JP2020053550A - 研磨装置、研磨方法、及び機械学習装置 - Google Patents

Abstract

【課題】膜厚の測定精度を改善した研磨装置、研磨方法、及び機械学習装置を提供する。
【解決手段】研磨ユニットにおいて、終点検出部２８は、状態取得部８４６と、学習部８４８とを有する。状態取得部８４６は、研磨ユニットを構成するトップリング等の状態に関するデータおよび半導体ウェハの状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能である。学習部８４８は、状態変数と、半導体ウェハの膜厚の変化との関係をニューラルネットワークによって学習済みであり、状態取得部８４６から状態変数を入力されて変化を予測することができる及び又は状態取得部８４６から状態変数を入力されて変化が異常であることを判断可能である。
【選択図】図１０

Description

本発明は、研磨装置、研磨方法、及び機械学習装置に関するものである。

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。そこで、研磨対象物である半導体ウェハの表面を平坦化することが必要となるが、この平坦化法の一手段として化学的機械的研磨（ＣＭＰ）装置により研磨することが行われている。

研磨装置は、研磨対象物を研磨するための研磨パッドを保持するための回転テーブルと、研磨対象物を保持して研磨パッドに押圧するためのトップリングを備える。回転テーブルとトップリングはそれぞれ、駆動部（例えばモータ）によって回転駆動される。研磨剤を含む液体（スラリー）を研磨パッド上に流し、そこにトップリングに保持された研磨対象物を押し当てることにより、研磨対象物は研磨される。

研磨装置では、研磨対象物の研磨が不十分であると、回路間の絶縁がとれず、ショートするおそれが生じ、また、過研磨となった場合は、配線の断面積が減ることによる抵抗値の上昇、又は配線自体が完全に除去され、回路自体が形成されないなどの問題が生じる。また、表面全体にわたって精度よく平坦にする必要がある。このため、研磨装置では、最適な研磨終点を検出することや、表面全体にわたって精度よく研磨量を検出することが求められる。

このような技術としては、特開２０１２−１３５８６５号に記載の渦電流式終点検知センサ(以下では、「渦電流センサ」と呼ぶ。)等がある。この渦電流センサにおいては、ソレノイド型又は渦巻型のコイルにより研磨対象物内の渦電流検出が行われる。研磨対象物の膜厚が変化することにより、渦電流が増加または減少する。

研磨終点検出手段の他の方法として、研磨対象物の膜厚が変化して、研磨が異材質の物質へ移行した際の研磨摩擦力の変化を検出する方法も知られている。研磨摩擦力の変化は、上述の駆動部のモータ電流の変化として現れるため、モータ電流センサにより膜厚の変化を検知することができる。また、研磨対象物の表面の反射率の変化を光学センサにより検出する方法もある。

研磨中に研磨対象の膜厚を測定するこれらのセンサの出力に対して、ノイズ除去等のために、センサの出力を平均化する処理やノイズフィルタ処理、及び／又は増幅する処理などの処理が行われる。これらの処理は、アナログ回路、又はデジタル回路（ソフトウェア等）による処理システムによって行われる。これらの処理が複雑な場合、センサでの測定時と処理終了時との間に遅れ（タイムラグ）が生じる。また、これらの処理のために、研磨装置内通信システムにおいて、又は研磨装置と他の装置との間の通信システムにおいて、データの送受信が行われることもある。データの送受信用通信システムに起因する遅れが生じることもある。この結果、研磨装置が終点検出や種々のコントロールに使用する膜厚データを把握することは、完全にはリアルタイムになりえない。アナログ回路、又はデジタル回路による処理システムや通信システムが処理している間にも研磨は進行するため、処理システムや通信システムが、処理終了時に把握する膜厚と、処理終了時における実際の膜厚には誤差が生じている。

半導体デバイスの微細化が進むにつれて、必要な研磨量が減り、研磨時間も短くなって
きている一方で、膜厚の測定精度への要求は高まっている。そのため、処理システムや通信システムによる処理遅れに伴う処理システムや通信システムが把握する膜厚の時間的遅れの影響が大きくなっている。

また、膜厚の変化は、既述の渦電流センサ、モータ電流センサ、光学センサなどの膜厚センサにより検出されているが、これらのセンサによる膜厚の測定精度自体を向上させる必要がある。

特開２０１２−１３５８６５号

本発明の一形態は、このような問題点を解消すべくなされたもので、その目的は、膜厚の測定精度を改善した研磨装置、研磨方法、及び機械学習装置を提供することである。

上記課題を解決するために、形態１では、研磨対象物を研磨可能な研磨装置において、前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能な状態取得部と、前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習済みであり、前記状態取得部から前記状態変数を入力されて前記変化を予測することができる、及びまたは前記状態取得部から前記状態変数を入力されて前記変化が異常であることを判断可能である学習部と、を備えることを特徴とする研磨装置という構成を採っている。

本実施形態では、機器の状態に関するデータ、研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数に基づいて変化を学習可能な学習部を備えるため、終点検出の精度を向上させることができる。例えば、膜厚検出部と他の検出部(温度検出部、エアバッグ圧力を検出する圧力検出部等)や消耗品の使用時間を学習させることで終点検出の精度を向上できる。また、処理システムや通信システムが把握する膜厚の時間的遅れの影響を低減できる機械学習装置、及び研磨装置を提供することができる。

なお、膜厚の変化とは、膜厚そのものの変化以外に、膜厚に依存する量の変化も意味する。例えば、膜厚センサが出力するデータそのものの変化、又は膜厚センサが出力するデータに対してノイズ除去等の処理を行ったデータの変化を意味する。

形態２では、前記研磨装置を構成する機器の状態に関するデータは、前記機器の配置に関するデータ、前記機器の動作状態に関するデータ、および前記機器の消耗状態に関するデータのうちの少なくとも一つを含んでおり、前記研磨対象物の状態に関するデータは、前記研磨対象物の膜厚を検出可能な膜厚検出部が検出するデータ、前記研磨対象物の温度を検出可能な温度検出部が検出するデータ、前記研磨対象物に加わる圧力を検出可能な圧力検出部が検出するデータ、および前記研磨対象物の特性に関するデータのうちの少なくとも一つを含んでいることを特徴とする形態１記載の研磨装置という構成を採っている。

膜厚検出部には、膜厚センサ（渦電流方式、モータ電流方式、光学方式等）、モータの電流値を指示する電流指令を出力するモータ駆動部等が含まれる。モータ駆動部の場合、膜厚検出部（モータ駆動部）が検出するデータはモータの電流値または電流指令である。

温度検出部には、温度センサ、研磨対象物の近傍に位置する回路の抵抗等であって研磨
対象物の温度を検出可能な抵抗等が含まれる。圧力検出部には、圧力センサ、研磨対象物に加える圧力を制御電流、制御電圧、又は圧力指令として圧力調整部に出力する制御部等が含まれる。制御部の場合、圧力検出部（制御部）が検出するデータは制御電流、制御電圧、又は圧力指令である。

形態３では、前記機器の配置に関するデータは、前記研磨対象物を保持可能なトップリングの位置に関するデータ、前記研磨対象物を研磨するための研磨パッドを回転可能な回転テーブルの位置に関するデータ、前記トップリングを保持するアームの位置に関するデータ、および前記研磨パッドのドレッシングを行うことが可能なドレッサの位置に関するデータのうちの少なくとも一つを含んでおり、前記機器の動作状態に関するデータは、前記トップリングの回転数に関するデータ、および前記回転テーブルの回転数に関するデータのうちの少なくとも一つを含んでおり、前記機器の消耗状態に関するデータは、前記研磨装置を構成する消耗品の使用時間に関するデータ、および前記消耗品の消費量に関するデータのうちの少なくとも一つを含んでおり、前記研磨対象物の特性に関するデータは、前記研磨対象物の材質に関するデータ、ならびに前記研磨対象物が前記研磨装置によって研磨される前に有する膜厚および回路パターンに関するデータのうちの少なくとも一つを含んでいることを特徴とする形態２記載の研磨装置という構成を採っている。

形態４では、前記研磨装置は、前記研磨装置の異常の有無または異常の度合いを判定した判定データを取得する判定データ取得部を備え、前記学習部は、前記状態変数および前記判定データの組合せに基づいて作成されるデータセットに基づいて、前記研磨対象物の膜厚の変化を学習することを特徴とする形態１ないし３のいずれか１項に記載の研磨装置という構成を採っている。

形態５では、前記学習部は、前記状態取得部から前記状態変数を入力されて前記変化を学習可能であることを特徴とする形態１ないし４のいずれか１項に記載の研磨装置という構成を採っている。

形態６では、コンピュータが、研磨対象物を研磨可能な前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得する状態取得ステップと、前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習済みの学習部に、前記状態取得部から前記状態変数を入力して前記変化を予測する、及びまたは前記状態取得部から前記状態変数を入力して前記変化が異常であることを判断する推定ステップと、を実行することを特徴とする研磨方法という構成を採っている。

形態７では、研磨装置が研磨可能な研磨対象物の膜厚の変化を学習可能な機械学習装置において、前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能な状態取得部と、前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習済みであり、前記状態取得部から前記状態変数を入力されて前記変化を予測することができる、及びまたは前記状態取得部から前記状態変数を入力されて前記変化が異常であることを判断可能である学習部と、を備えることを特徴とする機械学習装置という構成を採っている。

形態８では、研磨装置が研磨可能な研磨対象物の膜厚の変化を学習可能な機械学習装置において、前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能な状態取得部と、前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習可能であり、前記状態取得部から前記状態変数を入力されて前記変化を学習するこ
とができる、及びまたは前記状態取得部から前記状態変数を入力されて前記変化が異常であることを学習することができる学習部と、を備えることを特徴とする機械学習装置という構成を採っている。

形態９では、研磨対象物を研磨可能な研磨装置を制御するコンピュータに、
前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得することと、
ニューラルネットワークを用いて少なくとも１つの特徴量を生成することであって、前記ニューラルネットワークは、前記状態変数を入力する複数の入力ノードと、前記特徴量を出力する出力ノードと、前記入力ノードと前記出力ノードとを接続する複数の隠れノードとを有し、
前記特徴量に基づいて、前記研磨装置を制御することと、
を実行させ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という構成を採っている。特徴量とは、学習部が出力可能なデータであり、例えば、前記研磨対象物の膜厚の変化を予測したデータ、及びまたは前記変化が異常であるかを判断したデータである。

本発明の一実施形態に係る基板処理装置の全体構成を示す平面図である。 図２は、第１研磨ユニットを模式的に示す斜視図である。 図３は、トップリングの構造を模式的に示す断面図である。 図４は、トップリングの他の構造例を模式的に示す断面図である。 図５は、トップリングを回転および揺動させる機構を説明するための断面図である。 図６は、回転テーブルの内部構造を模式的に示す断面図である。 図７は、光学式センサを備えた回転テーブルを示す模式図である。 図８は、マイクロ波センサを備えた回転テーブルを示す模式図である。 図９は、本発明の一実施形態に係る研磨装置の全体構成を示す概略図である。 図１０は、一実施形態に係る終点検出部の一例を示すブロック図である。 図１１は、学習に用いるデータと、アルゴリズムと、学習済みモデルの使用例を示す。 図１２は、図１０における機械学習装置による学習処理の一例を説明するためのフローチャートである。 図１３は、ニューラルネットワークの構成例を示す図である。 図１４は、リカレント型ニューラルネットワークの一例を説明するための図である。 図１５は、正常な膜厚の変化の例を示す図である。 図１６は、異常な膜厚の変化の例を示す図である。 図１７は、制御部による全体の制御を示す図である。 図１８は、別の実施形態の構成を示す図である。 図１９は、図１８の実施形態の変形例を示す図である。 図２０は、ＡＩを用いた第１研磨ユニットの制御を示すブロック図である。 図２１は、ＡＩを用いた第１研磨ユニットの制御を示すブロック図である。 図２２は、ＡＩを用いた第１研磨ユニットの制御を示すブロック図である。

以下、本発明の実施形態について図面を参照して説明する。なお、以下の各実施形態において、同一または相当する部材には同一符号を付して重複した説明を省略することがある。また、各実施形態で示される特徴は、互いに矛盾しない限り他の実施形態にも適用可能である。

図１は本発明の一実施形態に係る基板処理装置の全体構成を示す平面図である。図１に示すように、この基板処理装置は、筐体部、すなわち、本実施形態では略矩形状のハウジング６１を備えている。ハウジング６１は側壁７００を有する。ハウジング６１の内部は隔壁１ａ，１ｂによってロード／アンロード部６２と研磨部６３と洗浄部６４とに区画されている。これらのロード／アンロード部６２、研磨部６３、および洗浄部６４は、それぞれ独立に組み立てられ、独立に排気される。また、基板処理装置は、基板処理動作を制御する制御部６５を有している。

ロード／アンロード部６２は、多数の半導体ウェハ（基板）をストックするウェハカセットが載置される２つ以上（本実施形態では４つ）のフロントロード部２０を備えている。これらのフロントロード部２０はハウジング６１に隣接して配置され、基板処理装置の幅方向（長手方向に垂直な方向）に沿って配列されている。フロントロード部２０には、オープンカセット、ＳＭＩＦ（Standard Manufacturing Interface）ポッド、またはＦＯＵＰ（Front Opening Unified Pod）を搭載することができるようになっている。ここで、ＳＭＩＦ、ＦＯＵＰは、内部にウェハカセットを収納し、隔壁で覆うことにより、外部空間とは独立した環境を保つことができる密閉容器である。

また、ロード／アンロード部６２には、フロントロード部２０の並びに沿って走行機構２１が敷設されている。走行機構２１上にウェハカセットの配列方向に沿って移動可能な２台の搬送ロボット（ローダー）２２が設置されている。搬送ロボット２２は走行機構２１上を移動することによってフロントロード部２０に搭載されたウェハカセットにアクセスできるようになっている。各々の搬送ロボット２２は上下に２つのハンドを備えている。上側のハンドは、処理された半導体ウェハをウェハカセットに戻すときに使用される。下側のハンドは、処理前の半導体ウェハをウェハカセットから取り出すときに使用される。このように、上下のハンドは使い分けられる。さらに、搬送ロボット２２の下側のハンドは、その軸心周りに回転することで、半導体ウェハを反転させることができる。

