TWI771620B - 化學機械拋光設備與不規律機械運動預測系統及方法 - Google Patents
化學機械拋光設備與不規律機械運動預測系統及方法 Download PDFInfo
- Publication number
- TWI771620B TWI771620B TW108134912A TW108134912A TWI771620B TW I771620 B TWI771620 B TW I771620B TW 108134912 A TW108134912 A TW 108134912A TW 108134912 A TW108134912 A TW 108134912A TW I771620 B TWI771620 B TW I771620B
- Authority
- TW
- Taiwan
- Prior art keywords
- motion
- circuitry
- mechanical
- irregular
- spectral image
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/005—Control means for lapping machines or devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/005—Control means for lapping machines or devices
- B24B37/015—Temperature control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B53/00—Devices or means for dressing or conditioning abrasive surfaces
- B24B53/017—Devices or means for dressing, cleaning or otherwise conditioning lapping tools
-
- 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
- B24B57/00—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents
- B24B57/02—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents for feeding of fluid, sprayed, pulverised, or liquefied grinding, polishing or lapping agents
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
一種用於預測半導體處理設備的一個或多個機械組件的
不規律運動的系統及方法。一種機械運動不規律性預測系統包括一個或多個運動傳感器,所述一個或多個運動傳感器感測與半導體處理設備的至少一個機械組件相關聯的運動相關參數。所述一個或多個運動傳感器基於所感測到的運動相關參數輸出感測信號。缺陷預測電路系統基於感測信號預測所述至少一個機械組件的不規律運動。
Description
本發明的實施例是有關於機械運動不規律性預測系統、預測不規律運動的方法以及化學機械拋光設備。
在製作半導體裝置期間,通過各種機械設備處理半導體晶圓。舉例來說,在化學機械平坦化(Chemical-Mechanical Planarization,CMP)製程期間,可利用CMP設備來處理晶圓。CMP設備可包括多個移動式組件或可移動組件(例如,可旋轉台板、拋光頭、襯墊整修器及漿料噴灑器),這些組件彼此協作來處理晶圓。
諸多半導體製程皆需要極其精確地移動並定位機械組件。即使與組件的正確定位及移動有極小偏差也可能會導致接受處理的半導體晶圓中出現缺陷。
根據一個實施例,一種機械運動不規律性預測系統包括一個或多個運動感測器,所述一個或多個運動感測器被配置成感測與半導體處理設備的至少一個機械組件相關聯的運動相關參數。所述一個或多個運動感測器基於所感測到的所述運動相關參數來輸出感測信號。所述機械運動不規律性預測系統還包括缺陷預測電路系統,所述缺陷預測電路系統被配置成基於所述感測信號來預測所述至少一個機械組件的不規律運動。
根據另一實施例,提供一種預測不規律運動的方法,所述方法包括:通過至少一個運動感測器感測與半導體處理設備的至少一個機械組件相關聯的運動相關參數。通過信號處理電路系統產生波譜信息,且所述波譜信息是基於所述感測信號而產生。缺陷預測電路系統基於所述波譜信息來預測所述至少一個機械組件的不規律運動。
根據又一實施例,提供一種化學機械拋光(CMP)設備,所述化學機械拋光設備包括可旋轉台板;拋光墊,位於所述可旋轉台板上;拋光頭;墊整修器;第一運動感測器;以及缺陷預測電路系統。所述拋光頭被配置成攜載半導體晶圓且選擇性地使所述半導體晶圓與所述拋光墊接觸。所述墊整修器包括墊整修器頭及耦合到所述墊整修器頭的整修盤,且所述整修盤被配置成與所述拋光墊選擇性地接觸。所述第一運動感測器被配置成感測與所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的至少一者相關聯的第一運動相關參數。所述缺陷預測電路系統被配置成基於所感測到的所述第一運動相關參數來預測所述可旋轉台板、所述拋光
墊、所述拋光頭及所述墊整修器中的所述至少一者的不規律運動。
10:半導體處理設備/設備
12:第一機械組件
14:第二機械組件
100:化學機械拋光設備
110:可旋轉台板/台板
120:拋光墊
130:拋光頭
132:晶圓載體
140:漿料施配器
142:漿料
150:墊整修器
151:墊整修器基座
152:墊整修器臂
153:墊整修器頭
154:整修盤
160:晶圓
170:感測器/運動相關感測器
170a:第一感測器/感測器
170b:第二感測器/感測器
170c:第三感測器/感測器
170d:第四感測器/感測器
170e:第五感測器/感測器
170f:第六感測器/感測器
170g:第七感測器/感測器
180:額外感測器/感測器
260:晶圓
262:正常區
264:異常區
272:基底
274:第一層
276:第二層
282:第一電特徵
284:第二電特徵
400:不規律機械運動探測系統
401:無線通信網絡/無線網絡
410:信號處理電路系統
412:類比/數字轉換器
414:快速傅裡葉變換電路系統
416:窗電路系統
420:缺陷預測電路系統
430:機器學習電路系統
442:波譜圖像數據庫
480:阻抑電路系統
500:波譜圖像/加權波譜圖像
600:流程圖
602、604、606、608、610、612、614、616:操作
D1:旋轉方向/方向/第一旋轉方向
D2:方向
D3:第三方向
t1:第一厚度
t2:第二厚度
t3:第三厚度
結合附圖閱讀以下詳細說明會更好理解本發明的各方面。注意,根據行業中的標準慣例,各種特徵未按比例繪製。事實上,為論述清晰起見,可任意地增大或減小各種特徵的尺寸。
圖1是示意性地說明根據一些實施例的化學機械拋光(Chemical-Mechanical Polishing,CMP)設備的立體圖。
圖2是示出具有缺陷的晶圓的表面的示意圖,所述缺陷由CMP設備的不規律運動造成。
圖3A是示意性地說明在用CMP設備處理之前半導體晶圓的特徵的剖視圖。
圖3B是示意性地說明在用CMP設備處理之後圖3A中所示晶圓的正常區的剖視圖。
圖3C是示意性地說明在用CMP設備處理之後圖3A中所示晶圓的異常區的剖視圖。
圖4是說明根據一些實施例的不規律機械運動探測系統的框圖。
圖5是示意性地說明波譜圖像的圖,所述波譜圖像可由根據一些實施例的圖4中所示系統的信號處理電路系統產生。
圖6是說明根據一個或多個實施例的不規律機械運動預測方法的流程圖。
以下公開內容提供諸多不同的實施例或實例以實施所提供主題的不同特徵。下文闡述組件及排列的具體實例以使本發明簡明。當然,這些僅是實例,並不旨在進行限制。舉例來說,在以下說明中,第一特徵形成在第二特徵之上或形成在第二特徵上可包括第一特徵與第二特徵形成為直接接觸的實施例,且還可包括額外特徵可形成在第一特徵與第二特徵之間使得第一特徵與第二特徵不可直接接觸的實施例。另外,本公開可在各種實例中重複使用參考編號及/或字母。此重複是出於簡明及清晰目的,本質上並不規定所述的各種實施例及/或配置之間的關係。
此外,為便於說明起見,本文中可使用例如“在...之下(beneath)”、“低於(below)”、“下部(lower)”、“在...上面(above)”、“上部(upper)”等空間相對用語來闡述一個元件或特徵與另外的元件或特徵之間的關係,如圖中所說明。除了圖中所繪示的定向之外,所述空間相對用語還旨在囊括器件在使用或操作中的不同定向。可以其他方式對設備進行定向(旋轉90度或處於其他定向),且同樣地可對本文中所使用的空間相對描述符加以相應地解釋。
在各種實施例中,本發明提供可在運作期間辨識或確定組件(例如,CMP設備的組件)的不規律機械運動的系統、設備及方法。
本文中所提供的實施例包括機械運動不規律性預測系統及用於預測半導體處理設備中的一個或多個機械組件的不規律運動的方法,所述預測是基於和與所述一個或多個機械組件相關聯的一個或多個運動相關參
數相關聯的所感測到的信號而進行。在一些實施例中,基於所感測到的信號產生波譜圖像,且所述波譜圖像包括與所感測到的信號相關聯的頻率信息及時間信息。可利用機器學習技術來分析所述波譜圖像,所述分析可至少部分地基於波譜圖像數據庫中所存儲的歷史波譜圖像。
