
波紋度預測部35藉由將特徵量獲取部33獲取的特徵量輸入模型存儲部300存儲的預測模型來進行波紋度的預測值的計算。此外，波紋度預測部35還藉由將特徵量生成部37生成的特徵量輸入模型存儲部300存儲的預測模型來進行波紋度的預測值的計算。
預測值判斷部36藉由將波紋度預測部35計算的波紋度的預測值與預定的閾值進行比較，判斷波紋度的預測值是否為預定的閾值以上。
特徵量生成部37根據特徵量獲取部33獲取的特徵量生成預定的特徵量。特徵量生成部37生成的特徵量是預估的在接下來進行波紋度預測時所獲取的特徵量。
當預測值判斷部36判斷為波紋度的預測值大於等於預定的閾值時，加工條件搜索部38對波紋度的預測值小於預定的閾值的加工條件進行搜索。
結果輸出部39將波紋度的預測結果輸出至顯示裝置506等。本實施方式的預測結果包含波紋度預測部35預測的波紋度的預測值。此外，本實施方式的預測結果也可包含表示應執行的作業的資訊。
＜研磨系統的處理步驟＞ 接下來，參照圖5至圖10對本實施方式的研磨系統1執行的波紋度預測方法的處理步驟進行說明。本實施方式的波紋度預測方法由使預測模型進行學習的學習處理(參照圖5)和使用已學習的預測模型對波紋度進行預測的預測處理(參照圖9至圖10)構成。
≪學習處理≫ 圖5是表示本實施方式的學習處理的步驟的一例的流程圖。
步驟S11中，研磨裝置10完成了1個大批次的研磨加工。接下來，研磨裝置10輸出表示1個大批次的研磨加工已經結束了的通知。
步驟S12中，波紋度測量裝置20響應於研磨裝置10輸出了通知，從研磨加工已經結束了的大批次中進行被研磨物的採樣，並對被研磨面的波紋度進行測量。接下來，波紋度測量裝置20對測量的波紋度數據進行輸出。
這裡，參照圖6對波紋度數據進行說明。圖6是表示波紋度數據的一例的圖，其為將加工數量作為橫軸，將波紋度(RMS)作為縱軸，並對按照每個大批次(=2000枚)所測量的RMS進行了繪製的曲線圖。需要說明的是，就波紋度被測量的被研磨物而言，是從每個大批次的先頭的小批次開始進行採樣的。此外，當設置新的研磨墊時，由於首先要進行試驗品的研磨，故加工數量是藉由將每2000個的數量加上試驗研磨的加工數量後而被繪製的。
圖6所示的一點劃線(RMS=0.160)表示製造標準，如果超過該線，則判斷為波紋度異常。如圖6所示，可以看出，盡管整體上RMS的值的變化較大，但是加工數量超過一定數量後則急劇上昇。
返回圖5進行說明。步驟S13中，波紋度預測裝置30所具備的數據輸入部31接收波紋度測量裝置20輸出的波紋度數據的輸入。接下來，數據輸入部31將接收的波紋度數據發送給模型學習部34。此外，數據輸入部31還將表示接收到波紋度數據的輸入的資訊通知給狀態獲取部32。
步驟S14中，波紋度預測裝置30所具備的狀態獲取部32響應於來自數據輸入部31的通知，從研磨裝置10獲取包括研磨墊的狀態、加工條件、及裝置狀態的與研磨相關的狀態資訊。接下來，狀態獲取部32將獲取的狀態資訊發送至特徵量獲取部33。
步驟S15中，波紋度預測裝置30所具備的特徵量獲取部33從狀態獲取部32接收狀態資訊。接下來，特徵量獲取部33根據接收的狀態資訊對當前的太陽齒輪扭矩進行計算。
這裡，參照圖7對太陽齒輪扭矩進行說明。圖7是表示太陽齒輪扭矩的一例的圖，其為將加工數量作為橫軸，將太陽齒輪扭矩(N･m：newton metre)作為縱軸，並對按照每個小批次(=50枚)所獲取的太陽齒輪扭矩進行繪製而得的曲線圖。圖7中，較濃的點表示在進行了波紋度的測量的小批次(即，大批次的先頭的小批次)中獲取的太陽齒輪扭矩，較淡的點表示在其它小批次中獲取的太陽齒輪扭矩。