ロード／アンロード部６２は最もクリーンな状態を保つ必要がある領域である。そのため、ロード／アンロード部６２の内部は、基板処理装置外部、研磨部６３、および洗浄部６４のいずれよりも高い圧力に常時維持されている。研磨部６３は研磨液としてスラリを用いるため最もダーティな領域である。したがって、研磨部６３の内部には負圧が形成され、その圧力は洗浄部６４の内部圧力よりも低く維持されている。ロード／アンロード部６２には、ＨＥＰＡフィルタ、ＵＬＰＡフィルタ、またはケミカルフィルタなどのクリーンエアフィルタを有するフィルタファンユニット（図示せず）が設けられている。フィルタファンユニットからはパーティクルや有毒蒸気、有毒ガスが除去されたクリーンエアが常時吹き出している。

研磨部６３は、半導体ウェハの研磨（平坦化）が行われる領域であり、第１研磨ユニット３Ａ、第２研磨ユニット３Ｂ、第３研磨ユニット３Ｃ、第４研磨ユニット３Ｄを備えている。第１研磨ユニット３Ａ、第２研磨ユニット３Ｂ、第３研磨ユニット３Ｃ、および第４研磨ユニット３Ｄは、図１に示すように、基板処理装置の長手方向に沿って配列されている。

図１に示すように、第１研磨ユニット３Ａは、回転テーブル３０Ａと、トップリング３１Ａと、研磨液供給ノズル３２Ａと、ドレッサ３３Ａと、アトマイザ３４Ａとを備えてい
る。回転テーブル３０Ａには、研磨面を有する研磨パッド１０が取り付けられている。トップリング(保持部)３１Ａは、半導体ウェハを保持し、かつ半導体ウェハを回転テーブル３０Ａ上の研磨パッド１０に押圧しながら研磨する。研磨液供給ノズル３２Ａは、研磨パッド１０に研磨液やドレッシング液（例えば、純水）を供給する。ドレッサ３３Ａは、研磨パッド１０の研磨面のドレッシングを行う。アトマイザ３４Ａは、液体（例えば純水）と気体（例えば窒素ガス）の混合流体または液体（例えば純水）を霧状にして研磨面に噴射する。

同様に、第２研磨ユニット３Ｂは、研磨パッド１０が取り付けられた回転テーブル３０Ｂと、トップリング３１Ｂと、研磨液供給ノズル３２Ｂと、ドレッサ３３Ｂと、アトマイザ３４Ｂとを備えている。第３研磨ユニット３Ｃは、研磨パッド１０が取り付けられた回転テーブル３０Ｃと、トップリング３１Ｃと、研磨液供給ノズル３２Ｃと、ドレッサ３３Ｃと、アトマイザ３４Ｃとを備えている。第４研磨ユニット３Ｄは、研磨パッド１０が取り付けられた回転テーブル３０Ｄと、トップリング３１Ｄと、研磨液供給ノズル３２Ｄと、ドレッサ３３Ｄと、アトマイザ３４Ｄとを備えている。

第１研磨ユニット３Ａ、第２研磨ユニット３Ｂ、第３研磨ユニット３Ｃ、および第４研磨ユニット３Ｄは、互いに同一の構成を有しているので、研磨ユニットの詳細に関しては、以下では、第１研磨ユニット３Ａを対象として説明する。

図２は、第１研磨ユニット３Ａを模式的に示す斜視図である。トップリング３１Ａは、トップリングシャフト６３６に支持されている。回転テーブル３０Ａの上面には研磨パッド１０が貼付されており、この研磨パッド１０の上面は半導体ウェハ１６を研磨する研磨面を構成する。なお、研磨パッド１０に代えて固定砥粒を用いることもできる。トップリング３１Ａおよび回転テーブル３０Ａは、矢印で示すように、その軸心周りに回転するように構成されている。半導体ウェハ１６は、トップリング３１Ａの下面に真空吸着により保持される。研磨時には、研磨液供給ノズル３２Ａから研磨パッド１０の研磨面に研磨液が供給され、研磨対象である半導体ウェハ１６がトップリング３１Ａにより研磨面に押圧されて研磨される。

図３はトップリング３１Ａの構造を模式的に示す断面図である。トップリング３１Ａは、トップリングシャフト６３６の下端に自在継手６３７を介して連結されている。自在継手６３７は、トップリング３１Ａとトップリングシャフト６３６との互いの傾動を許容しつつ、トップリングシャフト６３６の回転をトップリング３１Ａに伝達するボールジョイントである。トップリング３１Ａは、略円盤状のトップリング本体６３８と、トップリング本体６３８の下部に配置されたリテーナリング６４０とを備えている。トップリング本体６３８は金属やセラミックス等の強度および剛性が高い材料から形成されている。また、リテーナリング６４０は、剛性の高い樹脂材またはセラミックス等から形成されている。なお、リテーナリング６４０をトップリング本体６３８と一体的に形成することとしてもよい。

トップリング本体６３８およびリテーナリング６４０の内側に形成された空間内には、半導体ウェハ１６に当接する円形の弾性パッド６４２と、弾性膜からなる環状の加圧シート６４３と、弾性パッド６４２を保持する概略円盤状のチャッキングプレート６４４とが収容されている。弾性パッド６４２の上周端部はチャッキングプレート６４４に保持され、弾性パッド６４２とチャッキングプレート６４４との間には、４つの圧力室（エアバッグ）Ｐ１，Ｐ２，Ｐ３，Ｐ４が設けられている。圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４は弾性パッド６４２とチャッキングプレート６４４とによって形成されている。圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４にはそれぞれ流体路６５１，６５２，６５３，６５４を介して加圧空気等の加圧流体が供給され、あるいは真空引きがされるようになっている。中央の圧力室Ｐ１は
円形であり、他の圧力室Ｐ２，Ｐ３，Ｐ４は環状である。これらの圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４は、同心上に配列されている。

圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４の内部圧力は後述する圧力調整部により互いに独立して変化させることが可能であり、これにより、半導体ウェハ１６の４つの領域、すなわち、中央部、内側中間部、外側中間部、および周縁部に対する押圧力を独立に調整することができる。また、トップリング３１Ａの全体を昇降させることにより、リテーナリング６４０を所定の押圧力で研磨パッド１０に押圧できるようになっている。チャッキングプレート６４４とトップリング本体６３８との間には圧力室Ｐ５が形成され、この圧力室Ｐ５には流体路６５５を介して加圧流体が供給され、あるいは真空引きがされるようになっている。これにより、チャッキングプレート６４４および弾性パッド６４２全体が上下方向に動くことができる。

半導体ウェハ１６の周端部はリテーナリング６４０に囲まれており、研磨中に半導体ウェハ１６がトップリング３１Ａから飛び出さないようになっている。圧力室Ｐ３を構成する、弾性パッド６４２の部位には開口（図示せず）が形成されており、圧力室Ｐ３に真空を形成することにより半導体ウェハ１６がトップリング３１Ａに吸着保持されるようになっている。また、この圧力室Ｐ３に窒素ガス、乾燥空気、圧縮空気等を供給することにより、半導体ウェハ１６がトップリング３１Ａからリリースされるようになっている。

図４はトップリング３１Ａの他の構造例を模式的に示す断面図である。この例では、チャッキングプレートは設けられていなく、弾性パッド６４２はトップリング本体６３８の下面に取り付けられている。また、チャッキングプレートとトップリング本体６３８との間の圧力室Ｐ５も設けられていない。これに代えて、リテーナリング６４０とトップリング本体６３８との間には弾性バッグ６４６が配置されており、その弾性バッグ６４６の内部には圧力室Ｐ６が形成されている。リテーナリング６４０はトップリング本体６３８に対して相対的に上下動可能となっている。圧力室Ｐ６には流体路６５６が連通しており、加圧空気等の加圧流体が流体路６５６を通じて圧力室Ｐ６に供給されるようになっている。圧力室Ｐ６の内部圧力は後述する圧力調整部により調整可能となっている。したがって、半導体ウェハ１６に対する押圧力とは独立してリテーナリング６４０の研磨パッド１０に対する押圧力を調整することができる。他の構成および動作は、図３に示すトップリングの構成と同一である。本実施形態では、図３または図４のいずれのタイプのトップリングを用いることができる。

図４はトップリング３１Ａを回転および揺動させる機構を説明するための断面図である。トップリングシャフト（例えば、スプラインシャフト）６３６はトップリングヘッド６６０に回転自在に支持されている。また、トップリングシャフト６３６は、プーリ６６１，６６２およびベルト６６３を介してモータＭ１の回転軸に連結されており、モータＭ１によってトップリングシャフト６３６およびトップリング３１Ａがその軸心周りに回転する。このモータＭ１はトップリングヘッド６６０の上部に取り付けられている。また、トップリングヘッド６６０とトップリングシャフト６３６とは、上下駆動源としてのエアシリンダ６６５によって連結されている。このエアシリンダ６６５に供給されるエア（圧縮気体）によりトップリングシャフト６３６およびトップリング３１Ａが一体に上下動する。なお、エアシリンダ６６５に代えて、ボールねじおよびサーボモータを有する機構を上下駆動源として用いてもよい。

トップリングヘッド６６０は、支持軸６６７に軸受６７２を介して回転自在に支持されている。この支持軸６６７は固定軸であり、回転しない構造となっている。トップリングヘッド６６０にはモータＭ２が設置されており、トップリングヘッド６６０とモータＭ２との相対位置は固定である。このモータＭ２の回転軸は、図示しない回転伝達機構（歯車
など）を介して支持軸６６７に連結されており、モータＭ２を回転させることによって、トップリングヘッド６６０が支持軸６６７を中心として揺動（スイング）するようになっている。したがって、トップリングヘッド６６０の揺動運動により、その先端に支持されたトップリング３１Ａは回転テーブル３０Ａの上方の研磨位置と回転テーブル３０Ａの側方の搬送位置との間を移動する。なお、本実施形態では、トップリング３１Ａを揺動させる揺動機構はモータＭ２から構成される。

トップリングシャフト６３６の内部には、その長手方向に延びる貫通孔（図示せず）が形成されている。上述したトップリング３１Ａの流体路６５１，６５２，６５３，６５４，６５５，６５６は、この貫通孔を通って、トップリングシャフト６３６の上端に設けられている回転継手６６９に接続されている。この回転継手６６９を介してトップリング３１Ａに加圧気体（クリーンエア）や窒素ガスなどの流体が供給され、またトップリング３１Ａから気体が真空排気される。回転継手６６９には、上記流体通路６５１，６５２，６５３，６５４，６５５，６５６に連通する複数の流体管６７０が接続され、これら流体管６７０は圧力調整部６７５に接続されている。また、エアシリンダ６６５に加圧空気を供給する流体管６７１も圧力調整部６７５に接続されている。

圧力調整部６７５は、トップリング３１Ａに供給される流体の圧力を調整する電空レギュレータや、流体管６７０，６７１に接続される配管、これら配管に設けられたエアオペレートバルブ、これらのエアオペレートバルブの作動源となるエアの圧力を調整する電空レギュレータ、トップリング３１Ａに真空を形成するエジェクタなどを有しており、これらが集合して１つのブロック（ユニット）を構成している。圧力調整部６７５は、トップリングヘッド６６０の上部に固定されている。トップリング３１Ａの圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４，Ｐ５に供給される加圧気体や、エアシリンダ６６５に供給される加圧空気の圧力は、この圧力調整部６７５の電空レギュレータによって調整される。同様に、圧力調整部６７５のエジェクタによってトップリング３１ＡのエアバッグＰ１，Ｐ２，Ｐ３，Ｐ４内や、チャッキングプレート６４４とトップリング本体６３８の間の圧力室Ｐ５内に真空が形成される。

このように、圧力調整機器である電空レギュレータやバルブがトップリング３１Ａの近くに設置されているので、トップリング３１Ａ内の圧力の制御性が向上される。より具体的には、電空レギュレータと圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４，Ｐ５との距離が短いので、制御部６５からの圧力変更指令に対する応答性が向上する。同様に、真空源であるエジェクタもトップリング３１Ａの近くに設置されているので、トップリング３１Ａ内に真空を形成するときの応答性が向上する。また、圧力調整部６７５の裏面を、電装機器の取り付け用台座として利用することができ、従来必要であった取付用のフレームを不要とすることができる。

トップリングヘッド６６０、トップリング３１Ａ、圧力調整部６７５、トップリングシャフト６３６、モータＭ１、モータＭ２、エアシリンダ６６５は、１つのモジュール（以下、トップリングアッセンブリという）として構成されている。すなわち、トップリングシャフト６３６、モータＭ１、モータＭ２、圧力調整部６７５、エアシリンダ６６５は、トップリングヘッド６６０に取り付けられている。トップリングヘッド６６０は、支持軸６６７から取り外しできるように構成されている。したがって、トップリングヘッド６６０と支持軸６６７とを分離することにより、トップリングアッセンブリを基板処理装置から取り外すことができる。このような構成によれば、支持軸６６７やトップリングヘッド６６０などのメンテナンス性を向上させることができる。例えば、軸受６７２から異音が発生したときに、軸受６７２を容易に交換することができ、また、モータＭ２や回転伝達機構（減速機）を交換する際に、隣接する機器を取り外す必要もない。

図６は、回転テーブル３０Ａの内部構造を模式的に示す断面図である。図６に示すように、回転テーブル３０Ａの内部には、半導体ウェハ１６の膜の状態を検知するセンサ６７６が埋設されている。この例では、センサ６７６として渦電流センサが用いられている。センサ６７６の信号は制御部６５に送信され、制御部６５によって膜厚を表すモニタリング信号が生成されるようになっている。このモニタリング信号（およびセンサ信号）の値は膜厚自体を示すものではないが、モニタリング信号の値は膜厚に応じて変化する。したがって、モニタリング信号は半導体ウェハ１６の膜厚を示す信号ということができる。

制御部６５は、モニタリング信号に基づいて各々の圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４の内部圧力を決定し、決定された内部圧力が各々の圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４に形成されるように圧力調整部６７５に指令を出すようになっている。制御部６５は、モニタリング信号に基づいて各々の圧力室Ｐ１，Ｐ２，Ｐ３，Ｐ４の内部圧力を操作する圧力制御部として、および研磨終点を検知する終点検知部として機能する。

