實驗(1)結果與討論

本小節將根據上一節實驗規劃步驟來一一說明實驗之實際過程 與實驗結果。

A. 步驟一

在本步驟中，我們先根據[3]之研磨參數如表 5.1 所示，不在表上

之參數均使用機台預設參數，研磨結果發現移除率只有大約500Å，

因此在連續研磨14 片 wafer 時，本研究將 Down Force 增加到 5 psi 來做研磨，另外研磨時間本論文一律設定為60 秒。

實驗研磨結果數值我們紀錄在表5.2，圖 5.4 即根據表 5.2 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，與圖 2.6[12]有相似之趨勢，並且與圖 4.1 模 擬之下降趨勢相類似，更與圖4.11 相符，在製程經過一段時間之後 皆有移除率稍微上升之趨勢。因此，在此步驟中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，我們利用 14 片 wafer 做實驗規劃，並紀錄其輸入 與輸出之值，結果如表5.3 所示。將表 5.3 數值以圖 5.5 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)。因此再此步驟中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 5.3 之數據來訓練模糊類神經網路。圖

5.6 為訓練前 data 之趨勢圖。圖 5.7 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=36018。圖 5.8 是網路經過 1500 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=900 時學習已經收斂了，學習 後之MSE 已經降至 21716 了，比粗調的效果好多了。圖 5.9 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

在本步驟中，我們開始進行化學機械研磨之批次製程控制實驗，

由於經費有限，因此僅對14 片 Wafer 進行批次製程控制，在此步驟 中相當花費時間，因為每研磨完一片Wafer 就必須將之用化學機械拋 光後清洗機清洗乾淨，然後再拿到實驗室的另一個區域用四點探針量 測來估算其移除率，之後，再利用零誤差追蹤控制器之演算法來求出 下一片Wafer 之控制輸入值，然後再走回到實驗室 CMP 機台的區域 在進行研磨，如此來來往往的做完14 片 Wafer 之控制，其間還不能 間斷，因此，在這個步驟中花費時間最長(早上八點~下午三點)。

本步驟我們設定之控制目標值為 420(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5.4，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 5.4 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 5.4 第三行)，這也是實驗之誤差之一。

我們根據表5.4 將移除率控制結果畫於圖 5.10 中，和圖 5.4 之無 控制狀態下之趨勢比較，圖5.10 很明顯的可以將移除率效率下降值 控制回到我們所設定的目標值上。當然，實驗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420(Å/min)。另外控制輸入如 圖5.11 所示。