TWI826943B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- TWI826943B TWI826943B TW111107932A TW111107932A TWI826943B TW I826943 B TWI826943 B TW I826943B TW 111107932 A TW111107932 A TW 111107932A TW 111107932 A TW111107932 A TW 111107932A TW I826943 B TWI826943 B TW I826943B
- Authority
- TW
- Taiwan
- Prior art keywords
- polishing
- retaining ring
- profile
- substrate
- rings
- Prior art date
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 title claims description 11
- 239000000758 substrate Substances 0.000 claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 51
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000014759 maintenance of location Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 22
- 230000008569 process Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000004696 Poly ether ether ketone Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 229920002530 polyetherether ketone Polymers 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000945 filler Substances 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007517 polishing process Methods 0.000 description 3
- -1 polyethylene terephthalate Polymers 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 239000004693 Polybenzimidazole Substances 0.000 description 2
- 239000004697 Polyetherimide Substances 0.000 description 2
- 239000004734 Polyphenylene sulfide Substances 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 229920002480 polybenzimidazole Polymers 0.000 description 2
- 229920001707 polybutylene terephthalate Polymers 0.000 description 2
- 229920001601 polyetherimide Polymers 0.000 description 2
- 229920000139 polyethylene terephthalate Polymers 0.000 description 2
- 239000005020 polyethylene terephthalate Substances 0.000 description 2
- 229920000069 polyphenylene sulfide Polymers 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000009334 Singa Species 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 239000003082 abrasive agent Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000012790 adhesive layer Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007779 soft material Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of 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
- B24B37/005—Control means for lapping machines or devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B24B37/27—Work carriers
- B24B37/30—Work carriers for single side lapping of plane surfaces
- B24B37/32—Retaining rings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Numerical Control (AREA)
