實驗(2)結果與討論

本小節將在高移除率的情況下做控制，其原因是考慮到業界一 般所需的移除率大約為 3500(Å/min)~4600(Å/min)，實驗之參數選 取、設備、材料以及規劃均與實驗(1)一樣。然而由於高移除率需要 不同的研磨漿料與研磨參數值，因此經由詢問NDL 的熱心的 CMP

機台工程師賴明志先生，並且經過多次的測試調配漿料與研磨參數 的設定，最後調配出來的漿料組成為:1000ml 的 DI Water 加 20g 三 氧化二鋁粉和 15ml 的硝酸溶液(濃度 70%)。而機台的研磨參數設定 如表 5.5 所示。此組研磨漿料與參數設定之移除率範圍大約在

3500(Å/min)~5000(Å/min)。

接下來我們仍然依實驗規劃步驟來一一說明實驗(2)之實際過程 與實驗結果。

A. 步驟一

在本步驟中，我們用先前調配的漿料以及研磨參數(如表 5.5 所 示)，不在表上之參數均使用機台預設參數。接著利用此參數來連續 研磨14 片 wafer。

實驗研磨結果數值我們紀錄在表5.6，圖 5.12 即根據表 5.6 之數 值所作之圖，圖中我們可以知道在無Conditioning 的情況下，製程之 移除率的確有下降之趨勢，與實驗(1)之結果與論述相符。因此，實 驗(2)亦證實了我們模擬時所假設的一樣:製程效能(移除率)有隨批次 下降之趨勢。

B. 步驟二

在本步驟中，利用 14 片 wafer 做實驗規劃，並紀錄其輸入與輸 出之值，結果如表5.7 所示。將表 5.7 數值以圖 5.13 來表示，我們可

以發現移除率亦有隨Down Force 增加而增加之趨勢，趨勢下降處為 外界雜訊干擾之結果，此點與我們模擬時使用預定之趨勢圖相類似 (如圖 4.2 所示)。因此再次證實了本研究所用之研磨趨勢 Model(式 2.2) 與實際機台輸入輸出之趨勢相符。

C. 步驟三

在本步驟中，我們根據表 5.7 之數據來訓練模糊類神經網路。圖 5.14 為訓練前 data 之趨勢圖。圖 5.15 為網路粗調之訓練結果，圖中 實線為原本之實驗data，虛線為網路學習經過粗調之結果，其學習之 MSE=494020。圖 5.16 是網路經過 14000 次的 epoch 數之後誤差的收 斂情形，圖中我們明顯可見大概在epoch=9000 時學習已經收斂了，

學習後之MSE 已經降至 493970 了，比粗調的效果好多了。圖 5.17 為網路微調之結果，我們可以知道虛線部份已相當近似原來的實驗曲 線(實線部分)了。

在網路學習完畢之後，我們可以得到模糊類神經網路之 weighting 值，接下來利用式(3.47)求出網路輸出入之關係，最後再利用 3.3 節 所提之零誤差追蹤控制器之演算法來進行實驗之批次製程控制。

D. 步驟四

此步驟之過程與實驗(1)相同，在此不再贅述。我們設定之控制

目標值為4000(Å/min)，並且將每一片 Wafer 之批次輸入參數(Down Force)與控制之結果(Remove Rate)data 列於表 5.8，其中 Down Force 在控制器計算準確值可以到小數以下很多位數(如表 5.8 第二行)，然 而實驗室裡CMP 機台只能輸入至小數第一位，因此基於輸入的限 制，本實驗將控制器計算出來之值在小數第二位取四捨五入(如表 5.8 第三行)，這也是實驗誤差之一。

我們根據表5.8 將移除率控制結果畫於圖 5.18 中，和圖 5.12 之 無控制狀態下之趨勢比較，圖5.18 很明顯的可以將移除率效率下降 趨勢控制回到我們所設定的目標值附近，我們將在下一小節裡面比較 這兩個實驗結果並探討其原因，從實驗(1)(2)之控制結果圖知道，控 制結果均有朝目標直接近的趨勢。當然，實驗當時之機台的各種雜 訊、震動、四週溫度變化、量測之誤差以及輸入之誤差等等均會造成 控制結果上下震盪，圖中虛線為控制目標值4000(Å/min)。另外控制 輸入如圖5.19 所示。