如圖7所示，整體上太陽齒輪扭矩的值的變化較大。尤其是，由於波紋度測量是針對大批次的先頭的小批次而進行的，故存在波紋度數據沒有反映出扭矩的值的變化的趨勢。為此，本實施方式中，太陽齒輪扭矩並不是從研磨裝置10獲取的太陽齒輪扭矩本身，而是使用了至由虛線所示的趨勢線的代入值的扭矩。需要說明的是，可按照每個預定的小批次數量來對趨勢線進行更新。
太陽齒輪扭矩的趨勢線例如可藉由使用RBF核(kernel)的高斯過程回歸(Gaussian process regression)來計算。需要說明的是，本實施方式中能夠使用的回歸並不限定於高斯過程回歸，只要是回歸，可為任意的回歸。
返回圖5進行說明。步驟S16中，特徵量獲取部33根據接收的狀態資訊對當前在的旋轉數差進行計算。旋轉數差是指下固定盤11的旋轉數和上固定盤12的旋轉數之差。
這裡，參照圖8對旋轉數差進行說明。圖8是表示旋轉數差的一例的圖，其為將加工數量作為橫軸，將旋轉數差(rpm：rotations per minute)作為縱軸，並對按照每個小批次(=50枚)所獲取的旋轉數差(=上固定盤12的旋轉數-下固定盤11的旋轉數)進行繪製而得的曲線圖。圖8中，較濃的點表示在對波紋度進行了測量的小批次(即，大批次的先頭的小批次)中獲取的旋轉數差，較淡的點表示在其它小批次中獲取的旋轉數差。
如圖8所示，旋轉數差沒有較大的變動。其原因在於，各固定盤的旋轉數是能夠被控制的。為此，本實施方式的旋轉數差原樣使用了從研磨裝置10獲取的各固定盤的旋轉數之差。
返回圖5進行說明。步驟S17中，特徵量獲取部33生成預定的特徵量(以下也稱｢學習特徵量｣)。學習特徵量包括加工數量和太陽齒輪扭矩。此外，學習特徵量也可包含旋轉數差。接下來，特徵量獲取部33將生成的學習特徵量發送給模型學習部34。
步驟S18中，波紋度預測裝置30所具備的模型學習部34從數據輸入部31接收波紋度數據。此外，模型學習部34還從特徵量獲取部33接收學習特徵量。接下來，模型學習部34根據接收的波紋度數據和學習特徵量對學習特徵量和波紋度數據之間的關係進行學習，由此生成預測模型。預測模型例如可藉由使用二次函數的核的高斯過程回歸來計算。需要說明的是，本實施方式中能夠使用的回歸並不限定於高斯過程回歸，只要是輸出為概率的回歸，可為任意的回歸。
步驟S19中，模型學習部34將已學習的預測模型存儲在模型存儲部300中。
≪預測處理≫ 圖9和圖10是表示本實施方式的預測處理的步驟的一例的流程圖。
步驟S21中，研磨裝置10完成了1個小批次的研磨加工。接下來，研磨裝置10輸出表示1個小批次的研磨加工已經結束了的通知。
步驟S22中，波紋度預測裝置30所具備的狀態獲取部32響應於研磨裝置10輸出了通知，從研磨裝置10獲取包括研磨墊的狀態、加工條件、及裝置狀態的與研磨相關的狀態資訊。接下來，狀態獲取部32將獲取的狀態資訊發送至特徵量獲取部33。
步驟S23中，波紋度預測裝置30所具備的特徵量獲取部33從狀態獲取部32接收狀態資訊。接下來，特徵量獲取部33根據接收的狀態資訊進行當前的太陽齒輪扭矩的計算。需要說明的是，可按照每個預定的小批次數量來更新太陽齒輪扭矩的趨勢線。
步驟S24中，特徵量獲取部33根據接收到的狀態資訊進行當前的旋轉數差的計算。
步驟S25中，特徵量獲取部33生成預定的特徵量(以下也稱｢第1特徵量｣)。第1特徵量包含的項目與上述學習特徵量相同。接下來，特徵量獲取部33將生成的第1特徵量發送給波紋度預測部35和特徵量生成部37。
步驟S26中，波紋度預測裝置30所具備的波紋度預測部35從特徵量獲取部33接收第1特徵量。接下來，波紋度預測部35藉由將接收的第1特徵量輸入模型存儲部300中存儲的預測模型來進行波紋度的預測值(以下也稱｢第1預測值｣)的計算。接下來，波紋度預測部35將計算的第1預測值發送至預測值判斷部36和結果輸出部39。