在各種實施例中,可在設備運作期間(例如,在處理半導體晶圓時)預測半導體處理設備的一個或多個組件的不規律運動。可基於所預測到的不規律運動而自動停止半導體處理設備的所述一個或多個組件,借此防止或減少正被處理的半導體晶圓出現任何損壞。
圖1是示意性地說明根據本發明的一個或多個實施例的化學機械拋光(CMP)設備100的立體圖。CMP設備100可包括可旋轉台板110、拋光墊120、拋光頭130、漿料施配器140及襯墊整修器150。拋光墊120排列在台板110上。漿料施配器140、拋光頭130及襯墊整修器150可位於拋光墊120上面。
拋光墊120可附接到台板110,舉例來說,拋光墊120可緊固到台板110的上表面。拋光墊120可由足夠硬的任何材料形成,以允許漿料142中的磨蝕粒子機械地拋光晶圓160,晶圓160位於拋光頭130與拋光墊120之間的拋光位置處。另一方面,拋光墊120需足夠軟,以使得在拋光製程期間其不會實質上刮擦晶圓160。拋光墊120可由聚氨酯或任何其他適合的材料製成。
在CMP製程期間,使台板110以各種適合的速度中的任一者沿著旋轉方向D1旋轉。舉例來說,可通過任何機構(例如,發動機等)使台
板110沿著旋轉方向D1旋轉,台板110的旋轉繼而使拋光墊120在旋轉方向D1上旋轉。拋光頭130可沿著方向D2施加力,這會朝向且抵靠拋光墊120在方向D2上向下推動晶圓160,以使得漿料142可將晶圓160的與拋光墊120接觸的表面拋光。
拋光頭130可包括晶圓載體132,晶圓載體132將晶圓160定位在拋光墊120上的拋光位置處。舉例來說,可將晶圓160設置在晶圓載體132之下且可使晶圓160與拋光墊120接觸。
為將晶圓160進一步平坦化,可使拋光頭130旋轉(例如,如所示地在方向D1上或在反方向上),從而使晶圓160旋轉且同時在拋光墊120上移動,但本發明的各種實施例並不僅限於此。晶圓載體132可牢固地附接到拋光頭130且晶圓載體132可隨拋光頭130一起旋轉。在一些實施例中,如圖1中所示,拋光頭130與拋光墊120在同一方向上(例如,順時針或逆時針)旋轉。在一些替代實施例中,拋光頭130與拋光墊120在相反方向上旋轉。
當CMP設備100在運作中時,漿料142在晶圓160與拋光墊120之間流動。漿料施配器140具有位於拋光墊120之上的出口,漿料施配器140用於將漿料142施配到拋光墊120上。漿料142包含:反應性化學物質,與晶圓160的表面層發生反應;及磨蝕粒子,用於機械地拋光晶圓160的表面。通過漿料中的反應性化學物質與晶圓160的表面層之間的化學反應以及機械拋光,移除晶圓160的表面層中的至少一些。
由於使用了拋光墊120,因此拋光表面往往會變光滑,這可降低
CMP設備100的移除率及總體效率。襯墊整修器150排列在拋光墊120之上,且用於對拋光墊120進行整修且移除在CMP製程期間所產生的不期望的副產物。
墊整修器150可包括墊整修器基座151、墊整修器臂152及墊整修器頭153。墊整修器基座151可以是任何基座結構或可緊固到任何基座結構,且可通常固定在其適當位置處。墊整修器臂152可附接到墊整修器基座151,且墊整修器頭153可附接到墊整修器臂152的與墊整修器基座151相對的一端。墊整修器臂152可例如繞墊整修器臂152與墊整修器基座151連接處的樞軸或接頭旋轉。舉例來說,機構(例如,發動機、致動器等)可操作耦合到墊整修器基座151或墊整修器臂152且可使墊整修器臂152及所附接的墊整修器頭153移動,以使得墊整修器頭153可沿著第三方向D3移動。第三方向D3可以是例如可通過使墊整修器臂152及墊整修器頭153繞樞軸點旋轉而界定的弧或弧的區段,所述樞軸點是墊整修器臂152附接到墊整修器基座151或者可繞墊整修器基座151旋轉的樞軸點。第三方向D3可表示墊整修器頭153沿著弧在任何方向上的行進,例如朝左或朝右,如圖1中所示。
整修盤154機械地耦合到墊整修器頭153。舉例來說,整修盤154可附接到墊整修器頭153。整修盤154可從墊整修器頭153向外(例如,在向下方向上)延伸,以使得當例如在使用CMP設備100期間對拋光墊120進行整修時,整修盤154可與拋光墊120的頂表面接觸。整修盤154通常包括可用於將拋光墊120的表面拋光並重新紋理化的突出部或切割邊緣。
在一些實施例中,整修盤154的暴露表面(例如,下表面)由鑽石磨料形成或者包含所述鑽石磨料,所述鑽石磨料用於整修拋光墊120。此整修盤有時可被稱為“鑽石盤”。在一些實施例中,整修盤154可由其他適合的材料形成,例如洗擦材料、刷毛等。
在整修製程期間,使拋光墊120及整修盤154旋轉,以使得整修盤154的暴露下表面的突出部、切割邊緣、磨料、洗擦材料等相對於拋光墊120的表面移動,以將拋光墊120的表面拋光。整修盤154可沿著第一旋轉方向D1或在相反方向上旋轉。舉例來說,整修盤154可在順時針方向上或在逆時針方向上旋轉。
CMP設備100中可包括任何額外的特徵或組件,舉例來說,CMP設備100可包括半導體處理工具或CMP設備領域的技術人員可熟知的CMP設備的任何額外特徵或組件。在一些實施例中,CMP設備100中可包括一個或多個額外墊整修器150,以使得可同時地或交替地利用多個整修器盤來將拋光墊120的表面拋光。在一些實施例中,CMP設備100包括泵(未示出),例如用於在CMP設備100運作期間在晶圓載體132與晶圓160之間形成真空或負壓以將晶圓160緊固到晶圓載體132的泵。在一些實施例中,CMP設備100包括一個或多個發動機(未示出),例如用於在使用期間移動CMP設備100的各種組件中的任一者的發動機。
CMP設備100包括一個或多個感測器170,所述一個或多個感測器170可位於CMP設備100的各種組件上或內的各個位置處。舉例來說,如圖1中所示,所述一個或多個感測器170可包括以下感測器中的任一者
或多者:第一感測器170a,被配置成感測與拋光頭130相關聯的一個或多個參數;第二感測器170b,被配置成感測與台板110相關聯的一個或多個參數;第三感測器170c,被配置成感測與漿料施配器140相關聯的一個或多個參數;第四感測器170d,被配置成感測與墊整修器基座151相關聯的一個或多個參數;第五感測器170e,被配置成感測與墊整修器臂152相關聯的一個或多個參數;第六感測器170f,被配置成感測與墊整修器頭153相關聯的一個或多個參數;以及第七感測器170g,被配置成感測與整修盤154相關聯的一個或多個參數。在各種實施例中,所述一個或多個感測器170可位於CMP設備100的任何組件上或內,例如包括位於拋光墊120上或位於拋光墊120中、位於晶圓載體132上或位於晶圓載體132中、位於發動機或泵上或位於發動機或泵中、或者位於CMP設備的任何其他特徵或組件上或位於CMP設備的任何其他特徵或組件中。可例如通過將所述一個或多個感測器170緊固到CMP設備100的組件的任何部分(例如,殼體的外側部分等)來將所述感測器170定位在所述組件中的任一者上。可例如通過將所述一個或多個感測器170緊固到CMP設備100的組件的內側部分(例如,殼體的內側等)來將所述感測器170定位在所述組件中的任一者內。
在一些實施例中,所述一個或多個感測器170可操作以感測與CMP設備的所述一個或多個組件相關聯的運動相關參數。在一些實施例中,所述一個或多個感測器170可包括以下各項中的任一者或多者:轉矩感測器、加速度感測器、陀螺儀、振動感測器、壓力感測器、溫度感測器
及濕度感測器。
如本文中稍後更詳細地論述,可對由所述一個或多個感測器170感測到的與CMP設備100的組件相關聯的各種參數加以分析,以探測CMP設備100的各種組件的運動不規律性。CMP設備100的組件的不規律運動或異常運動可導致在處理晶圓160時出現不期望效應,例如可能因CMP設備100的組件不規律運動致使對晶圓160過度拋光或拋光不充分而造成各種缺陷。
圖2是示出具有一個或多個缺陷的晶圓的表面的示意性說明,所述一個或多個缺陷是由CMP設備執行CMP製程時一個或多個組件表現出不規律運動而造成。如圖2中所示,晶圓260的表面包括由CMP設備進行的處理(例如,拋光)產生的一個或多個正常區262以及多個異常區264。異常區264可能是缺陷區,這些缺陷區可導致將由晶圓260形成的半導體裝置(例如,芯片等)中存在缺陷。異常區264可例如由CMP設備100過度拋光晶圓260的表面而造成,且所述過度拋光可能由CMP設備100的組件中的任一者的不規律運動導致,所述CMP設備100的這些組件包括例如拋光頭130、台板110、漿料施配器140、墊整修器基座151、墊整修器臂152、墊整修器頭153、整修盤154、發動機、泵或CMP設備100內的任何其他組件。
圖3A是示意性地說明在用CMP設備處理之前晶圓260的特徵的剖視圖,圖3B是示意性地說明在用CMP設備處理之後晶圓260的正常區262的剖視圖,且圖3C是示意性地說明在用CMP設備處理之後晶圓260
的異常區264的剖視圖。
如圖3A中所示,在用CMP設備處理之前(例如,在拋光晶圓260的表面之前),晶圓260可包括各種層、特徵等。相關領域的技術人員可知,晶圓260可包括任何層、特徵等。在圖3A中所示的實例中,晶圓260包括基底272,基底272可以是半導體裝置製造中所使用的任何適合材料的半導體基底。舉例來說,基底272可以是矽基底;然而,本文中所提供的實施例並不僅限於此。舉例來說,在各種實施例中,基底272可包括砷化鎵(GaAs)、氮化鎵(GaN)、碳化矽(SiC)或任何其他半導體材料。基底272可根據設計規格而包括各種摻雜配置。
第一層274可形成在基底272上,且第一層274可以是製造半導體裝置時所利用的任何材料的層。舉例來說,在一些實施例中,第一層274可以是第一介電層;然而,本文中所提供的實施例並不僅限於此。在各種實施例中,第一層274可以是導電層、半導體層或任何其他材料層。
