"Mustasta laatikosta" datatieteeseen: Paradigman muutos kemiallisessa mekaanisessa kiillotuksessa (CMP)

"Mustasta laatikosta" datatieteeseen: Paradigman muutos kemiallisessa mekaanisessa kiillotuksessa (CMP)

Puolijohteiden valmistuksen maailmassa Kemiallinen mekaaninen kiillotus (CMP) Sitä on pitkään pidetty enemmän "taiteena" kuin jäykkänä tieteenä.Insinöörit ovat vuosikymmenten ajan pitäneet CMP:tä tavallisena prosessisilmukana: valitse liete, aseta parametrit, aja kiekko ja hienosäädä kokemuksen perusteella.

Kuitenkin, kun siirrymme edistyneisiin prosessisolmuihin, teollisuus törmää seinään.Äskettäinen läpimurtoraportti ehdottaa, että CMP:n "yritysten ja erehdysten" aikakausi on päättymässä ja korvattu uudella paradigmalla: Pinnan karakterisointi + AI-mallinnus.

1. Ydinkonflikti: CMP "irreducible Multivariate System" -järjestelmänä

CMP:n perushaaste on sen monimutkaisuus.Se ei ole lineaarinen prosessi, jossa yhden muuttujan muuttaminen tuottaa ennustettavan tuloksen.Sen sijaan se on a erittäin kytketty järjestelmä mukana:

• Kemiallinen vaikutus: Lietteen kemia ja pintareaktiot.
• Mekaaninen toiminta: Pehmusteen rakenne, paine ja pyörimisnopeus.
• Materiaalitiede: Kiekon pinnan tila, tiheys ja rakenteellinen monimutkaisuus.

Koska nämä muuttujat ovat vuorovaikutuksessa samanaikaisesti, perinteinen "parametrien viritys" on pohjimmiltaan koulutettua arvailua.Materiaalien monipuolistuessa ja ikkunoiden kapeneessa inhimillisen kokemuksen rajoja ollaan saavuttamassa.

2. Tieteellinen todellisuus: "Kaksivaiheinen" mekanismi

Raportti selventää CMP:n fyysistä olemusta jakamalla sen kaksivaiheiseen synergistiseen prosessiin:

1. Pintavuorovaikutus: Sähkökemiallisten ja sähköstaattisten voimien ohjaama.
2. Materiaalin poisto: Kemiallisen sidoksen ja mekaanisen hankauksen yhdistelmä.

Kokeet osoittavat, että mikään yksittäinen muuttuja – olipa kyseessä sitten typpipitoisuus (N) tai happipitoisuus (O) tai materiaalitiheys – ei voi itsenäisesti sanella Materiaalin poistonopeus (MRR).Suhde on epälineaarinen ja toisistaan ​​riippuvainen.

3. Läpimurto: kontaktiton karakterisointi ja tekoäly

Tämän tutkimuksen merkittävin panos on siirtyminen "Odota ja mittaa" kohtaan "Ennusta ja optimoi."

Hyödyntämällä kosketuksetonta karakterisointidataa syötteinä - kuten FTIR (pintakemia), XPS, WCA (vesikontaktikulma), ja Tiheys-tutkijat sovelsivat koneoppimismalleja (XGBoost kanssa PCA ulottuvuuden vähentäminen) tulosten ennustamiseksi.

• Tarkkuus: Malli saavutti an R² ≈ 95 % harjoitussarjoissa ja R² ≈ 87 % testisarjoissa.
• Merkitys: Voimme nyt ennustaa kiillotustuloksia suoraan pintatiedoista ohittaen perinteiset, hitaat "ajo-ja testaus" -syklit.

4. Johtopäätös: kokemusperäisestä mallivetoiseksi

Olemme todistamassa perustavanlaatuista muutosta puolijohteiden valmistuksessa: CMP on siirtymässä "Experience Engineeringistä" "Data Scienceen".

Aiemmin "musta laatikko" -prosessista on tulossa läpinäkyvä, ennustettava ja optimoitava järjestelmä.Kilpailussa edistyneistä solmuista kilpailuetu ei ole enää niillä, joilla on eniten kokemusta, vaan niillä, jotka pystyvät parhaiten mallintaa pintavuorovaikutuksia.

Avainsanat: Puolijohteiden valmistus, CMP-prosessin optimointi, koneoppiminen metrologiassa, materiaalinpoistonopeus (MRR), pinnan karakterisointi.