Abstract
一種用於優化拋光的方法,包括對於安裝在特定承載頭上的複數個保持環中的每個相應保持環,使用座標測量機對安裝在特定承載頭上的相應保持環的底表面執行測量並且收集使用相應保持環拋光的基板的相應去除輪廓。基於對保持環的底表面和相應去除輪廓的測量來訓練機器學習模型。
Description
本公開大體涉及化學機械拋光,並且更具體地,涉及使用機器學習對保持環進行分類。
積體電路典型地在矽晶圓上藉由順序地沉積導電層、半導電層或絕緣層並藉由對這些層的後續處理而被形成在基板(例如,半導體晶圓)上。
一個製造步驟涉及在非平面表面上沉積填料層並使該填料層平坦化。對於某些應用,填料層被平坦化,直到經圖案化的層的頂表面被暴露或期望的厚度保留在下方的層上方。另外,平坦化可用於使例如介電質層的基板表面平坦化以用於光刻。
化學機械拋光(CMP)是一種公認的平坦化方法。該平坦化方法通常要求基板被安裝在承載頭上。基板的被暴露的表面抵靠旋轉的拋光墊而放置。承載頭提供基板上的可控負載,從而將其推至抵靠拋光墊。在一些拋光機器中,承載頭包括形成多個獨立地可加壓的徑向同心的
腔室的膜,其中,每個腔室中的壓力控制基板上的每個對應區域中的拋光速率。拋光液,諸如具有研磨顆粒的漿料,被供應到拋光墊的表面。
作為單獨的問題,機器學習被廣泛用於藉由經驗(例如,歷史資料)來輔助自動化,例如,將專案劃分為不同的類別。機器學習可分為三大類:使用具有已知類別標籤的輸入資料的監督學習,使用不知道類別標籤的輸入資料的無監督學習,以及旨在藉由導航和與環境交互達到特定目標的強化學習。如一些示例,無監督學習已被用於行銷(例如,客戶細分)、生物學(例如,聚類DNA模式)和金融(例如,異常偵測或欺詐偵測)。
機器學習的一個分支是深度學習,在深度學習中通常採用神經網路。神經網路是一種機器學習模型,它使用一層或多層非線性單元來對接收的輸入預測其輸出。一些神經網路除了輸出層之外還包括一個或多個隱藏層。每個隱藏層的輸出被作為該網路中下一層(即下一個隱藏層或輸出層)的輸入。該網路的每一層根據各自的一組參數的當前值對接收的輸入生成輸出。
一種用於評估拋光的方法,包括:對於安裝在特定承載頭上的複數個保持環中的每個相應保持環,使用座標測量機對安裝在特定載體頭上的相應保持環的底表面進行測量。測量值表示底表面的特徵。執行無監督學習演算法,以基於複數個保持環的測量將複數個保持環中的每一
個分類到相應的類別中;存儲由無監督學習演算法生成的分類;以及根據拋光輪廓測量評估分類,以決定驅使輪廓差異的參數。
在另一態樣,一種用於優化拋光的方法,包括對於安裝在特定承載頭上的複數個保持環中的每個相應保持環,使用座標測量機對安裝在特定承載頭上的相應保持環的底表面執行測量並且收集使用相應保持環拋光的基板的相應去除輪廓。基於對保持環的底表面和相應去除輪廓的測量來訓練機器學習模型。
某些實施方式可以包括但不限於以下可能的優勢中的一個或多個。
可跨保持環的底表面以高解析度進行測量,例如,在保持環的整個底表面上進行網格掃描。這將生成足夠的幾何資訊,以使得能夠分析保持環特徵。特定保持環的分析的特徵可與使用保持環拋光的基板的一個或多個拋光輪廓相關聯,從而允許決定驅使拋光輪廓差異的與保持環相關的一個或多個參數。
另外,基於由網格掃描收集的測量值來預測拋光輪廓。具體地,可以使用無監督機器學習演算法將一個或多個保持環分類為複數個類別中的相應類別。每個經分類的保持環可與使用該經分類的保持環拋光的相應基板的一個或多個拋光輪廓相關聯。
可以藉由接收具有相關聯的拋光輪廓的經分類的保持環的幾何資訊作為輸入來訓練神經網路模型。然後,
可以藉由在經訓練的神經網路中執行推斷操作,保持環使用神經網路模型來預測拋光輪廓,該經訓練的神經網路接收測量的保持環的底表面輪廓作為輸入。
生產時間可被改善。使用所述技術,系統可以更有效地偵測在磨合過程之前或之後是否可以根據不同的拋光要求使用保持環來拋光基板。該系統還可以有效地決定保持環是否已充分磨合,並基於分類結果為進一步磨合過程提供使用者資訊或指導。
拋光過程的品質控制可以得到改善,輸送量也可以提高。具體地,可以標識並更換有缺陷的保持環。可以基於與保持環相關聯的預測的拋光輪廓來調整正在進行拋光的基板的一個或多個區域中的拋光速率,從而在拋光期間增強晶圓內的均勻性,並最終實現更高的輸送量。
此外,所描述的技術可以以較低的計算成本容易地擴展。該系統可以基於後續測量的幾何資料和拋光輪廓,進一步調整或修改分類和神經網路模型,從而減弱不必要的重複計算並降低計算成本。存儲的分類資料和神經網路模型可以由位於不同位置的一個或多個拋光裝置同時訪問和使用,而無需重新計算,這允許對複數個拋光裝置的系統進行容易的按比例擴展。
以下附圖和描述闡述了本發明的一個或多個實施例的細節。根據說明書和附圖以及申請專利範圍,其他特徵、目的以及優點顯而易見。
10:基板
100:拋光裝置
110:拋光墊
112:外拋光層
114:背襯層
120:可旋轉盤形工作臺
121:電機
124:驅動軸
125:軸線
130:分配埠
132:拋光液
140:承載頭
142:保持環
144:殼體
150:支撐結構
152:驅動軸
154:承載頭旋轉電機
181:壓力供應
182:中央隔膜
183:壓力供應線
184:支撐板
190:控制器
195:環形壓力控制組件
205:上部
210:下部
215:頂表面
220:孔
225:對準孔
230:圓柱形外表面
235:圓柱形內表面
250:圓柱形外表面
255:底表面
260:內直徑
265:圓柱形內表面
280:外直徑
300:座標測量機
310:感測器
350:致動器
355:致動器
360:軌道
370:另一軌道
390:控制器
410:徑向網格
420:矩形網格
500:分類過程
502:步驟
504:步驟
506:步驟
508:步驟
600:過程
602:步驟
604:步驟
606:步驟
290A:位置
