WO2020137099A1 - 研磨レシピ決定装置 - Google Patents

研磨レシピ決定装置 Download PDF

Info

Publication number
WO2020137099A1
WO2020137099A1 PCT/JP2019/040596 JP2019040596W WO2020137099A1 WO 2020137099 A1 WO2020137099 A1 WO 2020137099A1 JP 2019040596 W JP2019040596 W JP 2019040596W WO 2020137099 A1 WO2020137099 A1 WO 2020137099A1
Authority
WO
WIPO (PCT)
Prior art keywords
polishing
response data
area
simulation
abnormality
Prior art date
Application number
PCT/JP2019/040596
Other languages
English (en)
French (fr)
Inventor
加藤　良和
誠 福島
並木　計介
真吾 富樫
Original Assignee
株式会社荏原製作所
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 株式会社荏原製作所 filed Critical 株式会社荏原製作所
Priority to US17/419,029 priority Critical patent/US20220168864A1/en
Publication of WO2020137099A1 publication Critical patent/WO2020137099A1/ja

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • H01L21/02002—Preparing wafers
    • H01L21/02005—Preparing bulk and homogeneous wafers
    • H01L21/02008—Multistep processes
    • H01L21/0201—Specific process step
    • H01L21/02013—Grinding, lapping
    • 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
    • H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
    • H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing

Definitions

  • the present disclosure relates to a polishing recipe determination device.
  • CMP chemical mechanical polishing
  • a polishing apparatus of this type generally includes a polishing table to which a polishing pad is attached, a top ring (also referred to as a polishing head) that holds a wafer, and a nozzle that supplies a polishing liquid onto the polishing pad. While the polishing liquid is being supplied onto the polishing pad from the nozzle, the wafer is pressed against the polishing pad by the top ring, and the top ring and the polishing table are relatively moved to polish the wafer and flatten its surface.
  • response data for each area is acquired by a pressure swing experiment in which the pressure is changed for each pressure chamber (area) of the top ring to polish the test wafer, and a polishing recipe is simulated by simulation based on the acquired response data for each area. Is determined (for example, see Japanese Patent Laid-Open No. 2014-513434).
  • a highly skilled technician can determine the polishing recipe to determine a highly accurate polishing recipe (for example, good in-plane uniformity) in a short time. This is because a skilled technician considers the response data for each area acquired in the pressure swing experiment, considering the response data for each area in the past and other processes, and performs screening such as data complement and removal as necessary. The reason is that the polishing recipe is determined based on the response data for each area (less noise) after screening.
  • polishing recipe determination device that can improve the accuracy and efficiency of polishing recipe determination.
  • a polishing recipe determination device that determines a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring, It has a first learned model that machine-learns the relationship between the past response data for each area and whether or not there is an abnormality, and the presence or absence of abnormality is estimated by inputting the response data for each new area.
  • An abnormality presence/absence estimation unit that outputs It has a second learned model that machine-learns the relationship between the past response data for each area with anomaly and the response data for each area after the anomaly is removed.
  • the response data for each area estimated to have an abnormality is input, and the screening unit that estimates and outputs the response data for each area after the abnormality is removed, A response data for each area estimated to have no abnormality by the abnormality presence/absence estimation unit, or a simulation unit for determining a polishing recipe by simulation based on response data for each area after abnormality removal estimated by the screening unit, Equipped with.
  • a polishing recipe determination device that determines a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring, A simulation unit that determines a polishing recipe by simulation based on the response data for each new area, A pass/fail determination unit that determines whether the actual polishing result is acceptable by comparing the actual polishing result obtained by actually polishing with the polishing recipe and the simulation polishing result obtained by simulation with the polishing recipe.
  • Machine learning is performed on the relationship between the actual polishing result in the past, the polishing result of simulation, the response data for each area used for determining the polishing recipe at that time, and the corrected response data for each area.
  • a response data correction unit that inputs the data and estimates and outputs the response data for each area after correction, Further equipped with, The simulation unit re-determines a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a polishing recipe determination method for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring, wherein the response data is the amount of change in the polishing removal rate at each wafer position. It is the data divided by the air bag pressure change amount,
  • the abnormality presence/absence estimating unit having the first learned model that machine-learns the relationship between the response data for each area in the past and whether or not there is an abnormality is input with the response data for each new area as an input.
  • the step of estimating and outputting the presence and absence When it is estimated by the abnormality presence/absence estimating unit that there is an abnormality, machine learning is performed on the relationship between the response data for each area in the past having an abnormality and the response data for each area after the abnormality is removed.
  • a screening unit having a model inputs the response data for each area estimated to be abnormal, and estimates and outputs the response data for each area after the abnormality is removed, and
  • a simulation unit determines a polishing recipe by simulation based on response data for each area estimated to be normal by the abnormality presence/absence estimation unit or response data for each area after abnormality removal estimated by the screening unit. Steps, Equipped with.
  • a polishing recipe determination method for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring,
  • the simulation unit determines a polishing recipe by simulation based on the response data for each new area,
  • the pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time.
  • the simulation unit Inputting the response E data for each area and estimating and outputting the corrected response data for each area;
  • the simulation unit re-determines a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a polishing recipe determination program that causes a computer to execute a process of determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring, On the computer, The abnormality presence/absence estimating unit having the first learned model that machine-learns the relationship between the response data for each area in the past and whether or not there is an abnormality is input with the response data for each new area as an input. The step of estimating and outputting the presence and absence, When it is estimated by the abnormality presence/absence estimating unit that there is an abnormality, machine learning is performed on the relationship between the response data for each area in the past having an abnormality and the response data for each area after the abnormality is removed.
  • a screening unit having a model inputs the response data for each area estimated to be abnormal, and estimates and outputs the response data for each area after the abnormality is removed, and A simulation unit determines a polishing recipe by simulation based on response data for each area estimated to be normal by the abnormality presence/absence estimation unit or response data for each area after abnormality removal estimated by the screening unit. Steps, To run.
  • a polishing recipe determination program that causes a computer to execute a process of determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring. Data obtained by dividing the amount of change in the removal rate by the amount of change in airbag pressure.
  • the simulation unit determines a polishing recipe by simulation based on the response data for each new area
  • the pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time. Inputting response data for each area, estimating and outputting response data for each area after correction, and The simulation unit re-determines a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a computer-readable recording medium A computer-readable non-transitory computer-readable recording program that causes a computer to execute a process for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring A recording medium, On the computer, The abnormality presence/absence estimating unit having the first learned model that machine-learns the relationship between the response data for each area in the past and whether or not there is an abnormality is input with the response data for each new area as an input.
  • the step of estimating and outputting the presence and absence When it is estimated by the abnormality presence/absence estimating unit that there is an abnormality, machine learning is performed on the relationship between the response data for each area in the past having an abnormality and the response data for each area after the abnormality is removed.
  • a screening unit having a model inputs the response data for each area estimated to be abnormal, and estimates and outputs the response data for each area after the abnormality is removed, and
  • a simulation unit determines a polishing recipe by simulation based on response data for each area estimated to be normal by the abnormality presence/absence estimation unit or response data for each area after abnormality removal estimated by the screening unit. Steps, It records the program to execute.
  • a computer-readable recording medium A computer-readable non-transitory computer-readable recording program that causes a computer to execute a process for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring A recording medium, On the computer, The simulation unit determines a polishing recipe by simulation based on the response data for each new area, The pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time.
  • the simulation unit Inputting response data for each area, estimating and outputting response data for each area after correction, and The simulation unit records a program for executing a step of redetermining a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • FIG. 1 is a schematic diagram showing a configuration of an information processing system according to an embodiment.
  • FIG. 2 is a schematic diagram showing the configuration of the polishing apparatus according to the embodiment.
  • FIG. 3 is a schematic cross-sectional view showing the internal configuration of the top ring according to the embodiment.
  • FIG. 4 is a schematic cross-sectional view showing the internal configuration of the polishing table according to the embodiment.
  • FIG. 5 is a block diagram showing the configuration of the polishing recipe determining device according to the embodiment.
  • FIG. 6 is a flowchart showing an example of the polishing recipe determining method according to the embodiment.
  • FIG. 7 is a diagram showing an example of a normal response amount profile for the central area.
  • FIG. 1 is a schematic diagram showing a configuration of an information processing system according to an embodiment.
  • FIG. 2 is a schematic diagram showing the configuration of the polishing apparatus according to the embodiment.
  • FIG. 3 is a schematic cross-sectional view showing the internal configuration of the top ring according to the embodiment.
  • FIG. 8A is a diagram showing an example of a response amount profile for a central area having left and right abnormal points.
  • FIG. 8B is a diagram showing an example of a response amount profile for a central area in which an abnormal edge abnormal point occurs when the center of pressure is swung.
  • FIG. 8C is a diagram showing an example of a response amount profile for the central area where the polar abnormality is abnormal.
  • FIG. 9 is a diagram showing a residual film profile of actual polishing and a residual film profile of simulation in comparison.
  • FIG. 10 is a diagram showing the response amount profile before modification and the response amount profile after modification in comparison.
  • the polishing recipe determination device is A polishing recipe determination device that determines a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring, It has a first learned model that machine-learns the relationship between the past response data for each area and whether or not there is an abnormality, and the presence or absence of abnormality is estimated by inputting the response data for each new area.
  • An abnormality presence/absence estimation unit that outputs It has a second learned model that machine-learns the relationship between the past response data for each area with anomaly and the response data for each area after the anomaly is removed.
  • the response data for each area estimated to have an abnormality is input, and the screening unit that estimates and outputs the response data for each area after the abnormality is removed, A response data for each area estimated to have no abnormality by the abnormality presence/absence estimation unit, or a simulation unit for determining a polishing recipe by simulation based on response data for each area after abnormality removal estimated by the screening unit, Equipped with.
  • the abnormality presence/absence estimating unit since the abnormality presence/absence estimating unit has the first learned model that machine-learns the relationship between the past response data for each area and the presence/absence of abnormality, the response for each new area It is possible to estimate whether or not there is an abnormality in the data in a short time, and it is possible to estimate with high accuracy according to the learning amount.
  • the screening unit since the screening unit has the second learned model that machine-learns the relationship between the response data for each area with past abnormality and the response data for each area after abnormality removal, it is estimated that there is abnormality. From the response data for each area, the response data for each area after the abnormality removal can be estimated in a short time, and can be estimated with high accuracy according to the learning amount. Then, the simulation unit can determine the polishing recipe with high accuracy and efficiency by determining the polishing recipe by simulation based on the response data for each area (low noise) after screening.
  • a polishing recipe determining device is the polishing recipe determining device according to the first aspect, A pass/fail determination unit that determines whether the actual polishing result is acceptable by comparing the actual polishing result obtained by actually polishing with the polishing recipe and the simulation polishing result obtained by simulation with the polishing recipe.
  • Machine learning is performed on the relationship between the actual polishing result in the past, the polishing result of simulation, the response data for each area used for determining the polishing recipe at that time, and the corrected response data for each area.
  • a response data correction unit that inputs the data and estimates and outputs the response data for each area after correction, Further equipped with, The simulation unit re-determines a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • the response data correction unit causes the response data for each area used for determining the past actual polishing result, the simulation polishing result, and the polishing recipe at that time and the corrected response data for each area. Since it has a third learned model that machine-learns the relationship with, the actual polishing result judged to be rejected, the simulation polishing result, and the response data for each area used to determine the polishing recipe at that time From this, it is possible to estimate the corrected response data for each area in a short time and highly accurately in accordance with the learning amount. Then, the simulation unit re-determines the polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit, whereby the determination of the polishing recipe can be made more accurate.
  • a polishing recipe determination device that determines a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring, A simulation unit that determines a polishing recipe by simulation based on the response data for each new area, A pass/fail determination unit that determines whether the actual polishing result is acceptable by comparing the actual polishing result obtained by actually polishing with the polishing recipe and the simulation polishing result obtained by simulation with the polishing recipe.
  • Machine learning is performed on the relationship between the actual polishing result in the past, the polishing result of simulation, the response data for each area used for determining the polishing recipe at that time, and the corrected response data for each area.
  • a response data correction unit that inputs the data and estimates and outputs the response data for each area after correction, Further equipped with, The simulation unit re-determines a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • the response data correction unit causes the response data for each area used for determining the past actual polishing result, the simulation polishing result, and the polishing recipe at that time and the corrected response data for each area. Since it has a third learned model that machine-learns the relationship with, the actual polishing result judged to be rejected, the simulation polishing result, and the response data for each area used to determine the polishing recipe at that time From this, it is possible to estimate the corrected response data for each area in a short time and highly accurately in accordance with the learning amount. Then, the simulation unit re-determines the polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit, so that the polishing recipe can be determined with high accuracy and efficiency. it can.
  • a polishing recipe determining device is the polishing recipe determining device according to the first aspect,
  • the first learned model machine-learns the relationship between the past response data for each area and whether or not there is an abnormality and the type of abnormality, and the abnormality presence/absence estimation unit Input the response data, estimate the presence or absence of abnormality and the type of abnormality, and output it.
  • the second learned model machine-learns the relationship between the past response data for each area with an abnormality, the type of the abnormality, and the response data for each area after the abnormality is removed.
  • the presence/absence estimation unit estimates that there is an abnormality
  • the response data for each area estimated to have an abnormality and the type of estimated abnormality are input, and the response data for each area after the abnormality is removed is estimated and output. To do.
  • the screening unit estimates the response data of each area estimated to have an abnormality also by using the information of the type of the abnormality, whereby the response data of each area after the abnormality is removed. Can be estimated with higher accuracy. This makes it possible to determine the polishing recipe with higher accuracy.
  • a polishing recipe determining device is the polishing recipe determining device according to the fourth aspect,
  • the type of abnormality includes one or more of a left/right abnormality point, a central area pressure edge abnormality point, and a polar abnormality point.
  • a polishing recipe determining apparatus is the polishing recipe determining apparatus according to any one of the first to fifth aspects,
  • the response data is data obtained by dividing the change amount of the polishing removal amount for each position of the wafer by the change amount of the airbag pressure.
  • a polishing recipe determining apparatus is the polishing recipe determining apparatus according to any one of the first to fifth aspects,
  • the response data is data obtained by dividing the amount of change in the polishing removal rate for each position of the wafer by the amount of change in the air bag pressure.
  • a polishing recipe determining apparatus is the polishing recipe determining apparatus according to any one of the first to fifth aspects,
  • the response data is data obtained by dividing the amount of change in the residual film of the wafer at each position of the wafer by the amount of change in the air bag pressure.
  • the polishing apparatus includes the polishing recipe determination apparatus according to any one of the first to eighth aspects.
  • a polishing recipe determination method for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring, wherein the response data is the amount of change in the polishing removal rate at each wafer position. It is the data divided by the air bag pressure change amount,
  • the abnormality presence/absence estimating unit having the first learned model that machine-learns the relationship between the response data for each area in the past and whether or not there is an abnormality is input with the response data for each new area as an input.
  • the step of estimating and outputting the presence and absence When it is estimated by the abnormality presence/absence estimating unit that there is an abnormality, machine learning is performed on the relationship between the response data for each area in the past having an abnormality and the response data for each area after the abnormality is removed.
  • a screening unit having a model inputs the response data for each area estimated to be abnormal, and estimates and outputs the response data for each area after the abnormality is removed, and
  • a simulation unit determines a polishing recipe by simulation based on response data for each area estimated to be normal by the abnormality presence/absence estimation unit or response data for each area after abnormality removal estimated by the screening unit. Steps, Equipped with.
  • a polishing recipe determining method is the polishing recipe determining method according to the tenth aspect,
  • the pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time.
  • the simulation unit may further include re-determining a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a polishing recipe determination method for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring,
  • the simulation unit determines a polishing recipe by simulation based on the response data for each new area,
  • the pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time.
  • the simulation unit Inputting the response E data for each area and estimating and outputting the corrected response data for each area;
  • the simulation unit re-determines a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a polishing recipe determination program that causes a computer to execute a process of determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring,
  • the abnormality presence/absence estimating unit having the first learned model that machine-learns the relationship between the response data for each area in the past and whether or not there is an abnormality is input with the response data for each new area as an input.
  • the step of estimating and outputting the presence and absence When it is estimated by the abnormality presence/absence estimating unit that there is an abnormality, machine learning is performed on the relationship between the response data for each area in the past having an abnormality and the response data for each area after the abnormality is removed.
  • a screening unit having a model inputs the response data for each area estimated to be abnormal, and estimates and outputs the response data for each area after the abnormality is removed, and A simulation unit determines a polishing recipe by simulation based on response data for each area estimated to be normal by the abnormality presence/absence estimation unit or response data for each area after abnormality removal estimated by the screening unit. Steps, To run.
  • a polishing recipe determination program is a polishing recipe determination program according to the thirteenth aspect, On the computer, The pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time.
  • the simulation unit further executes a step of redetermining a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a polishing recipe determination program that causes a computer to execute a process of determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring. Data obtained by dividing the amount of change in the removal rate by the amount of change in airbag pressure.
  • the simulation unit determines a polishing recipe by simulation based on the response data for each new area,
  • the pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time. Inputting response data for each area, estimating and outputting response data for each area after correction, and The simulation unit re-determines a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a computer-readable recording medium A computer-readable non-transitory computer-readable recording program that causes a computer to execute a process for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring A recording medium, On the computer, The abnormality presence/absence estimating unit having the first learned model that machine-learns the relationship between the response data for each area in the past and whether or not there is an abnormality is input with the response data for each new area as an input.
  • the step of estimating and outputting the presence and absence When it is estimated by the abnormality presence/absence estimating unit that there is an abnormality, machine learning is performed on the relationship between the response data for each area in the past having an abnormality and the response data for each area after the abnormality is removed.