步驟S27中，波紋度預測裝置30所具備的預測值判斷部36從波紋度預測部35接收第1預測值。接下來，預測值判斷部36將第1預測值與預定的閾值進行比較，藉此判斷第1預測值是否為預定的閾值以上。
在預測值判斷部36判斷為第1預測值大於等於預定的閾值的情況下(YES)，使處理進入圖10所示的步驟S37。另一方面，在預測值判斷部36判定為第1預測值小於預定的閾值的情況下(NO)，使處理進入步驟S28。
步驟S28中，波紋度預測裝置30所具備的特徵量生成部37從特徵量獲取部33接收第1特徵量。接下來，特徵量生成部37根據第1特徵量中包含的加工數量進行第2加工數量的計算。具體而言，特徵量生成部37將第1特徵量中包含的加工數量加上1個小批次的數量後的結果作為第2加工數量。
步驟S29中，特徵量生成部37根據第1特徵量中包含的太陽齒輪扭矩進行第2太陽齒輪扭矩的計算。具體而言，特徵量生成部37使藉由將第2加工數量代入過去的太陽齒輪扭矩的趨勢線而獲得的值作為第2太陽齒輪扭矩。
步驟S30中，特徵量生成部37根據第1特徵量中包含的旋轉數差來計算第2旋轉數差。具體而言，特徵量生成部37將第1特徵量中包含的旋轉數差作為第2旋轉數差。其原因在於，由於各固定盤的旋轉數並不是頻繁變化的，故可估計為下一個預測時也會獲得同樣的值。
進入圖10進行說明。步驟S31中，特徵量生成部37生成預定的特徵量(以下也稱｢第2特徵量｣)。第2特徵量包含的項目與上述學習特徵量相同。即，在學習特徵量包含加工數量和太陽齒輪扭矩的情況下，第2特徵量包含第2加工數量和第2太陽齒輪扭矩。此外，在學習特徵量還包含旋轉數差的情況下，第2特徵量包含第2加工數量、第2太陽齒輪扭矩、及第2旋轉數差。接下來，特徵量生成部37將生成的第2特徵量發送至波紋度預測部35。
步驟S32中，波紋度預測部35從特徵量生成部37接收第2特徵量。接下來，波紋度預測部35將接收的第2特徵量輸入模型存儲部300中存儲的預測模型，藉此對波紋度的預測值(以下也稱｢第2預測值｣)進行計算。接下來，波紋度預測部35將計算的第2預測值發送至預測值判斷部36和結果輸出部39。
步驟S33中，預測值判斷部36從波紋度預測部35接收第2預測值。接下來，預測值判斷部36將第2預測值與預定的閾值進行比較，由此判斷第2預測值是否為預定的閾值以上。
在預測值判斷部36判斷為第2預測值大於等於預定的閾值的情況下(YES)，使處理進入步驟S34。另一方面，在預測值判斷部36判斷為第2預測值小於預定的閾值的情況下(NO)，使處理進入步驟S38。
步驟S34中，波紋度預測裝置30所具備的加工條件搜索部38對波紋度的預測值小於預定的閾值的加工條件進行搜索。具體而言，加工條件搜索部38重複如下處理，即，使第2預測值中包含的第2旋轉數差變更預定數量，並判斷藉由將變更後的第2特徵量輸入預測模型而獲得的預測值是否小於預定的閾值。在獲得的預測值小於閾值的情況下或者在變更後的第2旋轉數差變為位於預定的範圍之外的情況下，加工條件搜索部38結束搜索。
接下來，加工條件搜索部38將搜索結果發送至結果輸出部39。搜索結果中包含發現的加工條件(即，可實現預測值小於預定的閾值的旋轉數差的各固定盤的旋轉數)。
步驟S35中，加工條件搜索部38判斷是否發現了預測值小於預定的閾值的加工條件。加工條件搜索部38在發現了加工條件的情況下(YES)使處理進入步驟S36。另一方面，加工條件搜索部38在沒有發現加工條件的情況下(NO)使處理進入步驟S37。