センサ６７６は、第１研磨ユニット３Ａと同様に、第２研磨ユニット３Ｂ、第３研磨ユニット３Ｃ、および第４研磨ユニット３Ｄの回転テーブルにも設けられている。制御部６５は、各々の研磨ユニット３Ａ〜３Ｄのセンサ７６から送られてくる信号からモニタリング信号を生成し、各々の研磨ユニット３Ａ〜３Ｄでの半導体ウェハの研磨の進捗を監視する。複数の半導体ウェハが研磨ユニット３Ａ〜３Ｄで研磨されている場合、制御部５は、半導体ウェハの膜厚を示すモニタリング信号を研磨中に監視し、それらのモニタリング信号に基づいて、研磨ユニット３Ａ〜３Ｄでの研磨時間がほぼ同一となるようにトップリング３１Ａ〜３１Ｄの押圧力を制御する。このように研磨中のトップリング３１Ａ〜３１Ｄの押圧力をモニタリング信号に基づいて調整することで、研磨ユニット３Ａ〜３Ｄでの研磨時間を平準化することができる。

半導体ウェハ１６は、第１研磨ユニット３Ａ、第２研磨ユニット３Ｂ、第３研磨ユニット３Ｃ、第４研磨ユニット３Ｄのいずれかで研磨されてもよく、またはこれらの研磨ユニット３Ａ〜３Ｄから予め選択された複数の研磨ユニットで連続的に研磨されてもよい。例えば、半導体ウェハ１６を第１研磨ユニット３Ａ→第２研磨ユニット３Ｂの順で研磨してもよく、または半導体ウェハ１６を第３研磨ユニット３Ｃ→第４研磨ユニット３Ｄの順で研磨してもよい。さらに、半導体ウェハ１６を第１研磨ユニット３Ａ→第２研磨ユニット３Ｂ→第３研磨ユニット３Ｃ→第４研磨ユニット３Ｄの順で研磨してもよい。いずれの場合でも、研磨ユニット３Ａ〜３Ｄのすべての研磨時間を平準化することで、スループットを向上させることができる。

渦電流センサは、半導体ウェハの膜が金属膜である場合に好適に用いられる。半導体ウェハの膜が酸化膜などの光透過性を有する膜である場合には、センサ７６として光学式センサを用いることができる。あるいは、センサ７６としてマイクロ波センサを用いてもよい。マイクロ波センサは、金属膜および非金属膜のいずれの場合にも用いることができる。以下、光学式センサおよびマイクロ波センサの一例について説明する。

図７は、光学式センサを備えた回転テーブルを示す模式図である。図７に示すように、回転テーブル３０Ａの内部に、半導体ウェハ１６の膜の状態を検知する光学式センサ６７６が埋設されている。このセンサ６７６は、半導体ウェハ１６に光を照射し、半導体ウェハ１６からの反射光の強度（反射強度または反射率）から半導体ウェハ１６の膜の状態（膜厚など）を検知する。

また、研磨パッド１０には、センサ６７６からの光を透過させるための透光部６７７が取付けられている。この透光部６７７は、透過率の高い材質で形成されており、例えば、無発泡ポリウレタンなどにより形成される。あるいは、研磨パッド１０に貫通孔を設け、
この貫通孔が半導体ウェハ１６に塞がれる間下方から透明液を流すことにより、透光部６７７を構成してもよい。透光部６７７は、トップリング３１Ａに保持された半導体ウェハ１６の中心を通過する位置に配置される。

センサ６７６は、図７に示すように、光源６７８ａと、光源６７８ａからの光を半導体ウェハ１６の被研磨面に照射する発光部としての発光光ファイバ６７８ｂと、被研磨面からの反射光を受光する受光部としての受光光ファイバ６７８ｃと、受光光ファイバ６７８ｃにより受光された光を分光する分光器およびこの分光器により分光された光を電気的情報として蓄積する複数の受光素子とを内部に有する分光器ユニット６７８ｄと、光源６７８ａの点灯および消灯や分光器ユニット６７８ｄ内の受光素子の読取開始のタイミングなどの制御を行う動作制御部６７８ｅと、動作制御部６７８ｅに電力を供給する電源６７８ｆとを備えている。なお、光源６７８ａおよび分光器ユニット６７８ｄには、動作制御部６７８ｅを介して電力が供給される。

発光光ファイバ６７８ｂの発光端と受光光ファイバ６７８ｃの受光端は、半導体ウェハ１６の被研磨面に対して略垂直になるように構成されている。分光器ユニット６７８ｄ内の受光素子としては、例えば１２８素子のフォトダイオードアレイを用いることができる。分光器ユニット６７８ｄは、動作制御部６７８ｅに接続されている。分光器ユニット６７８ｄ内の受光素子からの情報は、動作制御部６７８ｅに送られ、この情報に基づいて反射光のスペクトルデータが生成される。すなわち、動作制御部６７８ｅは、受光素子に蓄積された電気的情報を読み取って反射光のスペクトルデータを生成する。このスペクトルデータは、波長に従って分解された反射光の強度を示し、膜厚によって変化する。

動作制御部６７８ｅは、上述した制御部６５に接続されている。このようにして、動作制御部６７８ｅで生成されたスペクトルデータは、制御部６５に送信される。制御部６５では、動作制御部６７８ｅから受信したスペクトルデータに基づいて、半導体ウェハ１６の膜厚に関連付けられた特性値を算出して、これをモニタリング信号として使用する。

図８は、マイクロ波センサを備えた回転テーブルを示す模式図である。センサ６７６は、マイクロ波を半導体ウェハ１６の被研磨面に向けて照射するアンテナ６８０ａと、アンテナ６８０ａにマイクロ波を供給するセンサ本体６８０ｂと、アンテナ６８０ａとセンサ本体６８０ｂとを接続する導波管６８１とを備えている。アンテナ６８０ａは回転テーブル３０Ａに埋設されており、トップリング３１Ａに保持された半導体ウェハ１６の中心位置に対向するように配置されている。

センサ本体６８０ｂは、マイクロ波を生成してアンテナ６８０ａにマイクロ波を供給するマイクロ波源６８０ｃと、マイクロ波源６８０ｃにより生成されたマイクロ波（入射波）と半導体ウェハ１６の表面から反射したマイクロ波（反射波）とを分離させる分離器６８０ｄと、分離器６８０ｄにより分離された反射波を受信して反射波の振幅および位相を検出する検出部６８０ｅとを備えている。なお、分離器６８０ｄとしては、方向性結合器が好適に用いられる。

アンテナ６８０ａは導波管６８１を介して分離器６８０ｄに接続されている。マイクロ波源６８０ｃは分離器６８０ｄに接続され、マイクロ波源６８０ｃにより生成されたマイクロ波は、分離器６８０ｄおよび導波管６８１を介してアンテナ６８０ａに供給される。マイクロ波はアンテナ６８０ａから半導体ウェハ１６に向けて照射され、研磨パッド６１０を透過（貫通）して半導体ウェハ１６に到達する。半導体ウェハ１６からの反射波は再び研磨パッド１０を透過した後、アンテナ６８０ａにより受信される。

反射波はアンテナ６８０ａから導波管６８１を介して分離器６８０ｄに送られ、分離器
６８０ｄによって入射波と反射波とが分離される。分離器６８０ｄにより分離された反射波は検出部６８０ｅに送信される。検出部６８０ｅでは反射波の振幅および位相が検出される。反射波の振幅は電力（ｄｂｍまたはＷ）または電圧（Ｖ）として検出され、反射波の位相は検出部６８０ｅに内蔵された位相計測器（図示せず）により検出される。検出部６８０ｅによって検出された反射波の振幅および位相は制御部６５に送られ、ここで反射波の振幅および位相に基づいて半導体ウェハ１６の金属膜や非金属膜などの膜厚が解析される。解析された値は、モニタリング信号として制御部６５により監視される。

図１に示すように、ドレッサ３３Ａは、ドレッサアーム６８５と、ドレッサアーム６８５の先端に回転自在に取り付けられたドレッシング部材６８６と、ドレッサアーム６８５の他端に連結される揺動軸６８８と、揺動軸６８８を中心にドレッサアーム６８５を揺動（スイング）させる駆動機構としてのモータとを備えている。ドレッシング部材６８６は円形のドレッシング面を有しており、ドレッシング面には硬質な粒子が固定されている。この硬質な粒子としては、ダイヤモンド粒子やセラミック粒子などが挙げられる。ドレッサアーム６８５内には、図示しないモータが内蔵されており、このモータによってドレッシング部材６８６が回転するようになっている。揺動軸６８８は図示しない昇降機構に連結されており、この昇降機構によりドレッサアーム６８５が下降することでドレッシング部材６８６が研磨パッド１０の研磨面を押圧するようになっている。

図１に示すアトマイザ３４Ａは、下部に１または複数の噴射孔を有するアーム６９０と、このアーム６９０に連結された流体流路と、アーム６９０を支持する揺動軸６９４とを備えている。アーム６９０の下部には複数の噴射孔が等間隔に形成されている。

用いられる流体の例としては、液体（例えば純水）、または液体と気体の混合流体（例えば、純水と窒素ガスの混合流体）などが挙げられる。流体流路はアーム６９０の噴射孔に連通しており、流体は霧状となって噴射孔から研磨パッド１０の研磨面に噴射される。

アーム６９０は、揺動軸６９４を中心として洗浄位置と退避位置との間で旋回可能となっている。アーム６９０の可動角度は約９０°である。通常、アーム６９０は洗浄位置にあり、図１に示すように、研磨パッド１０の研磨面の径方向に沿って配置されている。研磨パッド１０の交換などのメンテナンス時には、アーム６９０は手動により退避位置に移動する。したがって、メンテナンス時にアーム６９０を取り外す必要がなく、メンテナンス性を向上させることができる。なお、回転機構を揺動軸６９４に連結し、この回転機構によりアーム６９０を旋回させてもよい。

このアトマイザ３４Ａを設ける目的は、研磨パッド１０の研磨面に残留する研磨屑や砥粒などを高圧の流体により洗い流すことである。アトマイザ３４Ａの流体圧による研磨面の浄化と、機械的接触であるドレッサ３３Ａによる研磨面の目立て作業により、より好ましいドレッシング、すなわち研磨面の再生を達成することができる。通常は接触型のドレッサ（ダイヤモンドドレッサ等）によるドレッシングの後に、アトマイザによる研磨面の再生を行う場合が多い。

次に、半導体ウェハを搬送するための搬送機構について、図１により説明する。搬送機構は、リフタ１１と、第１リニアトランスポータ６６と、スイングトランスポータ１２と、第２リニアトランスポータ６７と、仮置き台と、を備える。

リフタ１１は、搬送ロボット２２から半導体ウェハを受け取る。第１リニアトランスポータ６６は、リフタ１１から受け取った半導体ウェハを、第１搬送位置ＴＰ１、第２搬送位置ＴＰ２、第３搬送位置ＴＰ３、及び、第４搬送位置ＴＰ４、の間で搬送する。第１研磨ユニット３Ａ及び第２研磨ユニット３Ｂは、第１リニアトランスポータ６６から半導体
ウェハを受け取って研磨する。第１研磨ユニット３Ａ及び第２研磨ユニット３Ｂは、研磨した半導体ウェハを第１リニアトランスポータ６６へ渡す。

スイングトランスポータ１２は、第１リニアトランスポータ６６と第２リニアトランスポータ６７との間で半導体ウェハの受け渡しを行う。第２リニアトランスポータ６７は、スイングトランスポータ１２から受け取った半導体ウェハを、第５搬送位置ＴＰ５、第６搬送位置ＴＰ６、及び、第７搬送位置ＴＰ７、の間で搬送する。第３研磨ユニット３Ｃ及び第４研磨ユニット３Ｄは、第２リニアトランスポータ６７から半導体ウェハを受け取って研磨する。第３研磨ユニット３Ｃ及び第４研磨ユニット３Ｄは、研磨した半導体ウェハを第２リニアトランスポータ６７へ渡す。研磨ユニット３によって研磨処理が行われた半導体ウェハは、スイングトランスポータ１２によって仮置き台へ置かれる。

図１に示すように、洗浄部６４は、第１洗浄室１９０と、第１搬送室１９１と、第２洗浄室１９２と、第２搬送室１９３と、乾燥室１９４とに区画されている。第１洗浄室１９０内には、縦方向に沿って配列された上側一次洗浄モジュールおよび下側一次洗浄モジュールが配置されている。上側一次洗浄モジュールは下側一次洗浄モジュールの上方に配置されている。同様に、第２洗浄室１９２内には、縦方向に沿って配列された上側二次洗浄モジュールおよび下側二次洗浄モジュールが配置されている。上側二次洗浄モジュールは下側二次洗浄モジュールの上方に配置されている。一次および二次洗浄モジュールは、洗浄液を用いて半導体ウェハを洗浄する洗浄機である。これらの一次および二次洗浄モジュールは垂直方向に沿って配列されているので、フットプリント面積が小さいという利点が得られる。

上側二次洗浄モジュールと下側二次洗浄モジュールとの間には、半導体ウェハの仮置き台が設けられている。乾燥室１９４内には、縦方向に沿って配列された上側乾燥モジュールおよび下側乾燥モジュールが配置されている。これら上側乾燥モジュールおよび下側乾燥モジュールは互いに隔離されている。上側乾燥モジュールおよび下側乾燥モジュールの上部には、清浄な空気を乾燥モジュール，内にそれぞれ供給するフィルタファンユニットが設けられている。上側一次洗浄モジュール、下側一次洗浄モジュール、上側二次洗浄モジュール、下側二次洗浄モジュール、仮置き台、上側乾燥モジュール、および下側乾燥モジュールは、フレームにボルトなどを介して固定されている。

第１搬送室１９１には、上下動可能な第１搬送ロボットが配置され、第２搬送室１９３には、上下動可能な第２搬送ロボットが配置されている。第１搬送ロボットおよび第２搬送ロボットは、縦方向に延びる支持軸にそれぞれ移動自在に支持されている。第１搬送ロボットおよび第２搬送ロボットは、その内部にモータなどの駆動機構を有しており、支持軸，に沿って上下に移動自在となっている。第１搬送ロボットは、搬送ロボット２２と同様に、上下二段のハンドを有している。第１搬送ロボットは、その下側のハンドが上述した仮置き台にアクセス可能な位置に配置されている。第１搬送ロボットの下側のハンドが仮置き台にアクセスするときには、隔壁１ｂに設けられているシャッタが開くようになっている。