290B:位置
290C:位置
290D:位置
291A:位置
291B:位置
380a:控制線
380b:控制線
380c:控制線
圖1圖示了包括保持環的拋光裝置的示例的示意性橫截面視圖。
圖2A圖示了示例保持環的示意性透視圖和橫截面圖。
圖2B圖示了保持環的上部示意性橫截面圖。
圖2C圖示了示例保持環的示意性仰視圖。
圖3圖示了使用座標測量機進行測量的示例保持環的示意性俯視圖。
圖4A和圖4B示出了用於測量的不同類型的網格掃描的示意性俯視圖。
圖5是示出了使用機器學習演算法的保持環的示例分類過程的流程圖。
圖6是示出了基於輸入資料來訓練用於預測拋光輪廓的神經網路的示例過程的流程圖。
各個附圖中相同的附圖標記和命名指示相同的要素。
理想情況下,經過拋光的基板在整個基板表面上的拋光速率基本上均勻。然而,在實踐中,基板的不同徑向和/或角度區域可能具有不同的拋光速率。另外,待拋光的基板可能具有初始徑向和/或角度不均勻性。
拋光不均勻性的一個來源是保持環的底表面的輪廓的變化。即,兩個保持環的底表面輪廓的微小差異可能
會導致邊緣區域中不同的拋光速率。藉由將保持環的底表面輪廓與基板的拋光輪廓相關聯,可以更好地理解拋光效能。此外,可以例如藉由改變施加到基板上的壓力來調整拋光過程,以提高邊緣區域的拋光速率的均勻性。
常規地,在檢查底表面輪廓時,僅跨保持環的整個底表面做幾個測量點。因此,先前技術可能無法獲得足夠的資訊來分析保持環的底表面的特徵。雖然在保持環在積體電路生產中使用之前,諸如「環磨合」的技術已應用於保持環,但精度要求越來越嚴格,並且「環磨合」也會增加機器停機時間,從而增加生產成本。
然而,本文所述的技術可以提高輸送量、降低生產成本並且提高拋光品質(例如,減少基板邊緣附近的不均勻性)。
可以使用座標測量機(CMM)以高清晰度測量保持環的底表面,以生成高品質的底表面輪廓,以便進一步分析。可以使用無監督機器學習演算法將複數個保持環中的每一者分類為相應的類別,並且可以使用分類資訊來獲得與拋光輪廓差異相關的參數。
可以訓練神經網路模型,將其接收作為每個保持環的分類的輸入,並且使用相應的經分類的保持環來拋光基板的輪廓。訓練後,神經網路可以藉由輸入保持環的幾何資訊來推斷經訓練的神經網路,從而生成使用保持環拋光的基板的拋光輪廓(例如,邊緣拋光輪廓)的預測。
因此,採用所述技術的系統可以基於所測量的保持環的底表面輪廓來偵測保持環是否有缺陷,在使用基於獲得的參數的保持環時調整拋光過程,並預測正在利用保持環進行拋光的基板的拋光輪廓。該系統可以改善拋光後的晶圓均勻性,並提高拋光的輸送量。
圖1圖示了拋光裝置100的示例。拋光裝置100包括可旋轉盤形工作臺120,拋光墊110位於該可旋轉盤形工作臺120上。
工作臺120可操作以繞軸線125旋轉。例如,電機121可以轉動驅動軸124以旋轉工作臺120。拋光墊110可以例如藉由黏合層可拆卸地固定至工作臺120上。拋光墊110可以是具有外拋光層112和較軟的背襯層114的雙層拋光墊。
拋光裝置100可包括分配埠130,用於將拋光液132(諸如,研磨漿料)遞送到拋光墊110上。
拋光裝置還可包括拋光墊調節器,用於研磨拋光墊110,以將拋光墊110維持在一致的研磨狀態。
拋光裝置100可包括承載頭140,該承載頭140可操作以將基板10固持為抵靠拋光墊110。承載頭140可配置成對於基板10上的多個區中的每個區獨立地控制拋光參數,例如,壓力。
承載頭140從支撐結構150(例如,轉盤)懸掛,並且藉由驅動軸152連接到承載頭旋轉電機154,使得承載頭能夠繞軸線155旋轉。任選地,承載頭140可例如在轉盤
150上的滑塊上、或藉由轉盤自身的旋轉振盪而橫向地振盪。在操作中,工作臺繞其中心軸125旋轉。每個承載頭繞其中心軸155旋轉,並且在拋光墊的頂表面上橫向地平移。
承載頭140可包括:殼體144,其可連接至驅動軸152;支撐板184,其可在撓性的中央隔膜182上方延伸;環形壓力控制組件195,其圍繞撓性的中央隔膜182;以及保持環142,其圍繞環形壓力控制組件195,以將基板10保持在撓性的中央隔膜182下方。
撓性的中央隔膜182的下表面提供用於基板10的安裝表面。撓性的中央隔膜182可包括固定至支撐板184的一個或多個翻板,用於形成一個或多個可加壓腔室。這些腔室藉由相應的壓力供應線183被連接至一個或多個壓力供應181,以便在拋光時將不同的壓力施加到基板的內區域(例如,遠離基板邊緣至少6mm的區域)上,使得系統可調整基板中的相應區域上的相應拋光速率。
圖2A圖示了示例保持環142的示意性透視橫截面圖。
如上所述,保持環142是可以固定到拋光設備100的承載頭140上的大致環形環。
如圖2A所示,保持環100的上部205具有圓柱形內表面265、圓柱形外表面250和大致垂直於內表面和外表面兩者的頂表面215。頂表面包括孔220以接收機械緊固件,諸如螺栓、螺釘或其他硬體(諸如螺釘護套或外掛程
式),用於將保持環142和承載頭140固定在一起(未示出)。附加地,一個或多個對準孔225可位於上部205的頂表面215中,以正確地對準保持環142和承載頭140。
上部205可以由剛性或高拉伸模量材料形成,諸如金屬、陶瓷或硬塑膠。用於形成上部的合適金屬包括不銹鋼、鉬、鈦或鋁。此外,可以使用複合材料,諸如複合陶瓷。
保持環142的第二部分,即下部210,可以由對於CMP製程化學惰性的材料形成,並且可以比上部205的材料更軟。下部210的材料應具有足夠的可壓縮性或彈性,以使基板邊緣抵靠保持環142的接觸不會導致基板發生切屑或開裂。下部210也應當耐用並且具有高耐磨性,儘管下部210磨損是可以接受的。例如,下部130可以由塑膠製成,諸如聚苯硫醚(PPS)、聚對苯二甲酸乙二醇酯(PET)、聚醚醚酮(PEEK)、碳填充PEEK、聚醚醚酮(PEKK)、聚對苯二甲酸丁二醇酯(PBT)、聚四氟乙烯(PTFE)、聚苯并咪唑(PBI)、聚醚醯亞胺(PEI)或複合材料。