步驟S36中，波紋度預測裝置30所具備的結果輸出部39從加工條件搜索部38接收搜索結果。接下來，結果輸出部39將表示應變更至搜索結果中包含的加工條件的資訊輸出至顯示裝置506等。
研磨裝置10中，基於用戶的操作進行加工條件的變更。即，研磨裝置10所具備的上固定盤12和下固定盤11的旋轉數被設定為所發現的加工條件中包含的旋轉數。之後，研磨裝置10根據變更後的加工條件執行被研磨物的研磨加工。
步驟S37中，結果輸出部39將表示需要更換研磨墊的資訊輸出至顯示裝置506等。
步驟S38中，結果輸出部39將表示進入下一個小批次的研磨的資訊輸出至顯示裝置506等。
步驟S39中，結果輸出部39從波紋度預測部35接收第1預測值和第2預測值。接下來，結果輸出部39將表示第1預測值和第2預測值的資訊輸出至顯示裝置506等。
＜評價結果＞ 接下來，參照圖11至圖13對本實施方式的波紋度的預測值的精度的評價結果進行說明。圖11是表示本實施方式的評價指標和評價結果的一例的圖。
圖11(A)是表示評價指標的一例的圖。評價中，獲得了作為預測到了波紋度異常的小批次(以下也稱｢異常預測小批次｣的波紋度的預測值(概率)為50%以上的小批次和實際的波紋度的測量值超過了製造標準的小批次(以下也稱｢異常發生小批次｣)中的任一者。
如圖11(A)所示，在波紋度異常發生時的加工數量小於3萬個的情況下，當異常預測小批次與異常發生小批次一致時，設為滿分100分，當異常預測小批次為異常發生小批次的前1~2個小批次時，設為60分，當異常預測小批次為異常發生小批次的前3個小批次以上時，設為40分。此外，在波紋度異常發生時的加工數量為3萬個以上的情況下，當異常預測小批次與異常發生小批次一致時，設為滿分100分，當異常預測小批次為異常發生小批次的前1~2個小批次時，設為80分，當異常預測小批次為異常發生小批次的前3個小批次以上時，設為60分。在異常預測小批次為異常發生小批次之後的情況下，由於是表示錯過(遺漏)了波紋度異常，故設為0分。
圖11(B)是表示評價結果的一例的圖。如圖11(B)所示，準備了特徵量不同的3個模型，並按照圖11(A)所示的評價指標對各模型的預測結果的分數進行了計算。需要說明的是，分數是分別對26個研磨墊進行計算而得的分數的平均值。
作為說明變量，模型A是藉由僅將加工數量作為特徵量進行學習而獲得的模型。模型B是藉由將加工數量和太陽齒輪扭矩作為特徵量進行學習而獲得的模型。模型C是藉由將加工數量、太陽齒輪扭矩、及旋轉數差作為特徵量進行學習而獲得的模型。
如圖11(B)所示，與僅將加工數量作為特徵量的模型A相比，特徵量中追加了太陽齒輪扭矩的模型B的分數得到了大幅提高。此外，特徵量中又追加了旋轉數差的模型C的分數也比模型B提高了。由此可知，與僅將加工數量作為特徵量進行預測的情況相比，藉由在特徵量中追加太陽齒輪扭矩，可大幅提高預測精度。此外，藉由在特徵量中又追加旋轉數差，可進一步提高預測精度。
圖12是在作為說明變量僅將加工數量作為特徵量的模型A中對針對某個研磨墊而獲得的波紋度的實測結果(黑色圓形、黑色四邊形、白色圓形)所進行的評價的示意圖。各曲線圖中，加工數量為橫軸，波紋度為縱軸，並對每個大批次的波紋度的實測值進行了繪製。i表示大批次的索引，由此可知，該實測數據中i=18處發生了波紋度異常。
各曲線圖示出了，利用藉由使用至第i-1個大批次為止的測量值(由黑色四邊角形繪製的實測值)進行學習而獲得的模型，進行了第i個大批次的假定值(由白色三角形繪製的實測值)的波紋度預測後所得的結果(虛線)。各曲線圖中右下的｢NG｣為預測的波紋度異常的概率，當該值為50%以上時，判斷為波紋度異常。