  • a screening unit having a model inputs the response data for each area estimated to be abnormal, and estimates and outputs the response data for each area after the abnormality is removed, and
  • a simulation unit determines a polishing recipe by simulation based on response data for each area estimated to be normal by the abnormality presence/absence estimation unit or response data for each area after abnormality removal estimated by the screening unit. Steps, It records the program to execute.
  • a computer-readable recording medium is a computer-readable recording medium according to the sixteenth aspect, On the computer, The pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time.
  • the simulation unit stores a program for further executing a step of re-determining a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • a computer-readable recording medium A computer-readable non-transitory computer-readable recording program that causes a computer to execute a process for determining a polishing recipe based on response data for each area obtained by changing the pressure for each area of the top ring A recording medium, On the computer, The simulation unit determines a polishing recipe by simulation based on the response data for each new area, The pass/fail judgment unit compares the actual polishing result obtained by actually polishing with the polishing recipe with the simulation polishing result obtained by simulation with the polishing recipe to determine whether the actual polishing result is acceptable or not.
  • a determining step If the pass/fail determination unit determines that the result is a rejection, the actual polishing result in the past, the polishing result in the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area after correction
  • the response data correction unit having the third learned model that machine-learns the relationship with the data was used to determine the actual polishing result determined to be unacceptable, the simulation polishing result, and the polishing recipe at that time.
  • the simulation unit Inputting response data for each area, estimating and outputting response data for each area after correction, and The simulation unit records a program for executing a step of redetermining a polishing recipe by simulation based on the corrected response data for each area estimated by the response data correction unit.
  • FIG. 1 is a schematic diagram showing a configuration of an information processing system 200 according to an embodiment.
  • the information processing system 200 includes a plurality of polishing apparatuses 10 1 to 10 n (hereinafter, also referred to as CMP apparatuses) that perform chemical mechanical polishing (CMP) and polishing apparatuses 101 to 10 n .
  • CMP apparatuses chemical mechanical polishing
  • a machine learning device 210 communicably connected via a network.
  • the machine learning device 210 is, for example, a cloud-type computer system or a quantum computing system, and from one or more polishing devices 10 1 to 10 k for which a technician determines a polishing recipe, when determining a past polishing recipe.
  • the used data is acquired and machine learning is performed, and a learned model (for example, a tuned neural network system) as a learning result is distributed to one or more polishing devices 10 k+1 to 10 n .
  • the response data for each area is complemented by an engineer, and the response data for each area after the abnormal removal that has been removed, the response data for each area used to determine the polishing recipe It includes response data for each area after correction which is corrected by an engineer in consideration of the difference between the polishing result and the simulation polishing result.
  • the controllable parameters may include pressures for multiple pressure chambers in the top ring that apply pressure to multiple areas.
  • the controllable parameters may include pressure with respect to pressure chambers in the top ring that apply pressure to the retainer ring of the top ring.
  • the plurality of areas may be arranged concentrically, and the plurality of positions may be radial distances from the center of the wafer.
  • the plurality of positions (each wafer position) includes a first plurality of positions below the first area of the plurality of areas and a second plurality of positions below the second area of the plurality of areas. May be included.
  • the controllable parameters may include the polishing table rotation speed or the top ring rotation speed.
  • the wafer locations may be regularly spaced across the wafer surface. There may be more positions than parameters.
  • the controllable parameters are process type (wafer surface film type), pressure in each airbag area, polishing time, polishing pad usage time, polishing pad temperature, discharge amount and temperature of the polishing liquid (polishing slurry), discharge/ One or more of the stop timing, one or both of the rotation speed and the rotation speed of the polishing table, the rotation speed and the rotation speed of the top ring, and the retainer ring usage time may be included.
  • the machine learning device 210 generates a first machine learning unit that generates a first learned model, a second machine learning unit that generates a second learned model, and a third learned model. It has a third machine learning unit.
  • the learning method for each learned model may be learning with a teacher or learning without a teacher.
  • the first machine learning unit is, for example, a hierarchical neural network or quantum neural network (QNN) having an input layer, one or more intermediate layers connected to the input layer, and an output layer connected to the intermediate layer.
  • QNN quantum neural network
  • the first machine learning unit may include response data for each area acquired from the polishing apparatuses 10 1 to 10 k (or response data for each area acquired from the polishing apparatuses 10 1 to 10 k and each area).
  • the controllable parameters at the time of response data acquisition are input to the input layer and the output result from the output layer and the presence/absence of the abnormality and the type of abnormality with respect to the response data for each area.
  • the process of comparing the determined determination result and updating the parameter (weight, threshold value, etc.) of each node according to the error is performed on each of the response data of each of the plurality of areas acquired from the polishing apparatuses 10 1 to 10 k.
  • the response data for each past area (or the response data for each past area and the controllable parameters at the time of acquiring the response data for each area) and whether there is an abnormality and the type of abnormality You may generate the 1st learned model which machine-learned the relationship.
  • the second machine learning unit is, for example, a hierarchical neural network or quantum neural network (QNN) having an input layer, one or more intermediate layers connected to the input layer, and an output layer connected to the intermediate layer.
  • QNN quantum neural network
  • the response data for each area that was determined to be abnormal by the technician (or the response data for each past area that was determined to be abnormal by the technician and the response data acquisition control for that area) (Possible parameters) are input to the input layer, and the output results from the output layer and response data for each area are complemented and removed by the technician.
  • the process of comparing the response data with each other and updating the parameters (weight, threshold value, etc.) of each node according to the error is repeated for each of the response data for each of the plurality of areas acquired from the polishing apparatuses 10 1 to 10 k. ..
  • the response data for each area with a past abnormality or the response data for each area with a past abnormality and controllable parameters when acquiring response data for each area
  • a second learned model is generated by machine learning of the relationship with.
  • the second machine learning unit may include response data for each past area that is determined to be abnormal by an engineer and the type of the abnormality (or response for each past area that is determined to be abnormal by the engineer). Input the response data for each area, the type of abnormality, and controllable parameters when acquiring response data for each area) to the input layer, and the output results output from the output layer and the response data for each area For the polishing, the process of comparing the response data for each area after abnormality removal, which has been complemented and removed by an engineer, and updates the parameters (weight, threshold value, etc.) of each node according to the error By repeating for each of the response data for each of the plurality of areas acquired from the devices 10 1 to 10 k, the response data for each area with past abnormality and the type of abnormality (or the response data for each area with past abnormality) A second learned model may be generated by machine learning of the relationship between the type of abnormality, the controllable parameter when acquiring response data for each area, and the response data for each area after abnormality
  • the third machine learning unit is, for example, a hierarchical neural network or quantum neural network (QNN) having an input layer, one or more intermediate layers connected to the input layer, and an output layer connected to the intermediate layer.
  • the response data for each area used for the determination and the controllable parameters at the time of acquiring the response data for each area) are input to the input layer, and the output result output from the output layer and the response for each area are input.
  • the response data for each area corrected by the engineer in consideration of the difference between the actual polishing result and the simulation polishing result for the data is compared, and the parameters (weights) of each node are adjusted according to the error. And threshold values) are repeated for each of the response data for each of the plurality of areas acquired from the polishing apparatuses 10 1 to 10 k .
  • response data for each area used to determine past actual polishing results, simulation polishing results, and polishing recipes at that time or past actual polishing results and simulation polishing results and polishing recipes at that time
  • the third learned model is generated by machine learning of the relationship between the response data for each area used for the control and the controllable parameters at the time of acquiring the response data for each area) and the corrected response data for each area. ..
  • one or more polishing devices 10 k+1 to 10 n acquire first to third learned models as learning results from the machine learning device 210.
  • FIG. 2 is a schematic diagram showing the configuration of the polishing apparatus 10.
  • the polishing apparatus 10 includes a polishing table 100, a top ring 1 as a substrate holding apparatus that holds a substrate such as a semiconductor wafer as an object to be polished and presses it against a polishing surface on the polishing table 100.
  • a polishing control device 500 and a polishing recipe determination device 70 are provided.
  • the polishing table 100 is connected to a motor (not shown) arranged below the polishing table 100 via a table shaft 100a.
  • the polishing table 100 is rotated around the table shaft 100a by the rotation of the motor.
  • a polishing pad 101 as a polishing member is attached to the upper surface of the polishing table 100.
  • the surface 101a of the polishing pad 101 constitutes a polishing surface for polishing the semiconductor wafer W.
  • a polishing liquid supply nozzle 60 is installed above the polishing table 100.
  • the polishing liquid supply nozzle 60 supplies a polishing liquid (polishing slurry) Q onto the polishing pad 101 on the polishing table 100.
  • the top ring 1 is a top ring body 2 that presses the semiconductor wafer W against the polishing surface 101 a, and a retainer member that holds the outer peripheral edge of the semiconductor wafer W and prevents the semiconductor wafer W from jumping out of the top ring 1.
  • the top ring 1 is connected to the top ring shaft 111.
  • the top ring shaft 111 moves up and down with respect to the top ring head 110 by a vertical movement mechanism 124. Positioning of the top ring 1 in the vertical direction is performed by vertically moving the top ring shaft 111 to raise and lower the entire top ring 1 with respect to the top ring head 110.
  • a rotary joint 25 is attached to the upper end of the top ring shaft 111.
  • the vertical movement mechanism 124 that vertically moves the top ring shaft 111 and the top ring 1 includes a bridge 128 that rotatably supports the top ring shaft 111 via a bearing 126, a ball screw 132 attached to the bridge 128, and a column 130. And a AC servo motor 138 provided on the support 129.
  • a support base 129 that supports the servomotor 138 is fixed to the top ring head 110 via a column 130.
  • the ball screw 132 includes a screw shaft 132a connected to the servomotor 138 and a nut 132b with which the screw shaft 132a is screwed.
  • the top ring shaft 111 moves up and down together with the bridge 128. Therefore, when the servomotor 138 is driven, the bridge 128 moves up and down via the ball screw 132, which moves the top ring shaft 111 and the top ring 1 up and down.
  • top ring shaft 111 is connected to the rotary cylinder 112 via a key (not shown).
  • the rotary cylinder 112 is provided with a timing pulley 113 on its outer peripheral portion.
  • a top ring rotary motor 114 is fixed to the top ring head 110, and the timing pulley 113 is connected via a timing belt 115 to a timing pulley 116 provided on the top ring rotary motor 114. Therefore, when the top ring rotary motor 114 is rotationally driven, the rotary cylinder 112 and the top ring shaft 111 are integrally rotated via the timing pulley 116, the timing belt 115, and the timing pulley 113, and the top ring 1 is rotated.
  • the top ring head 110 is supported by a top ring head shaft 117 rotatably supported by a frame (not shown).
  • the polishing control device 500 controls each device in the device, such as the top ring rotation motor 114, the servo motor 138, and the polishing table rotation motor.
  • FIG. 3 is a schematic cross-sectional view showing the internal structure of the top ring 1. In FIG. 3, only the main constituent elements of the top ring 1 are shown.
  • the top ring 1 includes a top ring body (also referred to as a carrier) 2 that presses the semiconductor wafer W against the polishing surface 101a, and a retainer ring 3 as a retainer member that directly presses the polishing surface 101a. have.
  • the top ring body (carrier) 2 is made up of a roughly disc-shaped member, and the retainer ring 3 is attached to the outer periphery of the top ring body 2.
  • the top ring body 2 is made of resin such as engineering plastic (for example, PEEK).
  • the elastic film (membrane) 4 that is in contact with the back surface of the semiconductor wafer is attached to the lower surface of the top ring body 2.
  • the elastic film (membrane) 4 is formed of a rubber material having excellent strength and durability such as ethylene propylene rubber (EPDM), polyurethane rubber, and silicon rubber.
  • EPDM ethylene propylene rubber
  • the elastic film (membrane) 4 constitutes a substrate holding surface for holding a substrate such as a semiconductor wafer.
  • the elastic film (membrane) 4 has a plurality of concentric partition walls 4a. With these partition walls 4a, a circular center chamber 5 and an annular ripple chamber 6 are provided between the upper surface of the membrane 4 and the lower surface of the top ring body 2. An annular outer chamber 7 and an annular edge chamber 8 are formed. That is, the center chamber 5 is formed at the center of the top ring body 2, and the ripple chamber 6, the outer chamber 7, and the edge chamber 8 are sequentially and concentrically formed from the center toward the outer peripheral direction. In the top ring main body 2, a flow passage 11 communicating with the center chamber 5, a flow passage 12 communicating with the ripple chamber 6, a flow passage 13 communicating with the outer chamber 7, and a flow passage 14 communicating with the edge chamber 8 are formed. Has been done.
  • the flow channel 11 communicating with the center chamber 5, the flow channel 13 communicating with the outer chamber 7, and the flow channel 14 communicating with the edge chamber 8 are connected to the flow channels 21, 23, 24 via a rotary joint 25, respectively. ..
  • the flow paths 21, 23, 24 are connected to the pressure adjusting unit 30 via valves V1-1, V3-1, V4-1 and pressure regulators R1, R3, R4, respectively.
  • the flow paths 21, 23, 24 are connected to the vacuum source 31 via valves V1-2, V3-2, V4-2, respectively, and are also connected via valves V1-3, V3-3, V4-3. Can communicate with the atmosphere.
  • the flow path 12 communicating with the ripple chamber 6 is connected to the flow path 22 via a rotary joint 25.
  • the flow path 22 is connected to the pressure adjusting unit 30 via the steam separation tank 35, the valve V2-1 and the pressure regulator R2.
  • the flow path 22 is connected to the vacuum source 131 via a steam separation tank 35 and a valve V2-2, and can communicate with the atmosphere via a valve V2-3.
  • a retainer ring pressure chamber 9 is formed just above the retainer ring 3 by an elastic film (membrane) 32.
  • the elastic film (membrane) 32 is housed in a cylinder 33 fixed to the flange portion of the top ring 1.
  • the retainer ring pressure chamber 9 is connected to the flow path 26 via a flow path 15 and a rotary joint 25 formed in the top ring body (carrier) 2.
  • the flow path 26 is connected to the pressure adjusting unit 30 via the valve V5-1 and the pressure regulator R5.
  • the flow path 26 is connected to the vacuum source 31 via a valve V5-2 and can communicate with the atmosphere via a valve V5-3.
  • the pressure regulators R1, R2, R3, R4, and R5 adjust the pressure of the pressure fluid supplied from the pressure adjusting unit 30 to the center chamber 5, the ripple chamber 6, the outer chamber 7, the edge chamber 8, and the retainer ring pressure chamber 9, respectively.
  • Pressure regulators R1, R2, R3, R4, R5 and valves V1-1 to V1-3, V2-1 to V2-3, V3-1 to V3-3, V4-1 to V4-3, V5-1 to The V5-3 is connected to the control unit 500 (see FIG. 1) so that its operation is controlled.
  • pressure sensors P1, P2, P3, P4, P5 and flow rate sensors F1, F2, F3, F4, F5 are installed in the flow paths 21, 22, 23, 24, 26, respectively.
  • the pressure of the fluid supplied to the center chamber 5, the ripple chamber 6, the outer chamber 7, the edge chamber 8, and the retainer ring pressure chamber 9 is independently adjusted by the pressure adjusting unit 30 and the pressure regulators R1, R2, R3, R4, R5. To be done.
  • the pressing force that presses the semiconductor wafer W against the polishing pad 101 can be adjusted for each region of the semiconductor wafer, and the pressing force that the retainer ring 3 presses the polishing pad 101 can be adjusted.
  • FIG. 4 is a schematic sectional view showing the internal structure of the polishing table 100. In FIG. 4, only the main constituent elements of the polishing table 100 are shown.
  • a hole 102 that opens at the upper surface thereof is formed inside the polishing table 100.
  • the polishing pad 101 has a through hole 51 formed at a position corresponding to the hole 102.
  • the hole 102 and the through hole 51 communicate with each other.
  • the through hole 51 is open at the polishing surface 101a.
  • the hole 102 is connected to the liquid supply source 55 via the liquid supply path 53 and the rotary joint 52.
  • water preferably pure water
  • the water fills the space formed by the lower surface of the semiconductor wafer W and the through holes 51, and is discharged through the liquid discharge path 54.
  • the polishing liquid is discharged together with water, thereby ensuring the optical path.
  • the liquid supply path 53 is provided with a valve (not shown) that operates in synchronization with the rotation of the polishing table 100. This valve operates so as to stop the flow of water or reduce the flow rate of water when the semiconductor wafer W is not located above the through hole 51.
  • the polishing apparatus 10 includes a film thickness measuring unit 40 that measures the film thickness of the substrate.
  • the film thickness measuring unit 40 includes a light source 44 that emits light, a light projecting unit 41 that irradiates the surface of the semiconductor wafer W with the light emitted from the light source 44, and a light receiving unit that receives the reflected light returning from the semiconductor wafer W. 42, a spectroscope 43 that decomposes the reflected light from the semiconductor wafer W according to the wavelength, and measures the intensity of the reflected light over a predetermined wavelength range, and generates a spectrum from the measurement data acquired by the spectroscope 43, An optical film thickness sensor having a processing unit 46 that determines the film thickness of the semiconductor wafer W based on this spectrum.
  • the spectrum shows the intensity of light distributed over a predetermined wavelength range, and shows the relationship between the intensity of light and the wavelength.
  • the light projecting section 41 and the light receiving section 42 are composed of optical fibers.
  • the light projecting unit 41 and the light receiving unit 42 form an optical head (optical film thickness measuring head) 45.
  • the light projecting unit 41 is connected to the light source 44.
  • the light receiving section 42 is connected to the spectroscope 43.
  • As the light source 44 a light source that emits light having a plurality of wavelengths such as a light emitting diode (LED), a halogen lamp, or a xenon flash lamp can be used.
  • the light projecting unit 41, the light receiving unit 42, the light source 44, and the spectroscope 43 are arranged inside the polishing table 100 and rotate together with the polishing table 100.
  • the light projecting section 41 and the light receiving section 42 are arranged in the holes 102 formed in the polishing table 100, and the respective tips are located near the surface to be polished of the semiconductor wafer W.
  • the light projecting unit 41 and the light receiving unit 42 are arranged perpendicularly to the surface of the semiconductor wafer W, and the light projecting unit 41 irradiates light onto the surface of the semiconductor wafer W vertically.
  • the light projecting section 41 and the light receiving section 42 are arranged so as to face the center of the semiconductor wafer W held by the top ring 1. Therefore, each time the polishing table 100 rotates, the tips of the light projecting section 41 and the light receiving section 42 move across the semiconductor wafer W, and the region including the center of the semiconductor wafer W is irradiated with light.
  • the processing unit 46 can generate a film thickness profile (film thickness distribution in the radial direction) based on the measured film thickness data.
  • the processing unit 46 is connected to the polishing control device 500 (see FIG. 2) and outputs the generated film thickness profile to the polishing control device 500.
  • the semiconductor wafer W is irradiated with light from the light projecting unit 41.
  • the light from the light projecting section 41 is reflected by the surface of the semiconductor wafer W and is received by the light receiving section 42.
  • water is supplied to the holes 102 and the through holes 51, whereby the tip of each of the light projecting section 41 and the light receiving section 42 and the surface of the semiconductor wafer W.
  • the space is filled with water.
  • the spectroscope 43 decomposes the reflected light sent from the light receiving unit 42 according to the wavelength, and measures the intensity of the reflected light for each wavelength.
  • the processing unit 46 generates a spectrum indicating the relationship between the intensity of the reflected light and the wavelength from the intensity of the reflected light measured by the spectroscope 43 and the spectroscope 43. Further, the processing unit 46 estimates the current film thickness profile (residual film profile) of the semiconductor wafer W from the obtained spectrum using a known technique.
  • the polishing apparatus 10 may include a film thickness measuring unit of another type instead of the film thickness measuring unit 40 including the above optical film thickness sensor.
  • An example of another type of film thickness measurement unit is an eddy current film thickness sensor that is arranged inside the polishing table 100 and that acquires a film thickness signal that changes according to the film thickness of the semiconductor wafer W.
  • the eddy current film thickness sensor rotates integrally with the polishing table 100 and acquires a film thickness signal of the semiconductor wafer W held by the top ring 1.
  • the eddy current type film thickness sensor is connected to the polishing control device 500 shown in FIG. 2, and the film thickness signal acquired by the eddy current type film thickness sensor is sent to the polishing control device 500.