第二層276可形成在第一層274上,且第二層276可以是製造半導體裝置時所利用的任何材料的層。舉例來說,在一些實施例中,第二層276可以是第二介電層;然而,本文中所提供的實施例並不僅限於此。在各種實施例中,第二層276可以是導電層、半導體層或任何其他材料層。
晶圓260中可形成有一個或多個第一電特徵282,且第一電特徵282可以是在製造半導體裝置時形成的任何電特徵。在圖3A中所示的實例中,第一電特徵282可形成在基底272上;然而,本文中所提供的實施例並不僅限於此。在各種實施例中,第一電特徵282可形成在基底272內,
形成在第一層274中,形成在第二層276中,或形成在晶圓260中的任何其他位置處。第一電特徵282可以是例如任何電組件,例如晶體管、電容器、電阻器、金屬或者導電軌或導線層等。
晶圓260還可包括一個或多個第二電特徵284,所述一個或多個第二電特徵284可以是製造半導體裝置時形成的任何電特徵。在圖3B中所示的實例中,第二電特徵284可形成為在晶圓260的上表面與第一電特徵282之間延伸;然而,本文中所提供的實施例並不僅限於此。第二電特徵284可以是例如導電通孔;然而,在各種實施例中,第二電特徵284可以是任何電組件或電特徵。
在拋光晶圓260的表面(例如,上表面)之前,晶圓260具有特定的厚度,所述厚度稍後因拋光而減小。舉例來說,如圖3A中所示,晶圓260在第一層274的上表面與晶圓260的上表面之間具有第一厚度t1。如圖3A中所示,第一層274的上表面可能是不均勻的或有起伏的,且因此第一層274的上表面與晶圓260的上表面之間的厚度可變化。為便於說明,將第一厚度t1示出為是在第一層274的上表面的形成低凹部的最低點處進行測量。
如圖3B中所示,在拋光晶圓260的上表面之後,所述拋光將第二層276薄化且移除第二層276的一些部分。另外,可通過拋光移除第二電特徵284的一些部分。因此,在進行拋光之後,晶圓260在第一層274的上表面與晶圓260的上表面之間具有第二厚度t2,且第二厚度t2小於第一厚度t1。圖3B說明晶圓260的正常區262。因此,圖3B可表示在正常
拋光製程(即,CMP設備的組件不存在不規律運動)之後晶圓260的預期輪廓。由於這類運動不規律性可主要影響晶圓260的某些部分或區(例如,晶圓260的邊緣區),因此即使CMP設備的一個或多個組件存在不規律運動,所述處理仍可形成晶圓260的一個或多個正常區262。正常區262可以是例如不受不規律運動影響的晶圓260中心區。
如圖3B中所示,在拋光之後,在晶圓260的預期輪廓中或在正常區262中不暴露出第一層274的任何部分。
相比之下,現在參考圖3C,在拋光晶圓260之後,在異常區264中,在晶圓260的上表面處可暴露出第一層274的一些部分。這可導致將由晶圓260形成的半導體裝置(例如,芯片等)中存在缺陷。在異常區264中,晶圓260在第一層274的上表面與晶圓260的上表面之間具有第三厚度t3,第三厚度t3小於第二厚度t2,這指示在異常區264中過度拋光了晶圓260。此外,如上文所述,在異常區264中完全移除了第二層276的一些部分,使得在晶圓260的上表面處暴露出第一層274的一些部分。
再次參考圖1,通過由所述一個或多個感測器170感測與CMP設備100的各種組件相關聯的運動相關參數,並分析所感測到的參數,可探測到CMP設備100的各種組件的運動不規律性,這有助於矯正不規律運動,借此防止或減少由於CMP設備100中的水處理所致的異常區264的出現。此外,在一些實施例中,可基於對所述運動相關參數的分析來預測或確定CMP設備100的組件中的一者或多者的狀態,且在一些實施例中,可基於對所述運動相關參數的分析來預測或確定所述一個或多個組件的剩餘
運作壽命(或出故障之前的時間)。舉例來說,如果對運動相關參數的分析指示組件(例如,CMP設備的墊整修器頭、整修盤、墊整修器臂、泵、發動機等)存在異常機械運動,則可確定組件的狀態(例如,開始劣化,但尚未超出特定容差範圍),且還可依據對運動相關參數的分析來預測或確定組件的剩餘運作壽命。
圖4是說明根據本發明實施例的不規律機械運動探測系統400的框圖。不規律機械運動探測系統400可與半導體處理設備10結合使用,且可包括半導體處理設備10的特徵及功能性中的一者或多者,半導體處理設備10可以是圖1中所示的CMP設備100。然而,本發明所提供的實施例並不僅限於此。在各種實施例中,半導體處理設備10可以是具有在半導體裝置製造製程期間使用的一個或多個機械組件的任何設備,包括例如用於執行化學氣相沉積(Chemical Vapor Deposition,CVD)、物理氣相沉積(Physical Vapor Deposition,PVD)、刻蝕、光刻的設備、或者任何其他的半導體處理設備或工具。在一些實施例中,半導體處理設備10包括為不規律機械運動探測系統400的一部分。不規律機械運動探測系統400可用於基於一個或多個感測器170所感測到的一個或多個運動相關參數來探測CMP設備100的各種組件中的任一者的運動不規律性。
如圖4中所示,半導體處理設備10可包括第一機械組件12及第二機械組件14。第一機械組件12及第二機械組件14可以是半導體處理設備的任何機械組件,包括例如以下各項中的任一者:拋光頭130、台板110、漿料施配器140、墊整修器基座151、墊整修器臂152、墊整修器頭153、
整修盤154、電動機、泵或CMP設備100的任何其他組件。
感測器170可位於第一機械組件12及第二機械組件14上或內,且可被配置成感測與第一機械組件12及第二機械組件14相關聯的一個或多個運動相關參數。在各種實施例中,感測器170可以是圖1中所說明的感測器170a到感測器170g中的任一者,且可以是轉矩感測器、加速度感測器、陀螺儀、振動感測器及任何其他運動相關感測器中的任一者。在一些實施例中,設備10中可包括一個或多個額外感測器180,且這些額外感測器可感測與第一機械組件12或第二機械組件14相關聯的任何額外參數,所述額外感測器包括例如壓力感測器、溫度感測器或濕度感測器。儘管額外感測器180可能不直接感測機械組件的運動,但額外感測器180所感測到的參數可與組件的不規律運動相關。舉例來說,溫度感測器感測溫度;然而,由於溫度可影響例如旋轉速度等運動相關參數,因此某些組件(例如,台板110)的溫度可與組件的不規律運動相關聯。此外,額外感測器180所感測到的參數可與機械組件的有缺陷運作狀況相關聯,且可提供關於機械組件的所預測運作壽命的有用信息。
圖4中將半導體處理設備10示出為僅包括兩個機械組件、兩個感測器170及一個額外感測器180;然而,本發明實施例並不僅限於此。在各種實施例中,半導體處理設備10可包括任何數目個運動相關感測器170及任何數目個額外感測器180,上述感測器可位於設備10的任何數目個機械組件上或內。舉例來說,如圖1中所示,CMP設備100可包括第一到第七(或更多個)感測器170。
運動相關感測器170及額外感測器180可以是高靈敏度感測器,其可操作以感測具有高分辨率數據的高靈敏度信號,所述高分辨率數據可以是模擬數據或數字數據。在一些實施例中,運動相關感測器170中的一者或多者可以是準確度等於或小於約10微克的振動感測器。即,振動感測器可能夠感測等於或小於約10微克的運動(例如,振動加速度)。在一些實施例中,運動相關感測器170或額外感測器180可以是高分辨率感測器,所述高分辨率感測器具有在等於或大於24位的分辨率下被輸出或轉換為數字數據的數據。在一些實施例中,額外感測器180包括準確度等於或小於0.1℃的溫度感測器。
如圖4中所示,不規律機械運動探測系統400包括信號處理電路系統410及缺陷預測電路系統420。
運動相關感測器170及額外感測器180通信耦合到信號處理電路系統410,以使得信號處理電路系統410接收由運動相關感測器170及額外感測器180輸出的信號,所述信號指示所感測到的設備10的各種組件的參數,例如所感測到的與第一機械組件12及第二機械組件14相關聯的參數。運動相關感測器170及額外感測器180可經由任何適合的通信網絡通信耦合到信號處理電路系統410。所述通信網絡可利用一個或多個協議經由一個或多個物理網絡進行通信,所述物理網絡包括局域網絡、無線網絡、專用線路、內聯網、互聯網等。
在一些實施例中,所述通信網絡包括一個或多個電導線,所述一個或多個電導線將運動相關感測器170或額外感測器180通信耦合到信號
處理電路系統410。舉例來說,如圖4中所示,位於第一機械組件12上或內的運動相關感測器170可通過一個或多個電導線通信耦合到信號處理電路系統410。在一些實施例中,通信網絡可包括無線通信網絡401,無線通信網絡401用於將信號從運動相關感測器170或額外感測器180中的任一者傳遞到信號處理電路系統410。舉例來說,如圖4中所示,位於第二機械組件14上或內的運動相關感測器170及額外感測器180可通過無線網絡401通信耦合到信號處理電路系統410。使用無線網絡401對於位於設備10的組件上或內的難以通過電導線佈線的感測器來說可特別有利。舉例來說,第二機械組件14可以是台板,例如台板110,且運動相關感測器170或額外感測器180可被配置成與信號處理電路系統410進行無線通信。運動相關感測器170及額外感測器180中的任一者以及信號處理電路系統410可包括無線通信電路系統,所述無線通信電路系統有助於運動相關感測器170、額外感測器180與信號處理電路系統410進行無線通信。
信號處理電路系統410可以是或包括被配置成執行本文中所述的信號處理技術的任何電路系統。在一些實施例中,信號處理電路系統410可包括計算機處理器、微處理器、微控制器等或可由計算機處理器、微處理器、微控制器等施行,計算機處理器、微處理器、微控制器等被配置成執行本文中關於信號處理電路系統所述的各種功能及運作。舉例來說,信號處理電路系統410可由通過所存儲的計算機程序選擇性啟用或重新配置的計算機處理器來施行,或者可以是為實施本文中所述的特徵及運作而特別建構的計算平臺。在一些實施例中,信號處理電路系統410可被配置成