如圖12所示，在使用了模型A的評價結果中，i=18的階段中沒有檢測到波紋度異常(NG：48%)，即出現了波紋度異常的遺漏。因此，圖12的例子中，分數為0分。
圖13是在作為說明變量將加工數量和太陽齒輪扭矩作為特徵量的模型B中對與圖12相同的波紋度的實測結果(黑色圓形、黑色四邊形、白色圓形)所進行的評價的示意圖。
如圖13所示，在使用模型B的評價結果中，i=17處檢測到了波紋度異常(NG：50%)。1個大批次前檢測到了波紋度異常，也可以說是錯誤檢測，但是，由於是在波紋度異常發生之前檢測的，故可預防廢棄品(廢品)的發生。因此，圖13的例子中，分數為80分。
需要說明的是，圖12和圖13中，從i=8開始進行了波紋度的預測。其原因在於，剛開始進行研磨加工後的動作不穩定，此外，從研磨墊的壽命的觀點來看，即使不作為波紋度異常檢測的對象，影響也較小。開始進行預測的小批次是第幾個(即，最初訓練預測模型需要收集多少學習數據)作為超參數(hyperparameter) ，是調整(tuning)的對象。這裡，超參數調整的指標為驗證數據的預測殘差的絕對值。
＜實施方式的效果＞ 本實施方式的研磨系統藉由使用對基於從研磨裝置獲取的狀態資訊的特徵量和波紋度數據之間的關係進行學習而得的預測模型來預測波紋度，無需對被研磨面的波紋度進行實測。據此，根據本實施方式的研磨系統，可早期檢測波紋度異常。如果可早期檢測波紋度異常，則可早期更換研磨墊，進而可減少出現波紋度異常時所產生的廢品。
此外，本實施方式的研磨系統可根據波紋度的預測值來建議應執行的作業。尤其是，當預測到波紋度異常時，如果發現了不會出現波紋度異常的加工條件，則可建議變更至該加工條件。據此，本實施方式的研磨系統可更長時間地使用研磨墊。為此，根據本實施方式的研磨系統，可降低與研磨墊相關的成本，並可抑制因研磨墊的更換而導致的運轉率的降低。
[補充] 以上對本發明的實施方式進行了詳細說明，但是本發明並不限定於這些實施方式，在發明申請專利範圍記載的本發明的主旨的範圍內還可對其進行各種各樣變形或變更。
本申請主張2021年12月27日向日本國專利廳申請的日本國專利申請2021-212624號的優先權，並將其內容全部援引於本申請。
1:研磨系統 10:研磨裝置 20:波紋度測量裝置 30:波紋度預測裝置 31:數據輸入部 32:狀態獲取部 33:特徵量獲取部 34:模型學習部 35:波紋度預測部 36:預測值判斷部 37:特徵量生成部 38:加工條件搜索部 39:結果輸出部 300:模型存儲部
[圖1]圖1是表示研磨系統的整體構成的一例的框圖。 [圖2]圖2是表示計算機的硬體構成的一例的框圖。 [圖3]圖3是表示研磨裝置的硬體構成的一例的圖。 [圖4]圖4是表示波紋度預測系統的功能構成的一例的圖。 [圖5]圖5是表示學習處理的步驟的一例的流程圖。 [圖6]圖6是表示波紋度數據的一例的圖。 [圖7]圖7是表示太陽齒輪扭矩的一例的圖。 [圖8]圖8是表示固定盤之間的旋轉數差的一例的圖。 [圖9]圖9是表示預測處理的步驟的一例的流程圖。 [圖10]圖10是表示預測處理的步驟的一例的流程圖。 [圖11(A)、(B)]圖11(A)是表示評價指標的一例的圖，圖11(B)是表示評價結果的一例的圖。 [圖12]圖12是表示先前技術的評價結果的一例的圖。 [圖13]圖13是表示一實施方式的評價結果的一例的圖。
10:研磨裝置
20:波紋度測量裝置
30:波紋度預測裝置
31:數據輸入部
32:狀態獲取部
33:特徵量獲取部
34:模型學習部
35:波紋度預測部
36:預測值判斷部
37:特徵量生成部
38:加工條件搜索部
39:結果輸出部
300:模型存儲部

