Deprecated: The each() function is deprecated. This message will be suppressed on further calls in /home/zhenxiangba/zhenxiangba.com/public_html/phproxy-improved-master/index.php on line 456
JP7086835B2 - 研磨レシピ決定装置 - Google Patents
[go: Go Back, main page]

JP7086835B2 - 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
JP7086835B2
JP7086835B2 JP2018246913A JP2018246913A JP7086835B2 JP 7086835 B2 JP7086835 B2 JP 7086835B2 JP 2018246913 A JP2018246913 A JP 2018246913A JP 2018246913 A JP2018246913 A JP 2018246913A JP 7086835 B2 JP7086835 B2 JP 7086835B2
Authority
JP
Japan
Prior art keywords
polishing
area
response data
abnormality
recipe
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
JP2018246913A
Other languages
English (en)
Other versions
JP2020107784A (ja
Inventor
良和 加藤
誠 福島
計介 並木
真吾 富樫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ebara Corp
Original Assignee
Ebara Corp
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 Ebara Corp filed Critical Ebara Corp
Priority to JP2018246913A priority Critical patent/JP7086835B2/ja
Priority to PCT/JP2019/040596 priority patent/WO2020137099A1/ja
Priority to US17/419,029 priority patent/US20220168864A1/en
Priority to TW108140206A priority patent/TWI809221B/zh
Publication of JP2020107784A publication Critical patent/JP2020107784A/ja
Application granted granted Critical
Publication of JP7086835B2 publication Critical patent/JP7086835B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P52/00—Grinding, lapping or polishing of wafers, substrates or parts of devices
    • H10P52/40—Chemomechanical polishing [CMP]
    • H10P52/402—Chemomechanical polishing [CMP] of semiconductor materials
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P90/00—Preparation of wafers not covered by a single main group of this subclass, e.g. wafer reinforcement
    • H10P90/12—Preparing bulk and homogeneous wafers
    • H10P90/123—Preparing bulk and homogeneous wafers by grinding or lapping

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)

Description

本発明は、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、特許文献１参照）。
特開２０１４－５１３４３４号公報
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。
本発明は、以上のような点を考慮してなされたものでる。本発明の目的は、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にある。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明の第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。
本発明によれば、研磨レシピの決定を高精度化、効率化できる。
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。
以下に、添付の図面を参照して、本発明の実施の形態を詳細に説明する。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追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、本発明の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。
１ トップリング
１０ 研磨装置
７０ 研磨レシピ決定装置
７１ 通信部
７２ 制御部
７２ａ 異常有無推定部
７２ｂ スクリーニング部
７２ｃ シミュレーション部
７２ｄ 合否判定部
７２ｅ 応答データ修正部
７３ 記憶部
７３ａ エリア毎の応答データ
７３ｂ 研磨レシピ
７３ｃ 実際の研磨結果
７３ｄ シミュレーションの研磨結果
２００ 情報処理システム
２１０ 機械学習装置

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。
JP2018246913A 2018-12-28 2018-12-28 研磨レシピ決定装置 Active JP7086835B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018246913A JP7086835B2 (ja) 2018-12-28 2018-12-28 研磨レシピ決定装置
PCT/JP2019/040596 WO2020137099A1 (ja) 2018-12-28 2019-10-16 研磨レシピ決定装置
US17/419,029 US20220168864A1 (en) 2018-12-28 2019-10-16 Polishing recipe determination device
TW108140206A TWI809221B (zh) 2018-12-28 2019-11-06 研磨配方決定裝置、研磨裝置、研磨配方決定方法、研磨配方決定程式、及電腦可讀取之記錄媒介

Applications Claiming Priority (1)

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

Publications (2)

Publication Number Publication Date
JP2020107784A JP2020107784A (ja) 2020-07-09
JP7086835B2 true JP7086835B2 (ja) 2022-06-20

Family

ID=71128865

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018246913A Active JP7086835B2 (ja) 2018-12-28 2018-12-28 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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7570004B2 (ja) * 2019-02-19 2024-10-21 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
US12504364B2 (en) 2021-03-03 2025-12-23 Applied Materials, Inc. In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring
US20240253181A1 (en) * 2021-06-10 2024-08-01 Ebara Corporation Method of creating responsiveness profile of polishing rate of workpiece, polishing method, and computer-readable storage medium storing program

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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7150673B2 (en) * 2004-07-09 2006-12-19 Ebara Corporation Method for estimating polishing profile or polishing amount, polishing method and polishing apparatus
TWI680833B (zh) * 2015-01-19 2020-01-01 日商荏原製作所股份有限公司 拋光研磨處理中研磨量之模擬方法、拋光研磨裝置、電腦程式及記憶媒體
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
CN111051993B (zh) * 2017-09-08 2022-06-28 Asml荷兰有限公司 用于机器学习辅助的光学邻近误差校正的训练方法
TWI783037B (zh) * 2017-09-25 2022-11-11 美商應用材料股份有限公司 使用機器學習方式以產生製程控制參數的半導體製造

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
TWI809221B (zh) 2023-07-21
US20220168864A1 (en) 2022-06-02
WO2020137099A1 (ja) 2020-07-02
TW202027159A (zh) 2020-07-16
JP2020107784A (ja) 2020-07-09

Similar Documents

Publication Publication Date Title
KR102741434B1 (ko) 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼 생성
CN111133560B (zh) 使用机器学习方式以产生工艺控制参数的半导体制造
JP7086835B2 (ja) 研磨レシピ決定装置
KR102666904B1 (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들
JP6266493B2 (ja) 研磨装置及び研磨方法
TWI637813B (zh) 選擇研磨參數以產生移除輪廓
TWI644760B (zh) 研磨裝置及研磨方法
KR101972647B1 (ko) 연마 장치 및 연마 방법
KR102644567B1 (ko) 기판 처리 장치
CN111699074B (zh) 普雷斯顿矩阵产生器
JP7044774B2 (ja) 化学機械研磨のためのリアルタイム・プロファイル制御
US12451380B2 (en) Semiconductor fabrication using process control parameter matrix
US12551981B2 (en) Machine learning for classifying retaining rings
KR20250092244A (ko) 플래튼의 센서를 이용한 캐리어 헤드 음향 모니터링

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210416

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220531

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220608

R150 Certificate of patent or registration of utility model

Ref document number: 7086835

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250