[发明专利]一种GMDH神经网络的晶圆CMP材料去除率预测方法

说明书

本发明涉及一种GMDH神经网络的晶圆CMP材料去除率预测方法，其步骤如下：(1)获取去除异常值后的抛光样本数据集；(2)对抛光样本数据集中样本进行分析，确定b个有效工艺变量；(3)提取每个有效工艺变量的均值、标准差、歪度和峭度，获得4*b个特征向量；(4)对4*b个特征向量与对应的MRR值相关性进行筛选，确定m个特征向量作为GMDH神经网络模型的输入特征向量；(5)对m个特征向量形成的数据集进行归一化处理得到训练特征集；(6)采用二元二次Volterra多项式回归模型，以训练特征集中的输入特征值为输入层，对应输出的MRR值为输出层，得到训练好的GMDH网络模型；(7)将待预测样本中作为输入的m个特征值输入训练好的GMDH网络模型中，则输出预测的MRR值。

技术领域

本发明属于半导体材料预测方法技术领域，涉及一种GMDH神经网络的晶圆CMP材料去除率预测方法。

背景技术

化学机械抛光(CMP)是晶圆制造的终端下游主流工艺；该工艺的目的是克服晶圆多层金属化的问题。CMP是通过浆料化学品对晶片材料进行钝化和蚀刻，即晶片在向下的压力下使其表面在浆料颗粒上滑动，而使晶片表面平坦化。晶圆CMP工艺过程非常复杂，涉及多种化学和机械现象，例如，表面动力学、电化学界面、接触力学、应力力学、流体动力学和摩擦化学。

在晶圆的CMP工艺中，MRR是衡量工艺中性能的重要指标(MRR值即材料去除率)。然而所有晶圆的质量都是根据过程变量的测量值进行控制，需要昂贵的计量工具和生产周期；并且实验室中要求严格的实验工作程序。影响MRR影响因素主要有：下压力、抛光盘及抛光头的转速、温度、抛光液的种类及流速等。目前，为了模拟CMP的物理机制，已经提出了几种模型：一个典型的模型是Preston方程，它将MRR描述为压力和垫与晶片之间的相对速度V的函数，该物理模型的预测精度是均方误差MSE为870.25。还有基于前述的Preston方程进行的改进，例如增加浆料流速、接触应力和化学反应速率到原始的Preston方程中；仅考虑通用工艺参数的深度信念网络DBN，该模型的测试集预测精度是均方误差MSE为7.29。但目前研究工作一直集中在CMP的基于物理学和基于模型的预测建模技术的开发上。

影响晶圆MRR的因素很多，除了上面模型涉及到的因素，还有抛光盘及抛光头的转速、温度、抛光液的种类等。上面的方法局限于仅考虑通用的工艺参数。根据现有CMP加工过程 MRR的影响因素研实验研究已基本确定上面提到的通用工艺最优参数：如压力、旋转速度和浆料流速等，这些基本参数都受到严格控制。然而在实际抛光过程中，随着时间的推移，抛光垫和修整器等耗损组件的磨损(即消耗量)也会对MRR值产生不可逆影响。现有的方法仅考虑较少的通用工艺变量，且忽视重要消耗变量对MRR值的关键性影响缺陷。

在CMP工艺系统中，收集大量过程变量用于过程控制目的。因此，通常建模方法的输入维度非常高，有时涉及数百个输入变量，其中冗余特征的存在会显著影响虚拟度量模型的性能。

因此，研究一种既可以引入重要消耗变量又可以简化特征选择和模型选择，且度量准确率高的模型具有十分重要的意义。

发明内容

为解决现有技术中不能精确地获取CMP技术中材料去除率的问题，本发明提供一种 GMDH神经网络的晶圆CMP材料去除率预测方法，基于物理学知识和统计学相结合的复杂系统建模方法；具体是采用GMDH神经网络的自适应模型方法，通过对MRR值的准确预测，确保MRR值在正常范围内以提高去除率精度，例如在晶圆粗抛和精抛模式下，分别控制MRR 值范围140～170nm/min，50～110nm/min，如预测值不符合该范围，及时调整工艺参数，例如及时更换新的修整器和抛光垫等耗损材料。模型的准确预测对评估CMP各组件性能健康状态提供决策性分析依据。

为达到上述目的，本发明采用的方案如下：

一种GMDH神经网络的晶圆CMP材料去除率预测方法，包括如下步骤：