Claims (9)

  1. 一種波紋度預測裝置，具備： 數據輸入部，被構成為接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取部，被構成為獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩；及 波紋度預測部，被構成為藉由將所述特徵量獲取部獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的。
  2. 如請求項1所述的波紋度預測裝置，其中， 所述被研磨面是藉由使設置有第1研磨墊的上固定盤和設置有第2研磨墊的下固定盤沿相反方向進行旋轉而被研磨的， 所述特徵量還包括所述上固定盤和所述下固定盤之間旋轉數差。
  3. 如請求項2所述的波紋度預測裝置，還具備： 特徵量生成部，被構成為生成第2特徵量，該第2特徵量包括大於所述加工數量的第2加工數量和對所述第2加工數量進行加工時的所述太陽齒輪的扭矩即第2扭矩， 其中，所述波紋度預測部被構成為，藉由將所述特徵量生成部生成的所述第2特徵量輸入所述預測模型而對所述波紋度進行預測。
  4. 如請求項3所述的波紋度預測裝置，還具備： 預測值判斷部，被構成為對所述波紋度預測部預測的所述波紋度的預測值和預定的閾值進行比較；及 加工條件搜索部，被構成為，當所述波紋度的預測值為所述閾值以上時，對所述波紋度的預測值小於所述閾值的加工條件進行搜索。
  5. 如請求項1至4中的任意一項所述的波紋度預測裝置，還具備： 模型學習部，被構成為，每次藉由所述研磨墊對預定數量的所述被研磨面進行研磨時，均使用所述數據輸入部接收的所述波紋度數據和所述特徵量獲取部獲取的所述特徵量使所述預測模型進行學習。
  6. 如請求項5所述的波紋度預測裝置，其中， 所述模型學習部被構成為按照每個所述研磨墊使所述預測模型進行學習。
  7. 一種波紋度預測方法，由計算機執行： 數據輸入步驟，接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取步驟，獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩；及 波紋度預測步驟，藉由將所述特徵量獲取步驟中獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的。
  8. 一種被研磨物的加工方法，由計算機執行： 數據輸入步驟，接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取步驟，獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩； 波紋度預測步驟，藉由將所述特徵量獲取步驟中獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的； 預測值判斷步驟，對所述波紋度預測步驟中預測的所述波紋度的預測值和預定的閾值進行比較；及 加工條件搜索步驟，當所述波紋度的預測值為所述閾值以上時，對所述波紋度的預測值小於所述閾值的加工條件進行搜索， 並由研磨裝置執行： 加工步驟，根據所述加工條件搜索步驟中發現的所述加工條件，執行被研磨物的加工。
  9. 一種程式，使計算機執行： 數據輸入步驟，接收波紋度數據的輸入，該波紋度數據是藉由測量被研磨面的波紋度而獲得的，該被研磨面是藉由使用行星齒輪機構使研磨墊旋轉而被研磨的； 特徵量獲取步驟，獲取特徵量，該特徵量包括所述研磨墊的加工數量和太陽齒輪的扭矩；及 波紋度預測步驟，藉由將所述特徵量獲取步驟中獲取的所述特徵量輸入預測模型而對所述波紋度進行預測，該預測模型是藉由對所述特徵量和所述波紋度數據之間的關係進行學習而獲得的。
TW111149480A 2021-12-27 2022-12-22 波紋度預測裝置、波紋度預測方法、被研磨物的加工方法及波紋度預測程式 TWI832631B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021212624 2021-12-27
JP2021-212624 2021-12-27