施行任何計算機可讀存儲媒體中所存儲的軟件指令,所述計算機可讀存儲媒體包括例如唯讀記憶體(Read-Only Memory,ROM)、隨機存取記憶體(Random Access Memory,RAM)、快閃記憶體、硬盤驅動器、光學存儲裝置、磁性存儲裝置、電可擦除可編程唯讀記憶體(Electrically Erasable Programmable Read-Only Memory,EEPROM)、有機存儲媒體等。
信號處理電路系統410接收並處理由運動相關感測器170及額外感測器180輸出的信號。在一些實施例中,信號處理電路系統410包括類比/數字轉換器(Analog-To-Digital Converter,ADC)412,類比/數字轉換器412將類比信號(例如,可從運動相關感測器170及額外感測器180接收到)轉換成數字信號。例如由ADC 412輸出的數字信號可由快速傅裡葉變換(Fast Fourier Transform,FFT)電路系統414處理,快速傅裡葉變換電路系統414應用任何適合的FFT算法或技術來將感測信號(例如,呈數字形式)從時域變換成頻域。用於對信號執行從其原始域(例如,時域)到頻域表示的變換的FFT算法在信號處理領域內是眾所周知的,且FFT電路系統414可利用任何此類已知的FFT算法。將從運動相關感測器170或額外感測器180中的任一者接收到的信號變換成頻域可在某些頻率下或在某些頻帶內產生某些活動尖峰(例如,探測運動、振動等)。舉例來說,這可由各種不同的組件的運動(例如,泵;風扇;發動機;台板、墊整修器、拋光頭的搖擺或振動;或任何其他組件)所致,且不同的運動可具有可在頻域中被單獨探測到且識別到的不同頻率。
信號處理電路系統410可例如使用FFT電路系統414來計算或產
生每一所接收到的感測信號的頻譜。所述每一所接收到的感測信號的頻譜可基於在時域中具有特定取樣週期(例如,時間週期)的樣本來產生。即,可將所述信號中的每一者作為具有某一時間週期(例如,1秒、500毫秒、10毫秒、1毫秒或小於1毫秒)的削波(clip)加以分析。然後,FFT電路系統414可處理運動相關感測器170或額外感測器180所感測到的這些數據削波中的每一者以獲得所述削波的頻譜。
信號處理電路系統410可產生從運動相關感測器170或額外感測器180中的每一者接收到的信號的波譜圖像,且波譜圖像可基於FFT電路系統414所輸出的頻譜及與頻譜中的每一者相關聯的時域信息(例如,削波中的每一者的將信號數據變換成頻域的時間週期)來產生。
信號處理電路系統410還可包括窗電路系統416,窗電路系統416可處理FFT電路系統414的輸出(例如,與感測器輸出的某些時域取樣削波相關聯的頻譜數據)。窗電路系統416可對頻譜應用任何窗函數。已知在信號處理領域內,窗函數可用於進行波譜分析,例如以在多個頻率分量當中(例如,具有不同頻率的振動或運動,這些不同頻率在基於特定感測器所感測到的感測信號而產生的頻譜中可顯而易見)實現較好的分辨率及區分度。
在一些實施例中,窗電路系統416被配置成對FFT電路系統414所輸出的頻譜應用漢明窗(hamming window)。漢明窗是通常在窄帶應用中使用的已知窗函數。通過使用窗電路系統416來應用漢明窗,將特定的所關注頻率分量保留在波譜圖像中,且可提高所關注頻率分量的分辨率及區
分度。
圖5是示意性地說明可由信號處理電路系統410產生的波譜圖像500的圖。在波譜圖像500中,x軸可表示時間單位(例如,秒、毫秒、微秒等)且y軸可表示頻率單位(例如,赫茲)。波譜圖像500可由信號處理電路系統410基於從特定感測器(例如,特定運動相關感測器170或特定額外感測器180)接收到的感測信號來產生。可針對半導體處理設備10中的感測器中的每一者(例如,針對每一運動相關感測器170及每一額外感測器180)生成單獨的波譜圖像500。波譜圖像500表示所感測到的信號在某一有限間隔或取樣週期(如x軸所表示)內的頻率分量。舉例來說,每一波譜圖像500可表示所感測到的信號在10秒、5秒、1秒的週期或任何其他適合的間隔內的頻率分量。可基於FFT電路系統414所產生的多個連續頻譜產生波譜圖像500,這些頻譜中的每一者是基於比波譜圖像500的間隔短的間隔而產生。FFT電路系統414所產生的頻譜不在時域中;而是,所述頻譜表示基於感測器所輸出的信號而獲得的運動頻率。然而,頻譜是依序獲得的,其中每一頻譜是在所感測到的信號的某一取樣週期或時間間隔內獲得。舉例來說,可基於間隔小於1毫秒的所感測到的數據的削波產生頻譜,且可基於多個順序頻譜產生波譜圖像500,所述多個順序頻譜中的每一者是基於多個順序削波針對所感測到的數據而產生。因此,在所提供的實例中,波譜圖像500可具有大於1毫秒的時間間隔。
因此,波譜圖像500以時間方式直觀地表示所感測到的數據的頻譜。即,在第一時間處(例如,在x軸的左側)獲得的頻譜可不同於在稍
後的第二時間處(例如,移動到x軸的右側)獲得的頻譜。頻譜中頻率分量的振幅在波譜圖像500中可通過任何適合的指標來表示。舉例來說,在圖5中所說明的波譜圖像500中,可通過色彩、灰度值等指示頻率分量的振幅。舉例來說,波譜圖像500中第一色彩(例如,紅色)的圓點或區可指示比具有其他色彩的圓點或區(例如,綠色、黃色或藍色圓點)所表示的振幅值(例如,例如振動、加速度、溫度等所感測的參數的振幅)高的振幅值。在一些實施例中,不同色彩中的每一種可表示頻率分量的特定振幅值範圍。色彩被設置為可在波譜圖像中用於指示頻率分量的相對振幅或強度的一個示例性指標;然而,本文中所提供的實施例並不僅限於此。波譜圖像500中可利用任何適合的指標來表示在所測量的削波或間隔處的頻率分量的相對振幅或強度。
再次參考圖4,信號處理電路系統410通信耦合到缺陷預測電路系統420。缺陷預測電路系統420可包括計算機處理器或由計算機處理器施行,所述計算機處理器被配置成執行本文中所述的各種功能及運作。舉例來說,缺陷預測電路系統420可由通過所存儲的計算機程序選擇性啟用或重新配置的計算機處理器來施行,或可以是為實施本文中所述的特徵及運作而特別建構的計算平臺。
在一些實施例中,缺陷預測電路系統420包括記憶體,所述記憶體存儲用於執行本文中所述的特徵或運作中的一者或多者的指令,且缺陷預測電路系統420可操作以施行例如記憶體中所存儲的指令,以執行本文中所述的缺陷預測電路系統420的功能。所述記憶體可以是或可包括任何
計算機可讀存儲媒體,包括例如唯讀記憶體(ROM)、隨機存取記憶體(RAM)、快閃記憶體、硬盤驅動器、光學存儲裝置、磁性存儲裝置、電可擦除可編程唯讀記憶體(EEPROM)、有機存儲媒體等。
缺陷預測電路系統420可從信號處理電路系統410接收波譜圖像500。缺陷預測電路系統420通過機器學習模型例如基於對所接收到的波譜圖像500與以往數據的比較或對所接收到的波譜圖像500的分析來分析波譜圖像500,以預測或確定半導體處理設備10的各種組件的運動不規律性,所述機器學習模型是由指示半導體處理設備10的一個或多個機械組件的不規律運動的以往數據(例如,以往波譜圖像500)訓練。在一些實施例中,缺陷預測電路系統420還可基於對波譜圖像500的分析來預測或確定半導體處理設備10的一個或多個機械組件的狀態或剩餘運作壽命。
在一些實施例中,缺陷預測電路系統420可採用一種或多種人工智能或機器學習技術來預測或確定機械組件的不規律運動、狀態或剩餘運作壽命,在一些實施例中,所述人工智能或機器學習技術可至少部分地由機器學習電路系統430實施。缺陷預測電路系統420可例如響應於從信號處理電路系統410接收到波譜圖像500而自動執行缺陷預測電路系統420所做出的本文中所述的確定中的一些或全部。機器學習電路系統430可包括為缺陷預測電路系統420的一部分(如所示),或可位於遠程位置處且與缺陷預測電路系統420進行通信耦合。機器學習電路系統430可使用以往數據(例如,可基於以往數據來訓練機器學習電路系統430)來預測或確定半導體處理設備10的機械組件的不規律運動、狀態或剩餘運作壽命,所述
以往數據指示機械組件的已知不規律運動(例如,已知指示機械組件的不規律運動的以往波譜圖像)、機械組件的已知狀態及其相關聯的不規律運動(例如,已知出故障或有缺陷機械組件的以往波譜圖像)或機械組件的已知剩餘運作壽命及其相關聯的運動(例如,已知在某一時間週期內已出故障的機械組件的波譜圖像,例如1個月後),且機器學習電路系統430可對所接收到的波譜圖像520與以往數據進行比較以基於與以往數據的或與訓練模型的類似性或偏差來預測或確定機械組件的不規律運動、狀態或剩餘運作壽命,所述以往數據及訓練模型包含在機器學習電路系統430內、由機器學習電路系統430管理或者可由機器學習電路系統430獲取。
本文中使用“人工智能”來廣義地闡述可學習知識(例如,基於訓練數據)且使用這些所學到的知識來調適其解決一個或多個問題的方法(例如,基於所接收到的輸入(例如,所接收到的波譜圖像)做出推測)的任何智能計算系統及方法。機器學習通常是指人工智能的子領域或類別,且在本文中用於廣義地闡述在一個或多個計算機系統或電路系統(例如處理電路系統)中實施的任何算法、數學模型、統計模型等,且機器學習基於樣本數據(或訓練數據)建立一個或多個模型以做出預測或決策。
缺陷預測電路系統420或機器學習電路系統430可採用例如神經網絡、深度學習、卷積神經網絡(convolutional neural network)、貝葉斯程序學習(Bayesian program learning)、支持向量機(support vector machine)及圖形辨識技術(pattern recognition technique)來解決問題,例如預測或確定半導體處理設備的機械組件的不規律運動、狀態或剩餘運作壽命。此外,