第１搬送ロボットは、仮置き台、上側一次洗浄モジュール、下側一次洗浄モジュール、仮置き台、上側二次洗浄モジュール、下側二次洗浄モジュールの間で半導体ウェハ１６を搬送するように動作する。洗浄前の半導体ウェハ（スラリが付着している半導体ウェハ）を搬送するときは、第１搬送ロボットは、下側のハンドを用い、洗浄後の半導体ウェハを搬送するときは上側のハンドを用いる。第２搬送ロボットは、上側二次洗浄モジュール、下側二次洗浄モジュール、仮置き台、上側乾燥モジュール、下側乾燥モジュールの間で半導体ウェハ１６を搬送するように動作する。第２搬送ロボットは、洗浄された半導体ウェハのみを搬送するので、１つのハンドのみを備えている。図１に示す搬送ロボット２２は
、その上側のハンドを用いて上側乾燥モジュールまたは下側乾燥モジュールから半導体ウェハを取り出し、その半導体ウェハをウェハカセットに戻す。搬送ロボット２２の上側ハンドが乾燥モジュール，にアクセスするときには、隔壁１ａに設けられているシャッタ（図示せず）が開くようになっている。

洗浄部６４は、２台の一次洗浄モジュールおよび２台の二次洗浄モジュールを備えているので、複数の半導体ウェハを並列して洗浄する複数の洗浄ラインを構成することができる。「洗浄ライン」とは、洗浄部６４の内部において、一つの半導体ウェハが複数の洗浄モジュールによって洗浄される際の移動経路のことである。例えば、１つの半導体ウェハを、第１搬送ロボット、上側一次洗浄モジュール、第１搬送ロボット、上側二次洗浄モジュール、第２搬送ロボット、そして上側乾燥モジュールの順で搬送し、これと並列して、他の半導体ウェハを、第１搬送ロボット、下側一次洗浄モジュール、第１搬送ロボット、下側二次洗浄モジュール、第２搬送ロボット、そして下側乾燥モジュールの順で搬送することができる。このように２つの並列する洗浄ラインにより、複数（典型的には２枚）の半導体ウェハをほぼ同時に洗浄および乾燥することができる。

乾燥された半導体ウェハ１６は、図１に示す搬送ロボット２２により乾燥モジュールから取り出され、ウェハカセットに戻される。このようにして、研磨、洗浄、および乾燥を含む一連の処理が半導体ウェハに対して行われる。上述のように構成された乾燥モジュールによれば、半導体ウェハ１６の両面を迅速かつ効果的に乾燥することができ、また、正確に乾燥処理の終了時点を制御することができる。したがって、乾燥処理のための処理時間が洗浄プロセス全体の律速工程となることはない。また、洗浄部４に形成される上述した複数の洗浄ラインでの処理時間は平準化することができるので、プロセス全体のスループットを向上させることができる。

本実施形態によれば、半導体ウェハを研磨装置に搬入した時（ロード前）に、半導体ウェハが乾燥状態にあり、研磨と洗浄が終了後、アンロード前に、半導体ウェハが乾燥状態になって、基板カセットにアンロードされる。乾燥状態の半導体ウェハを研磨装置からカセットに入れて、取り出すことが可能となる。すなわち、ドライイン／ドライアウトが可能である。

仮置き台へ置かれた半導体ウェハは、第１搬送室１９１を介して第１洗浄室１９０又は第２洗浄室１９２へ搬送される。半導体ウェハは、第１洗浄室１９０又は第２洗浄室１９２において洗浄処理される。第１洗浄室１９０又は第２洗浄室１９２において洗浄処理された半導体ウェハは、第２搬送室１９３を介して乾燥室１９４へ搬送される。半導体ウェハは、乾燥室１９４において乾燥処理される。乾燥処理された半導体ウェハは、搬送ロボット２２によって乾燥室１９４から取り出されてカセットへ戻される。

図９は、本発明の一実施形態に係る研磨ユニット（研磨装置）の全体構成を示す概略図である。図９に示すように、研磨装置は、回転テーブル３０Ａと、研磨対象物である半導体ウェハ１６等の基板を保持して回転テーブル上の研磨面に押圧するトップリング３１Ａ（保持部）とを備えている。

第１研磨ユニット３Ａは、研磨パッド１０と、研磨パッド１０に対向して配置される半導体ウェハ１６との間で研磨を行うための研磨ユニットである。第１研磨ユニット３Ａは、研磨パッド１０を保持するための回転テーブル３０Ａと、半導体ウェハ１６を保持するためのトップリング３１Ａを有する。第１研磨ユニット３Ａは、トップリング３１Ａを保持するための揺動アーム１１０と、揺動アーム１１０を揺動するための揺動軸モータ１４（アーム駆動部）と、揺動軸モータ１４に、駆動電力を供給するドライバ１８を有する。さらに第１研磨ユニット３Ａは、揺動アーム１１０に加わるアームトルクを検知するアー
ムトルク検知部２６と、アームトルク検知部２６が検知したアームトルク２６ａに基づいて、研磨の終了を示す研磨終点を検出する終点検出部２８とを有する。

図９以下により説明する本実施形態によれば、膜厚の測定精度を改善した研磨ユニット３Ａを提供することができる。また、本実施形態の研磨ユニット３Ａは、膜厚の変化の異常を検知できる。研磨ユニット３Ａは、機械学習装置を備える。本実施形態では、研磨終点検出手段として、渦電流センサを用いた方法、アームトルクに基づく方法、回転テーブルまたはトップリングを回転駆動する駆動部の駆動負荷を検出して利用する方法等が可能である。本実施形態は、トップリングを揺動アームの端部に保持する方式において、アームトルクに基づいて研磨終点検出を行うことを説明するが、回転テーブルまたはトップリングを回転駆動する駆動部の駆動負荷をモータ電流により検出して、研磨終点検出を行うことも同様に実施できる。

保持部と揺動アームとアーム駆動部とトルク検知部は、組を構成し、同一の構成を有する組が、第１研磨ユニット３Ａ、第２研磨ユニット３Ｂ、第３研磨ユニット３Ｃ、第４研磨ユニット３Ｄのそれぞれに設けられている。

回転テーブル３０Ａは、テーブル軸１０２を介してその下方に配置される駆動部であるモータ（図示せず）に連結されており、そのテーブル軸１０２周りに回転可能になっている。回転テーブル３０Ａの上面には研磨パッド１０が貼付されており、研磨パッド１０の表面１０１が半導体ウェハ１６を研磨する研磨面を構成している。回転テーブル３０Ａの上方には研磨液供給ノズル（図示しない）が設置されており、研磨液供給ノズルによって回転テーブル３０Ａ上の研磨パッド１０に研磨液Ｑが供給される。図９に示すように、回転テーブル３０Ａの内部には、半導体ウェハ１６内に渦電流を生成して、当該渦電流を検出することにより研磨終点を検知できる渦電流センサ５０が埋設されていてもよい。

トップリング３１Ａは、半導体ウェハ１６を研磨面１０１に対して押圧するトップリング本体２４と、半導体ウェハ１６の外周縁を保持して半導体ウェハ１６がトップリングから飛び出さないようにするリテーナリング２３とから構成されている。

トップリング３１Ａは、トップリングシャフト１１１に接続されている。トップリングシャフト１１１は、図示しない上下動機構により揺動アーム１１０に対して上下動する。トップリングシャフト１１１の上下動により、揺動アーム１１０に対してトップリング３１Ａの全体を昇降させ位置決めする。

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。この回転筒１１２はその外周部にタイミングプーリ１１３を備えている。揺動アーム１１０にはトップリング用モータ１１４が固定されている。上記タイミングプーリ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。トップリング用モータ１１４が回転すると、タイミングプーリ１１６、タイミングベルト１１５、およびタイミングプーリ１１３を介して回転筒１１２およ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３１Ａが回転する。

揺動アーム１１０は、揺動軸モータ１４の回転軸に接続されている。揺動軸モータ１４は揺動アームシャフト１１７に固定されている。従って、揺動アーム１１０は、揺動アームシャフト１１７に対して回転可能に支持されている。

トップリング３１Ａは、その下面に半導体ウェハ１６などの基板を保持できる。揺動アーム１１０は、揺動アームシャフト１１７を中心として、旋回可能である。下面に半導体
ウェハ１６を保持したトップリング３１Ａは、揺動アーム１１０の旋回により、半導体ウェハ１６の受取位置から回転テーブル３０Ａの上方に移動される。そして、トップリング３１Ａを下降させて、半導体ウェハ１６を研磨パッド１０の表面（研磨面）１０１に押圧する。このとき、トップリング３１Ａおよび回転テーブル３０Ａをそれぞれ回転させる。同時に、回転テーブル３０Ａの上方に設けられた研磨液供給ノズルから研磨パッド１０上に研磨液を供給する。このように、半導体ウェハ１６を研磨パッド１０の研磨面１０１に摺接させて、半導体ウェハ１６の表面を研磨する。

第１研磨ユニット３Ａは、回転テーブル３０Ａを回転駆動するテーブル駆動部（図示しない）を有する。第１研磨ユニット３Ａは、回転テーブル３０Ａに加わるテーブルトルクを検知するテーブルトルク検知部（図示しない）を有してもよい。テーブルトルク検知部は、回転モータであるテーブル駆動部の電流からテーブルトルクを検知することができる。終点検出部２８は、アームトルク検知部２６が検知したアームトルク２６ａのみから研磨の終了を示す研磨終点を検出してもよいし、テーブルトルク検知部が検知したテーブルトルクも考慮して、研磨の終了を示す研磨終点を検出してもよい。

図９においては、揺動アーム１１０の、揺動軸モータ１４への接続部において、アームトルク検知部２６は、揺動アーム１１０に加わるアームトルク２６ａを検知する。具体的には、アーム駆動部は、揺動アーム１１０を回転させる揺動軸モータ（回転モータ）１４であり、アームトルク検知部２６は、揺動軸モータ１４の電流値から、揺動アーム１１０に加わるアームトルク２６ａを検知する。揺動軸モータ１４の電流値は、揺動アーム１１０の、揺動軸モータ１４への接続部におけるアームトルクに依存する量である。揺動軸モータ１４の電流値は、本実施形態では、ドライバ１８から揺動軸モータ１４に供給される電流値１８ｂ、または、ドライバ１８内で生成される後述する電流指令１８ａである。

ドライバ１８は、制御部６５から、揺動アーム１１０の位置に関する位置指令６５ａを入力される。位置指令６５ａは、揺動アームシャフト１１７に対する揺動アーム１１０の回転角度に相当するデータである。ドライバ１８は、また、揺動軸モータ１４に内蔵して取り付けられたエンコーダ（図示せず）から、揺動アームシャフト１１７の回転角度を入力される。

電流指令１８ａは、揺動軸モータ１４の電流値に依存する量であり、アームトルクに依存する量である。アームトルク検知部２６は、電流指令１８ａに対して、ＡＤ変換、増幅、整流、実効値変換等の処理のうちの少なくとも１つの処理をしたのちに、終点検出部２８に、アームトルク２６ａとして出力する。

電流指令１８ａから電流値が生成される。電流値は、揺動軸モータ１４の電流値そのものであるとともに、アームトルクに依存する量である。アームトルク検知部２６は、電流値から、揺動アーム１１０に加わるアームトルクを検知してもよい。アームトルク検知部２６は、電流値を検出する際に、ホールセンサ等の電流センサを用いることができる。

回転テーブルを回転駆動するためのモータＭ３（第１の電動モータ、図２を参照）、トップリング３１Ａを回転駆動するためのモータＭ１（第２の電動モータ、図５を参照）、及び揺動アームを揺動するためのモータＭ２（第３の電動モータ、図５を参照）のうちの１つの電動モータの電流値を検出することができる。電流指令１８ａや電流値と、膜厚との対応関係から、膜厚を終点検出部２８の膜厚算出部８３０（図１０参照）は求めることができる。電流指令１８ａや電流値と、膜厚との対応関係は、例えば研磨工程の開始前に求めておき、膜厚算出部８３０内に記憶しておくことができる。

次に図１０を参照して、半導体ウェハ１６（研磨対象物）の膜厚の変化を学習可能な終
点検出部２８（機械学習装置）を説明する。終点検出部２８は、研磨ユニット３Ａを構成する機器の状態に関するデータ、および半導体ウェハ１６の状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能な状態取得部８４６と、状態変数に基づいて変化を学習可能な学習部８４８とを備える。研磨ユニット３Ａを構成する機器とは、例えば、トップリング３１Ａ、回転テーブル３０Ａ、研磨液供給ノズル３２Ａ、ドレッサ３３Ａ、アトマイザ３４Ａ等の研磨ユニット３Ａを構成する機器である。

研磨ユニット３Ａを構成する機器の状態に関するデータは、機器の配置に関するデータ、機器の動作状態に関するデータ、および機器の消耗状態に関するデータのうちの少なくとも一つを含んでいる。

半導体ウェハ１６の状態に関するデータは、半導体ウェハ１６の膜厚を検出可能な膜厚算出部８３０が検出するデータ、半導体ウェハ１６の温度を検出可能な温度センサ８３２（温度検出部）が検出するデータ、半導体ウェハ１６に加わる圧力を検出可能な制御部６５（圧力検出部）が検出するデータ、および研磨対象物の特性に関するデータのうちの少なくとも一つを含んでいる。半導体ウェハ１６に加わる圧力に関しては、制御部６５は例えば、流体路６５１，６５２，６５３，６５４に設けられた圧力センサを用いて圧力を検出可能である。

これらのデータは、終点検出部２８内の状態取得部８４６に学習のために送信される。すなわち、膜厚算出部８３０が検出するデータは、信号８３０ａとして、膜厚算出部８３０から状態取得部８４６に送信される。温度センサ８３２（温度検出部）が検出するデータは、温度センサ８３２から状態取得部８４６に送信される。制御部６５（圧力検出部）が検出するデータは、信号６５ｂとして制御部６５から状態取得部８４６に送信される。

温度検出部は、温度センサ８３２以外に、半導体ウェハ１６の近傍に位置する研磨ユニット３Ａ内の回路の抵抗等であって半導体ウェハ１６の温度を検出可能な抵抗等が含まれる。温度センサ８３２は半導体ウェハ１６の近傍に配置され、温度センサ８３２の出力は、終点検出部２８内の状態取得部８４６に送信される。

