CMP虚拟量测：AI如何预测抛光去除速率

CMP虚拟量测：AI如何预测抛光去除速率

迈烁集芯（上海）科技有限公司 | 技术博客 | 2026年3月

化学机械抛光（CMP）是半导体制造中实现全局平坦化的关键工艺。然而，抛光去除速率（Removal Rate, RR）的实时量测一直是产线上的瓶颈。本文介绍如何利用AI虚拟量测技术，结合经典Preston方程与数据驱动模型，实现CMP去除速率的在线预测，从而大幅减少量测等待时间，提升工艺控制精度。

一、CMP工艺的核心痛点

CMP工艺在逻辑芯片和存储芯片的多层互连制造中不可或缺。工程师面临的主要挑战包括：

• 均匀性控制困难：晶圆表面的去除速率分布受抛光垫状态、研磨液浓度、下压力分布等多因素耦合影响。Center-to-Edge的RR差异常常达到5%-15%，直接影响后续光刻的焦深窗口。
• 量测瓶颈严重：传统膜厚量测（椭偏仪或反射光谱）需要离线完成，单片量测时间3-5分钟，产线上通常只能抽检（每批25片抽测3-5片），大量晶圆的实际去除量处于”盲区”。
• 耗材漂移：抛光垫的磨损（Pad Conditioning）和研磨液的化学活性衰减导致RR随时间持续漂移，人工经验调参滞后且不精准。
• PM后参数偏移：每次预防性维护（PM）后，抛光头、抛光垫更换导致工艺基线发生突变，重新寻优耗时耗片。

这些问题的本质在于：量测频率远低于工艺波动频率。如果能实现每片晶圆的去除速率实时预测，上述痛点将迎刃而解。

二、从Preston方程到AI残差修正

2.1 经典Preston方程

CMP去除速率的物理基础是Preston方程：

Preston方程描述了机械作用的主要贡献，但在实际工艺中，化学腐蚀、研磨液流场、温度效应等因素使得单纯的Preston模型预测误差通常在8%-20%之间，远不能满足先进制程的控制需求。

2.2 AI残差修正的建模思路

我们采用”物理模型+AI残差修正”的混合建模方法，核心思路如下：

1. 第一层——物理基线：基于Preston方程及其扩展形式（考虑温度修正项和垫弹性模量衰减），建立去除速率的物理基线预测值 RR_physics。
2. 第二层——AI残差模型：以实际量测值与物理预测值的残差（ΔRR = RR_actual – RR_physics）作为目标变量，利用设备传感器数据（电机电流、背压分区压力、研磨液流量、温度曲线、抛光垫寿命计数等）训练机器学习模型。
3. 最终预测：RR_predict = RR_physics + ΔRR_AI

实践中，残差模型常用的算法包括梯度提升树（XGBoost/LightGBM）和时序卷积网络（TCN）。前者适合利用结构化传感器特征，后者擅长捕捉抛光过程中的时序动态变化。

2.3 特征工程的关键

CMP虚拟量测的特征工程直接决定模型精度。以下是经过验证的高价值特征：

• 抛光垫寿命特征：自上次更换以来的累计抛光片数、累计修整（Conditioning）次数、垫厚度推算值。
• 电机电流特征：主轴电流的均值、标准差、斜率，反映摩擦系数的实时变化。
• 多区背压特征：Zone 1-5的压力设定值与实际值偏差，反映抛光头状态。
• 研磨液特征：流量稳定性、批次标识（不同批次研磨液的化学活性存在差异）。
• 终点检测信号：光学终点检测的反射光谱变化率，包含丰富的去除过程信息。

三、实际部署案例

某国内12英寸晶圆厂在铜互连CMP工序部署AI虚拟量测后，取得了以下效果：

关键实施步骤：首先利用3个月历史数据（约15,000片量测记录）完成离线模型训练与验证；随后在线部署，每片抛光完成后200ms内输出预测值；最后将预测结果接入R2R控制器，实现下压力和转速的自动补偿。

四、落地中的常见问题

Q：模型需要多少训练数据？
建议至少覆盖2-3个完整的抛光垫生命周期（通常3,000-5,000片），确保模型学习到垫磨损的全周期漂移规律。

Q：更换研磨液供应商后模型是否失效？
研磨液变更属于”概念漂移”（Concept Drift），需要触发模型再训练。建议建立在线监控机制，当预测残差连续超过阈值时自动报警并启动增量学习。

Q：虚拟量测能否完全替代物理量测？
当前阶段建议保留5%-10%的抽检用于模型校准和监控，但大部分晶圆可以依赖虚拟量测结果直接流片，显著缩短Cycle Time。

五、总结与展望

CMP虚拟量测的核心价值在于将”离线抽检”升级为”在线全检”，让每一片晶圆的去除速率都可知、可控。”物理模型+AI残差修正”的混合架构既保证了模型的可解释性，又具备足够的预测精度，是当前半导体产线AI落地的最佳实践之一。