下部還可以具有圓柱形內表面235、圓柱形外表面230和底表面255。儘管保持環142的底表面255可以從平面開始,但在磨合或使用後,下部的底表面255通常具有非平面輪廓。在某些實現中,底表面255的徑向輪廓可以包括彎曲截面、截錐截面或平截面。保持環100的底表面255的徑向輪廓與基準輪廓基本上匹配以實現晶圓間的
均勻性將是有利的,但由於製造或磨合過程中的變化,或拋光過程中的不同磨損模式,這可能是不可能的。
圖2B圖示了保持環142的示意性橫截面圖,其中底表面255的變形被高度放大以便於觀察。在實踐中,每個保持環可能具有與基準輪廓略有不同的底表面輪廓,這可能會導致正在拋光的基板邊緣區域出現不必要的不均勻性或晶圓間的變化。
圖2C圖示了示例保持環142的示意性仰視圖。如上文所述,保持環的底表面輪廓的特徵可以包括底表面255的高度分佈(或等效地,下部210的厚度分佈)和底表面255的平整度(即,底表面255的高度或厚度變化),以及保持環的圓度。
如圖2C所示,保持環具有內直徑260和外直徑280。如果環是完美的圓形,則可以藉由測量內值徑和外直徑之間的差來決定保持環的寬度。然而,在實踐中,保持環142可以在內外邊界上的不同角度位置處具有不同的曲率,這導致不完美的圓度。例如,位置290A、290B、290C和290D處的外邊界曲率可能彼此不同。作為另一示例,位置291A和291B處的內邊界的曲率可以基本上相同。
圖3圖示了使用座標測量機300進行測量的示例保持環142的示意性俯視圖。保持環142位於底表面朝上的位置。
為了對保持環的底表面執行測量,將保持環安裝在承載頭上,座標測量機(CMM)300對保持環的底表面執行測量。系統可以測量保持環的底部。
CMM 300可包括感測器310,感測器310被配置為測量保持環的底表面上的複數個點中的每個點的垂直位置。感測器310可以是任何合適的感測器,例如,鐳射感測器、接觸式探針。在一些實現中,感測器310可以在保持環的底表面上的每個測量點處執行高度或厚度座標(Z方向座標)的測量。
CMM 300可包括致動器350和355,感測器310可安裝在致動器350和355上並四處移動,以探測保持環的底表面的高度資訊。例如,感測器310安裝在致動器355上。兩個致動器中的每一個可以在不相關(例如,不平行)的方向上移動,使得感測器310可以移動以覆蓋整個X-Y平面。例如,致動器355可沿著軌道360在X方向上移動,並且致動器350可沿著另一軌道370在垂直於X方向的Y方向上移動。
CMM 300還可以包括控制器390,控制器390具有控制線380a、380b以分別控制致動器350、355,控制器390還具有資料或控制線380c以控制感測器的操作並接收測量區域的捕獲的高度資訊(Z座標)。
圖4A和圖4B是不同類型網格的示意圖。測量可以分佈在徑向網格410中(例如,如圖4A所示),或者分佈在矩形網格420中(例如,如圖4B所示)。基於相應的
測量密度,每個網格可以有任何合適的尺寸。CMM 300可以測量毫米到釐米的區域。例如,圖4A中的每個徑向網格可以具有約1mm尺寸的邊緣。CMM 300可以在保持環的底表面上生成1000到10000個測量值。例如,圖4B中的網格總數為3000左右。
圖5是示出了例如使用機器學習演算法的保持環的示例分類過程500的流程圖。
CMM 300測量各個保持環的底表面。每個測量值代表測量位置處的垂直高度或厚度(502)。如上所述,在進行測量之前,將每個保持環安裝到對應的承載頭上。在一些實現中,系統會對先前已磨合的一個或多個保持環進行測量。
控制器390可以接收測量值,並可以將測量值轉換為測量位置處的底表面特徵,例如,底表面的整體平整度、環錐度、圓度以及各個白互換的平均內直徑或平均外直徑。
在一些實現中,控制器390可以藉由生成表示保持環的底表面相對於旋轉軸的對稱程度的資料來決定圓度。例如,對稱程度可以包括表示保持環的邊界上曲率分佈的資料。因此,系統可以藉由基於所測量的曲率資料決定不對稱的曲率分佈來測量和決定保持環的圓度。
為了分析保持環的平整度、圓度和環錐度,系統首先基於笛卡爾坐標系中的測量值,概括出保持環的空間映射。然後,該系統採用合適的數值技術處理空間映射,
以在不同保持環的不同測量值之間生成一致的映射。更具體地,每個測量資料包括各自的基準平面和各自的基準中心點,並且每個測量資料表示每個測量點相對於各自的基準平面和基準中心點的高度資訊。系統可以使用不同的技術來歸一化每個測量資料。例如,系統可以使用諸如「最佳擬合平面」或「最小封閉圓」的數值技術為每個測量資料生成共用的中心,以歸一化空間映射的測量資料。作為另一示例,系統可以使用一個或多個資料篩檢程式來篩選周邊資料,以提高每個測量的完整性。
在上述資料處理之後,系統隨後存儲表示保持環的底表面輪廓的一個或多個特徵的處理資料,以供分析。
然後,系統執行無監督學習演算法,以基於複數個保持環的測量將複數個保持環中的每一個分類到相應的類別中(504)。為了對複數個保持環中的每一個進行分類,系統首先在步驟502中從所存儲的資料生成一個或多個特徵。一個或多個特徵可以是任何合適的類型,以表示代表底表面輪廓的所測量的資料的一個或多個特徵。例如,代表底表面的所測量的資料的特徵可以是總體平均厚度;角度方向、徑向或兩者的厚度變化(即,平整度);內邊界、外邊界或兩者的圓度;或對稱程度。特徵類型中的每一種都有各自的特徵圖用於分析。
系統可以使用任何合適的無監督學習演算法以進行分類。在優選實施例中的一個中,系統採用K-means(K-均值)方法。更具體地,系統可以為所測量的保持環假設
幾個類別(例如,K-means的標量值K),為特定特徵圖中的每個類別假設一個聚類中心,並將保持環中的每一個分配到最近的類別(即,保持環被分配到一個類別,該類別的聚類中心在特定特徵地圖中最接近保持環的特徵類型。)該系統可以將全域誤差(例如,平方歐氏距離)概括為將每個保持環分配到相應的類別中,並藉由調整分配使全域誤差最小化。系統還可以在每次分配調整時,基於分配給相應類別的保持環的相應特徵,更新類別的相應聚類中心。