圧力検出部には、圧力センサ、半導体ウェハ１６に加える圧力を圧力指令として圧力調整部６７５に出力する制御部６５等が含まれる。制御部６５が圧力検出部である場合、制御部６５が検出するデータは圧力指令であってもよい。圧力指令は圧力調整部６７５に加えて、制御部６５から信号６５ｂとして状態取得部８４６に学習のために出力される。

機器の配置に関するデータは、研磨対象物を保持可能なトップリング３１Ａの位置に関するデータ、研磨対象物を研磨するための研磨パッドを回転可能な回転テーブル３０Ａの位置に関するデータ、トップリング３１Ａを保持するアーム１１０の位置に関するデータ、および研磨パッド１０のドレッシングを行うことが可能なドレッサ３３Ａの位置に関するデータのうちの少なくとも一つを含んでいる。

トップリング３１Ａの位置に関するデータには例えば、回転テーブル３０Ａの平面上における位置(２次元座標値)、およびまたはトップリング３１Ａの回転角度が含まれる。回転テーブル３０Ａ／アーム１１０／ドレッサ３３Ａの位置に関するデータには例えば、回転テーブル３０Ａ／アーム１１０／ドレッサ３３Ａの回転角度が含まれる。なお本明細書においては「／」は、「およびまたは」を意味する。トップリング３１Ａ／回転テーブル３０Ａ／アーム１１０／ドレッサ３３Ａの位置に関するデータには例えば、回転テーブル３０Ａの平面上におけるこれらの機器の相対的な位置(２次元座標値)が含まれる。

機器の配置に関するデータには、半導体ウェハ１６の位置に関するデータを含んでもよ
い。半導体ウェハ１６の位置に関するデータには例えば、回転テーブル３０Ａの平面上における位置(２次元座標値)、およびまたは半導体ウェハ１６の回転角度が含まれる。半導体ウェハ１６の位置に関するデータは例えば、上述のトップリング３１Ａ／回転テーブル３０Ａ／アーム１１０／ドレッサ３３Ａの位置に関するデータから制御部６５／状態取得部８４６が算出してもよい。

これらのデータは例えば、制御部６５から、トップリング３１Ａを保持するアーム、回転テーブル３０Ａ、研磨液供給ノズル３２Ａを保持するアーム、およびドレッサ３３Ａのアームをそれぞれ駆動する駆動部に出力される制御指令である。制御指令は例えば、回転角度である。制御指令は駆動部に加えて、制御部６５から信号６５ｂとして状態取得部８４６に学習のために出力される。

機器の動作状態に関するデータは、トップリング３１Ａの回転数に関するデータ、および回転テーブルの回転数に関するデータのうちの少なくとも一つを含んでいる。これらのデータは、制御部６５から、トップリング３１Ａ、および回転テーブル３０Ａをそれぞれ回転駆動する駆動部に出力される制御指令である。制御指令は例えば、回転数である。制御指令は駆動部に加えて、制御部６５から信号６５ｂとして状態取得部８４６に学習のために出力される。

機器の消耗状態に関するデータは、研磨装置を構成する消耗品の使用時間に関するデータ、および消耗品の消費量に関するデータのうちの少なくとも一つを含んでいる。消耗品は、例えば研磨パッド１０／トップリング３１Ａのリテーナリング／メンブレンである。研磨パッド１０／トップリング３１Ａのリテーナリング／メンブレンの使用時間に関するデータは制御部６５に記憶される。制御部６５は使用時間に関するデータを状態取得部８４６に学習のために信号６５ｂとして出力する。研磨パッド１０の消費量に関するデータとは、研磨パッド１０の摩耗量である。摩耗量は、光学センサ８３４によって測定される。光学センサ８３４は、研磨パッド１０と光学センサ８３４との距離を測定することにより、摩耗量を検出する。光学センサ８３４は摩耗量に関するデータを状態取得部８４６に学習のために出力する。

半導体ウェハ１６の特性に関するデータは、半導体ウェハ１６自体／半導体ウェハ１６上に形成された膜／回路の材質に関するデータ、ならびに半導体ウェハ１６が研磨装置によって研磨される前に有する膜厚および回路パターンに関するデータのうちの少なくとも一つを含んでいる。半導体ウェハ１６自体の材質に関するデータは、材質が銅、アルミニウム、Ｓｉ，ＧａＡｓ、ＳＯＩ、ガラス、ＳｉＣ、セラミック、樹脂基板等であることを示すデータである。又は半導体ウェハ１６の材質に関するデータは、これらの金属の混合比や、酸化膜の混合比を示すデータである。研磨される前に有する膜厚および回路パターンに関するデータは、例えば、膜厚を示す数値データや、回路パターンを分類したデータである。回路パターンを分類したデータとは例えば、半導体ウェハ１６に含まれる複数の金属成分の比率を示す数値データである。これらのデータは、ユーザが制御部６５に研磨開始前に入力する。制御部６５は、これらのデータを状態取得部８４６に信号６５ｃとして出力する。

本実施形態において、学習部８４８が学習するために、学習部８４８に状態取得部８４６を介して入力可能なデータとしては、以下のような量に関するデータの一部もしくは全部が可能である。i)揺動アーム１１０が研磨時にトップリング３１Ａから受けるトルク、ii)回転テーブル３０Ａ、トップリング３１Ａ、揺動軸モータ１４のモータ電流、iii)研磨開始からの経過時間、iv)回転テーブル３０Ａの回転数、v)半導体ウェハ１６への押圧の大きさ、vi)研磨パッド１０の温度、vii)研磨液供給ノズル３２Ａから供給されるスラリの流量、viii)半導体ウェハ１６の膜種（酸化膜、導電性膜等の膜の種類）、ix)半導体
ウェハ１６の膜厚、x)トップリング３１Ａの回転数、xi)揺動アーム１１０の揺動速度、xii)研磨パッド１０の厚さ、xiii)研磨パッド１０等の消耗品の使用時間、xiv)光学式センサの出力、xv)渦電流センサの出力、xvi)マイクロ波センサの出力、xvii)超音波センサの出力、xviii)振動（音波）センサの出力。

これらのデータのうち、膜厚の変化の学習のために好ましいデータとしては、例えば以下の７種類がある。すなわち、i)揺動アーム１１０が研磨時にトップリング３１Ａから受けるトルク、iii)研磨開始からの経過時間、iv)回転テーブル３０Ａの回転数、v)半導体ウェハ１６への押圧の大きさ、vi)研磨パッド１０の温度、x)トップリング３１Ａの回転数、xi)揺動アーム１１０の揺動速度である。

膜厚の変化の学習のために特に好ましいデータとしては、例えば以下の５種類がある。すなわち、i)揺動アーム１１０が研磨時にトップリング３１Ａから受けるトルク、iii)研磨開始からの経過時間、v)半導体ウェハ１６への押圧の大きさ、vi)研磨パッド１０の温度、xi)揺動アーム１１０の揺動速度である。

膜厚の変化の学習のためにさらに好ましいデータとしては、例えば以下の３種類がある。すなわち、i)揺動アーム１１０が研磨時にトップリング３１Ａから受けるトルク、iii)研磨開始からの経過時間、vi)研磨パッド１０の温度である。なお、これらの７種類、５種類、３種類のデータの選択は、これに限られるものではなく、他の組み合わせも可能である。また種類の数も、３，５，７に限られるものではなく、これらの数値より多くても少なくてもよい。膜厚の変化の学習のための好ましいデータは、研磨条件や半導体ウェハ１６の状態等から決定することができる。

終点検出部２８（機械学習装置）は、研磨ユニット３Ａの異常の有無または異常の度合いを判定した判定データを取得する判定データ取得部８４４を備える。学習部８４８は、状態変数および判定データの組合せに基づいて作成されるデータセットに基づいて、半導体ウェハ１６の膜厚の変化を学習する。

学習部８４８は半導体ウェハ１６の膜厚の変化を学習した後は、変化を予測可能である。また、学習部８４８は半導体ウェハ１６の膜厚の変化を学習して、変化が正常であるか異常であるかを判断可能である。

学習部８４８が出力可能なデータは、膜厚の変化を予測したデータ（すなわち時系列データとしての膜厚の変化、研磨終点時刻等）と、変化が正常であるか異常であるかを判断したデータ（例えば、正常であるときは「１」を出力し、異常であるときは「０」を出力する等）に限られない。学習部８４８が出力可能なデータとしては、例えば、以下がある。

i)研磨終点時刻と、そのときの膜厚センサ（トルクセンサ、電流センサ、渦電流センサ等）の予測出力、ii)研磨終点時刻と、そのときの膜厚センサの予測出力、半導体ウェハ１６への圧力の予測値、iii)研磨終点時刻と、そのときの膜厚センサの予測出力、半導体ウェハ１６への圧力の予測値、膜厚の予測分布（例えば、膜厚の均一性）。膜厚センサの予測出力、半導体ウェハ１６への圧力の予測値、膜厚の予測分布等がわかると、制御部６５は、研磨条件(研磨パラメータ)を変更／更新することができ、研磨条件の制御を最適化すること／研磨条件の制御精度を向上することができる。例えば、半導体ウェハ１６への圧力を変更すること、回転テーブル３０Ａの回転速度を変更すること等を制御部６５は行う。回転速度を遅くする、およびまたは圧力を低くすると、研磨速度が低下して、目標とする膜厚に対して精度よく膜厚を制御できる。このように、学習部８４８は、制御部６５が必要とする圧力等の任意の制御パラメータを出力することができる。制御部６５は、研
磨条件の変更／更新を、学習部８４８がその入力データを取得した現在研磨中の半導体ウェハ１６に対して行うことができる／制御部６５は、研磨条件の変更／更新を、次の研磨工程で研磨を行う半導体ウェハ１６に対して行うことができる。

学習部８４８は、研磨終点時刻における圧力等の任意の制御パラメータの予測値以外に、望ましい研磨のための制御パラメータの目標値を出力することとしてもよい。研磨は、膜厚の良好な均一性と、誤差の少ない最終膜厚を目標としている。学習部８４８は、この目標に、より適合するための、圧力等の任意の制御パラメータの目標値を出力してもよい。制御部６５は、目標値に従って研磨条件の変更／更新を行って、研磨条件の制御を行うことができる。目標値は、時間的に変化するものであってもよい。

学習部８４８の出力は、以下の種々の形態をとることができる。i)学習部８４８は、数値を出力する。例えば、予測する圧力等を数値の形態で出力する。ii)学習部８４８は、プログラムを出力する。例えば、圧力等を時間等の変数として出力する等のときに、学習部８４８は、圧力等の時間変化を計算するプログラムを出力してもよい。iii)学習部８４８は、係数を出力する。例えば、圧力等を時間等の変数として表現する計算式の係数や、学習部８４８を構成するニューラルネットワークの重みづけ係数等を出力する。学習部８４８は、このように、複数のデータを出力することができ、また、これらのうちの１つのデータのみを出力することとしてもよい。

なお、学習部８４８への入力に関しても、既述の複数のデータを入力とすることができ、また、これらのうちの１つのデータのみを入力とすることとしてもよい。本実施形態における入力データの種類の数と出力データの種類の数の組み合わせとしては、i)入力データの種類の数が１個で、出力データの種類の数が複数という組み合わせ、ii)入力データの種類の数が複数で、出力データの種類の数が複数という組み合わせ、iii)入力データの種類の数が複数で、出力データの種類の数が１個という組み合わせのいずれも可能である。

学習部８４８は、制御部６５が必要とする圧力等の任意の制御パラメータ以外も出力することができる。例えば、学習部８４８を構成するニューラルネットワークの重みづけ係数等の学習部８４８を構成する要素を出力することができる。構成する要素を出力することにより、学習部８４８を改良することができる。

ここで、学習の概略と、学習後のモデルの使用について、図１１により説明する。本図は、学習に用いるデータと、アルゴリズムと、学習済みモデルの使用例を示す。学習に用いるデータ、すなわちＡＩプログラムの入力データ８５０の種類としては、i) 各種のセンサにより得られたデータ、ii) 半導体ウェハ１６や研磨パッド１０等の材料等に関するデータ、iii) センサデータ等を画像化した画像データ、iv) センサデータ等を学習に適したように少なくとも部分的に加工した加工データ、v) 研磨ユニット３Ａに入力される制御値等の研磨のための入力パラメータ、vi) iからvまでのデータに関して過去に作成されたまたは他の研磨ユニット３Ａに関して作成されたデータベース、vii) ユーザが収集した検索データ等が可能である。

入力データ８５０を収集して入力データ８５０の集合体８５２が得られると、集合体８５２から学習用データ８５４を作成する。学習用データ８５４として、入力データ８５０の集合物であるデータセットが作成される。データセットとしては、研磨が正常であるときに得られた正常データと、研磨が異常であるときに得られた異常データと、学習に必要とユーザが判断して人工的に作成した参照データがある。

学習用データ８５４は、ＡＩ（artificial intelligence：人工知能）を実行するコン
ピュータプログラム８５６に入力される。プログラム８５６は、アルゴリズムとしてニューラルネットワークを利用しており、コンピュータにより実行される。また、プログラム８５６は量子コンピュータを用いて実行されてもよい。プログラム８５６は、自動学習を行うものであり、具体的には機械学習を行い、機械学習としてディープラーニングを行うものでもよい。プログラム８５６には、学習用データ８５４が入力され、学習部８４８が出力するとして説明した既述の出力データを出力する。

プログラム８５６が学習を行った後の学習済モデル８５８は、実際の研磨工程において用いられる。実際の研磨工程において、学習済モデル８５８は実際の研磨工程において得られたデータから作成された学習用データ８５４を入力されて、既述の出力データのうち、ユーザが指定する所定のデータを出力する。学習済モデル８５８の出力は、研磨ユニット３Ａの制御に用いられる。また学習済モデル８５８の出力は、コンテンツとして出力されて、学習用データ８５４の作成に利用してもよい。作成された学習用データ８５４は、学習済モデル８５８に学習のために入力されて、学習用データ８５４はさらに学習を行うことができる。

学習済モデル８５８を作成するための学習用データ８５４を構成するデータの種類と、実際の研磨工程において学習済モデル８５８に入力されるデータの種類は同じでも、異なっていてもよい。

このように、学習部８４８は、状態変数と、半導体ウェハ１６の膜厚の変化との関係をニューラルネットワークによって学習済みであり、状態取得部８４６から状態変数を入力されて変化を予測することができる、及びまたは状態取得部８４６から状態変数を入力されて変化が異常であることを判断可能である。また、学習済みの学習部８４８は、状態取得部８４６から既述の状態変数を入力されて膜厚の変化をさらに学習することが可能である。