Publications (2)

Publication Number Publication Date
TW202337626A true TW202337626A (zh) 2023-10-01
TWI832631B TWI832631B (zh) 2024-02-11

Family

ID=86998917

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111149480A TWI832631B (zh) 2021-12-27 2022-12-22 波紋度預測裝置、波紋度預測方法、被研磨物的加工方法及波紋度預測程式

Country Status (3)

Country Link
JP (1) JP7420328B2 (zh)
TW (1) TWI832631B (zh)
WO (1) WO2023127601A1 (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
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
SG10202111787PA (en) * 2016-10-18 2021-11-29 Ebara Corp Local polisher, method of a local polisher and program
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
JP7254645B2 (ja) * 2019-07-03 2023-04-10 東洋鋼鈑株式会社 両面研磨装置の制御システム、制御装置および基板の製造方法
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

Also Published As

Publication number Publication date
JP7420328B2 (ja) 2024-01-23
TWI832631B (zh) 2024-02-11
JPWO2023127601A1 (zh) 2023-07-06
WO2023127601A1 (ja) 2023-07-06

Similar Documents

Publication Publication Date Title
US7354332B2 (en) Technique for process-qualifying a semiconductor manufacturing tool using metrology data
WO2002103779A1 (en) In situ sensor based control of semiconductor processing procedure
JP2015047656A (ja) ワークの両面研磨装置及び両面研磨方法
TW201943497A (zh) 研磨裝置
Lin et al. Theoretical and experimental analysis of material removal and surface generation in novel fixed abrasive lapping of optical surface
TWI832631B (zh) 波紋度預測裝置、波紋度預測方法、被研磨物的加工方法及波紋度預測程式
CN101456151A (zh) 化学机械研磨及其终点检测方法
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
TWI742278B (zh) 基板處理裝置及記錄了程式的記憶媒介
TWI826943B (zh) 用於對保持環評估拋光及優化拋光的方法以及包括執行該方法的電腦程式編碼的非瞬態電腦可讀媒體
EP4104023B1 (en) Systems and methods for enhanced wafer manufacturing
WO2022070607A1 (ja) 研磨装置、および研磨パッドの交換時期を決定する方法
US20130210172A1 (en) Wafer thinning apparatus having feedback control and method of using
Wasmer et al. Parametric experimental study and design of experiment modelling of sapphire grinding
JP2020015122A (ja) ワークの両面研磨装置および両面研磨方法
US11279001B2 (en) Method and apparatus for monitoring chemical mechanical polishing process
US11648640B2 (en) Method of double-side polishing wafer
CN112692721B (zh) Cmp工艺晶圆定位装置和划痕追踪方法
US20160207163A1 (en) Manufacturing method of semiconductor device and semiconductor manufacturing apparatus
Sokhan’ et al. Wear of a diamond wheel during grinding of ceramic balls made of silicon carbide
JP2004228265A (ja) 研磨パッドの品質管理方法，研磨パッドの動的粘弾性測定装置
JP2020127041A (ja) 半導体装置の製造方法および半導体製造装置
JP7332077B1 (ja) ロール研削機の異常振動予測方法、圧延ロールの研削方法、金属帯の圧延方法、ロール研削機の異常振動予測装置及びロール研削設備
CN109202724A (zh) 化学机械研磨装置及其操作方法
WO2024095997A1 (ja) 研磨装置、情報処理装置及びプログラム