系統可以決定類別的數量。為了決定,系統可以首先為K-means演算法選擇複數個候選數量的類別,並獲得用於將保持環分配到複數個候選數量的類別(即,不同的K)中的一個的相應候選誤差(即,相應的最小化全域誤差)。例如,系統可以對2個類別(即K=2)、3個類別(即K=3)和10個類別(即K=10)執行分類,並獲得相應的最小化全域誤差。系統可以基於最小候選誤差從複數個候選類別數量中選擇一個類別數量,作為對保持環進行分類的K-均值演算法的類別數量。例如,系統可以將K設置為具有最小候選誤差的類別數量。作為另一示例,系統可以以最少的計算時間為代價,將K設置為具有第二最小候選誤差的類別數量。
系統存儲由無監督學習演算法生成的分類(506)。例如,系統存儲所決定的類別數量K、相應特徵地圖中每個類別的聚類中心,以及每個保持環的分類標
籤。在一些實現中,系統可以將分配最多保持環的類別存儲為基準類別。
然後,可以根據拋光輪廓測量來評估分類,以決定驅使輪廓差異的參數(508)。例如,使用者可以使得系統根據各種環特徵繪製各種效能指標。例如,可以將邊緣均勻性繪製為內邊緣圓度形狀的函數,以決定內邊緣形狀是否以及如何影響拋光輪廓。
系統可用於調整未分類為一個或多個預設類別的保持環。例如,系統可以存儲指示幾個類別在拋光中提供了可接受的結果的資料。然後,可以藉由CMM系統測量樣本環,並遵循分類演算法。如果樣本環不屬於指定類別,可以採取校正措施。例如,保持環可以進一步「磨合」一段時間,並且可以測量「磨合」底表面。可以重複此過程,直到將保持環分類到可接受的類別中。
該系統可以使用經分類的保持環預測基板的拋光後輪廓。為了預測,系統可以使用特定類別中的保持環收集複數個拋光輪廓,並生成平均拋光輪廓以作為使用該類別中的保持環來拋光待拋光基板的預測拋光後輪廓。
圖6是示出了基於輸入資料來訓練用於預測拋光輪廓的神經網路的示例過程600的流程圖。過程600可由位於一個或多個地點的一個或多個電腦執行。或者,過程600可被存儲為一個或多個電腦中的指令。一旦被執行,指令可使得拋光裝置的一個或多個部件、CMM的一個或多個部
件或一個或多個電腦執行所述過程。例如,過程的至少一些步驟由如圖1所示的控制器190執行。
類似地,如圖5中的步驟502所述,使用座標測量機對相應保持環的底表面進行測量。測量值表示底表面的特徵(602)。底表面的特徵可以是表面高度或者表面厚度。更具體地,系統可以為每個保持環生成特殊映射,並將所測量的資料存儲在記憶體中。在一些實現中,系統可對先前已「磨合」的保持環執行測量。
然後,該系統收集使用相應保持環拋光的基板的相應去除輪廓(604),並基於保持環的底表面和相應去除輪廓的測量來訓練機器學習模型(606)。
機器學習模型包括可以使用訓練示例進行訓練的卷積神經網路模型。訓練示例包括訓練輸入(諸如輸入每個保持環的底表面輪廓),使用相應的保持環來拋光基板的拋光輪廓,以及訓練每個拋光輪廓的標籤。
在一些實現中,系統可以標記每個拋光輪廓。例如,系統可以為複數個拋光輪廓分配第一標籤(例如,「邊緣快速」),每個拋光輪廓與基準輪廓相比具有快速邊緣去除率,並且為每個具有慢速邊緣去除率的複數個拋光輪廓分配標籤為「邊緣慢速」。
該系統可以藉由基於訓練示例將全域誤分類誤差最小化來訓練神經網路模型。在訓練期間,系統藉由反向傳播來更新神經網路的每個層的權重,以將全域誤差最小化。
訓練神經網路後,系統可以使用經訓練的神經網路來預測基板的去除輪廓。更具體地,系統可以測量保持環的底表面輪廓,或將代表所測量的底表面輪廓的所保存的資料提供給經訓練的神經網路,並使用經訓練的神經網路和經訓練的權重執行推理操作,以生成使用該保持環的拋光輪廓的預測。替代地或另外,系統可以使用經訓練的神經網路來預測所預測的拋光輪廓的標籤。
該系統可以使用輸入的測量值繼續訓練神經網路,使得基於較新的測量資料來更新神經網路的權重。系統可以在位於一個或多個位置的一個或多個電腦的記憶體中存儲具有經更新的權重的經訓練的神經網路。經訓練的神經網路可以被一個或多個電腦或計算單元訪問,以加速推理操作。
如在本說明書中所使用,術語基板可包括例如,產品基板(例如,其包括多個記憶體或處理器管芯)、測試基板、裸基板和選通基板。基板可以處於積體電路製造的各種階段,例如,基板可以是裸晶圓,或者基板可包括一個或多個經沉積和/或圖案化的層。術語基板可包括圓盤和矩形薄片。
可以在各種拋光系統中應用上文描述的拋光裝置和方法。拋光墊、或承載頭、或這兩者可移動以提供拋光表面與基板之間的相對運動。例如,工作臺可以繞軌道運行,而不是旋轉。拋光墊可以是固定到工作臺的圓形的(或某個其他形狀的)襯墊。端點偵測系統的一些態樣可適用
於線性拋光系統,例如,其中拋光墊是線性移動的連續的或卷對卷的帶。拋光層可以是標準(例如,具有或不具有填料的聚氨酯)拋光材料、軟材料或固定研磨材料。使用相對定位的術語;應當理解,拋光表面和基板能以豎直取向或某個其他取向來固持。
對本說明書中描述的各種系統和過程、或其部分的控制能以電腦程式產品來實現,該電腦程式產品包括存儲在一個或多個非瞬態電腦可讀存儲介質中的指令,並且這些指令在一個或多個處理設備上是可執行的。本說明書中描述的系統或其部分可以被實現為裝置、方法或電子系統,這些裝置、方法或電子系統可包括一個或多個處理設備和記憶體,該記憶體用於存儲用於執行本說明書中所描述的操作的可執行指令。
本說明書中描述的分類與機器學習模型的訓練的實施例,可以在數位電子電路、有形實現的電腦軟體或固件、電腦硬體中實現,包括本說明書中公開的結構及其結構等效物,或者是其中一種或多種的組合。本說明書中描述的主題的實施例可被實現為一個或多個電腦程式,即,編碼在有形的非瞬態存儲介質上的一條或多條電腦程式指令,用於由資料處理裝置執行或控制資料處理裝置的操作。所述電腦存儲介質可以是機器可讀存放裝置、機器可讀存儲基板、隨機或串列存取存放裝置,或它們中的一者或多者的組合。可選地或另外地,可以在人工生成的傳播信號(例如,機器生成的電、光或電磁信號)上對程式指