  • the polishing control device 500 generates a film thickness index value that directly or indirectly represents the film thickness from the film thickness signal.
  • the eddy current type film thickness sensor is configured to flow a high-frequency alternating current through a coil to induce an eddy current in a conductive film, and detect the thickness of the conductive film from a change in impedance caused by the magnetic field of this eddy current. It As the eddy current sensor, a known eddy current sensor described in JP-A-2014-017418 can be used.
  • the through hole 51 is provided in the polishing surface 101a, the liquid supply path 53, the liquid discharge path 54, and the liquid supply source 55 are provided, and the hole 102 is filled with water.
  • a transparent window may be formed in the pad 101.
  • the light projecting section 41 irradiates the surface of the substrate W on the polishing pad 101 with light through the transparent window, and the light receiving section 42 receives the reflected light from the semiconductor wafer W through the transparent window.
  • the polishing operation by the polishing apparatus 10 configured as above will be described.
  • the top ring 1 receives the semiconductor wafer W from the substrate transfer device (pusher) and holds the semiconductor wafer W on its lower surface by vacuum suction.
  • the top ring 1 has the surface to be polished (usually a surface on which a device is formed, also referred to as a “surface”) facing downward, and the top ring 1 is placed so that the surface to be polished faces the surface of the polishing pad 101. Hold.
  • the top ring 1 holding the semiconductor wafer W on the lower surface is moved above the polishing table 100 from the receiving position of the semiconductor wafer W by the rotation of the top ring head shaft 117 and the rotation of the top ring head 110.
  • the top ring 1 which holds the semiconductor wafer W by vacuum suction, is lowered to the preset top ring polishing setting position.
  • the retainer ring 3 is grounded to the surface (polishing surface) 101a of the polishing pad 101, but before polishing, the semiconductor wafer W is sucked and held by the top ring 1, so that the semiconductor wafer W is held.
  • the polishing table 100 and the top ring 1 are both rotationally driven, and the polishing liquid is supplied onto the polishing pad 101 from the polishing liquid supply nozzle 102 provided above the polishing table 100.
  • the elastic film (membrane) 4 on the back surface side of the semiconductor wafer W is inflated, and the back surface of the polishing surface of the semiconductor wafer W is pressed, so that the polishing surface of the semiconductor wafer W becomes the front surface of the polishing pad 101 ( (Polishing surface) 101a, and the surface to be polished of the semiconductor wafer W and the polishing surface of the polishing pad 101 are relatively slid so that the surface to be polished of the semiconductor wafer W has a predetermined state (for example, a predetermined film thickness).
  • a predetermined state for example, a predetermined film thickness
  • the polishing surface 101a of the polishing pad 101 is polished until After the wafer processing process on the polishing pad 101 is completed, the semiconductor wafer W is attracted to the top ring 1, the top ring 1 is lifted, and is moved to the substrate transfer device that constitutes the substrate transfer mechanism to release the wafer W ( Release).
  • FIG. 5 is a block diagram showing the configuration of the polishing recipe determining device 70.
  • the polishing recipe determination device 70 includes a communication unit 71, a control unit 72, and a storage unit 73. The respective units are connected to each other via a bus so that they can communicate with each other.
  • the communication unit 71 is a communication interface between the machine learning device 210 (see FIG. 1) and the polishing control device 500 and the polishing recipe determination device 70.
  • the communication unit 71 transmits and receives information between the machine learning device 210, the polishing control device 500, and the polishing recipe determination device 70.
  • the storage unit 73 is magnetic data storage such as a hard disk.
  • the storage unit 73 stores various data handled by the control unit 72.
  • the storage unit 73 also stores response data 73a for each area, a polishing recipe 73b, an actual polishing result 73c, and a simulation polishing result 73d.
  • the storage unit 73 may store controllable parameters when acquiring response data for each area.
  • the response data 73a for each area is response data for each area acquired by a pressure swing experiment in which the pressure is changed for each of the pressure chambers 5 to 9 (areas) of the top ring 1 to polish the test wafer.
  • the response amount profile (response data) for the central area corresponding to the pressure chamber 5 is the polishing at each position of the wafer when only the pressure chamber 5 is pressurized with the pressures P1, P2,....
  • the removal rates V1, V2,... Are measured, and (P1, V1), (P2, V2),.
  • FIG. 7 shows an example of the response amount profile for the central area.
  • Response amount profiles (response data) can be similarly obtained for other areas corresponding to the other pressure chambers 6 to 9.
  • the “response data” is limited to data obtained by dividing the amount of change in the polishing removal rate (removal ratio) for each wafer position by the amount of change in the airbag pressure, as long as the factors related to the amount removed and the amount remaining can be measured.
  • data obtained by dividing the amount of change in the polishing removal amount at each position of the wafer by the amount of change in the airbag pressure may be used, or the amount of change in the residual film of the wafer at each position of the wafer may be changed. It may be data divided by the amount.
  • the response data may be data obtained by dividing the property of the residual film (the distribution of the exposed metal and other materials) by the air bag pressure change amount.
  • the polishing recipe 73b is data defining various conditions for performing polishing, and is determined by the simulation unit 72b, which will be described later, based on the response data 73a for each area, by itself performing a known simulation. ..
  • the polishing recipe 73b includes parameters that can be controlled by each device in the polishing apparatus 10, such as the pressure in each pressure chamber 5 to 9 of the top ring 1, the rotation speed of the top ring 1, the rotation speed of the polishing table 100, and the polishing time. It may include one or more of them.
  • the actual polishing result 73c is the actual polishing film thickness profile (obtained from the film thickness measuring unit 40 when the polishing control device 500 controls each device in the polishing device 10 according to the polishing recipe 73b to polish a wafer. Residual film profile) (see, for example, the solid line graph in FIG. 9).
  • the simulation polishing result 73d is a film thickness profile (residual film profile) on the simulation, which is obtained by the simulation unit 72b, which will be described later, under the condition of the polishing recipe 73b, by itself performing a known simulation.
  • a film thickness profile residual film profile
  • the control unit 72 is a control unit that performs various processes of the polishing recipe determination device 70. As shown in FIG. 5, the control unit 72 includes an abnormality presence/absence estimation unit 72a, a screening unit 72b, a simulation unit 72c, a pass/fail determination unit 72d, and a response data correction unit 72e. Each of these units may be implemented by a processor in the polishing recipe determination device 70 executing a predetermined program, or may be implemented by hardware.
  • the abnormality presence/absence estimating unit 72a determines the relationship between the past response data for each area (or the past response data for each area and the controllable parameters at the time of acquiring the response data for each area) and whether or not there is an abnormality. It has the first learned model that has been machine-learned (first learned model acquired from the machine learning device 210), and the response data 73a (or the new area) for each new area stored in the storage unit 73. Inputting the response data for each area and controllable parameters at the time of acquiring the response data for each area), the presence/absence of an abnormality is estimated and output.
  • the abnormality presence/absence estimating unit 72a determines whether or not the response data for each past area (or the response data for each past area and the controllable parameter at the time of acquiring the response data for each area) is present. It has a first learned model that machine-learns the relationship between the area and the type of abnormality, and the response data 73a (or the response data for each new area) stored in the storage unit 73 for each new area. And controllable parameters at the time of acquiring response data for each area) may be input and the presence or absence of an abnormality and the type of abnormality may be estimated and output.
  • FIG. 7 shows an example of a normal response amount profile (response data) for the central area.
  • the abnormality presence/absence estimating unit 72a can output an estimation result that there is no abnormality with respect to such a normal response amount profile (response data).
  • FIG. 8A shows an example of a response amount profile (response data) for the central area where there are left and right abnormal points. As indicated by an arrow in FIG. 8A, this profile has different portions on the left and right sides, that is, left and right abnormal points.
  • the abnormality presence/absence estimating unit 72a can output an estimation result indicating that there is an abnormality at the left and right abnormal points with respect to the response amount profile (response data) having such an abnormality.
  • FIG. 8B shows an example of a response amount profile (response data) for the central area having an abnormal edge at the time of pressurizing the central area.
  • this profile has a portion that responds in a region other than the pressed region (in this case, the central area), that is, an edge abnormal point when the central area is pressurized.
  • the abnormality presence/absence estimating unit 72a outputs an estimation result indicating that there is an abnormality in the edge abnormal point at the time of pressurizing the central area for the response amount profile (response data) having such an abnormality. can do.
  • FIG. 8C shows an example of the response amount profile (response data) for the central area where the polar abnormality is abnormal. As indicated by the arrow in the upper part of FIG. 8C, this profile has data on the radial position where the behavior in the circumferential direction becomes abnormal, that is, a polar abnormal point.
  • the lower diagram of FIG. 8C shows the profile measured in the circumferential direction with respect to the radial position of the polar abnormal point.
  • the screening unit 72b determines the response data for each area with a past abnormality (or the response data for each area with a past abnormality and controllable parameters when acquiring response data for each area) and for each area after the abnormality is removed.
  • a second learned model second learned model acquired from the machine learning device 210) that machine-learns the relationship with the response data is included and the abnormality is estimated by the abnormality presence/absence estimation unit 72a
  • the response data 73a for each area estimated to be abnormal or the response data for each area estimated to be abnormal and controllable parameters at the time of acquiring the response data for each area
  • the response data for each area is estimated and output.
  • the response data 73a for each area stored in the storage unit 73 is updated with the response data for each area after the abnormality removal estimated by the screening unit 72b.
  • the screening unit 72b obtains response data for each area with a past abnormality and the type of the abnormality (or response data for each area with a past abnormality and the type of the abnormality and response data for each area). Controllable parameters at time) and the second learned model that machine-learns the relationship between the response data for each area after the abnormality is removed, and the abnormality presence/absence estimation unit 72a estimates that there is an abnormality.
  • the response data 73a for each area presumed to be abnormal and the kind of the presumed abnormality (left and right abnormal points, edge abnormal point during central area pressurization, polar abnormal point, etc.) (or presumed abnormal) may be input, and the response data for each area after the abnormality removal may be estimated and output.
  • the response data for each area estimated to have an abnormality also by using the information on the type of abnormality, the response data for each area after the abnormality can be estimated with higher accuracy.
  • the simulation unit 72c is known per se based on the response data 73a for each area estimated to be normal by the abnormality presence/absence estimation unit 72a or the response data 73a for each area after abnormality removal estimated by the screening unit 72b.
  • the polishing recipe 73b is determined by the simulation.
  • the simulation unit 72c can determine the polishing recipe with high accuracy and efficiency by determining the polishing recipe by simulation based on the response data 73a for each area (low noise) after screening.
  • the polishing recipe 73b determined by the simulation unit 72c is stored in the storage unit 73.
  • the pass/fail judgment unit 72d performs an actual polishing result 73c obtained by actually polishing the wafer by the polishing apparatus 10 using the polishing recipe 73b determined by the simulation unit 72c, and a simulation using the polishing recipe 73b.
  • the obtained polishing result 73d of the simulation is compared (see FIG. 9), and the pass/fail of the actual polishing result 73c is determined based on the magnitude of the deviation.
  • the acceptance/rejection determination unit 72d determines that the deviation is equal to or less than a predetermined threshold value when the deviation of the actual polishing result 73c from the simulation polishing result 73d is equal to or less than the predetermined threshold value, and the deviation is greater than the threshold value when the deviation is not acceptable. judge.
  • the response data correction unit 72e responds to the past actual polishing result, the simulation polishing result, and the response data for each area used for determining the polishing recipe at that time (or the past actual polishing result and the simulation polishing result and the corresponding polishing data at that time). Third learning in which machine learning is performed on the relationship between the response data for each area used for determining the polishing recipe and the controllable parameters at the time of acquiring the response data for each area) and the corrected response data for each area.
  • the residual film profile of the actual polishing (the solid line graph in the above figure) is compared with the residual film profile of the simulation (the broken line graph in the above figure) in the central area. Large amount of residual film (insufficient polishing).
  • the response data correction unit 72e uses the third learned model to shift the residual film profile of the actual polishing and the residual film profile of the simulation from the response amount profile (graph of the broken line in the figure below) for the central area. In consideration of this, it is possible to estimate and output a response amount profile (response data) (a solid line graph in the following figure) for the corrected central area that is corrected so that the response amount of the central area becomes small.
  • the simulation unit 72c redetermines the polishing recipe 73b by simulation based on the corrected response data 73a for each area estimated by the response data correction unit 72e.
  • the polishing recipe 73b stored in the storage unit 73 is updated with the polishing recipe redetermined by the simulation unit 72c.
  • the polishing recipe determining apparatus 70 may be configured by one or a plurality of computers. However, a program for causing the one or more computers to implement the polishing recipe determining apparatus 70 and the program are non-transitory. A computer-readable recording medium recorded in (non-transitory) is also a subject of protection in this case.
  • FIG. 6 is a flowchart showing an example of the polishing recipe determining method.
  • the polishing apparatus 10 conducts a pressure swing experiment in which the pressure of the fluid supplied to each pressure chamber (area) of the top ring 1 is changed to polish the test wafer, and the polishing is performed for each area.
  • Acquire response data (step S11).
  • the acquired response data for each area is stored in the storage unit 73 of the polishing recipe determination device 70. Controllable parameters at the time of acquiring response data for each area may be stored in the storage unit 73.
  • the abnormality presence/absence estimating unit 72a having the first learned model that is present, controls the response data 73a for each new area stored in the storage unit 73 (or the response data for each new area and the response data at the time of acquiring the response data for each area). Possible parameters) are input, and the presence or absence of abnormality is estimated and output (step S12).
  • the abnormality presence/absence estimating unit 72a determines whether or not the response data for each past area (or the response data for each past area and the controllable parameter at the time of acquiring the response data for each area) is present.
  • the response data 73a for each new area stored in the storage unit 73 (or the response data for each new area and the relevant data A controllable parameter when acquiring response data for each area) may be input, and the type of abnormality may be estimated and output in addition to the presence or absence of abnormality.
  • step S13 NO
  • the process proceeds to step S15 described later.
  • the response data for each area having a past abnormality (or the response data for each area having a past abnormality and the response data for each area at the time of acquisition) is obtained.
  • the screening unit 72b having the second learned model that machine-learns the relationship between the controllable parameters) and the response data for each area after the abnormality is removed.
  • DOE data after abnormality removal is estimated and output (step S14).
  • the screening unit 72b acquires the response data and the type of abnormality in the past area with abnormality (or the response data of each area with past abnormality and the type of abnormality and the response data in each area).
  • the anomaly type or the response data for each area estimated to have an anomaly and the estimated anomaly type and the controllable parameters when acquiring response data for each area
  • Response data may be estimated and output.
  • the response data 73a for each area stored in the storage unit 73 is updated with the response data for each area after the abnormality removal estimated by the screening unit 72b.
  • the simulation unit 72c performs a simulation based on the response data 73a for each area estimated to be normal by the abnormality presence/absence estimation unit 72a or the response data 73a for each area after the abnormality removal estimated by the screening unit 72b.
  • the polishing recipe 73b is determined (step S15).
  • the polishing recipe 73b determined by the simulation unit 72c is stored in the storage unit 73.
  • the polishing apparatus 10 actually polishes the wafer according to the polishing recipe 73b determined by the simulation unit 72c, and acquires the actual polishing result (step S16).
  • the acquired actual polishing result is stored in the storage unit 73 of the polishing recipe determination device 70.
  • the pass/fail judgment unit 72d compares the actual polishing result 73c with the simulation polishing result 73d obtained by performing the simulation with the polishing recipe 73b determined by the simulation unit 72c, and the magnitude of the deviation.
  • the pass/fail of the actual polishing result 73c is determined based on the above (step S17).
  • step S18 determines that the result is acceptable (step S18: YES)
  • the processing of the polishing recipe determination device 10 is ended.
  • step S18 determines that the result is unacceptable (step S18: NO)
  • the past actual polishing result, the simulation polishing result, and the response data for each area used to determine the polishing recipe at that time Or the actual polishing result in the past, the simulation result in simulation, the response data for each area used to determine the polishing recipe at that time, and the controllable parameters when acquiring the response data for each area
  • the response data correction unit 72e having the third learned model that machine-learns the relationship with the response data of the, the actual polishing result 73c determined to be rejected, the simulation polishing result 73d, and the polishing recipe at that time.
  • the response data 73a for each area used for the determination (or the actual polishing result determined to be rejected, the polishing result for the simulation, the response data for each area used for determining the polishing recipe at that time, and the response for each area) And controllable parameters at the time of data acquisition) are input, and the corrected response data for each area is estimated and output (step S19).
  • the response data 73a for each area stored in the storage unit 73 is updated with the corrected response data for each area estimated by the response data correction unit 72e. Then, the process returns to step S15 and the process is repeated.
  • the simulation unit 72c redetermines the polishing recipe 73b by simulation based on the corrected response data 73a for each area estimated by the response data correction unit 72e (step S15).
  • the polishing recipe 73b stored in the storage unit 73 is updated with the polishing recipe redetermined by the simulation unit 72c.
  • the abnormality presence/absence estimating unit 72a allows the response data for each past area (or the response data for each past area and the controllable parameters when acquiring the response data for each area). Since it has the first learned model that machine-learns the relationship between the presence and absence of abnormality, the response data 73a for each new area (or the response data for each new area and the response data for each area at the time of acquisition) Whether or not there is an abnormality in the controllable parameter) can be estimated in a short time, and highly accurate according to the learning amount.
  • the screening unit 72b uses the response data for each area with a past abnormality (or the response data for each area with a past abnormality and controllable parameters when acquiring response data for each area) and the area after the abnormality is removed. Since the second learned model that machine-learns the relationship with each response data is included, the response data 73a for each area estimated to be abnormal (or the response data for each area estimated to be abnormal and It is possible to estimate the response data for each area after the abnormality is removed in a short time from the controllable parameters at the time of acquiring the response data for each area) and to estimate the response data with high accuracy according to the learning amount. Then, the simulation unit 72c determines the polishing recipe by simulation based on the response data 73a for each area (low noise) after the screening, whereby the polishing recipe can be determined with high accuracy and efficiency.
  • the response data correction unit 72e causes the response data for each area (or the past actual polishing result, the simulation polishing result in the simulation, and the response data for each area used for determining the polishing recipe at that time). Relationship between polishing results, polishing results of simulation, response data for each area used to determine the polishing recipe at that time, controllable parameters when acquiring response data for each area, and response data for each area after correction Since it has the third learned model that machine-learns the property, the actual polishing result 73c determined to be rejected, the simulation polishing result 73d, and the response data for each area used to determine the polishing recipe 73c at that time 73a (or actual polishing result determined to be unacceptable, simulation polishing result, response data for each area used to determine the polishing recipe at that time, and controllable parameters when acquiring response data for each area), Therefore, it is possible to estimate the corrected response data for each area in a short time and to estimate the response data with high accuracy according to the learning amount. Then, the