缺陷預測電路系統420或機器學習電路系統430可實施以下計算算法或技術的任一者或組合:分類、回歸、監督學習、非監督學習、特徵學習、聚類、決策樹等。
舉例來說,缺陷預測電路系統420或機器學習電路系統430可利用人工神經網絡來開發、訓練或更新可用於預測或確定機械組件的不規律運動、狀態或剩餘運作壽命的一種或多種機器學習模型。示例性人工神經網絡可包括彼此之間交換信息的多個互連“神經元”。連接具有可基於經驗進行調諧的數值權重,且因此神經網絡對輸入具有自適應性且能夠學習。“神經元”可包含在彼此連接的多個單獨層中,例如輸入層、隱含層及輸出層。可通過將訓練數據(例如,指示機械組件的不規律運動、狀態或剩餘運作壽命的以往數據或以往波譜圖像)提供到輸入層來訓練神經網絡。通過訓練,神經網絡可產生及/或修改隱含層,所述隱含層表示將在輸入層處提供的訓練數據映射到輸出層處的已知輸出信息(例如,對表示機械組件的不規律運動、狀態或剩餘運作壽命的所接收到的感測數據進行分類)的加權連接。輸入層、隱含層及輸出層的神經元之間通過訓練過程形成的關係且可包括權重連接關係在內可作為例如一種或多種機器學習模型存儲在機器學習電路系統430內或可由機器學習電路系統430獲取。
一旦已對神經網絡進行了充分訓練,則可在輸入層處向神經網絡提供非訓練數據(例如,在半導體處理設備10運作期間接收到的新波譜圖像500)。利用不規律運動知識(例如,以機器學習模型的形式存儲,且可包括例如神經網絡的神經元之間的加權連接信息),神經網絡可在輸出層處
就所接收到的波譜圖像500做出確定。舉例來說,神經網絡可預測或確定機械組件的不規律運動、狀態或剩餘運作壽命。
採用一種或多種智能計算及/或機器學習技術,缺陷預測電路系統420可學習(例如,基於訓練數據來開發及/或更新機器學習算法或模型)預測或確定機械組件的不規律運動、狀態或剩餘運作壽命,且在一些實施例中,缺陷預測電路系統420可至少部分地基於通過訓練機器學習電路系統430產生或學習的知識、推測等來做出一些預測或確定。
可將機器學習電路系統430實施在可獲取指令的一個或多個處理器中,所述指令可存儲在任何計算機可讀存儲媒體中,可由機器學習電路系統430施行以執行本文中所述的運作或功能中的任一者。
在一些實施例中,機器學習電路系統430通信耦合到波譜圖像數據庫442,波譜圖像數據庫442可存儲在例如任何計算機可讀存儲媒體中。波譜圖像數據庫442可包含將所感測到的參數(例如,由運動相關感測器170或額外感測器180感測到)與機械組件的不規律運動、狀態或剩餘運作壽命關聯起來的信息。在一些實施例中,波譜圖像數據庫442存儲多個歷史(例如,以往)波譜圖像,所述歷史波譜圖像具有已知結果或表示半導體處理設備10的一個或多個機械組件的已知不規律運動、狀態或剩餘運作壽命。
在一些實施例中,可基於波譜圖像數據庫442中所存儲的歷史波譜圖像來訓練機器學習電路系統430。即,可提供歷史波譜圖像作為訓練數據來訓練機器學習電路系統430,且可基於波譜圖像數據庫442中所存儲的
歷史波譜圖像來更新或修改包含在機器學習電路系統430內或可由機器學習電路系統430獲取的算法或機器學習模型,以使得所訓練的機器學習電路系統430可預測或確定機械組件的不規律運動、狀態或剩餘運作壽命。
在一些實施例中,訓練數據(例如,波譜圖像數據庫442中所存儲的歷史波譜圖像)可以是或包括帶標記訓練數據,機器學習電路系統430或缺陷預測電路系統420可從所述帶標記訓練數據學習預測或確定機械組件的不規律運動、狀態或剩餘運作壽命。帶標記訓練數據可包括標記,所述標記指示:波譜圖像數據庫中所存儲的波譜圖像中的一者或多者表示例如機械組件的不規律運動、狀態或剩餘運作壽命。
在使用半導體處理設備10期間,信號處理電路系統處理運動相關感測器170或額外感測器180所感測到的運動相關參數以產生波譜圖像500。然後,缺陷預測電路系統420或機器學習電路系統430可對波譜圖像500進行分析以預測或確定半導體處理設備10的機械組件中的任一者的不規律運動、狀態或剩餘運作壽命。缺陷預測電路系統420或機器學習電路系統430可例如通過對所接收到的波譜圖像500與波譜圖像數據庫442中所存儲的已知與不規律運動等相關聯的歷史波譜圖像進行比較來分析所接收到的波譜圖像500。在一些實施例中,缺陷預測電路系統420或機器學習電路系統430可利用經過訓練的機器學習模型(例如,神經網絡等)來分析所接收到的波譜圖像500。
在一些實施例中,缺陷預測電路系統420或機器學習電路系統430可包括或利用多個機器學習模型,其中每一此種機器學習模型是基於特
定類型(例如,轉矩感測器、加速度感測器、陀螺儀、振動感測器、壓力感測器、溫度感測器或濕度感測器)且從特定位置(例如,在以下組件上或內的位置:拋光頭130、台板110、漿料施配器140、墊整修器基座151、墊整修器臂152、墊整修器頭153、整修盤154、發動機、泵或CMP設備100內的任何其他組件或任何半導體處理設備的任何其他機械組件)提供的感測器數據來訓練。
在一些實施例中,缺陷預測電路系統420或機器學習電路系統430可綜合分析從半導體處理設備10的多個不同的感測器接收到的感測器數據。舉例來說,可產生從半導體處理設備10的多個不同的感測器170、180中的每一者接收到的感測器數據的波譜圖像500。不同的波譜圖像500中的每一者可遵照例如由機器學習電路系統430(其在一些實施例中可以是神經網絡)設定的特定權重或系數值。然後,可將多個加權波譜圖像500組合成同時表示來自所有的單獨感測器170、180的感測器數據的單個波譜圖像,且可將組合的波譜圖像與機器學習模型進行比較,以預測或確定半導體處理設備10的機械組件中的任一者的不規律運動、狀態或剩餘運作壽命。
在一些實施例中,不規律機械運動探測系統400可包括阻抑電路系統480,阻抑電路系統480通信耦合到缺陷預測電路系統420及半導體處理設備10,且被配置成例如在從缺陷預測電路系統420接收到一個或多個機械組件的運動不規律且因此應停止所述一個或多個機械組件的指示時,自動阻抑或停止半導體處理設備10的所述一個或多個機械組件(例如,第
一機械組件12或第二機械組件14)。阻抑電路系統480可以是例如控制器或控制電路系統,所述控制器或控制電路系統可包括在半導體處理設備10內或位於半導體處理設備10的遠程位置處,且被配置成控制半導體處理設備10的運作。阻抑電路系統480還可提供缺陷指示(例如,視覺指示或聽覺指示),所述缺陷指示可用於警示維修人員檢查經預測有缺陷的組件或正由經預測有缺陷的組件處理的晶圓。
圖6是說明根據一個或多個實施例的不規律機械運動預測方法的流程圖600。不規律機械運動預測方法可至少部分地例如由圖1中所示且參照圖1所述的CMP設備100或圖4中所示且參照圖4所述的不規律機械運動探測系統400來實施。
在602處,所述方法包括接收指示半導體處理設備的一個或多個組件的運動相關參數的感測信號。所述感測信號可例如由可位於半導體處理設備的任何機械組件上或內的任何運動相關感測器170提供。舉例來說,感測器170可以是圖1中所說明的CMP設備100中所包括的感測器,且可包括以下感測器中的任一者或多者:第一感測器170a,被配置成感測與拋光頭130相關聯的一個或多個參數;第二感測器170b,被配置成感測與台板110相關聯的一個或多個參數;第三感測器170c,被配置成感測與漿料施配器140相關聯的一個或多個參數;第四感測器170d,被配置成感測與墊整修器基座151相關聯的一個或多個參數;第五感測器170e,被配置成感測與墊整修器臂152相關聯的一個或多個參數;第六感測器170f,被配置成感測與墊整修器頭153相關聯的一個或多個參數;及第七感測器170g,
被配置成感測與整修盤154相關聯的一個或多個參數。舉例來說,不規律機械運動探測系統400的信號處理電路系統410可接收所述感測信號。
在604處,將所接收到的感測信號變換成頻譜數據。舉例來說,可包括為信號處理電路系統410的一部分的FFT電路系統414可應用FFT算法來將所接收到的感測信號變換成頻譜數據,如本文中先前所述。在一些實施例中,首先例如通過類比/數字轉換器412將感測信號轉換成數字感測信號,且然後將所述數字感測信號變換成頻譜數據。在一些實施例中,在604處,信號處理電路系統410可應用窗函數(例如,通過窗電路系統416)作為將感測信號變換成頻譜數據的一部分。
在606處,基於所接收到的感測信號及頻譜數據產生波譜圖像500。舉例來說,波譜圖像500可包含FFT電路系統414所產生的頻譜且還可包含與所述頻譜中的每一者相關聯的時域信息(例如,削波中的每一者的將信號數據變換成頻域的時間週期)。因此,波譜圖像500可以時間方式提供感測信號的頻譜數據的視覺表示。
在608處,缺陷預測電路系統420或機器學習電路系統430預測或確定半導體處理設備的所述一個或多個組件的不規律運動。在608處分析波譜圖像以預測不規律運動可包括對在606處產生的波譜圖像500與例如波譜圖像數據庫442中所存儲的一個或多個歷史波譜圖像進行比較。在一些實施例中,利用機器學習模型或算法來接收所產生的波譜圖像500(例如,作為神經網絡的輸入)並預測半導體處理設備的所述一個或多個組件的不規律運動(例如,作為神經網絡的輸出)。
在610處,預測半導體處理設備的所述一個或多個組件的狀態或剩餘運作壽命。此預測可例如由缺陷預測電路系統420或機器學習電路系統430基於對波譜圖像500的分析來執行,如本文中先前所述。