令進行編碼,該信號被生成以便對資訊進行編碼,從而傳輸到合適的接收器裝置以供資料處理裝置執行。
電腦程式(也稱為或描述為程式、軟體、軟體應用、應用、模組、軟體模組、腳本或代碼)可以用包括編譯或解釋語言或者聲明性或過程性語言的任何形式的程式設計語言來編寫,並且其可以以任何形式來部署,包括作為獨立程式或者作為模組、部件、子常式或適於在計算環境中使用的其他單元。程式有可能但不是必須與檔案系統中的檔相對應。程式可以被存儲在保存其他程式或資料的檔的一部分中,例如,存儲在標記語言文檔中的一個或多個腳本,在專用於所討論的程式的單個檔中,或在多個協調檔(例如,存儲一個或多個模組、副程式或代碼的部分的檔)中。電腦程式可被部署以在位於一個地點的一個電腦上執行,或在跨多個地點且由資料通信網路互連的而分佈的多個電腦上執行。
本說明書中描述的過程和邏輯流可由一個或多個可程式設計電腦執行,該一個或多個可程式設計電腦執行一個或多個電腦程式以藉由對輸入資料進行操作並生成輸出來執行功能。所述過程和邏輯流也可以由專用邏輯電路(例如,FPGA或ASIC)執行,或由專用邏輯電路和一台或多台程式設計電腦的組合來執行。
適用於執行電腦程式的電腦可以基於通用或特殊用途的微處理器,或兩者兼有,或任何其他類型的中央處理單元。一般而言,中央處理單元將從唯讀記憶體、或隨
機存取記憶體、或這兩者接收指令和資料。電腦的基本元件是用於運行或執行指令的中央處理單元、以及用於存儲指令和資料的一個或多個記憶體設備。中央處理單元和記憶體可由專用邏輯電路系統補充,或併入到專用邏輯電路系統中。一般而言,電腦還將包括用於存儲資料的一個或多個大型存放區設備(例如,磁片、磁光碟、或光碟),或者可操作地被耦合以從一個或多個大型存放區設備接收資料或將資料傳遞到一個或多個大型存放區設備或既從一個或多個大型存放區設備接收資料又將資料傳遞到一個或多個大型存放區設備。然而,電腦不必具有此類設備。
適於存儲電腦程式指令和資料的電腦可讀媒體包括各種形式的非易失性記憶體、介質和記憶體設備,例如包括:半導體記憶體設備(例如,EPROM、EEPROM和快閃記憶體記憶體設備);磁片(例如,內部硬碟或可移動盤);磁光碟;以及CD ROM和DVD-ROM盤。
用於實施機器學習模型的資料處理裝置也可以包括,例如,專用硬體加速器單元,用於處理機器學習訓練或生產的公共和計算密集部分,即,推理、工作負載。
機器學習模型可以使用機器學習框,框架來實現和部署,例如,TensorFlow框架、Microsoft認知工具包框架、Apache Singa框架,或Apache MXNet框架。
本說明書中描述的主題的實施例可在計算系統中被實現,該計算系統包括後端元件(例如,作為資料伺服器)或包括仲介軟體元件(例如,應用伺服器)或包括前
端元件(例如,具有圖形化使用者介面或具有網路瀏覽器或具有應用的用戶端電腦,使用者能夠藉由該用戶端電腦與本說明書中描述的主題的實現進行交互),或包括一個或多個此類後端、仲介軟體或前端元件的任何組合。系統的元件可由任何形式或介質的數位資料通信(例如,通信網路)互相連接。通信網路的示例包括局域網(LAN)和廣域網路(WAN),例如,網際網路。
所述計算系統可包括用戶端和伺服器。用戶端和伺服器通常彼此遠離,並且通常藉由通信網路交互。用戶端和伺服器的關係根據在各自電腦上運行且彼此具有用戶端-伺服器關係的電腦程式來產生。在一些實施例中,伺服器將資料(例如,HTML頁面)發送到作為用戶端的使用者設備,例如,為了向與該設備交互的使用者顯示資料,並從該使用者接收用戶輸入。在使用者設備上生成的資料(例如,使用者交互的結果)可以在該伺服器上從該設備接收。
儘管本說明書包含許多特定的實現細節,但是這些實現細節不應被解釋為對任何發明的範圍或者可能要求保護的內容的範圍的限制,而應被解釋為對可特定於具體發明的具體實施例的特徵的描述。也可將在本說明書中描述的、在各單獨實施例的上下文中的某些特徵以組合形式實現在單個實施例中。相反,也可單獨地在多個實施例中、或在任何合適的子組合中實現在單個實施例的上下文中所描述的各種特徵。此外,雖然在上文中可能將特徵描述為
以某些組合的方式起作用,且甚至最初是如此要求保護的,但是在一些情況下,可將來自要求保護的組合的一個或多個特徵從該組合中刪除,並且要求保護的組合可以涉及子組合或子組合的變型。
己經描述了主題的具體實施例。其他實施例在所附請求項的範圍內。
其他實施例在所附請求項的範圍內。
142:保持環
300:座標測量機
310:感測器
350:致動器
355:致動器
360:軌道
370:另一軌道
380a:控制線
380b:控制線
380c:控制線
390:控制器
Claims (20)
- 一種用於評估拋光的方法,該方法包括以下步驟:對於安裝在一特定承載頭上的複數個保持環中的每個相應保持環,使用一座標測量機對安裝在該特定載體頭上的相應保持環的一底表面進行測量,其中測量值表示該底表面的一特徵;執行一無監督學習演算法,以基於該複數個保持環的測量將該複數個保持環中的每一個分類到一相應的類別中;存儲由該無監督學習演算法生成的分類;以及根據拋光輪廓測量評估該分類,以決定驅使輪廓差異的參數。
- 如請求項1所述的方法,其中對該相應保持環的該底表面執行測量之步驟包括以下步驟:藉由決定非對稱曲率分佈對該相應保持環的圓度執行測量。
- 如請求項1所述的方法,其中對該相應保持環的該底表面執行測量之步驟包括以下步驟:在不同的寬度和角度位置處在該底表面上執行多次測量。
- 如請求項3所述的方法,其中在該底表面上執行多次測量之步驟包括以下步驟:將該保持環的該底表面劃分為該保持環的複數個區域; 以及對於該複數個區域中的每一者,測量該區域的一平面內位置和該區域的一平均厚度。
- 如請求項1所述的方法,其中該底表面的特徵是表面高度或環層厚度。