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

情報処理装置は、研磨ヘッドのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する情報処理装置であって、新たなエリア毎の応答データを入力として、異常があるか否かを推定して出力する異常有無推定部と、異常有無推定部により異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するスクリーニング部と、異常有無推定部により異常なしと推定されたエリア毎の応答データ、またはスクリーニング部により推定された異常除去後のエリア毎の応答に基づいて、シミュレーションにより研磨レシピを決定するシミュレーション部と、を備える。

Description

研磨レシピ決定装置
　本開示は、研磨レシピ決定装置に関する。
　近年、半導体デバイスの高集積化が進むにつれて回路の配線が微細化し、配線間距離もより狭くなりつつある。半導体デバイスの製造では、シリコンウエハの上に多くの種類の材料が膜状に繰り返し形成され、積層構造が形成される。この積層構造を形成するためには、ウエハの表面を平坦にする技術が重要となっている。このようなウエハの表面を平坦化する一手段として、化学機械研磨（ＣＭＰ）を行う研磨装置（化学的機械的研磨装置ともいう）が広く用いられている。
　この種の研磨装置は、一般に、研磨パッドが取り付けられた研磨テーブルと、ウエハを保持するトップリング（研磨ヘッドともいう）と、研磨液を研磨パッド上に供給するノズルとを備えている。ノズルから研磨液を研磨パッド上に供給しながら、トップリングによりウエハを研磨パッドに押し付け、さらにトップリングと研磨テーブルとを相対移動させることにより、ウエハを研磨してその表面を平坦にする。
　このような研磨装置において、研磨中のウエハと研磨パッドとの間の相対的な押圧力がウェアの全面に亘って均一でない場合には、ウエハの各部分に与えられる押圧力に応じて研磨不足や過研磨が生じてしまう。ウエハに対する押圧力を均一化するために、トップリングの下部に弾性膜（メンブレン）から形成される複数の圧力室を設け、この複数の圧力室に加圧空気などの流体をそれぞれ供給することで弾性膜を介した流体圧によりウエハを研磨パッドに押圧して研磨することが行われている。
　また、トップリングの圧力室（エリア）毎に圧力を変化させてテストウエハを研磨する圧力振り実験により、エリア毎の応答データを取得し、取得したエリア毎の応答データに基づいてシミュレーションにより研磨レシピを決定することが行われている（たとえば、特開２０１４－５１３４３４号公報参照）。
　研磨レシピの決定は、熟練の技術者が行うことにより、短時間で高精度な（たとえば、面内均一性が良い）研磨レシピを決定することが可能である。それは、熟練の技術者は、圧力振り実験で取得したエリア毎の応答データに対し、過去のエリア毎の応答データや他のプロセスを勘案し、必要に応じてデータ補完、除去などのスクリーニングを行い、スクリーニング後の（ノイズが少ない）エリア毎の応答データに基づいて研磨レシピを決定するからである。
　したがって、過去に取得された膨大なエリア毎の応答データを学習することができれば、研磨レシピの決定をさらに高精度化できる可能性がある。しかしながら、実際は、一人の技術者が学習できる過去のエリア毎の応答データの数は限られているから、技術者の経験や知識を頼りに研磨レシピを決定する従来の方法では、さらなる高精度化は困難である。
　また、技術者の判断をコンピュータのプログラムに置き換えることができれば、研磨レシピの決定を高速化（効率化）できる可能性がある。しかしながら、実際は、エリア毎の応答データにおいて、異常値の出る箇所や大きさについては一貫性がないため、技術者がその都度グラフを見て判断する必要があり、予め定められた条件を満たすか否かという条件分岐を利用した従来のプログラムで置き換えることは不可能である。
　研磨レシピの決定を高精度化、効率化できる研磨レシピ決定装置を提供することが望まれる。
　本開示の一態様に係る研磨レシピ決定装置は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定装置であって、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有し、新たなエリア毎の応答データを入力として、異常の有無を推定して出力する異常有無推定部と、
　過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有し、前記異常有無推定部により異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するスクリーニング部と、
　前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するシミュレーション部と、
を備える。
　本開示の一態様に係る研磨レシピ決定装置は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定装置であって、
　新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するシミュレーション部と、
　前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定する合否判定部と、
　過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有し、前記合否判定部により不合格と判定された場合には、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力する応答データ修正部と、
をさらに備え、
　前記シミュレーション部は、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直す。
　本開示の一態様に係る研磨レシピ決定方法は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定方法であって、前記応答データはウエハ各位置について研磨除去レートの変化量をエアバッグ圧力変化量で除したデータのことであり、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
を備える。
　本開示の一態様に係る研磨レシピ決定方法は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定方法であって、
　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答Ｅデータとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を備える。
　本開示の一態様に係る研磨レシピ決定プログラムは、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させる研磨レシピ決定プログラムであって、
　前記コンピュータに、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
を実行させる。
　本開示の一態様に係る研磨レシピ決定プログラムは、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させる研磨レシピ決定プログラムであって、前記応答データはウエハ各位置について研磨除去レートの変化量をエアバッグ圧力変化量で除したデータのことであり、
　前記コンピュータに、
　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を実行させる。
　本開示の一態様に係るコンピュータ読取可能な記録媒体は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させるプログラムを非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）に記録したコンピュータ読取可能な記録媒体であって、
　前記コンピュータに、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
を実行させるプログラムを記録している。
　本開示の一態様に係るコンピュータ読取可能な記録媒体は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させるプログラムを非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）に記録したコンピュータ読取可能な記録媒体であって、
　前記コンピュータに、
　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を実行させるプログラムを記録している。
図１は、一実施の形態に係る情報処理システムの構成を示す概略図である。 図２は、一実施の形態に係る研磨装置の構成を示す概略図である。 図３は、一実施の形態に係るトップリングの内部構成を示す模式的断面図である。 図４は、一実施の形態に係る研磨テーブルの内部構成を示す模式的断面図である。 図５は、一実施の形態に係る研磨レシピ決定装置の構成を示すブロック図である。 図６は、一実施の形態に係る研磨レシピ決定方法の一例を示すフローチャートである。 図７は、中央エリアについての正常な応答量プロファイルの一例を示す図である。 図８Ａは、左右異常点の異常がある中央エリアについての応答量プロファイルの一例を示す図である。 図８Ｂは、圧力中央振り時エッジ異常点の異常がある中央エリアについての応答量プロファイルの一例を示す図である。 図８Ｃは、ポーラー異常点の異常がある中央エリアについての応答量プロファイルの一例を示す図である。 図９は、実研磨の残膜プロファイルとシミュレーションの残膜プロファイルとを比較して示す図である。 図１０は、修正前の応答量プロファイルと修正後の応答量プロファイルとを比較して示す図である。
　実施形態の第１の態様に係る研磨レシピ決定装置は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定装置であって、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有し、新たなエリア毎の応答データを入力として、異常の有無を推定して出力する異常有無推定部と、
　過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有し、前記異常有無推定部により異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するスクリーニング部と、
　前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するシミュレーション部と、
を備える。
　このような態様によれば、異常有無推定部が、過去のエリア毎の応答データと異常の有無との関係性を機械学習している第１学習済みモデルを有するため、新たなエリア毎の応答データに異常があるか否かを、短時間で推定できるとともに、学習量に応じて高精度に推定することが可能である。また、スクリーニング部が、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するため、異常ありと推定されたエリア毎の応答データから、異常除去後のエリア毎の応答データを、短時間で推定できるとともに、学習量に応じて高精度に推定することが可能である。そして、シミュレーション部が、スクリーニング後の（ノイズが少ない）エリア毎の応答データに基づいてシミュレーションにより研磨レシピを決定することにより、研磨レシピを高精度かつ効率的に決定することができる。
　実施形態の第２の態様に係る研磨レシピ決定装置は、第１の態様に係る研磨レシピ決定装置であって、
　前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定する合否判定部と、
　過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有し、前記合否判定部により不合格と判定された場合には、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力する応答データ修正部と、
をさらに備え、
　前記シミュレーション部は、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直す。
　このような態様によれば、応答データ修正部が、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有するため、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとから、修正後のエリア毎の応答データを、短時間で推定できるとともに、学習量に応じて高精度に推定することが可能である。そして、シミュレーション部が、応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すことにより、研磨レシピの決定をさらに高精度化できる。
　実施形態の第３の態様に係る研磨レシピ決定装置は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定装置であって、
　新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するシミュレーション部と、
　前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定する合否判定部と、
　過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有し、前記合否判定部により不合格と判定された場合には、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力する応答データ修正部と、
をさらに備え、
　前記シミュレーション部は、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直す。
　このような態様によれば、応答データ修正部が、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有するため、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとから、修正後のエリア毎の応答データを、短時間で推定できるとともに、学習量に応じて高精度に推定することが可能である。そして、シミュレーション部が、応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すことにより、研磨レシピを高精度かつ効率的に決定することができる。
　実施形態の第４の態様に係る研磨レシピ決定装置は、第１の態様に係る研磨レシピ決定装置であって、
　前記第１学習済みモデルは、過去のエリア毎の応答データとそれに異常があるか否かおよび異常の種類との関係性を機械学習しており、前記異常有無推定部は、新たなエリア毎の応答データを入力として、異常の有無および異常の種類を推定して出力し、
　前記第２学習済みモデルは、過去の異常ありのエリア毎の応答データと異常の種類と異常除去後のエリア毎の応答データとの関係性を機械学習しており、前記スクリーニング部は、前記異常有無推定部により異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データおよび推定された異常の種類を入力として、異常除去後のエリア毎の応答データを推定して出力する。
　このような態様によれば、スクリーニング部が、異常ありと推定されたエリア毎の応答データについて、その異常の種類の情報も利用して推定を行うことで、異常除去後のエリア毎の応答データをより高精度に推定することができる。これにより、研磨レシピの決定をさらに高精度化できる。
　実施形態の第５の態様に係る研磨レシピ決定装置は、第４の態様に係る研磨レシピ決定装置であって、
　前記異常の種類は、左右異常点、中央エリア加圧時エッジ異常点、ポーラー異常点のうちの１つまたは２つ以上を含む。
　実施形態の第６の態様に係る研磨レシピ決定装置は、第１～５のいずれかの態様に係る研磨レシピ決定装置であって、
　前記応答データはウエハ各位置について研磨除去量の変化量をエアバッグ圧力変化量で除したデータのことである。
　実施形態の第７の態様に係る研磨レシピ決定装置は、第１～５のいずれかの態様に係る研磨レシピ決定装置であって、
　前記応答データはウエハ各位置について研磨除去レートの変化量をエアバッグ圧力変化量で除したデータのことである。
　実施形態の第８の態様に係る研磨レシピ決定装置は、第１～５のいずれかの態様に係る研磨レシピ決定装置であって、
　前記応答データはウエハ各位置についてウエハ残膜の変化量をエアバッグ圧力変化量で除したデータのことである。
　実施形態の第９の態様に係る研磨装置は、第１～８のいずれかの態様に係る研磨レシピ決定装置を備える。
　実施形態の第１０の態様に係る研磨レシピ決定方法は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定方法であって、前記応答データはウエハ各位置について研磨除去レートの変化量をエアバッグ圧力変化量で除したデータのことであり、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
を備える。
　実施形態の第１１の態様に係る研磨レシピ決定方法は、第１０の態様に係る研磨レシピ決定方法であって、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、をさらに備える。
　実施形態の第１２の態様に係る研磨レシピ決定方法は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定方法であって、
　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答Ｅデータとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を備える。
　実施形態の第１３の態様に係る研磨レシピ決定プログラムは、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させる研磨レシピ決定プログラムであって、
　前記コンピュータに、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
を実行させる。
　実施形態の第１４の態様に係る研磨レシピ決定プログラムは、第１３の態様に係る研磨レシピ決定プログラムであって、
　前記コンピュータに、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、をさらに実行させる。
　実施形態の第１５の態様に係る研磨レシピ決定プログラムは、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させる研磨レシピ決定プログラムであって、前記応答データはウエハ各位置について研磨除去レートの変化量をエアバッグ圧力変化量で除したデータのことであり、
　前記コンピュータに、
　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を実行させる。
　実施形態の第１６の態様に係るコンピュータ読取可能な記録媒体は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させるプログラムを非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）に記録したコンピュータ読取可能な記録媒体であって、
　前記コンピュータに、
　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
を実行させるプログラムを記録している。
　実施形態の第１７の態様に係るコンピュータ読取可能な記録媒体は、第１６の態様に係るコンピュータ読取可能な記録媒体であって、
　前記コンピュータに、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、をさらに実行させるプログラムを記録している。
　実施形態の第１８の態様に係るコンピュータ読取可能な記録媒体は、
　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させるプログラムを非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）に記録したコンピュータ読取可能な記録媒体であって、
　前記コンピュータに、
　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を実行させるプログラムを記録している。
　以下に、添付の図面を参照して、実施の形態の具体例を詳細に説明する。なお、以下の説明および以下の説明で用いる図面では、同一に構成され得る部分について、同一の符号を用いるとともに、重複する説明を省略する。
＜情報処理システム＞
　図１は、一実施の形態に係る情報処理システム２００の構成を示す概略図である。
　図１に示すように、情報処理システム２００は、化学機械研磨（ＣＭＰ）を行う複数の研磨装置１０１～１０ｎ（以下、ＣＭＰ装置ということがある）と、各研磨装置１０１～１０ｎにネットワークを介して通信可能に接続された機械学習装置２１０とを有している。
　機械学習装置２１０は、たとえばクラウド型のコンピュータシステムまたは量子コンピューティングシステムであり、技術者により研磨レシピの決定が行われる１または２以上の研磨装置１０１～１０ｋから、過去の研磨レシピ決定時に用いられたデータを取得して機械学習を行うとともに、学習成果としての学習済みモデル（たとえばチューニングされたニューラルネットワークシステム）を１または２以上の研磨装置１０ｋ＋１～１０ｎに配信する。