在612處,舉例來說,缺陷預測電路系統420或機器學習電路系統430基於對波譜圖像500的分析來預測晶圓缺陷。所述晶圓可以是當前正經受半導體處理設備處理的晶圓,例如正經受CMP設備100的CMP處理的晶圓。在612處對晶圓缺陷的預測可基於在608處對不規律運動的預測來進行。舉例來說,如果缺陷預測電路系統420或機器學習電路系統430預測或確定半導體處理設備的組件的運動不規律,則這可指示所述組件存在有缺陷運作。因此,組件的有缺陷運作導致所處理的晶圓也將因組件的有缺陷運作而具有缺陷。舉例來說,缺陷預測電路系統420或機器學習電路系統430可基於從位於墊整修器頭153上的感測器170f接收到的信號來確定整修盤154的運動是不規律的或異常的(例如,有缺陷運作)。整修盤154的不規律運動可因過度拋光狀況而導致半導體晶圓的邊緣輪廓比應有的邊緣輪廓薄。因此,缺陷預測電路系統420或機器學習電路系統430可基於半導體處理設備的組件的所預測或所確定缺陷來預測或確定半導體晶圓中存在缺陷。
如果在612處預測存在晶圓缺陷,則在一些實施例中,所述方法可包括在614處自動阻抑或停止半導體處理設備的一個或多個組件。舉例來說,阻抑電路系統480可從缺陷預測電路系統420接收缺陷狀況的指示或預測晶圓存在缺陷的指示,且阻抑電路系統480可控制半導體處理設備
的一個或多個組件,借此阻抑或停止所述一個或多個組件。
在616處,將反饋提供給機器學習電路系統430,例如機器學習模型,所述機器學習模型可包括為機器學習電路系統430的一部分或可由機器學習電路系統430獲取。所述反饋可例如用作訓練數據來進一步訓練機器學習模型。反饋可指示,例如所產生的特定波譜圖像指示半導體處理設備的所述一個或多個組件的不規律運動(例如,基於608處的預測)、特定狀態(例如,基於610處的預測,正常狀態、異常狀態)或剩餘使用壽命(例如,基於610處的預測,可能將在一個月、一周、一天等內出故障)。波譜圖像及在608或610處的預測結果可作為訓練數據被一起提供,且可存儲在波譜圖像數據庫442中,以用於進一步訓練機器學習電路系統430或機器學習模型。
本發明實施例具備數個優勢,且提供例如半導體處理設備、系統及方法領域內存在的技術問題的技術解決方案。舉例來說,本發明實施例可操作以預測或確定半導體處理設備的一個或多個機械組件的不規律運動。這具備優於傳統系統的顯著優勢,在傳統系統中無法預測這些不規律運動,這會導致故障且可能導致半導體晶圓報廢。這會導致成本提高且利潤降低。此外,在一些情形中,直到已執行了各種額外處理才可探測到可能形成在由已經受設備處理的晶圓形成的半導體裝置中的一些缺陷。這導致進一步損耗對有缺陷晶圓執行額外處理所花費的成本及時間。然而,本發明實施例可通過預測半導體處理設備的一個或多個組件的不規律運動來避免或減少損耗,且可停止設備的運作以免對晶圓造成損壞。
由於本發明的一些實施例能夠預測半導體處理設備的組件的狀態(例如,開始劣化,但尚未超出特定容差範圍)或剩餘運作壽命(例如,可能將在一個月、一周、一天等內出故障),因此本發明實施例還實現優於傳統半導體處理系統、設備及方法的顯著改進。這允許例如通過使維修人員等能夠監測組件的狀態且在達到組件的不規律運動將對晶圓造成損壞這一狀態之前修復組件來避免缺陷。
根據一個實施例,一種機械運動不規律性預測系統包括一個或多個運動感測器,所述一個或多個運動感測器被配置成感測與半導體處理設備的至少一個機械組件相關聯的運動相關參數。所述一個或多個運動感測器基於所感測到的所述運動相關參數來輸出感測信號。所述機械運動不規律性預測系統還包括缺陷預測電路系統,所述缺陷預測電路系統被配置成基於所述感測信號來預測所述至少一個機械組件的不規律運動。根據一個實施例,所述機械運動不規律性預測系統還包括數據庫,所述數據庫通信耦合到所述缺陷預測電路系統,所述數據庫存儲與所述至少一個機械組件的所述不規律運動相關聯的信息,其中所述缺陷預測電路系統被配置成基於所述感測信號及所述數據庫中所存儲的所述信息來預測所述至少一個機械組件的所述不規律運動。根據一個實施例,所述機械運動不規律性預測系統還包括信號處理電路系統,所述信號處理電路系統通信耦合到所述一個或多個運動感測器及所述缺陷預測電路系統,所述信號處理電路系統被配置成:接收從所述一個或多個運動感測器輸出的所述感測信號;基於所述感測信號產生波譜圖像,所述波譜圖像包含與所述感測信號相關聯的頻
率信息及時間信息。根據一個實施例,所述信號處理電路系統包括類比/數字轉換器,所述類比/數字轉換器被配置成將所接收到的所述感測信號轉換成數字感測信號。根據一個實施例,所述信號處理電路系統還包括快速傅裡葉變換(FFT)電路系統,所述快速傅裡葉變換電路系統被配置成將所述數字感測信號變換成頻譜數據。根據一個實施例,所述信號處理電路系統還包括窗電路系統,所述窗電路系統被配置成對所述頻譜數據應用窗函數。根據一個實施例,所述機械運動不規律性預測系統還包括歷史波譜圖像數據庫,所述歷史波譜圖像數據庫存儲指示所述至少一個機械組件的所述不規律運動的多個歷史波譜圖像,其中所述缺陷預測電路系統被配置成基於所述波譜圖像及所述歷史波譜圖像來預測所述至少一個機械組件的所述不規律運動。根據一個實施例,其中所述缺陷預測電路系統還被配置成基於所述感測信號來預測所述至少一個機械組件的狀態及剩餘運作壽命中的至少一者。根據一個實施例,所述機械運動不規律性預測系統還包括阻抑電路系統,所述阻抑電路系統通信耦合到所述缺陷預測電路系統及所述半導體處理設備的所述至少一個機械組件,所述阻抑電路系統被配置成響應於所述缺陷預測電路系統預測到所述至少一個機械組件的所述不規律運動而停止所述至少一個機械組件的運作。
根據另一實施例,提供一種預測不規律運動的方法,所述方法包括:通過至少一個運動感測器感測與半導體處理設備的至少一個機械組件相關聯的運動相關參數。通過信號處理電路系統產生波譜信息,且所述波譜信息是基於所述感測信號而產生。缺陷預測電路系統基於所述波譜信息
來預測所述至少一個機械組件的不規律運動。根據另一個實施例,所述產生所述波譜信息包括:將所述感測信號轉換成數字感測信號;將所述數字感測信號變換成頻譜數據;以及對所述頻譜數據應用窗函數。根據另一個實施例,所述產生所述波譜信息包括產生波譜圖像,所述波譜圖像包含與所述感測信號相關聯的頻率信息及時間信息。根據另一個實施例,所述預測所述至少一個機械組件的不規律運動包括:通過機器學習電路系統分析所產生的所述波譜圖像,所述機器學習電路系統被訓練成基於指示所述至少一個機械組件的所述不規律運動的多個歷史波譜圖像來預測所述不規律運動。根據另一個實施例,所述預測不規律運動的方法還包括:基於所述預測到所述至少一個機械組件的所述不規律運動來自動停止所述至少一個機械組件的運作。
根據又一實施例,提供一種化學機械拋光(CMP)設備,所述化學機械拋光設備包括可旋轉台板;拋光墊,位於所述可旋轉台板上;拋光頭;墊整修器;第一運動感測器;以及缺陷預測電路系統。所述拋光頭被配置成攜載半導體晶圓且選擇性地使所述半導體晶圓與所述拋光墊接觸。所述墊整修器包括墊整修器頭及耦合到所述墊整修器頭的整修盤,且所述整修盤被配置成與所述拋光墊選擇性地接觸。所述第一運動感測器被配置成感測與所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的至少一者相關聯的第一運動相關參數。所述缺陷預測電路系統被配置成基於所感測到的所述第一運動相關參數來預測所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者的不規律運動。根據又
一實施例,所述化學機械拋光設備還包括信號處理電路系統,所述信號處理電路系統通信耦合到所述第一運動感測器及所述缺陷預測電路系統,所述信號處理電路系統被配置成基於所感測到的所述第一運動相關參數產生波譜圖像,所述波譜圖像包含與所述第一運動相關參數相關聯的頻率信息及時間信息。根據又一實施例,所述化學機械拋光設備還包括阻抑電路系統,所述阻抑電路系統通信耦合到所述缺陷預測電路系統且耦合到所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者,所述阻抑電路系統被配置成響應於所述缺陷預測電路系統預測到所述不規律運動而停止所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者的運作。根據又一實施例,其中所述第一運動感測器包括以下各項中的至少一者:轉矩感測器、加速度感測器、陀螺儀及振動感測器。根據又一實施例,所述化學機械拋光設備還包括第二感測器,所述第二感測器被配置成感測與所述可旋轉台板、所述拋光墊、所述拋光頭或所述墊整修器相關聯的第二參數,所述第二感測器包括壓力感測器、溫度感測器及濕度感測器中的至少一者,其中所述缺陷預測電路系統被配置成基於所感測到的所述第一運動相關參數及所感測到的所述第二參數來預測所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者的所述不規律運動。根據又一實施例,其中所述缺陷預測電路系統被配置成基於所感測到的所述第一運動相關參數來預測所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者的狀態及剩餘運作壽命中的至少一者。
上述內容概述了數個實施例的特徵,以使所屬領域的技術人員可更好地理解本揭露的各方面。所屬領域的技術人員應瞭解,其可容易地使用本揭露作為設計或修改其他製程及結構以實現與本文中所介紹的實施例相同的目的及/或達成相同的優勢的基礎。所屬領域的技術人員還應意識到這些等效構造並不背離本揭露的精神及範圍,且其可在不背離本揭露的精神及範圍的情況下在本文中做出各種變化、代替及變動。
可對上文所述的各種實施例進行組合以提供其他實施例。可鑒於以上詳細說明對所述實施例做出這些改變及其他改變。通常,在以下權利要求書中,用語不應被解釋為將權利要求書限制於說明書及權利要求書中所揭露的具體實施例,而是應解釋為包括所有可能的實施例以及權利要求書授權的等效內容的全部範圍。因此,權利要求書不受本揭露限制。