学習済みの学習部８４８を作成する段階では、学習部８４８は、状態取得部８４６から状態変数を入力されて膜厚の変化を学習することができる、及びまたは状態取得部８４６から状態変数を入力されて膜厚の変化が異常であることを学習することができる。学習部８４８は、これらの学習以外に、既述の出力を得るように学習することもできる。学習済みの学習部８４８を作成する段階で学習部８４８に入力されるデータは、正常データのみ、異常データのみ、正常データと異常データの両方を含むデータ、の３通りとすることができる。

次に図１０を参照して、本発明に係る終点検出部２８および機械学習方法の一実施形態を説明する。図１０は、一実施形態に係る終点検出部２８の一例を示すブロック図である。以下の学習では教師あり学習について説明する。以下に説明する学習により学習済モデル８５８が作成される。また学習済モデル８５８の作成後において、以下の学習を学習済モデル８５８が行うことにより、学習済モデル８５８の自動更新が可能である。学習済モデル８５８が膜厚の変化を研磨工程中に予測しているときに、自動更新のための学習を同時に行うこともできる。

学習の方法は種々可能である。第１の方法は、オフラインで、すなわち、研磨を行っていないときに、学習部８４８に学習に必要なデータを入力して、学習部８４８に膜厚の変化を学習させる。学習は、学習部８４８が膜厚の変化を精度よく予想できるようになるまで、およびまたは膜厚の変化が正常であるか異常であるかを精度よく判定できるようになるまで繰り返し行われる。

第１の方法では、学習に必要なすべてのデータは、制御部６５から信号６５ｃとして学
習部８４８に入力される。また、学習に必要なすべてのデータを、制御部６５を介さずに、通信ネットワークを介して、図１に示す基板処理装置の外部のコンピュータから、学習部８４８に直接入力してもよい。さらに、学習部８４８をソフトウェアで構成する場合、図１に示す基板処理装置の外部のコンピュータにおいて、学習に必要なデータを用いて学習部８４８に学習をさせたのちに、学習済みのソフトウェアである学習部８４８を研磨ユニット３Ａの終点検出部２８に記憶させてもよい。

学習に必要なデータとは、本実施形態の場合、温度センサ８３２、光学センサ８３４、膜厚算出部８３０の出力８３０ａ（膜厚）、および制御部６５の出力６５ｂ、判定データ取得部８４４から出力される判定データの組合せに基づいて作成されるデータセットである。制御部６５の信号６５ｂとは、既述の信号６５ｂとして状態取得部８４６に送信されると説明したデータである。信号６５ｂが、１個または複数のモータを駆動するトルク指令値（およびまたは速度指令値）を含む場合、トルク指令値（およびまたは速度指令値）は、膜厚に相当する量であり、膜厚は、膜厚算出部８３０から９３０ａとして入力されるため、トルク指令値（およびまたは速度指令値）は、学習に用いなくてもよい。学習に必要なデータは、後述する第２の方法のように実際の研磨工程で得ることができる。研磨工程で得られたデータを蓄積して、学習に用いることができる。学習に必要なデータは、人工的に作成してもよい。

第２の方法は、実際の研磨中のデータを用いて実際の研磨中に学習する方法である。学習は、学習部８４８が膜厚の変化を精度よく予想できるようになるまで、およびまたは膜厚の変化が正常であるか異常であるかを精度よく判定できるようになるまで繰り返し行われる。学習が終了した後に、学習済みの学習部８４８を用いて、膜厚の変化を予想する、または膜厚の変化が正常であるか異常であるかを判定する。

第２の方法では、学習に際して、学習データが正常データであるか、異常データであるかの判定情報は、終点検出部２８の判定データ取得部８４４から学習部８４８に入力される。判定情報は、ユーザの入力操作に応答して、制御部６５が信号６５ｄとして判定データ取得部８４４に送信する。ユーザの入力操作を頻繁に行うことはコスト上、好ましくない。そのため、実際の研磨中のデータが学習部８４８内のメモリに多数のセット分、蓄積されたのちに、それらのデータに対して、学習データが正常データであるか、異常データであるかの判定情報をユーザが入力してもよい。その後、学習部８４８は学習を行ってもよい。なお、第１の方法と第２の方法を併用してもよい。学習部８４８は学習済み後に、例えば、研磨工程中に状態取得部８４６から状態変数を入力されて膜厚の変化を、さらに学習して学習部８４８を自動更新してもよい。

研磨が正常であるときの正常データと、研磨が異常であるときの異常データの作成方法としては以下がある。（ｉ）過去の研磨工程で得られたデータベースを利用する方法。例えば、過去の正常な研磨工程で得られたデータと、過去の異常な研磨工程で得られたデータを利用する。（ｉｉ）過去の研磨工程で得られたデータベースがない時に、現在またはこれから得られるデータベースを利用する方法。現在以降のデータを蓄積しながら学習を継続して、高精度な判定ができるまで学習済みモデルを更新していく。

既述の第１の方法(すなわちオフラインでの学習)では、（ｉ）の方法、／（ｉ）と（ｉｉ）の方法を採用することができる。既述の第２の方法(すなわちオンラインでの学習)では、（ｉｉ）の方法、／研磨の最初の段階では（ｉ）の方法を行い、（ｉｉ）の方法も採用することができる。（ｉｉ）の方法のみを採用する場合とは、例えば、過去に類似の研磨工程がない新たな研磨工程を行う場合である。

判定データ取得部８４４は、第２の方法において学習の際に用いられるが、学習後はな
くてもよい。判定データ取得部８４４は、第２の方法において学習の際においてもなくてもよい。なぜならば、膜厚の変化のみを学習して、正常データであるか、異常データであるかの判定を学習しない場合は、不要であるからである。

膜厚の変化を学習部８４８が学習した後は、学習済みの学習部８４８を用いて、膜厚の変化に関する実際のデータをある期間、学習部８４８に入力すると、その後の期間における膜厚の変化を予想することが可能である。従って、学習済みの学習部８４８を用いて、膜厚の変化を予想して、研磨終了時刻を学習部８４８は制御部６５に、信号６５ｅとして送信する。

膜厚の変化が正常であるか異常であるかを学習済みの学習部８４８は制御部６５に、膜厚の変化が正常であるか異常であるかを判定した結果を信号６５ｅとして送信する。

第２の方法による学習法を図１０により説明する。温度センサ８３２、光学センサ８３４、膜厚算出部８３０の出力８３０ａ、および制御部６５の出力６５ｂは状態取得部８４６に入力される。すなわち、状態取得部８４６は、制御部６５から信号６５ｂとして既述のように出力される１個または複数のモータを駆動するトルク指令値（およびまたは速度指令値）等のデータ、膜厚算出部８３０からの出力８３０ａ、並びに、温度センサ８３２、光学センサ８３４から出力される温度等の研磨ユニット３Ａの状態変数(状態量)が入力される。なお、状態取得部８４６は、上述した全ての状態変数を受け取らなくても、それらの一部であってもよく、また、さらなる状態変数を受け取ってもよい。なお、学習部８４８の学習の方法は、第１の方法と第２の方法で、実質的に同じである。すなわち、実質的に同じデータセットを用いて学習部８４８は学習を行うため、実質的に同じ学習を行う。

なお、第１の方法と第２の方法で、異なるデータセットを用いて学習部８４８は学習を行ってもよい。オフラインである第１の方法では、長い時間変化を有するパラメータの影響を学習部８４８に反映させることが容易である。オンラインである第２の方法では、学習部８４８は高速処理できることが好ましく、少ない量のデータセットで学習できることが好ましい。

学習部８４８は、状態取得部８４６から出力される状態変数、および、判定データ取得部８４４から出力される判定データの組合せに基づいて作成されるデータセットに基づいて、膜厚の変化や、膜厚の変化が正常であるか異常であるか（すなわち研磨工程の正常／異常）を学習する。ここで、データセットは、状態変数および判定データを互いに関連付けたデータである。すなわち、一般に、研磨ユニット３Ａが使用される環境では、例えば、制御回路や測定回路のノイズ等が大きいため、膜厚の変化や研磨の正常／異常を判断することは難しい。これに対して、本実施形態のシステムでは、機械学習によって、例えば、制御回路や測定回路のノイズ等を分離して、状態変数が膜厚の変化や研磨の正常／異常の判断に与える影響の特徴に基づいて、より正確な膜厚の変化の予知や研磨の正常／異常の判断を行うことが可能となる。

なお、終点検出部２８は、例えば、ネットワークを介して研磨ユニット３Ａに接続され、研磨ユニット３Ａとは別個のデジタルコンピュータであってもよい。また、他の実施形態において、終点検出部２８は、制御部６５に内蔵されていてもよい。その場合、終点検出部２８は、制御部６５のプロセッサを利用して機械学習を実行する。そして、さらに他の実施形態において、終点検出部２８は、クラウドサーバ上に存在していてもよい。

図１２は、図１０における機械学習装置による学習処理の一例を説明するためのフローチャートである。本図に示されるように、終点検出部２８による学習処理が開始すると、
ステップＳ１０において、状態取得部８４６は、例えば、制御部６５から出力されるトルク指令値および圧力、膜厚算出部８３０から出力される膜厚、温度センサ８３２および光学センサ８３４から出力される温度及び摩耗量等といった状態変数を取得する。

さらに、ステップＳ２０に進んで、判定データ取得部８４４は、膜厚データの正常／異常を判定した判定データを既述のように取得する。そして、ステップＳ３０に進み、学習部８４８は、ステップＳ１０で取得した状態変数、および、ステップＳ２０で取得した判定データの組合せに基づいて作成されるデータセットに従って、膜厚の変化や膜厚データの正常／異常を学習する。なお、学習部８４８は、膜厚の変化と、膜厚データの正常／異常の一方のみを学習してもよい。膜厚の変化のみを学習する場合は、判定データ取得部８４４はなくてもよい。

ステップＳ１０〜Ｓ３０の処理は、例えば、終点検出部２８により膜厚の変化や膜厚データの正常／異常を十分に学習するまで繰り返し実行される。ここで、正常な膜厚データと異常な膜厚データの種類やセット数は、学習部８４８が十分に学習するために必要な量だけ用意される。正常な膜厚データセット数と異常な膜厚データセット数の比率は、例えば、８：２である。

図１３は、ニューラルネットワークの構成例を示す図である。上述した終点検出部２８における学習部８４８は、例えば、ニューラルネットワークモデルに従って故障予知を学習してもよい。本図に示されるように、ニューラルネットワークは、状態変数を入力する１個のニューロン（入力ノード）ｘ1、ｘ2、ｘ3、・・・、ｘlを含む入力層、入力ノードと出力ノードとを接続するｍ個のニューロンｙ1、ｙ2、ｙ3、・・・、ｙm（隠れノード）を含む中間層(隠れ層)、並びに、特徴量を出力するｎ個のニューロンｚ1、ｚ2、ｚ3、・・・、ｚn（出力ノード）を含む出力層を含む。なお、本図において、中間層は、１層のみ示されているが、２層以上の中間層を設けることもできる。また、終点検出部２８(ニューラルネット)は、汎用の計算機若しくはプロセッサを用いてもよいが、ＧＰＧＰＵ(General-Purpose computing on Graphics Processing Units)や大規模ＰＣクラスター等を適用すると、より高速に処理することが可能である。

学習部８４８は、例えば、多層(４層以上)のニューラルネットワーク（ディープニューラルネットワーク）による機械学習（ディープラーニングまたは深層学習と呼ばれる。）に従って故障予知を学習してもよい。

ニューラルネットワークは、研磨ユニット３Ａの膜厚の変化や膜厚データの正常／異常を学習する。ニューラルネットワークは、状態取得部８４６によって取得される状態変数、並びに、判定データ取得部８４４によって取得される判定データの組合せに基づいて作成されるデータセットに従って、いわゆる「教師あり学習」により、状態変数と、膜厚の変化や膜厚データの正常／異常との関係性、すなわち、膜厚の変化や膜厚データの正常／異常を学習する。ここで、「教師あり学習」とは、ある入力と結果(ラベル)のデータの組を大量に学習装置に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、すなわち、その関係性を帰納的に獲得することができるというものである。

また、ニューラルネットワークは、異常無しの状態、すなわち、研磨ユニット３Ａが正常に動作しているときの状態変数のみを蓄積し、いわゆる「教師なし学習」によって、膜厚の変化や膜厚データの正常／異常を学習することもできる。例えば、研磨ユニット３Ａの異常の頻度が極めて低い場合、「教師なし学習」の手法が有効である。ここで、「教師なし学習」とは、入力データのみを大量に終点検出部２８に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力デー
タに対して圧縮・分類・整形等を行うことを学習する手法である。それらのデータセットにある特徴を似た者どうしにクラスタリングすること等ができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、正常／異常の判定を実現することできる。

また、本実施形態においては、膜厚の変化という、時間的相関がある時系列データをモデル化するため、リカレント型と呼ばれるニューラルネットワークを使用する。リカレントニューラルネットワーク(ＲＮＮ：Recurrent Neural Network)は、現時刻だけの状態のみを使って学習モデルを形成するのではなく、これまでの時刻の内部状態も利用する。リカレントニューラルネットワークは多種あるが、一例として、単純再帰型ネットワーク(エルマンネットワーク：Elman Network)を説明する。

図１４は、リカレント型ニューラルネットワークの一例を説明するための図であり、図１４(a)は、エルマンネットワークの時間軸展開を示し、図１４(b)は、誤差逆伝播法(バックプロパゲーション：Backpropagation)のバックプロパゲーションスルータイム(ＢＰＴＴ：Back Propagation Through Time)を示す。ここで、図１４(a)に示されるようなエルマンネットワークの構造であれば、バックプロパゲーションを適用することができる。

エルマンネットワークでは、通常のニューラルネットワークと異なり、図１４(b)に示されるように、時間を遡るように誤差が伝搬し、このようなバックプロパゲーションをＢＰＴＴ(バックプロパゲーションスルータイム)と呼ぶ。このようなニューラルネットワーク構造を適用することで、これまでの入力の遷移を踏まえた出力のモデルを推定することができ、例えば、研磨終点の時刻を予想することが可能になる。リカレント型ニューラルネットワークの他の例としては、LSTM (Long short-term memory) を用いた方法もある。LSTMは、エルマンネットワークよりも長い期間のデータを、より容易に処理することができる。