　ここで、研磨装置１０１～１０ｋから機械学習装置２１０へと送信される過去の研磨レシピ決定時のデータには、たとえば、トップリングの圧力室毎に圧力を変化させて取得されるエリア毎の応答データや、当該エリア毎の応答データ取得時における制御可能なパラメータ、当該エリア毎の応答データに対して技術者が異常の有無を判定した判定結果、技術者が異常の種類を判別した判別結果、当該エリア毎の応答データに対して技術者によりデータ補完、除去が行われた異常除去後のエリア毎の応答データ、研磨レシピの決定に利用されたエリア毎の応答データに対して実際の研磨結果とシミュレーションの研磨結果とのずれを考慮して技術者により修正された修正後のエリア毎の応答データなどが含まれる。制御可能なパラメータは、複数のエリアに圧力印加するトップリング内の複数の圧力室に関する圧力を含んでもよい。制御可能なパラメータは、トップリングのリテーナリングに圧力を印加するトップリング内の圧力室に関する圧力を含んでもよい。複数のエリアを同心円状に配置してもよく、複数の位置は、ウエハの中心からの半径方向距離でもよい。複数の位置（ウエハ各位置）は、複数のエリアの第１のエリアの下にある第１の複数の位置と、複数のエリアの第２のエリアの下にある第２の複数の位置とを含んでもよい。制御可能なパラメータは、研磨テーブル回転速度またはトップリング回転速度を含んでもよい。ウエハ各位置は、ウエハ表面にわたって規則的に間隔が空いていてもよい。パラメータよりも多数の位置が存在してもよい。制御可能なパラメータは、プロセス種（ウエハ表面の膜種）、エアバッグのエリア毎の圧力、研磨時間、研磨パッド使用時間、研磨パッド温度、研磨液（研磨スラリ）の吐出量や温度や吐出・停止タイミング、研磨テーブルの回転数および回転速度の一方または両方、トップリングの回転数および回転速度の一方または
両方、リテーナリング使用時間のうちの１つまたは２つ以上を含んでいてもよい。
　本実施の形態に係る機械学習装置２１０は、第１学習済みモデルを生成する第１機械学習部と、第２学習済みモデルを生成する第２機械学習部と、第３学習済みモデルを生成する第３機械学習部とを有している。各学習済みモデルの学習方法は、教師あり学習であってもよいし、教師なし学習であってもよい。
　第１機械学習部は、たとえば、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでおり、研磨装置１０１～１０ｋから取得されたエリア毎の応答データ（または研磨装置１０１～１０ｋから取得されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力層に入力し、それにより出力層から出力される出力結果と、当該エリア毎の応答データに対して技術者が異常の有無を判定した判定結果とを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、研磨装置１０１～１０ｋから取得された複数のエリア毎の応答データの各々について繰り返す。これにより、過去のエリア毎の応答データ（または過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とそれに異常があるか否かとの関係性を機械学習した第１学習済みモデルが生成される。
　一変形例として、第１機械学習部は、研磨装置１０１～１０ｋから取得されたエリア毎の応答データ（または研磨装置１０１～１０ｋから取得されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力層に入力し、それにより出力層から出力される出力結果と、当該エリア毎の応答データに対して技術者が異常の有無および異常の種類を判定した判定結果とを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、研磨装置１０１～１０ｋから取得された複数のエリア毎の応答データの各々について繰り返すことにより、過去のエリア毎の応答データ（または過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とそれに異常があるか否かおよび異常の種類との関係性を機械学習した第１学習済みモデルを生成してもよい。
　第２機械学習部は、たとえば、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでおり、技術者により異常ありと判定された過去のエリア毎の応答データ（または技術者により異常ありと判定された過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力層に入力し、それにより出力層から出力される出力結果と、当該エリア毎の応答データに対して技術者によりデータ補完、除去が行われた異常除去後のエリア毎の応答データとを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、研磨装置１０１～１０ｋから取得された複数のエリア毎の応答データの各々について繰り返す。これにより、過去の異常ありのエリア毎の応答データ（または過去の異常ありのエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常除去後のエリア毎の応答データとの関係性を機械学習した第２学習済みモデルが生成される。
　一変形例として、第２機械学習部は、技術者により異常ありと判定された過去のエリア毎の応答データおよびその異常の種類（または技術者により異常ありと判定された過去のエリア毎の応答エリア毎の応答データおよびその異常の種類および当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力層に入力し、それにより出力層から出力される出力結果と、当該エリア毎の応答データに対して技術者によりデータ補完、除去が行われた異常除去後のエリア毎の応答データとを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、研磨装置１０１～１０ｋから取得された複数のエリア毎の応答データの各々について繰り返すことにより、過去の異常ありのエリア毎の応答データと異常の種類（または過去の異常ありのエリア毎の応答データと異常の種類および当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常除去後のエリア毎の応答データとの関係性を機械学習した第２学習済みモデルを生成してもよい。
　第３機械学習部は、たとえば、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでおり、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データ（または過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力層に入力し、それにより出力層から出力される出力結果と、当該エリア毎の応答データに対して実際の研磨結果とシミュレーションの研磨結果とのずれを考慮して技術者により修正された修正後のエリア毎の応答データとを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、研磨装置１０１～１０ｋから取得された複数のエリア毎の応答データの各々について繰り返す。これにより、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データ（または過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と修正後のエリア毎の応答データとの関係性を機械学習した第３学習済みモデルが生成される。
　図１に示すように、１または２以上の研磨装置１０ｋ＋１～１０ｎは、機械学習装置２１０から学習成果としての第１～第３学習済みモデルを取得する。
＜研磨装置＞
　次に、機械学習装置２１０から取得した学習済みモデルを有する研磨装置１０ｋ＋１～１０ｎの構成について符号１０を付して説明する。
　図２は、研磨装置１０の構成を示す概略図である。図２に示すように、研磨装置１０は、研磨テーブル１００と、研磨対象物である半導体ウエハ等の基板を保持して研磨テーブル１００上の研磨面に押圧する基板保持装置としてのトップリング１と、研磨制御装置５００と、研磨レシピ決定装置７０とを備えている。
　研磨テーブル１００は、テーブル軸１００ａを介してその下方に配置されるモータ（図示せず）に連結されている。研磨テーブル１００は、モータが回転することにより、テーブル軸１００ａ周りに回転する。研磨テーブル１００の上面には、研磨部材としての研磨パッド１０１が貼付されている。この研磨パッド１０１の表面１０１ａは、半導体ウエハＷを研磨する研磨面を構成している。研磨テーブル１００の上方には研磨液供給ノズル６０が設置されている。この研磨液供給ノズル６０から、研磨テーブル１００上の研磨パッド１０１上に研磨液（研磨スラリ）Ｑが供給される。
　トップリング１は、半導体ウエハＷを研磨面１０１ａに対して押圧するトップリング本体２と、半導体ウエハＷの外周縁を保持して半導体ウエハＷがトップリング１から飛び出さないようにするリテーナ部材としてのリテーナリング３とから基本的に構成されている。トップリング１は、トップリングシャフト１１１に接続されている。このトップリングシャフト１１１は、上下動機構１２４によりトップリングヘッド１１０に対して上下動する。トップリング１の上下方向の位置決めは、トップリングシャフト１１１の上下動により、トップリングヘッド１１０に対してトップリング１の全体を昇降させて行われる。トップリングシャフト１１１の上端にはロータリージョイント２５が取り付けられている。
　トップリングシャフト１１１及びトップリング１を上下動させる上下動機構１２４は、軸受１２６を介してトップリングシャフト１１１を回転可能に支持するブリッジ１２８と、ブリッジ１２８に取り付けられたボールねじ１３２と、支柱１３０により支持された支持台１２９と、支持台１２９上に設けられたＡＣサーボモータ１３８とを備えている。サーボモータ１３８を支持する支持台１２９は、支柱１３０を介してトップリングヘッド１１０に固定されている。
　ボールねじ１３２は、サーボモータ１３８に連結されたねじ軸１３２ａと、このねじ軸１３２ａが螺合するナット１３２ｂとを備えている。トップリングシャフト１１１は、ブリッジ１２８と一体となって上下動する。従って、サーボモータ１３８を駆動すると、ボールねじ１３２を介してブリッジ１２８が上下動し、これによりトップリングシャフト１１１及びトップリング１が上下動する。
　また、トップリングシャフト１１１はキー（図示せず）を介して回転筒１１２に連結されている。回転筒１１２は、その外周部にタイミングプーリ１１３を備えている。トップリングヘッド１１０にはトップリング用回転モータ１１４が固定されており、タイミングプーリ１１３は、タイミングベルト１１５を介してトップリング用回転モータ１１４に設けられたタイミングプーリ１１６に接続されている。従って、トップリング用回転モータ１１４を回転駆動することによってタイミングプーリ１１６、タイミングベルト１１５、及びタイミングプーリ１１３を介して回転筒１１２及びトップリングシャフト１１１が一体に回転し、トップリング１が回転する。トップリングヘッド１１０は、フレーム（図示せず）に回転可能に支持されたトップリングヘッドシャフト１１７によって支持されている。
　研磨制御装置５００は、トップリング用回転モータ１１４、サーボモータ１３８、研磨テーブル回転モータをはじめとする装置内の各機器を制御する。
　図３は、トップリング１の内部構成を示す模式的断面図である。図３においては、トップリング１を構成する主要構成要素だけを図示している。
　図３に示すように、トップリング１は、半導体ウエハＷを研磨面１０１ａに対して押圧するトップリング本体（キャリアとも称する）２と、研磨面１０１ａを直接押圧するリテーナ部材としてのリテーナリング３とを有している。
　トップリング本体（キャリア）２は概略円盤状の部材からなり、リテーナリング３はトップリング本体２の外周部に取り付けられている。トップリング本体２は、エンジニアリングプラスティック（例えば、ＰＥＥＫ）などの樹脂により形成されている。
　トップリング本体２の下面には、半導体ウエハの裏面に当接する弾性膜（メンブレン）４が取り付けられている。弾性膜（メンブレン）４は、エチレンプロピレンゴム（ＥＰＤＭ）、ポリウレタンゴム、シリコンゴム等の強度及び耐久性に優れたゴム材によって形成されている。弾性膜（メンブレン）４は、半導体ウエハ等の基板を保持する基板保持面を構成している。
　弾性膜（メンブレン）４は同心状の複数の隔壁４ａを有し、これら隔壁４ａによって、メンブレン４の上面とトップリング本体２の下面との間に円形状のセンター室５、環状のリプル室６、環状のアウター室７、環状のエッジ室８が形成されている。すなわち、トップリング本体２の中心部にセンター室５が形成され、中心から外周方向に向かって、順次、同心状に、リプル室６、アウター室７、エッジ室８が形成されている。トップリング本体２内には、センター室５に連通する流路１１、リプル室６に連通する流路１２、アウター室７に連通する流路１３、エッジ室８に連通する流路１４がそれぞれ形成されている。
　センター室５に連通する流路１１、アウター室７に連通する流路１３、エッジ室８に連通する流路１４は、ロータリージョイント２５を介して流路２１、２３、２４にそれぞれ接続されている。流路２１、２３、２４は、それぞれバルブＶ１－１、Ｖ３－１、Ｖ４－１及び圧力レギュレータＲ１、Ｒ３、Ｒ４を介して圧力調整部３０に接続されている。また、流路２１、２３、２４は、それぞれバルブＶ１－２、Ｖ３－２、Ｖ４－２を介して真空源３１に接続されるとともに、バルブＶ１－３、Ｖ３－３、Ｖ４－３を介して大気に連通可能になっている。
　一方、リプル室６に連通する流路１２は、ロータリージョイント２５を介して流路２２に接続されている。そして、流路２２は、気水分離槽３５、バルブＶ２－１及び圧力レギュレータＲ２を介して圧力調整部３０に接続されている。また、流路２２は、気水分離槽３５及びバルブＶ２－２を介して真空源１３１に接続されるとともに、バルブＶ２－３を介して大気に連通可能になっている。
　また、リテーナリング３の直上にも弾性膜（メンブレン）３２によってリテーナリング圧力室９が形成されている。弾性膜（メンブレン）３２は、トップリング１のフランジ部に固定されたシリンダ３３内に収容されている。リテーナリング圧力室９は、トップリング本体（キャリア）２内に形成された流路１５及びロータリージョイント２５を介して流路２６に接続されている。流路２６は、バルブＶ５－１及び圧力レギュレータＲ５を介して圧力調整部３０に接続されている。また、流路２６は、バルブＶ５－２を介して真空源３１に接続されるとともに、バルブＶ５－３を介して大気に連通可能になっている。
　圧力レギュレータＲ１、Ｒ２、Ｒ３、Ｒ４、Ｒ５は、それぞれ圧力調整部３０からセンター室５、リプル室６、アウター室７、エッジ室８、リテーナリング圧力室９に供給する圧力流体の圧力を調整する圧力調整機能を有している。圧力レギュレータＲ１、Ｒ２、Ｒ３、Ｒ４、Ｒ５及び各バルブＶ１－１～Ｖ１－３、Ｖ２－１～Ｖ２－３、Ｖ３－１～Ｖ３－３、Ｖ４－１～Ｖ４－３、Ｖ５－１～Ｖ５－３は、制御部５００（図１参照）に接続されていて、それらの作動が制御されるようになっている。また、流路２１、２２、２３、２４、２６にはそれぞれ圧力センサＰ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５及び流量センサＦ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５が設置されている。
　センター室５、リプル室６、アウター室７、エッジ室８、リテーナリング圧力室９に供給する流体の圧力は、圧力調整部３０及び圧力レギュレータＲ１、Ｒ２、Ｒ３、Ｒ４、Ｒ５によってそれぞれ独立に調整される。このような構造により、半導体ウエハＷを研磨パッド１０１に押圧する押圧力を半導体ウエハの領域毎に調整でき、かつリテーナリング３が研磨パッド１０１を押圧する押圧力を調整できる。
　図４は、研磨テーブル１００の内部構成を示す模式的断面図である。図４においては、研磨テーブル１００を構成する主要構成要素だけを図示している。
　図４に示すように、研磨テーブル１００の内部には、その上面で開口する孔１０２が形成されている。また、研磨パッド１０１には、この孔１０２に対応する位置に通孔５１が形成されている。孔１０２と通孔５１とは連通している。通孔５１は研磨面１０１ａで開口している。孔１０２は液体供給路５３及びロータリージョイント５２を介して液体供給源５５に連結されている。研磨中は、液体供給源５５からは、透明な液体として水（好ましくは純水）が孔１０２に供給されるようになっている。水は、半導体ウエハＷの下面と通孔５１とによって形成される空間を満たし、液体排出路５４を通じて排出される。研磨液は水と共に排出され、これにより光路が確保される。液体供給路５３には、研磨テーブル１００の回転に同期して作動するバルブ（図示せず）が設けられている。このバルブは、通孔５１の上に半導体ウエハＷが位置しないときは水の流れを止め、または水の流量を少なくするように動作する。
　研磨装置１０は、基板の膜厚を測定する膜厚測定部４０を備えている。膜厚測定部４０は、光を発する光源４４と、光源４４から発せられた光を半導体ウエハＷの表面に照射する投光部４１と、半導体ウエハＷから戻ってくる反射光を受光する受光部４２と、半導体ウエハＷからの反射光を波長に従って分解し、所定の波長範囲に亘って反射光の強度を測定する分光器４３と、分光器４３によって取得された測定データからスペクトルを生成し、このスペクトルに基づいて半導体ウエハＷの膜厚を決定する処理部４６とを備えた光学式の膜厚センサである。スペクトルは、所定の波長範囲に亘って分布する光の強度を示し、光の強度と波長との関係を示す。
　投光部４１及び受光部４２は、光ファイバーから構成されている。投光部４１及び受光部４２は、光学ヘッド（光学式膜厚測定ヘッド）４５を構成している。投光部４１は光源４４に接続されている。受光部４２は分光器４３に接続されている。光源４４としては、発光ダイオード（ＬＥＤ）、ハロゲンランプ、キセノンフラッシュランプなど、複数の波長を持つ光を発する光源を用いることができる。投光部４１、受光部４２、光源４４、及び分光器４３は、研磨テーブル１００の内部に配置されており、研磨テーブル１００とともに回転する。投光部４１及び受光部４２は、研磨テーブル１００に形成された孔１０２内に配置されており、それぞれの先端は半導体ウエハＷの被研磨面の近傍に位置している。
　投光部４１及び受光部４２は、半導体ウエハＷの表面に対して垂直に配置されており、投光部４１は半導体ウエハＷの表面に垂直に光を照射する。投光部４１及び受光部４２は、トップリング１に保持された半導体ウエハＷの中心に対向して配置される。したがって、研磨テーブル１００が回転するたびに、投光部４１及び受光部４２の先端は半導体ウエハＷを横切って移動し、半導体ウエハＷの中心を含む領域に光が照射される。これは、投光部４１及び受光部４２が半導体ウエハＷの中心を通ることで、半導体ウエハＷの中心部の膜厚も含め、半導体ウエハＷの全面の膜厚を測定するためである。処理部４６は、測定された膜厚データを基に膜厚プロファイル（半径方向の膜厚分布）を生成することができる。処理部４６は、研磨制御装置５００（図２参照）に接続されており、生成した膜厚プロファイルを研磨制御装置５００に出力する。
　半導体ウエハＷの研磨中は、投光部４１から光が半導体ウエハＷに照射される。投光部４１からの光は、半導体ウエハＷの表面で反射し、受光部４２によって受光される。半導体ウエハＷに光が照射される間は、孔１０２及び通孔５１には水が供給され、これにより、投光部４１及び受光部４２の各先端と、半導体ウエハＷの表面との間の空間は水で満たされる。分光器４３は、受光部４２から送られてくる反射光を波長に従って分解し、波長ごとの反射光の強度を測定する。処理部４６は、分光器４３及によって測定された反射光の強度から、反射光の強度と波長との関係を示すスペクトルを生成する。さらに、処理部４６は、得られたスペクトルから、公知技術を用いて半導体ウエハＷの現在の膜厚プロファイル（残膜プロファイル）を推定する。
　研磨装置１０は、上記の光学式の膜厚センサからなる膜厚測定部４０に代えて、他の方式の膜厚測定部を備えていてよい。他の方式の膜厚測定部としては、例えば、研磨テーブル１００の内部に配置され、半導体ウエハＷの膜厚に従って変化する膜厚信号を取得する渦電流式膜厚センサがある。渦電流式膜厚センサは、研磨テーブル１００と一体に回転し、トップリング１に保持された半導体ウエハＷの膜厚信号を取得する。渦電流式膜厚センサは、図２に示す研磨制御装置５００に接続されており、渦電流式膜厚センサによって取得された膜厚信号は研磨制御装置５００に送られるようになっている。研磨制御装置５００は、膜厚を直接または間接に表す膜厚指標値を膜厚信号から生成する。
　渦電流式膜厚センサは、コイルに高周波の交流電流を流して導電膜に渦電流を誘起させ、この渦電流の磁界に起因するインピーダンスの変化から導電膜の厚さを検出するように構成される。渦電流センサとしては、特開２０１４－０１７４１８号公報に記載されている公知の渦電流センサを用いることができる。
　なお、上記の例では、研磨面１０１ａに通孔５１を設けるとともに、液体供給路５３、液体排出路５４、液体供給源５５を設け、孔１０２を水で満たしたが、これに代えて、研磨パッド１０１に透明窓を形成してもよい。この場合、投光部４１は、この透明窓を通じて研磨パッド１０１上の基板Ｗの表面に光を照射し、受光部４２は、透明窓を通じて半導体ウエハＷからの反射光を受光する。
　以上のように構成された研磨装置１０による研磨動作を説明する。トップリング１は基板受渡し装置（プッシャ）から半導体ウエハＷを受け取り、その下面に半導体ウエハＷを真空吸着により保持する。このとき、トップリング１は、被研磨面（通常はデバイスが構成される面、「表面」とも称する）を下向きにして、被研磨面が研磨パッド１０１の表面に対向するようにトップリング１を保持する。下面に半導体ウエハＷを保持したトップリング１は、トップリングヘッドシャフト１１７の回転によるトップリングヘッド１１０の旋回により半導体ウエハＷの受取位置から研磨テーブル１００の上方に移動される。