- 如請求項1所述的方法,其中該無監督學習演算法包括一K-means演算法。
- 如請求項6所述的方法,進一步包括以下步驟:使用該K-means演算法決定該分類的類別數量,包括以下步驟:對於複數個可能類別數量中的每一者:選擇表示類別總數的一候選數量;以及決定用於使用該K-means演算法將該複數個保持環分類到候選數量的類別中的一相應候選誤差;以及基於最小候選誤差選擇該候選數量中的一個作為該類別數量。
- 如請求項1所述的方法,進一步包括以下步驟:決定保持環的一類別,該類別在所有類別中具有最多保持環;將所決定的類別設置為基準類別;以及根據該分類調整未分類為該基準類別的保持環。
- 如請求項1所述的方法,進一步包括以下步驟: 基於一經分類的保持環來預測使用該經分類的保持環拋光的一基板的一拋光後輪廓。
- 如請求項1所述的方法,其中該複數個保持環包括已被磨合的一個或多個保持環。
- 一種用於優化拋光的方法,該方法包括以下步驟:對於安裝在一特定承載頭上的複數個保持環中的每個相應保持環,使用一座標測量機對安裝在該特定承載頭上的相應保持環的一底表面執行測量,其中測量值表示該底表面的一特徵;收集使用該相應保持環拋光的一基板的一相應去除輪廓;以及基於對保持環的該底表面和該相應去除輪廓的測量來訓練一機器學習模型。
- 如請求項11所述的方法,包括以下步驟:測量一特定保持環的一底表面;以及將該測量值輸入到經訓練的機器學習模型中,以生成一預測的去除輪廓。
- 如請求項11所述的方法,其中該底表面的特徵是表面高度或環層厚度。
- 如請求項11所述的方法,其中該收集使用該相應保持環拋光的一基板的該相應去除輪廓之步驟,包括以下步驟:決定該相應去除輪廓的一相應去除輪廓標籤以供訓 練。
- 如請求項14所述的方法,其中該相應去除輪廓標籤包括表示該基板的邊緣區域中快速去除率的一第一標籤,以及表示該基板的邊緣區域中慢速去除率的一第二標籤。
- 如請求項11所述的方法,其中該機器學習模型包括一卷積神經網路。
- 一種利用一電腦程式編碼的非瞬態電腦可讀媒體,該電腦程式包括使一個或多個電腦執行以下操作的指令:在拋光一基板之前,接收表示一保持環的一底表面的一輪廓的複數個測量值;將該複數個測量值提供給一經訓練的機器學習模型,以生成該基板的一預測的去除輪廓;回應於該預測的去除輪廓生成一經調整的拋光參數,以提高該基板的拋光均勻性;以及使得一拋光系統利用該經調整的拋光參數來拋光該基板。
- 如請求項17的電腦可讀媒體,其中該拋光參數包括該基板上的一壓力。
- 如請求項17所述的電腦可讀媒體,其中該機器學習模型包括一神經網路。
- 如請求項17所述的電腦可讀媒體,其中該底表面的該輪廓是一表面高度輪廓或一層厚度分佈。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163157512P | 2021-03-05 | 2021-03-05 | |
US63/157,512 | 2021-03-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202235214A TW202235214A (zh) | 2022-09-16 |
TWI826943B true TWI826943B (zh) | 2023-12-21 |
Family
ID=83116759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111107932A TWI826943B (zh) | 2021-03-05 | 2022-03-04 | 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 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220281052A1 (zh) |
JP (1) | JP2024508913A (zh) |
KR (1) | KR20230150383A (zh) |
CN (1) | CN115035401A (zh) |
TW (1) | TWI826943B (zh) |
WO (1) | WO2022187055A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360956B (zh) * | 2023-06-02 | 2023-08-08 | 济南大陆机电股份有限公司 | 用于大数据任务调度的数据智能处理方法及系统 |
CN116945025B (zh) * | 2023-09-18 | 2023-11-28 | 南京昊阳环保科技有限公司 | 智能化轴颈抛光装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009260142A (ja) * | 2008-04-18 | 2009-11-05 | Panasonic Corp | ウェハ研磨装置及びウェハ研磨方法 |
TW201408435A (zh) * | 2012-07-25 | 2014-03-01 | Applied Materials Inc | 監控扣環厚度及壓力控制 |
TW201836763A (zh) * | 2017-03-31 | 2018-10-16 | 日商荏原製作所股份有限公司 | 基板處理裝置 |
TW201938321A (zh) * | 2018-03-13 | 2019-10-01 | 美商應用材料股份有限公司 | 化學機械研磨機中的易損零件監控 |
TW202026105A (zh) * | 2018-09-27 | 2020-07-16 | 日商荏原製作所股份有限公司 | 研磨裝置、研磨方法及機器學習裝置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI825075B (zh) * | 2018-04-03 | 2023-12-11 | 美商應用材料股份有限公司 | 針對墊子厚度使用機器學習及補償的拋光裝置、拋光系統、方法及電腦儲存媒體 |