学習部８４８は、強化学習を行ってもよい。強化学習とは、機械学習のアルゴリズムの一つである。強化学習では、「教師あり学習」や「教師なし学習」のような、正常データであるかどうかが明確なデータを元にした学習ではなく、学習部８４８自体が現在の状態を観測し、制御が最適化される(これは、「価値が最大化する、または報酬が最も多く得られる」と、機械学習の分野では呼ばれる。）ように自ら学習し、制御パラメータを選択する。強化学習では、学習部８４８は、最適化についての評価も学習部８４８自ら更新する。

以上のように終点検出部２８は、学習後は、膜厚に関するデータその他を入力されると、膜厚の変化から研磨の異常を検知できる。また終点検出部２８は、研磨の途中までの膜厚に関するデータその他を入力されると、膜厚の変化を予想して、研磨終点時刻を出力することができる。

ここで、正常な膜厚の変化の例を図１５に示す。異常な膜厚の変化の例を図１６に示す。これらのデータは、モータ電流の変化から膜厚を求める例である。これらの図の横軸は時間（ｔ）であり、縦軸は膜厚（μｍ）である。時刻ｔ１は、研磨終了時刻である。図１５（ａ）に示すように、正常な膜厚の変化において、研磨終了前に膜厚の変化が一時的に停止する部分８３６が生じることがある。また図１５（ｃ）に示すように、正常な膜厚の変化において、研磨終了前に膜厚が一時的に増加する部分８３８が生じることがある。このように、研磨終了前に膜厚の変化が一時的に停止する部分８３６や膜厚が一時的に増加する部分８３８が生じるため、モータ電流の変化から膜厚を求める従来の終点検知方法の場合、研磨の終点を誤検知することがあった。機械学習を行う終点検出部２８により、図１５（ａ）、図１５（ｃ）に示す膜厚の変化を正常であると判断することが可能になる。

図１６において、研磨の終点近傍において、膜厚が最低値を示す部分８４０が２回生じることがある。このような場合、研磨ユニット３Ａの機器の一部に故障が生じている可能性がある。機械学習を行う終点検出部２８により、図１６に示す膜厚の変化を異常である判断することが可能になる。

また、機械学習を行う終点検出部２８により、研磨終了時刻を予想することができる。例えば、図１５（ａ）において、時刻ｔ２から時刻ｔ３までの膜厚に関するデータその他を終点検出部２８に入力することにより、時刻ｔ３において、時刻ｔ１までの時間８４２を予想することができる。時刻ｔ３から研磨終了時刻ｔ１までの時間８４２を予想することにより、時刻ｔ３以降の研磨において、以下のような研磨パラメータの変更を行うことができる。

時刻ｔ３以降の研磨において、半導体ウェハ１６に加える圧力を低減して、半導体ウェハ１６に対する研磨速度を低下させて、より正確に研磨終了時刻ｔ１と研磨終了時の膜厚を制御できる。研磨速度を低下させるために、トップリング３１Ａおよびまたは回転テーブル３０Ａの回転速度を研磨の途中において切り替えて回転速度を低減してもよい。研磨速度を低下させることにより、研磨時間を延ばして、半導体ウェハ１６の各部に加える圧力を調整する時間を増やすことができる。また、押圧力を変えて(減少させて)、回転速度を速くする場合もある等、押圧力や回転速度を切り替えて研磨精度を上げることが可能である。これにより、半導体ウェハ１６全体にわたる膜厚の均一性を高めることができる。

次に、図１７により、制御部６５による基板処理装置全体の制御について説明する。メインコントローラである制御部６５は、ＣＰＵとメモリと記録媒体と、記録媒体に記録されたソフトウェア等とを有する。制御部６５は、基板処理装置全体の監視・制御を行い、そのための信号の授受、情報記録、演算を行う。制御部６５は主にユニットコントローラ７６０との間で信号の授受を行う。ユニットコントローラ７６０も、ＣＰＵとメモリと記録媒体と、記録媒体に記録されたソフトウェア等とを有する。本図の場合、制御部６５は、研磨の終了を示す研磨終点を検出する終点検出手段、研磨ユニットによる研磨を制御する制御手段として機能するプログラムを内蔵する。なお、ユニットコントローラ７６０が、このプログラムの一部または全部を内蔵してもよい。プログラムは更新可能である。なお、プログラムは更新可能でなくてもよい。

図１７〜図１９により説明する実施形態によれば、以下の課題を解決することができる。これまでの典型的な研磨装置の制御方式の課題として、以下の点がある。終点検出について、対象物の研磨を行う前に、複数のテストを行い、得られたデータから研磨条件や終点判定条件を求めて、研磨条件であるレシピ作成を行う。一部信号解析を用いていることもあるが、半導体ウェハ構造に対して、１つのセンサ信号を用いて、終点検出を判断する処理を行う。これでは次のような要求に対して十分な精度が得られなかった。製作するデバイスやチップの歩留まり向上のために、デバイスやチップの製作において更に高精度の終点検出と、ロット間やチップ間のばらつきを小さく抑える必要がある。それを実現するため、図１７以降にある実施例を適用した終点検知を行うシステムを用いることにより、より高精度の終点検出を行うことが可能となり、歩留まり向上やチップ間の研磨量バラツキを低減することが可能となる。

特に、高速のデータ処理、多数種類かつ多数のセンサの信号処理、これらの信号を規格化したデータ、データから人工知能(Artificial Intelligence; AI)を利用した学習及び終点検出の判定に用いるデータセットの作成と、作成されたデータセットによる判定例の蓄積による学習と、学習効果による精度向上、学習された判定機能により判断され更新された研磨パラメータ、この研磨パラメータの高速な制御系への反映を実現する高速通信処
理系、等が実現できる。これらは、図３５以前に示した全ての実施例に対して適用可能である。

ユニットコントローラ７６０は、基板処理装置に搭載されているユニット７６２（１個もしくは複数）の制御を行う。ユニットコントローラ７６０は、各々のユニット７６２ごとに本実施形態では設けられる。ユニット７６２としては、アンロード部６２、研磨部６３、洗浄部６４等がある。ユニットコントローラ７６０は、ユニット７６２の動作制御、監視用センサとの信号授受、制御信号の授受、高速な信号処理等を行う。ユニットコントローラ７６０は、ＦＰＧＡ（field-programmable gate array）や、ＡＳＩＣ（application specific integrated circuit、特定用途向け集積回路）等から構成されている。

ユニット７６２は、ユニットコントローラ７６０からの信号により動作を行う。また、ユニット７６２は、センサ信号をセンサから受信し、ユニットコントローラ７６０に送信する。センサ信号は、ユニットコントローラ７６０から、さらに制御部６５に送られることもある。センサ信号が制御部６５又はユニットコントローラ７６０により処理（演算処理含む）され、次の動作のための信号がユニットコントローラ７６０から送られてくる。それに従ってユニット７６２は動作を行う。例えば、ユニットコントローラ７６０は、揺動アーム１１０のトルク変動を揺動軸モータ１４の電流変化により検知する。ユニットコントローラ７６０は検知結果を制御部６５に送る。制御部６５は、終点検知を行う。

ソフトウェアとしては、例えば以下のものがある。ソフトウェアは、コントロール機器（制御部６５又はユニットコントローラ７６０）内に記録されているデータにより、研磨パッド１０の種類とスラリ供給量を求める。次に、ソフトウェアは、研磨パッド１０のメンテナンス時期又はメンテナンス時期まで使用できる研磨パッド１０を特定し、スラリ供給量を演算し、これらを出力する。ソフトウェアは、基板処理装置７６４を出荷後に、基板処理装置７６４にインストール可能なソフトウェアであってもよい。

制御部６５、ユニットコントローラ７６０、ユニット７６２の間における通信は、有線、無線のいずれも可能である。基板処理装置７６４の外部との間ではインターネットを介した通信や他の通信手段（専用回線による高速通信）が使用可能である。データの通信に関しては、クラウド連携によりクラウドを利用すること、スマートフォン連携により基板処理装置においてスマートフォン経由でのデータの交換等を行うことが可能である。これらにより、基板処理装置の運転状況、基板処理の設定情報を基板処理装置の外部とやり取りを行うことが可能である。通信機器として、センサ間に通信ネットワークを形成して、この通信ネットワークを利用してもよい。

上記の制御機能、通信機能を用いて、基板処理装置の自動化運転を行うことも可能である。自動化運転のために、基板処理装置の制御パターンの規格化や、研磨終点の判断における閾値の利用が可能である。

基板処理装置の異常／寿命の予測／判断／表示を行うことが可能である。また、性能安定化のための制御を行うことも可能である。

基板処理装置の運転時の種々のデータや研磨データ（膜厚や研磨の終点）の特徴量を自動的に抽出して、運転状態や研磨状態を自動学習することや、制御パターンの自動規格化を行い、異常／寿命の予測／判断／表示を行うことが可能である。自動学習とは、学習済みモデルを自動的に作成することや、学習済みモデルを使用して判定／解析を行うことである。

通信方式、機器インターフェース等において、例えばフォーマット等の規格化を行い、
装置・機器相互の情報通信に用いて、装置・機器の管理を行うことが可能である。

なお、学習済みモデルを有する終点検出部２８を、制御部６５またはユニットコントローラ７６０内に設けてもよい。後述する図１８においては、学習済みモデルを有する終点検出部２８を、基板処理装置７６４またはデータ処理装置７６８内に設けてもよい。後述する図１９においては、学習済みモデルを有する終点検出部２８を、基板処理装置７６４またはデータ処理装置７６８または中間処理装置７７０内に設けてもよい。

図１８，１９において、基板処理装置７６４または中間処理装置７７０においてエッジコンピューティングを行い、高速処理を行うこととしてもよい。さらに工場内のデータ処理装置７６８においてフォグコンピューティングを行い、クラウドを用いた処理よりも高速な処理を行うこととしてもよい。

次に、基板処理装置７６４において、センサで半導体ウェハ１６から情報を取得し、インターネット等の通信手段を経由して、基板処理装置が設置された工場内/工場外に設置されたデータ処理装置（クラウド等）にデータを蓄積し、クラウド等に蓄積されたデータを分析し、分析結果に応じて基板処理装置を制御する実施形態について説明する。図１８は、この実施形態の構成を示す。

１．センサで半導体ウェハ１６から取得する情報としては、以下が可能である。
・ 揺動軸モータ１４のトルク変動に関する測定信号又は測定データ
・ ＳＯＰＭ（光学式センサ）の測定信号又は測定データ
・ 渦電流センサの測定信号又は測定データ
・ 上記の１つ又は複数の組合せの測定信号又は測定データ
２．インターネット等の通信手段の機能及び構成としては、以下が可能である。
・ 上記の測定信号又は測定データを含む信号又はデータを、ネットワーク７６６に接続されたデータ処理装置７６８に伝送する。
・ ネットワーク７６６は、インターネット又は高速通信等の通信手段でよい。例えば、基板処理装置、ゲートウェイ、インターネット、クラウド、インターネット、データ処理装置という順序で接続されたネットワーク７６６が可能である。高速通信としては、高速光通信、高速無線通信等がある。また、高速無線通信としては、Wi-Fi (登録商標), Bluetooth(登録商標), Wi-Max(登録商標),3G, LTE等が考えられる。これ以外の高速無線通信も適用可能である。なお、クラウドをデータ処理装置とすることも可能である。
・ データ処理装置７６８が、工場内に設置される場合は、工場内にある１台もしくは複数の基板処理装置からの信号を処理することが可能である。
・ データ処理装置７６８が、工場外に設置される場合は、工場内にある１台もしくは複数の基板処理装置からの信号を、工場外部に伝達し、処理することが可能である。このときは、国内又は外国に設置されたデータ処理装置との接続が可能である。
３．クラウド等に蓄積されたデータをデータ処理装置７６８が分析し、分析結果に応じて基板処理装置７６４を制御することに関しては、以下のようなことが可能である。
・ 測定信号又は測定データが処理された後に、制御信号又は制御データとして基板処理装置７６４に伝達することができる。
・ データを受取った基板処理装置７６４はそのデータに基づいて、研磨処理に関する研磨パラメータを更新して研磨動作を行う、また、データ処理装置７６８からのデータが、終点が検知されたことを示す信号／データの場合、終点が検知されたと判断して、研磨を終了する。研磨パラメータとしては、（１）半導体ウェハ１６の４つの領域、すなわち、中央部、内側中間部、外側中間部、および周縁部に対する押圧力、（２）研磨時間、（３）回転テーブル３０Ａやトップリング３１Ａの回転数、（４）研磨終点の判定のための閾値等がある。

次に、図１９により別の実施形態を説明する。図１９は、図１８の実施形態の変形例を示す図である。本実施形態は、基板処理装置、中間処理装置、ネットワーク７６６、データ処理装置という順に接続された構成である。中間処理装置は、例えば、ＦＰＧＡやＡＳＩＣで構成され、フィルタリング機能、演算機能、データ加工機能、データセット作成機能等を有する。

インターネットと高速光通信をどのように使用するかによって、以下の３ケースに分ける。（１）基板処理装置と中間処理装置との間がインターネットであり、ネットワーク７６６がインターネットである場合、（２）基板処理装置と中間処理装置との間が高速光通信であり、ネットワーク７６６が高速光通信である場合、（３）基板処理装置と中間処理装置との間が高速光通信であり、中間処理装置から外側がインターネットである場合がある。

（１）の場合：全体システムにおけるデータ通信速度とデータ処理速度が、インターネット通信速度でよい場合である。データサンプリング速度１〜１０００ｍＳ程度であり、複数の研磨条件パラメータのデータ通信を行うことができる。この場合は、中間処理装置７７０は、データ処理装置７６８に送るデータセットの作成を行う。データセットの詳細は後述する。データセットを受領したデータ処理装置７６８はデータ処理を行い、例えば、終点位置までの研磨条件パラメータの変更値の算出と、研磨プロセスの工程計画を作成し、ネットワーク７６６を通じて中間処理装置７７０に返す。中間処理装置７７０は研磨条件パラメータの変更値と、必要な制御信号を基板処理装置７６４に送る。