　そして、半導体ウエハＷを真空吸着により保持したトップリング１を予め設定したトップリングの研磨時設定位置まで下降させる。この研磨時設定位置では、リテーナリング３は研磨パッド１０１の表面（研磨面）１０１ａに接地しているが、研磨前は、トップリング１で半導体ウエハＷを吸着保持しているので、半導体ウエハＷの下面（被研磨面）と研磨パッド１０１の表面（研磨面）１０１ａとの間には、わずかな間隙（例えば、約１ｍｍ）がある。このとき、研磨テーブル１００及びトップリング１は、ともに回転駆動されており、研磨テーブル１００の上方に設けられた研磨液供給ノズル１０２から研磨パッド１０１上に研磨液が供給されている。
　この状態で、半導体ウエハＷの裏面側にある弾性膜（メンブレン）４を膨らませ、半導体ウエハＷの被研磨面の裏面を押圧することで、半導体ウエハＷの被研磨面を研磨パッド１０１の表面（研磨面）１０１ａに押圧し、半導体ウエハＷの被研磨面と研磨パッド１０１の研磨面とを相対的に摺動させて、半導体ウエハＷの被研磨面を所定の状態（例えば、所定の膜厚）になるまで研磨パッド１０１の研磨面１０１ａで研磨する。研磨パッド１０１上でのウエハ処理工程の終了後、半導体ウエハＷをトップリング１に吸着し、トップリング１を上昇させ、基板搬送機構を構成する基板受渡し装置へ移動させて、ウエハＷの離脱（リリース）を行う。
＜研磨レシピ決定装置＞
　次に、研磨レシピ決定装置７０の構成について説明する。図５は、研磨レシピ決定装置７０の構成を示すブロック図である。図５に示すように、研磨レシピ決定装置７０は、通信部７１と、制御部７２と、記憶部７３とを有している。各部は、バスを介して互いに通信可能に接続されている。
　このうち通信部７１は、機械学習装置２１０（図１参照）および研磨制御装置５００と研磨レシピ決定装置７０との間の通信インターフェースである。通信部７１は、機械学習装置２１０および研磨制御装置５００と研磨レシピ決定装置７０との間で情報を送受信する。
　記憶部７３は、たとえばハードディスク等の磁気データストレージである。記憶部７３には、制御部７２が取り扱う各種データが記憶される。また、記憶部７３には、エリア毎の応答データ７３ａと、研磨レシピ７３ｂと、実際の研磨結果７３ｃと、シミュレーションの研磨結果７３ｄとが記憶される。記憶部７３には、エリア毎の応答データ取得時における制御可能なパラメータが記憶されてもよい。
　エリア毎の応答データ７３ａは、トップリング１の圧力室５～９（エリア）毎に圧力を変化させてテストウエハを研磨する圧力振り実験により取得される、エリア毎の応答データである。ここで「応答データ」とは、ウエハ各位置での研磨除去レートの変化量をエアバッグ圧力変化量で除したデータ（＝研磨除去レートの変化量ΔＶ／圧力室５～９内の圧力の変化量ΔＰ）をいう。具体的には、たとえば、圧力室５に対応する中央エリアについての応答量プロファイル（応答データ）は、圧力室５のみ圧力Ｐ１、Ｐ２、・・・で加圧したときにウエハ各位置での研磨除去レートＶ１、Ｖ２、・・・を測定し、ウエハ各位置について、横軸を圧力、縦軸を研磨除去レートとした座標系で（Ｐ１，Ｖ１）、（Ｐ２，Ｖ２）、・・・をプロットしたときの近似直線のグラフの傾き（＝応答量）を求めることにより、得ることができる。図７は、中央エリアについての応答量プロファイルの一例を示している。他の圧力室６～９に対応する他のエリアについても同様にして応答量プロファイル（応答データ）を得ることができる。
　なお、「応答データ」は、削った量や残った量に関係する因子を測定できれば、ウエハ各位置について研磨除去レート（除去の割合）の変化量をエアバッグ圧力変化量で除したデータに限定されるものではなく、たとえば、ウエハ各位置について研磨除去量の変化量をエアバッグ圧力変化量で除したデータであってもよいし、ウエハ各位置についてウエハ残膜の変化量をエアバッグ圧力変化量で除したデータであってもよい。あるいは、応答データは、残膜の性状（表出した金属ほかの材料の分布）をエアバッグ圧力変化量で除したデータであってもよい。
　研磨レシピ７３ｂは、研磨を行うときの各種の条件を規定するデータであり、後述するシミュレーション部７２ｂが、エリア毎の応答データ７３ａに基づいて、それ自体は公知のシミュレーションを行うことにより決定される。研磨レシピ７３ｂは、研磨装置１０内の各機器の制御可能なパラメータ、たとえばトップリング１の各圧力室５～９内の圧力、トップリング１の回転速度、研磨テーブル１００の回転速度、研磨時間のうちの１つ以上を含んでいてもよい。
　実際の研磨結果７３ｃは、研磨制御装置５００が研磨装置１０内の各機器を研磨レシピ７３ｂに従って制御してウエハを研磨したときに、膜厚測定部４０から取得される実研磨の膜厚プロファイル（残膜プロファイル）である（たとえば図９の実線のグラフ参照）。
　シミュレーションの研磨結果７３ｄは、後述するシミュレーション部７２ｂが、研磨レシピ７３ｂの条件の下で、それ自体は公知のシミュレーションを行うことにより得られるシミュレーション上での膜厚プロファイル（残膜プロファイル）である（たとえば図９の破線のグラフ参照）。
　制御部７２は、研磨レシピ決定装置７０の各種処理を行う制御手段である。図５に示すように、制御部７２は、異常有無推定部７２ａと、スクリーニング部７２ｂと、シミュレーション部７２ｃと、合否判定部７２ｄと、応答データ修正部７２ｅとを有している。これらの各部は、研磨レシピ決定装置７０内のプロセッサが所定のプログラムを実行することにより実現されてもよいし、ハードウェアで実装されてもよい。
　異常有無推定部７２ａは、過去のエリア毎の応答データ（または過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とそれに異常があるか否かとの関係性を機械学習している第１学習済みモデル（機械学習装置２１０から取得した第１学習済みモデル）を有しており、記憶部７３に記憶された新たなエリア毎の応答データ７３ａ（または新たなエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力として、異常の有無を推定して出力する。
　一変形例として、異常有無推定部７２ａは、過去のエリア毎の応答データ（または過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とそれに異常があるか否かおよび異常の種類との関係性を機械学習している第１学習済みモデルを有しており、記憶部７３に記憶された新たなエリア毎の応答データ７３ａ（または新たなエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力として、異常の有無および異常の種類を推定して出力してもよい。
　図７は、中央エリアについての正常な応答量プロファイル（応答データ）の一例を示している。異常有無推定部７２ａは、第１学習済みモデルを用いることにより、このような正常な応答量プロファイル（応答データ）に対し、異常なしとの推定結果を出力することができる。
　図８Ａは、左右異常点の異常がある中央エリアについての応答量プロファイル（応答データ）の一例を示している。図８Ａにて矢印で示すように、このプロファイルには、左右で異なる箇所、すなわち左右異常点が存在する。異常有無推定部７２ａは、第１学習済みモデルを用いることにより、このような異常がある応答量プロファイル（応答データ）に対し、左右異常点の異常ありとの推定結果を出力することができる。
　図８Ｂは、中央エリア加圧時エッジ異常点の異常がある中央エリアについての応答量プロファイル（応答データ）の一例を示している。図８Ｂにて矢印で示すように、このプロファイルには、加圧した領域（この場合、中央エリア）以外で応答する箇所、すなわち中央エリア加圧時エッジ異常点が存在する。異常有無推定部７２ａは、第１学習済みモデルを用いることにより、このような異常がある応答量プロファイル（応答データ）に対し、中央エリア加圧時エッジ異常点の異常ありとの推定結果を出力することができる。
　図８Ｃは、ポーラー異常点の異常がある中央エリアについての応答量プロファイル（応答データ）の一例を示している。図８Ｃの上図にて矢印で示すように、このプロファイルには、周方向の振る舞いが異常となる半径方向位置のデータ、すなわちポーラー異常点が存在する。図８Ｃの下図は、ポーラー異常点の半径方向位置について、周方向で計測されたプロファイルを示している。異常有無推定部７２ａは、第１学習済みモデルを用いることにより、このような異常がある応答量プロファイル（応答データ）に対し、ポーラー異常点の異常ありとの推定結果を出力することができる。
　スクリーニング部７２ｂは、過去の異常ありのエリア毎の応答データ（または過去の異常ありのエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデル（機械学習装置２１０から取得した第２学習済みモデル）を有しており、異常有無推定部７２ａにより異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データ７３ａ（または異常ありと推定されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力として、異常除去後のエリア毎の応答データを推定して出力する。記憶部７３に記憶されたエリア毎の応答データ７３ａは、スクリーニング部７２ｂにより推定された異常除去後のエリア毎の応答データにて更新される。
　一変形例として、スクリーニング部７２ｂは、過去の異常ありのエリア毎の応答データおよびその異常の種類（または過去の異常ありのエリア毎の応答データおよびその異常の種類および当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有しており、異常有無推定部７２ａにより異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データ７３ａおよび推定された異常の種類（左右異常点、中央エリア加圧時エッジ異常点、ポーラー異常点など）（または異常ありと推定されたエリア毎の応答データおよび推定された異常の種類および当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力として、異常除去後のエリア毎の応答データを推定して出力してもよい。異常ありと推定されたエリア毎の応答データについて、その異常の種類の情報も利用して推定を行うことで、異常除去後のエリア毎の応答データをより高精度に推定することができる。
　シミュレーション部７２ｃは、異常有無推定部７２ａにより異常なしと推定されたエリア毎の応答データ７３ａ、またはスクリーニング部７２ｂにより推定された異常除去後のエリア毎の応答データ７３ａに基づいて、それ自体は公知のシミュレーションにより研磨レシピ７３ｂを決定する。シミュレーション部７２ｃは、スクリーニング後の（ノイズが少ない）エリア毎の応答データ７３ａに基づいてシミュレーションにより研磨レシピを決定することにより、研磨レシピを高精度かつ効率的に決定することができる。シミュレーション部７２ｃにより決定された研磨レシピ７３ｂは、記憶部７３に記憶される。
　合否判定部７２ｄは、シミュレーション部７２ｃにより決定された研磨レシピ７３ｂにて研磨装置１０が実際にウエハを研磨することにより得られる実際の研磨結果７３ｃと、当該研磨レシピ７３ｂにてシミュレーションを行うことにより得られるシミュレーションの研磨結果７３ｄとを比較して（図９参照）、そのずれの大きさに基づいて実際の研磨結果７３ｃの合否を判定する。たとえば、合否判定部７２ｄは、シミュレーションの研磨結果７３ｄに対する実際の研磨結果７３ｃのずれが予め定められた閾値以下の場合には、合格と判定し、ずれが閾値より大きい場合には、不合格と判定する。
　応答データ修正部７２ｅは、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データ（または過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデル（機械学習装置２１０から取得した第３学習済みモデル）を有しており、合否判定部７２ｄにより不合格と判定された場合には、不合格と判定された実際の研磨結果７３ｃとシミュレーションの研磨結果７３ｄとその時の研磨レシピの決定に利用されたエリア毎の応答データ７２ａ（または不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とを入力として、修正後のエリア毎の応答データを推定して出力する。記憶部７３に記憶されたエリア毎の応答データ７３ａは、応答データ修正部７２ｅにより推定された修正後のエリア毎の応答データにて更新される。
　具体的には、たとえば、図１０を参照し、実研磨の残膜プロファイル（上図の実線のグラフ）は、シミュレーションの残膜プロファイル（上図の破線のグラフ）と比較すると、中央エリアでの残膜が多い（研磨不足である）。応答データ修正部７２ｅは、第３学習済みモデルを用いることにより、中央エリアについての応答量プロファイル（下図の破線のグラフ）に対し、実研磨の残膜プロファイルとシミュレーションの残膜プロファイルとをずれを考慮して、中央エリアの応答量が小さくなるように修正された修正後の中央エリアについて応答量プロファイル（応答データ）（下図の実線のグラフ）を推定して出力することができる。
　シミュレーション部７２ｃは、応答データ修正部７２ｅにより推定された修正後のエリア毎の応答データ７３ａに基づいて、シミュレーションにより研磨レシピ７３ｂを決定し直す。記憶部７３に記憶された研磨レシピ７３ｂは、シミュレーション部７２ｃにより再決定された研磨レシピにて更新される。
　なお、本実施の形態に係る研磨レシピ決定装置７０は、１または複数のコンピュータによって構成され得るが、１または複数のコンピュータに研磨レシピ決定装置７０を実現させるためのプログラム及び当該プログラムを非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）に記録したコンピュータ読取可能な記録媒体も、本件の保護対象である。
＜研磨レシピ決定方法＞
　次に、このような構成からなる研磨レシピ決定装置７０による研磨レシピ決定方法の一例について説明する。図６は、研磨レシピ決定方法の一例を示すフローチャートである。
　図６に示すように、まず、研磨装置１０が、トップリング１の圧力室（エリア）毎に供給される流体の圧力を変化させてテストウエハを研磨する圧力振り実験を行って、エリア毎の応答データを取得する（ステップＳ１１）。取得されたエリア毎の応答データは、研磨レシピ決定装置７０の記憶部７３に記憶される。エリア毎の応答データ取得時における制御可能なパラメータが記憶部７３に記憶されてもよい。
　次に、過去のエリア毎の応答データ（または過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部７２ａが、記憶部７３に記憶された新たなエリア毎の応答データ７３ａ（または新たなエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力として、異常の有無を推定して出力する（ステップＳ１２）。
　一変形例として、異常有無推定部７２ａは、過去のエリア毎の応答データ（または過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とそれに異常があるか否かおよび異常の種類との関係性を機械学習している第１学習済みモデルに基づいて、記憶部７３に記憶された新たなエリア毎の応答データ７３ａ（または新たなエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力として、異常の有無に加えて、異常の種類を推定して出力してもよい。
　異常有無推定部７２ａにより異常なしと推定された場合には（ステップＳ１３：ＮＯ）、後述するステップＳ１５へと移行する。
　他方、異常有無推定部７２ａにより異常ありと推定された場合には、過去の異常ありのエリア毎の応答データ（または過去の異常ありのエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部７２ｂが、異常ありと推定されたエリア毎の応答データ７３ａ（または異常ありと推定された過去の異常ありのエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）を入力として、異常除去後のＤＯＥデータを推定して出力する（ステップＳ１４）。
　一変形例として、スクリーニング部７２ｂは、過去の異常ありのエリア毎の応答データと異常の種類（または過去の異常ありのエリア毎の応答データおよびその異常の種類および当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルに基づいて、異常ありと推定されたエリア毎の応答データ７３ａおよび推定された異常の種類（または異常ありと推定されたエリア毎の応答データおよび推定された異常の種類および当該エリア毎の応答データ取得時における制御可能なパラメータ）とを入力として、異常除去後のエリア毎の応答データを推定して出力してもよい。
　記憶部７３に記憶されたエリア毎の応答データ７３ａは、スクリーニング部７２ｂにより推定された異常除去後のエリア毎の応答データにて更新される。
　次に、シミュレーション部７２ｃが、異常有無推定部７２ａにより異常なしと推定されたエリア毎の応答データ７３ａ、またはスクリーニング部７２ｂにより推定された異常除去後のエリア毎の応答データ７３ａに基づいて、シミュレーションにより研磨レシピ７３ｂを決定する（ステップＳ１５）。シミュレーション部７２ｃにより決定された研磨レシピ７３ｂは、記憶部７３に記憶される。
　次に、研磨装置１０が、シミュレーション部７２ｃにより決定された研磨レシピ７３ｂにて実際にウエハを研磨して、実際の研磨結果を取得する（ステップＳ１６）。取得された実際の研磨結果は、研磨レシピ決定装置７０の記憶部７３に記憶される。
　次いで、合否判定部７２ｄが、実際の研磨結果７３ｃと、シミュレーション部７２ｃにより決定された研磨レシピ７３ｂにてシミュレーションを行うことにより得られるシミュレーションの研磨結果７３ｄとを比較して、そのずれの大きさに基づいて実際の研磨結果７３ｃの合否を判定する（ステップＳ１７）。
　合否判定部７２ｄにより合格と判定された場合には（ステップＳ１８：ＹＥＳ）、研磨レシピ決定装置１０の処理を終了する。
　他方、合否判定部７２ｄにより不合格と判定された場合には（ステップＳ１８：ＮＯ）、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データ（または過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部７２ｅが、不合格と判定された実際の研磨結果７３ｃとシミュレーションの研磨結果７３ｄとその時の研磨レシピの決定に利用されたエリア毎の応答データ７３ａ（または不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とを入力として、修正後のエリア毎の応答データを推定して出力する（ステップＳ１９）。記憶部７３に記憶されたエリア毎の応答データ７３ａは、応答データ修正部７２ｅにより推定された修正後のエリア毎の応答データにて更新される。そして、ステップＳ１５に戻って処理をやり直す。
　すなわち、シミュレーション部７２ｃは、応答データ修正部７２ｅにより推定された修正後のエリア毎の応答データ７３ａに基づいて、シミュレーションにより研磨レシピ７３ｂを決定し直す（ステップＳ１５）。記憶部７３に記憶された研磨レシピ７３ｂは、シミュレーション部７２ｃにより再決定された研磨レシピにて更新される。
　以上のような本実施の形態によれば、異常有無推定部７２ａが、過去のエリア毎の応答データ（または過去のエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常の有無との関係性を機械学習している第１学習済みモデルを有するため、新たなエリア毎の応答データ７３ａ（または新たなエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）に異常があるか否かを、短時間で推定できるとともに、学習量に応じて高精度に推定することが可能である。また、スクリーニング部７２ｂが、過去の異常ありのエリア毎の応答データ（または過去の異常ありのエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するため、異常ありと推定されたエリア毎の応答データ７３ａ（または異常ありと推定されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）から、異常除去後のエリア毎の応答データを、短時間で推定できるとともに、学習量に応じて高精度に推定することが可能である。そして、シミュレーション部７２ｃが、スクリーニング後の（ノイズが少ない）エリア毎の応答データ７３ａに基づいてシミュレーションにより研磨レシピを決定することにより、研磨レシピを高精度かつ効率的に決定することができる。
　また、本実施の形態によれば、応答データ修正部７２ｅが、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データ（または過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）と修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有するため、不合格と判定された実際の研磨結果７３ｃとシミュレーションの研磨結果７３ｄとその時の研磨レシピ７３ｃの決定に利用されたエリア毎の応答データ７３ａ（または不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データおよび当該エリア毎の応答データ取得時における制御可能なパラメータ）とから、修正後のエリア毎の応答データを、短時間で推定できるとともに、学習量に応じて高精度に推定することが可能である。そして、シミュレーション部７２ｃが、応答データ修正部７３ｅにより推定された修正後のエリア毎の応答データ７３ａに基づいて、シミュレーションにより研磨レシピを決定し直すことにより、研磨レシピの決定をさらに高精度化できる。
　以上、実施の形態および変形例を例示により説明したが、本発明の範囲はこれらに限定されるものではなく、請求項に記載された範囲内において目的に応じて変更・変形することが可能である。また、各実施の形態および変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