100:化學機械拋光設備
110:可旋轉台板/台板
120:拋光墊
130:拋光頭
132:晶圓載體
140:漿料施配器
142:漿料
150:墊整修器
151:墊整修器基座
152:墊整修器臂
153:墊整修器頭
154:整修盤
160:晶圓
170a:第一感測器/感測器
170b:第二感測器/感測器
170c:第三感測器/感測器
170d:第四感測器/感測器
170e:第五感測器/感測器
170f:第六感測器/感測器
170g:第七感測器/感測器
D1:旋轉方向/方向/第一旋轉方向
D2:方向
D3:第三方向
Claims (8)
- 一種機械運動不規律性預測系統,包括:一個或多個運動感測器,被配置成感測與半導體處理設備的至少一個機械組件相關聯的運動相關參數,且基於所感測到的所述運動相關參數輸出感測信號,所述機械組件在製程期間適於進行機械運動,機械運動包括振動、轉動、移動或其組合;信號處理電路系統,通信耦合到所述一個或多個運動感測器,所述信號處理電路系統被配置成:接收從所述一個或多個運動感測器輸出的所述感測信號;基於所述感測信號產生波譜圖像,所述波譜圖像包含與所述感測信號相關聯的頻率信息及時間信息;以及缺陷預測電路系統,被配置成分析所述波譜圖像來預測所述至少一個機械組件的不規律運動,其中機器學習電路系統被配置成接收反饋,所述反饋指示所述波譜圖像指示所述至少一個機械組件的所述不規律運動,且所述反饋用作訓練數據來訓練所述機器學習電路系統,其中所述機器學習電路系統包括為所述缺陷預測電路系統的一部分或位於遠程位置處且與所述缺陷預測電路系統進行通信耦合。
- 如申請專利範圍第1項所述的機械運動不規律性預測系統,還包括:數據庫,通信耦合到所述缺陷預測電路系統,所述數據庫存儲與所述至少一個機械組件的所述不規律運動相關聯的信息, 其中所述缺陷預測電路系統被配置成基於所述感測信號及所述數據庫中所存儲的所述信息來預測所述至少一個機械組件的所述不規律運動。
- 如申請專利範圍第1項所述的機械運動不規律性預測系統,還包括:阻抑電路系統,通信耦合到所述缺陷預測電路系統及所述半導體處理設備的所述至少一個機械組件,所述阻抑電路系統被配置成響應於所述缺陷預測電路系統預測到所述至少一個機械組件的所述不規律運動而停止所述至少一個機械組件的運作。
- 一種預測不規律運動的方法,包括:通過至少一個運動感測器來感測與半導體處理設備的至少一個機械組件相關聯的運動相關參數;通過信號處理電路系統基於感測信號來產生波譜信息,所述產生所述波譜信息包括產生波譜圖像,所述波譜圖像包含與所述感測信號相關聯的頻率信息及時間信息;以及通過缺陷預測電路系統分析所述波譜圖像來預測所述至少一個機械組件的不規律運動,包括:通過機器學習電路系統分析所產生的所述波譜圖像,所述機器學習電路系統被訓練成基於指示所述至少一個機械組件的所述不規律運動的多個歷史波譜圖像來預測所述不規律運動,其中所述機器學習電路系統被配置成接收反饋,所述反饋指示所 產生的所述波譜圖像指示所述至少一個機械組件的所述不規律運動,所述反饋用作訓練數據來訓練所述機器學習電路系統。
- 如申請專利範圍第4項所述的預測不規律運動的方法,其中所述產生所述波譜信息包括:將所述感測信號轉換成數字感測信號;將所述數字感測信號變換成頻譜數據;以及對所述頻譜數據應用窗函數。
- 如申請專利範圍第4項所述的預測不規律運動的方法,還包括:基於所述預測到所述至少一個機械組件的所述不規律運動來自動停止所述至少一個機械組件的運作。
- 一種化學機械拋光設備,包括:可旋轉台板;拋光墊,位於所述可旋轉台板上;拋光頭,被配置成攜載半導體晶圓且選擇性地使所述半導體晶圓與所述拋光墊接觸;墊整修器,具有墊整修器頭及耦合到所述墊整修器頭的整修盤,所述整修盤被配置成與所述拋光墊選擇性地接觸;第一運動感測器,被配置成感測與所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的至少一者相關聯的第一運動相關參數;信號處理電路系統,通信耦合到所述第一運動感測器,所述 信號處理電路系統被配置成:接收從所述第一運動感測器輸出的感測信號;基於所述感測信號產生波譜圖像,所述波譜圖像包含與所述感測信號相關聯的頻率信息及時間信息;以及缺陷預測電路系統,被配置成分析所述波譜圖像來預測所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者的不規律運動,其中機器學習電路系統被配置成接收反饋,所述反饋指示所述波譜圖像指示所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者的所述不規律運動,且所述反饋用作訓練數據來訓練所述機器學習電路系統,其中所述機器學習電路系統包括為所述缺陷預測電路系統的一部分或位於遠程位置處且與所述缺陷預測電路系統進行通信耦合。
- 如申請專利範圍第7項所述的化學機械拋光設備,還包括:阻抑電路系統,通信耦合到所述缺陷預測電路系統且耦合到所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者,所述阻抑電路系統被配置成響應於所述缺陷預測電路系統預測到所述不規律運動而停止所述可旋轉台板、所述拋光墊、所述拋光頭及所述墊整修器中的所述至少一者的運作。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862752598P | 2018-10-30 | 2018-10-30 | |
US62/752,598 | 2018-10-30 | ||
US16/431,957 US11731232B2 (en) | 2018-10-30 | 2019-06-05 | Irregular mechanical motion detection systems and method |
US16/431,957 | 2019-06-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202015858A TW202015858A (zh) | 2020-05-01 |
TWI771620B true TWI771620B (zh) | 2022-07-21 |
Family
ID=70327608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108134912A TWI771620B (zh) | 2018-10-30 | 2019-09-26 | 化學機械拋光設備與不規律機械運動預測系統及方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11731232B2 (zh) |
CN (1) | CN111113255B (zh) |
TW (1) | TWI771620B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10854486B2 (en) * | 2018-09-19 | 2020-12-01 | Kla Corporation | System and method for characterization of buried defects |
JP2021194748A (ja) * | 2020-06-17 | 2021-12-27 | 株式会社荏原製作所 | 研磨装置及びプログラム |
US20220205451A1 (en) * | 2020-12-31 | 2022-06-30 | Robert Bosch Gmbh | Sensing via signal to signal translation |
US11686650B2 (en) | 2020-12-31 | 2023-06-27 | Robert Bosch Gmbh | Dynamic spatiotemporal beamforming |
US20220284560A1 (en) * | 2021-03-05 | 2022-09-08 | Applied Materials, Inc. | Detecting an excursion of a cmp component using time-based sequence of images |
JP2024508913A (ja) * | 2021-03-05 | 2024-02-28 | アプライド マテリアルズ インコーポレイテッド | 保持リングを分類するための機械学習 |
WO2022232290A1 (en) * | 2021-04-30 | 2022-11-03 | Applied Materials, Inc. | Monitor chemical mechanical polishing process using machine learning based processing of heat images |
TWI800195B (zh) * | 2021-12-30 | 2023-04-21 | 大量科技股份有限公司 | 用於拋光墊表面之量測訊號的智慧分析系統、方法及其電腦程式產品 |
JP2023148614A (ja) * | 2022-03-30 | 2023-10-13 | 株式会社荏原製作所 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