US11731232B2 (en) * | 2018-10-30 | 2023-08-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | Irregular mechanical motion detection systems and method |
-
2022
- 2022-02-23 US US17/678,932 patent/US20220281052A1/en active Pending
- 2022-02-23 KR KR1020237033476A patent/KR20230150383A/ko unknown
- 2022-02-23 WO PCT/US2022/017538 patent/WO2022187055A1/en active Application Filing
- 2022-02-23 JP JP2023553599A patent/JP2024508913A/ja active Pending
- 2022-03-04 TW TW111107932A patent/TWI826943B/zh active
- 2022-03-07 CN CN202210224774.7A patent/CN115035401A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009260142A (ja) * | 2008-04-18 | 2009-11-05 | Panasonic Corp | ウェハ研磨装置及びウェハ研磨方法 |
TW201408435A (zh) * | 2012-07-25 | 2014-03-01 | Applied Materials Inc | 監控扣環厚度及壓力控制 |
TW201836763A (zh) * | 2017-03-31 | 2018-10-16 | 日商荏原製作所股份有限公司 | 基板處理裝置 |
TW201938321A (zh) * | 2018-03-13 | 2019-10-01 | 美商應用材料股份有限公司 | 化學機械研磨機中的易損零件監控 |
TW202026105A (zh) * | 2018-09-27 | 2020-07-16 | 日商荏原製作所股份有限公司 | 研磨裝置、研磨方法及機器學習裝置 |
Also Published As
Publication number | Publication date |
---|---|
US20220281052A1 (en) | 2022-09-08 |
WO2022187055A1 (en) | 2022-09-09 |
TW202235214A (zh) | 2022-09-16 |
KR20230150383A (ko) | 2023-10-30 |
CN115035401A (zh) | 2022-09-09 |
JP2024508913A (ja) | 2024-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
TWI775569B (zh) | 研磨裝置、研磨方法、以及電腦程式製品 | |
JP7465277B2 (ja) | 化学機械研磨における研磨パッドテクスチャのモニタリング | |
US20230330803A1 (en) | Irregular mechanical motion detection systems and method | |
US20190095797A1 (en) | Semiconductor fabrication using machine learning approach to generating process control parameters | |
TW201946136A (zh) | 用於半導體處理監視的機器學習系統 | |
US20200282506A1 (en) | Spiral and concentric movement designed for cmp location specific polish (lsp) | |
WO2014134068A1 (en) | Weighted regression of thickness maps from spectral data | |
US20190096722A1 (en) | Semiconductor fabrication using process control parameter matrix | |
KR20190055132A (ko) | 화학적 기계적 연마를 위한 실시간 프로파일 제어 | |
TW202204088A (zh) | 具有壓電壓力控制的拋光承載頭 | |
KR20230148373A (ko) | 기판 세차운동을 이용한 기판 연마를 위한 처리 파라미터들의 제어 | |
KR102276869B1 (ko) | 화학적 기계적 연마 자동화된 레시피 생성 | |
US20190160628A1 (en) | Method for conditioning polishing pad | |
JP7540075B2 (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 | |
Huang et al. | Development of Full Life Cycle Database for Grinding Wheels | |
JP2024094542A (ja) | 基板研磨装置、基板処理装置、方法、プログラム及び記憶媒体 |