Od „czarnej skrzynki” do analityki danych: zmiana paradygmatu w polerowaniu chemiczno-mechanicznym (CMP)

Od „czarnej skrzynki” do analityki danych: zmiana paradygmatu w polerowaniu chemiczno-mechanicznym (CMP)

W świecie produkcji półprzewodników Polerowanie chemiczno-mechaniczne (CMP) od dawna uważana jest bardziej za „sztukę” niż sztywną naukę.Przez dziesięciolecia inżynierowie traktowali CMP jako standardową pętlę proceduralną: wybierz zawiesinę, ustaw parametry, uruchom płytkę i dostrój w oparciu o doświadczenie.

Jednak w miarę wchodzenia w zaawansowane węzły procesów branża uderza w ścianę.Niedawny przełomowy raport sugeruje, że era „prób i błędów” w CMP dobiega końca i zostaje zastąpiona nowym paradygmatem: Charakterystyka powierzchni + modelowanie AI.

1. Podstawowy konflikt: CMP jako „nieredukowalny system wielowymiarowy”

Podstawowym wyzwaniem CMP jest jego złożoność.Nie jest to proces liniowy, w którym zmiana jednej zmiennej daje przewidywalny wynik.Zamiast tego jest to system wysoce sprzężony obejmujące:

• Działanie chemiczne: Chemia zawiesin i reakcje powierzchniowe.
• Działanie mechaniczne: Tekstura podkładki, nacisk i prędkość obrotowa.
• Nauka o materiałach: Stan powierzchni płytki, gęstość i złożoność strukturalna.

Ponieważ zmienne te oddziałują jednocześnie, tradycyjne „dostrajanie parametrów” polega zasadniczo na domysłach.W miarę jak materiały stają się coraz bardziej różnorodne, a okna stają się węższe, osiągane są granice ludzkiego doświadczenia.

2. Rzeczywistość naukowa: mechanizm „dwuetapowy”.

Raport wyjaśnia fizyczną istotę CMP, dzieląc ją na dwuetapowy proces synergiczny:

1. Interakcja powierzchniowa: Napędzane siłami elektrochemicznymi i elektrostatycznymi.
2. Usuwanie materiału: Połączenie wiązania chemicznego i ścierania mechanicznego.

Eksperymenty dowodzą, że żadna pojedyncza zmienna – czy jest to zawartość azotu (N), poziom tlenu (O) czy gęstość materiału – nie może niezależnie decydować o Szybkość usuwania materiału (MRR).Zależność ta jest nieliniowa i współzależna.

3. Przełom: charakterystyka bezkontaktowa i sztuczna inteligencja

Najbardziej znaczącym wkładem tych badań jest przejście od „Poczekaj i zmierz” do „Przewiduj i optymalizuj”.

Wykorzystując bezkontaktowe dane charakteryzujące jako dane wejściowe — np FTIR (chemia powierzchni), XPS, WCA (kąt zwilżania wodą), i Gęstość—naukowcy zastosowali modele uczenia maszynowego (XGBoost z PCA redukcja wymiarowości) w celu przewidzenia wyników.

• Dokładność: Modelka osiągnęła R² ≈ 95% na zestawach treningowych i R² ≈ 87% na zestawach testowych.
• Implikacja: Możemy teraz przewidzieć wyniki polerowania bezpośrednio na podstawie danych dotyczących powierzchni, pomijając tradycyjne, powolne cykle „uruchom i testuj”.

4. Wniosek: od podejścia opartego na doświadczeniu do modelu

Jesteśmy świadkami fundamentalnej zmiany w produkcji półprzewodników: CMP przechodzi z „Inżynierii doświadczeń” do „Nauki o danych”.

To, co kiedyś było procesem „czarnej skrzynki”, staje się systemem przejrzystym, przewidywalnym i możliwym do optymalizacji.W wyścigu o zaawansowane węzły przewaga konkurencyjna nie należy już do tych z największym doświadczeniem, ale do tych, którzy potrafią najlepiej modelować oddziaływania powierzchniowe.

Słowa kluczowe: Produkcja półprzewodników, Optymalizacja procesu CMP, Uczenie maszynowe w metrologii, Szybkość usuwania materiału (MRR), Charakterystyka powierzchni.