Daripada "Kotak Hitam" kepada Sains Data: Anjakan Paradigma dalam Penggilapan Mekanikal Kimia (CMP)

Daripada "Kotak Hitam" kepada Sains Data: Anjakan Paradigma dalam Penggilapan Mekanikal Kimia (CMP)

Dalam dunia pembuatan semikonduktor, Penggilap Mekanikal Kimia (CMP) telah lama dianggap sebagai "seni" daripada sains yang tegar.Selama beberapa dekad, jurutera telah menganggap CMP sebagai gelung prosedur standard: pilih buburan, tetapkan parameter, jalankan wafer dan penalaan halus berdasarkan pengalaman.

Walau bagaimanapun, semasa kami beralih ke nod proses lanjutan, industri ini sedang melanda dinding.Laporan terobosan baru-baru ini menunjukkan bahawa era "percubaan-dan-ralat" CMP akan berakhir, digantikan dengan paradigma baharu: Pencirian Permukaan + Pemodelan AI.

1. Konflik Teras: CMP sebagai "Sistem Multivariate Tidak Boleh Dikurangkan"

Cabaran asas CMP terletak pada kerumitannya.Ia bukan proses linear di mana menukar satu pembolehubah menghasilkan hasil yang boleh diramal.Sebaliknya, ia adalah a sistem berganding tinggi melibatkan:

• Tindakan kimia: Kimia buburan dan tindak balas permukaan.
• Tindakan Mekanikal: Tekstur pad, tekanan dan kelajuan putaran.
• Sains Bahan: Keadaan permukaan wafer, ketumpatan, dan kerumitan struktur.

Oleh kerana pembolehubah ini berinteraksi secara serentak, "penalaan parameter" tradisional pada dasarnya adalah tekaan terdidik.Apabila bahan menjadi lebih pelbagai dan tingkap menjadi lebih sempit, sempadan pengalaman manusia dicapai.

2. Realiti Saintifik: Mekanisme "Dua Langkah".

Laporan itu menjelaskan intipati fizikal CMP dengan membahagikannya kepada proses sinergistik dua langkah:

1. Interaksi Permukaan: Didorong oleh daya elektrokimia dan elektrostatik.
2. Penyingkiran Bahan: Gabungan ikatan kimia dan lelasan mekanikal.

Eksperimen membuktikan bahawa tiada pembolehubah tunggal—sama ada kandungan Nitrogen (N), tahap Oksigen (O) atau ketumpatan bahan—boleh secara bebas menentukan Kadar Penyingkiran Bahan (MRR).Hubungan itu tidak linear dan saling bergantung.

3. Terobosan: Pencirian Bukan Kenalan & AI

Sumbangan paling penting dalam penyelidikan ini ialah peralihan daripada "Tunggu dan Ukur" kepada "Ramalkan dan Optimumkan."

Dengan menggunakan data pencirian bukan kenalan sebagai input—seperti FTIR (Kimia Permukaan), XPS, WCA (Sudut Sentuhan Air), dan Ketumpatan—penyelidik menggunakan model pembelajaran mesin (XGBoost dengan PCA pengurangan dimensi) untuk meramalkan hasil.

• Ketepatan: Model itu mencapai satu R² ≈ 95% pada set latihan dan R² ≈ 87% pada set ujian.
• Implikasi: Kini kita boleh meramalkan hasil penggilapan terus daripada data permukaan, memintas kitaran "lari-dan-ujian" tradisional yang perlahan.

4. Kesimpulan: Dari Didorong Pengalaman kepada Didorong Model

Kami menyaksikan peralihan asas dalam pembuatan semikonduktor: CMP beralih daripada "Kejuruteraan Pengalaman" kepada "Sains Data."

Proses "kotak hitam" yang dahulunya menjadi sistem yang telus, boleh diramal dan boleh dioptimumkan.Dalam perlumbaan untuk nod lanjutan, kelebihan daya saing bukan lagi milik mereka yang paling berpengalaman, tetapi mereka yang boleh model interaksi permukaan.

Kata kunci: Pembuatan Semikonduktor, Pengoptimuman Proses CMP, Pembelajaran Mesin dalam Metrologi, Kadar Penyingkiran Bahan (MRR), Pencirian Permukaan.