Claims (18)

  1. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定装置であって、
    　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有し、新たなエリア毎の応答データを入力として、異常の有無を推定して出力する異常有無推定部と、
    　過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有し、前記異常有無推定部により異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するスクリーニング部と、
    　前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するシミュレーション部と、
    を備えたことを特徴とする研磨レシピ決定装置。
  2. 　前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定する合否判定部と、
    　過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有し、前記合否判定部により不合格と判定された場合には、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力する応答データ修正部と、
    をさらに備え、
    　前記シミュレーション部は、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直す、
    ことを特徴とする請求項１に記載の研磨レシピ決定装置。
  3. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定装置であって、
    　新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するシミュレーション部と、
    　前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定する合否判定部と、
    　過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有し、前記合否判定部により不合格と判定された場合には、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力する応答データ修正部と、
    をさらに備え、
    　前記シミュレーション部は、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直す、
    ことを特徴とする研磨レシピ決定装置。
  4. 　前記第１学習済みモデルは、過去のエリア毎の応答データとそれに異常があるか否かおよび異常の種類との関係性を機械学習しており、前記異常有無推定部は、新たなエリア毎の応答データを入力として、異常の有無および異常の種類を推定して出力し、
    　前記第２学習済みモデルは、過去の異常ありのエリア毎の応答データと異常の種類と異常除去後のエリア毎の応答データとの関係性を機械学習しており、前記スクリーニング部は、前記異常有無推定部により異常ありと推定された場合には、異常ありと推定されたエリア毎の応答データおよび推定された異常の種類を入力として、異常除去後のエリア毎の応答データを推定して出力する、
    ことを特徴とする請求項１に記載の研磨レシピ決定装置。
  5. 　前記異常の種類は、左右異常点、中央エリア加圧時エッジ異常点、ポーラー異常点のうちの１つまたは２つ以上を含む、
    ことを特徴とする請求項４に記載の研磨レシピ決定装置。
  6. 　前記応答データはウエハ各位置について研磨除去量の変化量をエアバッグ圧力変化量で除したデータのことである、
    ことを特徴とする請求項１～５のいずれかに記載の研磨レシピ決定装置。
  7. 　前記応答データはウエハ各位置について研磨除去レートの変化量をエアバッグ圧力変化量で除したデータのことである、
    ことを特徴とする請求項１～５のいずれかに記載の研磨レシピ決定装置。
  8. 　前記応答データはウエハ各位置についてウエハ残膜の変化量をエアバッグ圧力変化量で除したデータのことである、
    ことを特徴とする請求項１～５のいずれかに記載の研磨レシピ決定装置。
  9. 　請求項１～８のいずれかに記載の研磨レシピ決定装置を備えた研磨装置。
  10. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定方法であって、
    　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
    　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
    　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
    を備えたことを特徴とする研磨レシピ決定方法。
  11. 　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
    　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
    　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、をさらに備えたことを特徴とする請求項１０に記載の研磨レシピ決定方法。
  12. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する研磨レシピ決定方法であって、
    　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
    　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
    　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
    　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を備えたことを特徴とする研磨レシピ決定方法。
  13. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させる研磨レシピ決定プログラムであって、
    　前記コンピュータに、
    　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
    　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
    　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
    を実行させることを特徴とする研磨レシピ決定プログラム。
  14. 　前記コンピュータに、
    　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
    　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
    　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、をさらに実行させることを特徴とする請求項１３に記載の研磨レシピ決定プログラム。
  15. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させる研磨レシピ決定プログラムであって、
    　前記コンピュータに、
    　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
    　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
    　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
    　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を実行させることを特徴とする研磨レシピ決定プログラム。
  16. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させるプログラムを記録したコンピュータ読取可能な記録媒体であって、
    　前記コンピュータに、
    　過去のエリア毎の応答データとそれに異常があるか否かとの関係性を機械学習している第１学習済みモデルを有する異常有無推定部が、新たなエリア毎の応答データを入力として、異常の有無を推定して出力するステップと、
    　前記異常有無推定部により異常ありと推定された場合には、過去の異常ありのエリア毎の応答データと異常除去後のエリア毎の応答データとの関係性を機械学習している第２学習済みモデルを有するスクリーニング部が、異常ありと推定されたエリア毎の応答データを入力として、異常除去後のエリア毎の応答データを推定して出力するステップと、
    　シミュレーション部が、前記異常有無推定部により異常なしと推定されたエリア毎の応答データ、または前記スクリーニング部により推定された異常除去後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
    を実行させるプログラムを記録したコンピュータ読取可能な記録媒体。
  17. 　前記コンピュータに、
    　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
    　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
    　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、をさらに実行させるプログラムを記録した請求項１６に記載のコンピュータ読取可能な記録媒体。
  18. 　トップリングのエリア毎に圧力を変化させて取得されるエリア毎の応答データに基づいて研磨レシピを決定する処理をコンピュータに実行させるプログラムを記録したコンピュータ読取可能な記録媒体であって、
    　前記コンピュータに、
    　シミュレーション部が、新たなエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定するステップと、
    　合否判定部が、前記研磨レシピにて実際に研磨することにより得られる実際の研磨結果と、前記研磨レシピにてシミュレーションにより得られるシミュレーションの研磨結果とを比較して、実際の研磨結果の合否を判定するステップと、
    　前記合否判定部により不合格と判定された場合には、過去の実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データと修正後のエリア毎の応答データとの関係性を機械学習している第３学習済みモデルを有する応答データ修正部が、不合格と判定された実際の研磨結果とシミュレーションの研磨結果とその時の研磨レシピの決定に利用されたエリア毎の応答データとを入力として、修正後のエリア毎の応答データを推定して出力するステップと、
    　前記シミュレーション部が、前記応答データ修正部により推定された修正後のエリア毎の応答データに基づいて、シミュレーションにより研磨レシピを決定し直すステップと、を実行させるプログラムを記録したコンピュータ読取可能な記録媒体。
PCT/JP2019/040596 2018-12-28 2019-10-16 研磨レシピ決定装置 WO2020137099A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/419,029 US20220168864A1 (en) 2018-12-28 2019-10-16 Polishing recipe determination device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-246913 2018-12-28
JP2018246913A JP7086835B2 (ja) 2018-12-28 2018-12-28 研磨レシピ決定装置

Publications (1)

Publication Number Publication Date
WO2020137099A1 true WO2020137099A1 (ja) 2020-07-02

Family

ID=71128865

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/040596 WO2020137099A1 (ja) 2018-12-28 2019-10-16 研磨レシピ決定装置

Country Status (4)

Country Link
US (1) US20220168864A1 (ja)
JP (1) JP7086835B2 (ja)
TW (1) TWI809221B (ja)
WO (1) WO2020137099A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11833635B2 (en) * 2019-02-19 2023-12-05 Panasonic Intellectual Property Management Co., Ltd. Polishing system, learning device, and learning method of learning device
KR20240021142A (ko) * 2021-06-10 2024-02-16 가부시키가이샤 에바라 세이사꾸쇼 워크피스의 연마 레이트의 응답성 프로파일을 작성하는방법, 연마 방법 및 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003158108A (ja) * 2001-09-04 2003-05-30 Matsushita Electric Ind Co Ltd 研磨方法、研磨システムおよび工程管理システム
JP2005520317A (ja) * 2001-06-19 2005-07-07 アプライド マテリアルズ インコーポレイテッド 半導体ウェハの表面平坦化方法及びその装置
JP2006043873A (ja) * 2004-07-09 2006-02-16 Ebara Corp 研磨プロファイル又は研磨量の予測方法、研磨方法及び研磨装置、プログラム、記憶媒体
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
JP2013232660A (ja) * 2007-02-23 2013-11-14 Applied Materials Inc スペクトルを使用した研磨終了点の決定
JP2014061587A (ja) * 2012-08-28 2014-04-10 Ebara Corp 弾性膜及び基板保持装置
JP2015168015A (ja) * 2014-03-05 2015-09-28 株式会社荏原製作所 研磨装置および研磨方法
JP2018067610A (ja) * 2016-10-18 2018-04-26 株式会社荏原製作所 研磨装置、研磨方法およびプログラム
JP2018195734A (ja) * 2017-05-18 2018-12-06 株式会社荏原製作所 基板処理装置、プログラムを記録した記録媒体

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107107309B (zh) * 2015-01-19 2020-09-18 株式会社荏原制作所 抛光研磨处理中研磨量的模拟方法、抛光研磨装置及研磨量的模拟用存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005520317A (ja) * 2001-06-19 2005-07-07 アプライド マテリアルズ インコーポレイテッド 半導体ウェハの表面平坦化方法及びその装置
JP2003158108A (ja) * 2001-09-04 2003-05-30 Matsushita Electric Ind Co Ltd 研磨方法、研磨システムおよび工程管理システム
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
JP2006043873A (ja) * 2004-07-09 2006-02-16 Ebara Corp 研磨プロファイル又は研磨量の予測方法、研磨方法及び研磨装置、プログラム、記憶媒体
JP2013232660A (ja) * 2007-02-23 2013-11-14 Applied Materials Inc スペクトルを使用した研磨終了点の決定
JP2014061587A (ja) * 2012-08-28 2014-04-10 Ebara Corp 弾性膜及び基板保持装置
JP2015168015A (ja) * 2014-03-05 2015-09-28 株式会社荏原製作所 研磨装置および研磨方法
JP2018067610A (ja) * 2016-10-18 2018-04-26 株式会社荏原製作所 研磨装置、研磨方法およびプログラム
JP2018195734A (ja) * 2017-05-18 2018-12-06 株式会社荏原製作所 基板処理装置、プログラムを記録した記録媒体

Also Published As

Publication number Publication date
TW202027159A (zh) 2020-07-16
JP7086835B2 (ja) 2022-06-20
US20220168864A1 (en) 2022-06-02
TWI809221B (zh) 2023-07-21
JP2020107784A (ja) 2020-07-09

Similar Documents

Publication Publication Date Title
JP6266493B2 (ja) 研磨装置及び研磨方法
KR102666904B1 (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들
TWI783037B (zh) 使用機器學習方式以產生製程控制參數的半導體製造
TWI644760B (zh) 研磨裝置及研磨方法
TWI637813B (zh) 選擇研磨參數以產生移除輪廓
WO2020137099A1 (ja) 研磨レシピ決定装置
TW202014667A (zh) 訓練用於光譜監測的機器學習系統的光譜產生
KR101972647B1 (ko) 연마 장치 및 연마 방법
CN109844923B (zh) 用于化学机械抛光的实时轮廓控制
JP2018176396A (ja) 漏れ検査方法、およびこの漏れ検査方法を実行するためのプログラムを記録したコンピュータ読み取り可能な記録媒体
US20190096722A1 (en) Semiconductor fabrication using process control parameter matrix
KR102644567B1 (ko) 기판 처리 장치
KR102678211B1 (ko) 프레스톤 행렬 생성기
TWI856994B (zh) 普雷斯頓矩陣產生器的方法、電腦程式產品、及拋光系統

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19903514

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19903514

Country of ref document: EP

Kind code of ref document: A1