（２）の場合：基板処理装置−中間処理装置間、中間処理装置−データ処理装置間のセンサ信号や状態管理機器間の通信が高速通信である。高速通信では、通信速度１〜１０００Ｇｂｐｓで通信が可能である。高速通信では、データ・ データセット・ コマンド・ 制御信号等が通信できる。この場合、中間処理装置７７０にてデータセットの作成を行い、それをデータ処理装置７６８に送信する。中間処理装置７７０は、データ処理装置７６８における処理に必要なデータを抽出して、加工を行い、データセットとして作成する。例えば、終点検出用の複数のセンサ信号を抽出してデータセットとして作成する。

中間処理装置７７０は、作成したデータセットを高速通信にてデータ処理装置７６８に送る。データ処理装置７６８は、データセットに基づいて、研磨終点までのパラメータ変更値の算出・ 工程計画作成を行う。データ処理装置７６８は、複数の基板処理装置７６４からのデータセットを受領し、夫々の装置に対する、次のステップのパラメータ更新値の算出と工程計画作成を行い、更新されたデータセットを中間処理装置７７０に送信する。中間処理装置７７０は、更新されたデータセットに基づいて、更新されたデータセットを制御信号に変換して、基板処理装置７６４の制御部６５に高速通信にて送信する。基板処理装置７６４は、更新された制御信号に応じて研磨を実施し、精度のよい終点検出を行う。

（３）の場合： 中間処理装置７７０は、基板処理装置７６４の複数のセンサ信号を高速通信により受領する。高速光通信では、通信速度１〜１０００Ｇｂｐｓの通信が可能である。この場合、基板処理装置７６４、センサ、制御部６５と、中間処理装置７７０との間は、高速通信によるオンラインの研磨条件の制御を行うことが可能である。データの処理順序は、例えば、センサ信号受領（基板処理装置７６４から中間処理装置７７０）、 データセット作成、 データ処理、パラメータ更新値算出、更新パラメータ信号の送信、制御部６５による研磨制御、更新した終点検知という順序である。

この時、中間処理装置７７０は、高速の終点検出制御を高速通信の中間処理装置７７０で行う。中間処理装置７７０からは、ステータス信号をデータ処理装置７６８に定期的に
送信し、制御状態のモニタリング処理をデータ処理装置７６８で行う。データ処理装置７６８は、複数の基板処理装置７６４からのステータス信号を受領し、それぞれの基板処理装置７６４に対して、次のプロセス工程の計画作成を行う。計画に基づいたプロセス工程の計画信号をそれぞれの基板処理装置７６４に送り、それぞれの基板処理装置７６４において、互いに独立に、研磨プロセスの準備・研磨プロセスの実施を行う。この様に、高速の終点検出制御を高速通信の中間処理装置７７０で行い、複数の基板処理装置７６４の状態管理をデータ処理装置７６８にて行う。

次に、データセットの例について説明する。センサ信号と必要な制御パラメータをデータセットにすることが可能である。データセットは、トップリング３１Ａの半導体ウェハ１６への押圧・ 揺動軸モータ１４の電流・ 回転テーブル３０Ａのモータ電流・ 光学式センサの測定信号・ 渦電流センサの測定信号・ 研磨パッド１０上でのトップリング３１Ａの位置・ スラリと薬液の流量／種類、それらの相関算出データ等を含むことができる。

上記の種類のデータセットは、１次元データをパラレルに送信する送信システムや、１次元データをシーケンシャルに送信する送信システムを用いて、送信することが可能である。データセットとして、上記１次元データを２次元データに加工して、データセットにすることが可能である。例えば、Ｘ軸を時間とし、Ｙ軸が多数のデータ列とすると、同時刻における複数のパラメータデータが、一つのデータセットに加工処理される。２次元データは、２次元の画像データのようなものとして扱える。このメリットは、２次元データの転送とするため、１次元データの転送よりも少ない配線で、時間に関連付けられたデータとして授受でき、かつ、取扱いができることである。具体的には、１次元データをそのまま１信号１ラインにすると、多数の配線が必要となるが、２次元データの転送の場合、１本のラインにより複数の信号を送ることができる。また、複数本のラインを用いると、送信されたデータを受けるデータ処理装置７６８とのインターフェースが複雑となり、データ処理装置７６８におけるデータ再組立てが複雑となる。

また、このような時間に関連付けられた２次元データセットがあると、以前に行った標準的な研磨条件による研磨時のデータセットと、現時点で行っている標準的な研磨条件のデータセットの比較が容易となる。また、２次元データ相互の相違点を差分処理等により容易に知ることが可能となる。差があるところを抽出して、異常が起こっているセンサやパラメータ信号を検出することも容易となる。また、以前の標準的な研磨条件と現時点の研磨中のデータセットの比較を行い、周囲との差分が異なる部位のパラメータ信号の抽出による異常検知も容易となる。

次に、図２０〜図２２を用いて、上記した第１研磨ユニット３００Ａにおける情報を取り扱うための構成の一例を説明する。ただし、図２０〜図２２では第１研磨ユニット３００Ａは簡易的に描かれており、具体的な構成（トップリング３３０Ａ、研磨パッド３１０Ａ等）は省略されている。

図２０は、データ処理部９４を有する制御部１４０Ａを備える第１研磨ユニット３００Ａの一例を示す図である。データ処理部９４にはＡＩ（Artificial Intelligence、人工知能）機能が搭載されてもよい。データ処理部９４は何らかのハードウェアであってもよく、たとえば記憶媒体に記憶されたプログラムであってもよい。図２０ではデータ処理部９４は制御部１４０Ａの他の要素と独立した要素であるように描かれているが、データ処理部９４は、たとえば制御部１４０Ａが備えるストレージデバイス（図示せず）に記憶されて制御部１４０Ａのプロセッサ（図示せず）よって制御されてもよい。データ処理部９４は、たとえば研磨プロファイルの生成及び取得、制御パラメータの更新、及び実主力信号を学習データとしたフィードバックなど、画像処理および大規模な計算が必要な処理を
行うよう構成される。図２０の構成は、第１研磨ユニット３００Ａを単独で（スタンドアロンで）動作させ得るという利点がある。

図２１は、ルータ９６を介してクラウド（またはフォグ）９７に接続された第１研磨ユニット３００Ａの一例を示す図である。ルータ９６は、制御部１４０Ｂとクラウド９７とを接続するための装置である。ルータ９６は「ゲートウェイ機能を有する装置」と呼ぶこともできる。クラウド９７はインターネットなどのコンピュータネットワークを通じて提供されるコンピュータ資源を指す。なお、ルータ９６とクラウド９７間の接続がローカルエリアネットワークである場合、クラウドはフォグ９７と呼ばれる場合もある。たとえば地球上に点在する複数の工場を接続する際はクラウド９７が用いられ、ある特定の工場内でネットワークを構築する場合はフォグ９７が用いられるとよい。フォグ９７はさらに外部のフォグまたはクラウドへ接続されてもよい。図２１では制御部１４０とルータ９６とが有線接続され、ルータ９６とクラウド（またはフォグ）９７とが有線接続されている。しかし、各接続は無線接続であってもよい。クラウド９７には複数の第１研磨ユニット３００Ａが接続されている（図示せず）。複数の第１研磨ユニット３００Ａのそれぞれは、ルータ９６を介してクラウド９７と接続されている。各第１研磨ユニット３００Ａが得たデータ（渦電流センサ５０からの膜厚データ、又はその他任意の情報）はクラウド９６の中に集積される。また、図２１のクラウド９６はＡＩ機能を有してもよく、データの処理はクラウド９６において行われる。ただし、処理が部分的に制御部１４０Ｂで行われてもよい。図２１の構成は、集積された大量のデータに基づいて第１研磨ユニット３００Ａを制御することができるという利点がある。

図２２は、エッジコンピューティング機能を有するルータ９６Ａを介してクラウド（またはフォグ）９７に接続された第１研磨ユニット３００Ａの一例を示す図である。図２２のクラウド９７も複数の第１研磨ユニット３００Ａに接続されている（図示せず）。図２２の複数の第１研磨ユニット３００Ａのそれぞれは、ルータ９６Ａを介してクラウド９７に接続されている。ただし、ルータのうちのいくつかはエッジコンピューティング機能を有していなくともよい（ルータのうちいくつかは図２１のルータ９６であってもよい）。ルータ９６Ａには制御部９６Bが設けられている。ただし、図２２では代表してひとつのルータ９６Ａのみに制御部９６Bが図示されている。さらに、ルータ９６ＡにはＡＩ機能が搭載されてもよい。制御部９６Bおよびルータ９６ＡのＡＩ機能は、第１研磨ユニット３００Ａの制御部１４０Ｃから得たデータを第１研磨ユニット３００Ａの近くで処理することができる。なお、ここでいう近さとは、物理的な距離を意味する用語ではなく、ネットワーク上の距離を指す用語である。ただし、ネットワーク上の距離が近ければ物理的な距離も近いことが多い。したがって、ルータ９６Ａにおける演算速度とクラウド９７における演算速度が同程度ならば、ルータ９６Ａにおける処理は、クラウド９７における処理よりも高速となる。両者の演算速度に差がある場合であっても、制御部１４０Ｃから送信された情報がルータ９６Ａに到達する速度は、制御部１４０Ｃから送信された情報がクラウド９７に到達する速度より早い。

図２２のルータ９６Ａ、より具体的にはルータ９６Ａの制御部９６Bは、処理すべきデータのうち高速処理が必要なデータのみを処理する。ルータ９６Ａの制御部９６Bは、高速処理が不要なデータをクラウド９７に送信する。図２２の構成は、第１研磨ユニット３００Ａの近くでの高速処理と、集積されたデータに基づく制御との両立が可能になるという利点がある。

以上、本発明の実施形態の例について説明してきたが、上記した発明の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明には、その均等物が含まれることはもちろんである。また、上述した課題の少なくとも一部を解決できる範囲
、または、効果の少なくとも一部を奏する範囲において、特許請求の範囲および明細書に記載された各構成要素の任意の組み合わせ、または、省略が可能である。

１０…研磨パッド
１６…半導体ウェハ
２８…終点検出部
３Ａ…第１研磨ユニット
５０…渦電流センサ
５１…判定データ取得部
５２…状態取得部
５３…学習部
６３…研磨部
３０Ａ…回転テーブル
３１Ａ…トップリング
３３Ａ…ドレッサ
６７６…光学式センサ
７６０…ユニットコントローラ
７６４…基板処理装置
７６６…ネットワーク
７６８…データ処理装置
７７０…中間処理装置
８３０…膜厚算出部
８３２…温度センサ
８３４…光学センサ

Claims (8)

1. 研磨対象物を研磨可能な研磨装置において、
   前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能な状態取得部と、
   前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習済みであり、前記状態取得部から前記状態変数を入力されて前記変化を予測することができる、及びまたは前記状態取得部から前記状態変数を入力されて前記変化が異常であることを判断可能である学習部と、を備えることを特徴とする研磨装置。
2. 前記研磨装置を構成する機器の状態に関するデータは、前記機器の配置に関するデータ、前記機器の動作状態に関するデータ、および前記機器の消耗状態に関するデータのうちの少なくとも一つを含んでおり、
   前記研磨対象物の状態に関するデータは、前記研磨対象物の膜厚を検出可能な膜厚検出部が検出するデータ、前記研磨対象物の温度を検出可能な温度検出部が検出するデータ、前記研磨対象物に加わる圧力を検出可能な圧力検出部が検出するデータ、および前記研磨対象物の特性に関するデータのうちの少なくとも一つを含んでいることを特徴とする請求項１記載の研磨装置。
3. 前記機器の配置に関するデータは、前記研磨対象物を保持可能なトップリングの位置に関するデータ、前記研磨対象物を研磨するための研磨パッドを回転可能な回転テーブルの位置に関するデータ、前記トップリングを保持するアームの位置に関するデータ、および前記研磨パッドのドレッシングを行うことが可能なドレッサの位置に関するデータのうちの少なくとも一つを含んでおり、
   前記機器の動作状態に関するデータは、前記トップリングの回転数に関するデータ、および前記回転テーブルの回転数に関するデータのうちの少なくとも一つを含んでおり、
   前記機器の消耗状態に関するデータは、前記研磨装置を構成する消耗品の使用時間に関するデータ、および前記消耗品の消費量に関するデータのうちの少なくとも一つを含んでおり、
   前記研磨対象物の特性に関するデータは、前記研磨対象物の材質に関するデータ、ならびに前記研磨対象物が前記研磨装置によって研磨される前に有する膜厚および回路パターンに関するデータのうちの少なくとも一つを含んでいることを特徴とする請求項２記載の研磨装置。
4. 前記研磨装置は、前記研磨装置の異常の有無または異常の度合いを判定した判定データを取得する判定データ取得部を備え、
   前記学習部は、前記状態変数および前記判定データの組合せに基づいて作成されるデータセットに基づいて、前記研磨対象物の膜厚の変化を学習可能であることを特徴とする請求項１ないし３のいずれか１項に記載の研磨装置。
5. 前記学習部は、前記状態取得部から前記状態変数を入力されて前記変化を学習可能であることを特徴とする請求項１ないし４のいずれか１項に記載の研磨装置。
6. コンピュータが、
   研磨対象物を研磨可能な前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得する状態取得ステップと、
   前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習済みの学習部に、前記状態取得部から前記状態変数を入力して前記変化を予測する、及びまたは前記状態取得部から前記状態変数を入力して前記変化が異常であることを
   判断する推定ステップと、
   を実行することを特徴とする研磨方法。
7. 研磨装置が研磨可能な研磨対象物の膜厚の変化を学習可能な機械学習装置において、
   前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能な状態取得部と、
   前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習済みであり、前記状態取得部から前記状態変数を入力されて前記変化を予測することができる、及びまたは前記状態取得部から前記状態変数を入力されて前記変化が異常であることを判断可能である学習部と、を備えることを特徴とする機械学習装置。
8. 研磨装置が研磨可能な研磨対象物の膜厚の変化を学習可能な機械学習装置において、
   前記研磨装置を構成する機器の状態に関するデータ、および前記研磨対象物の状態に関するデータのうちの少なくとも１つを含む状態変数を取得可能な状態取得部と、
   前記状態変数と、前記研磨対象物の膜厚の変化との関係をニューラルネットワークによって学習可能であり、前記状態取得部から前記状態変数を入力されて前記変化を学習することができる、及びまたは前記状態取得部から前記状態変数を入力されて前記変化が異常であることを学習することができる学習部と、を備えることを特徴とする機械学習装置。
   

Images