CN114918817A (zh) * | 2022-05-27 | 2022-08-19 | 河南科技学院 | 一种Roll-to-Roll化学机械抛光装置及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030045009A1 (en) * | 2001-09-06 | 2003-03-06 | Junichi Tanaka | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor |
TW200915407A (en) * | 2007-01-30 | 2009-04-01 | Ebara Corp | Polishing apparatus |
CN102956521A (zh) * | 2011-08-17 | 2013-03-06 | 台湾积体电路制造股份有限公司 | 用于在cmp加工中实时差错检测的装置和方法 |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
CN105881194A (zh) * | 2015-02-16 | 2016-08-24 | 株式会社迪思科 | 加工装置 |
CN106652999A (zh) * | 2015-10-29 | 2017-05-10 | 三星Sds株式会社 | 语音识别系统以及方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1168127C (zh) | 2000-09-22 | 2004-09-22 | 联华电子股份有限公司 | 化学机械研磨异常探测装置 |
US6431953B1 (en) | 2001-08-21 | 2002-08-13 | Cabot Microelectronics Corporation | CMP process involving frequency analysis-based monitoring |
JP3692106B2 (ja) | 2002-09-27 | 2005-09-07 | 株式会社東芝 | 製造装置及び回転機の寿命予測方法 |
US20060063383A1 (en) | 2004-09-20 | 2006-03-23 | Pattengale Philip H Jr | CMP process endpoint detection method by monitoring and analyzing vibration data |
US8096852B2 (en) | 2008-08-07 | 2012-01-17 | Applied Materials, Inc. | In-situ performance prediction of pad conditioning disk by closed loop torque monitoring |
US8454408B2 (en) | 2008-11-26 | 2013-06-04 | Applied Materials, Inc. | Load cup substrate sensing |
US8430717B2 (en) | 2010-10-12 | 2013-04-30 | Wayne O. Duescher | Dynamic action abrasive lapping workholder |
JP5973883B2 (ja) * | 2012-11-15 | 2016-08-23 | 株式会社荏原製作所 | 基板保持装置および研磨装置 |
JP6595987B2 (ja) * | 2014-04-22 | 2019-10-23 | 株式会社荏原製作所 | 研磨方法 |
US9878421B2 (en) | 2014-06-16 | 2018-01-30 | Applied Materials, Inc. | Chemical mechanical polishing retaining ring with integrated sensor |
US10513008B2 (en) | 2016-09-15 | 2019-12-24 | Applied Materials, Inc. | Chemical mechanical polishing smart ring |
SG11201902651QA (en) * | 2016-10-18 | 2019-05-30 | Ebara Corp | Substrate processing control system, substrate processing control method, and program |
-
2019
- 2019-06-05 US US16/431,957 patent/US11731232B2/en active Active
- 2019-09-26 TW TW108134912A patent/TWI771620B/zh active
- 2019-09-29 CN CN201910933035.3A patent/CN111113255B/zh active Active
-
2023
- 2023-06-21 US US18/339,099 patent/US20230330803A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030045009A1 (en) * | 2001-09-06 | 2003-03-06 | Junichi Tanaka | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor |
TW200915407A (en) * | 2007-01-30 | 2009-04-01 | Ebara Corp | Polishing apparatus |
CN102956521A (zh) * | 2011-08-17 | 2013-03-06 | 台湾积体电路制造股份有限公司 | 用于在cmp加工中实时差错检测的装置和方法 |
CN105881194A (zh) * | 2015-02-16 | 2016-08-24 | 株式会社迪思科 | 加工装置 |
CN106652999A (zh) * | 2015-10-29 | 2017-05-10 | 三星Sds株式会社 | 语音识别系统以及方法 |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200130130A1 (en) | 2020-04-30 |
CN111113255B (zh) | 2022-05-10 |
US20230330803A1 (en) | 2023-10-19 |
US11731232B2 (en) | 2023-08-22 |
CN111113255A (zh) | 2020-05-08 |
TW202015858A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI771620B (zh) | 化學機械拋光設備與不規律機械運動預測系統及方法 | |
US10795346B2 (en) | Machine learning systems for monitoring of semiconductor processing | |
US9308618B2 (en) | Linear prediction for filtering of data during in-situ monitoring of polishing | |
US11507824B2 (en) | Training spectrum generation for machine learning system for spectrographic monitoring | |
JP2020518131A (ja) | モニタリング用のニューラルネットワークを用いた研磨装置 | |
US8992286B2 (en) | Weighted regression of thickness maps from spectral data | |
US11969855B2 (en) | Filtering during in-situ monitoring of polishing | |
US11850699B2 (en) | Switching control algorithms on detection of exposure of underlying layer during polishing | |
US20220283082A1 (en) | In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring | |
KR20220011144A (ko) | 기판 처리 시스템 | |
CN109844923A (zh) | 用于化学机械抛光的实时轮廓控制 | |
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 | |
CN115008339B (zh) | 使用基于时间的图像序列检测cmp部件的偏移 | |
US9679823B2 (en) | Metric for recognizing correct library spectrum | |
JP2023540839A (ja) | 機械学習に基づく熱画像処理を使用した化学機械研磨プロセスの監視 | |
KR102670962B1 (ko) | 연마의 인-시튜 모니터링 동안의 필터링 | |
US11980995B2 (en) | Motor torque endpoint during polishing with spatial resolution |