De la "caja negra" a la ciencia de datos: el cambio de paradigma en el pulido mecánico químico (CMP)

De la "caja negra" a la ciencia de datos: el cambio de paradigma en el pulido mecánico químico (CMP)

En el mundo de la fabricación de semiconductores, Pulido Mecánico Químico (CMP) Durante mucho tiempo se ha considerado más un "arte" que una ciencia rígida.Durante décadas, los ingenieros han tratado a CMP como un bucle de procedimiento estándar: seleccione una suspensión, establezca parámetros, ejecute la oblea y realice ajustes según la experiencia.

Sin embargo, a medida que avanzamos hacia los nodos de procesos avanzados, la industria se topa con un muro.Un informe innovador reciente sugiere que la era de "prueba y error" de CMP está llegando a su fin, reemplazada por un nuevo paradigma: Caracterización de Superficies + Modelado AI.

1. El conflicto central: el CMP como "sistema multivariado irreductible"

El desafío fundamental de CMP radica en su complejidad.No es un proceso lineal en el que cambiar una variable produce un resultado predecible.En cambio, es un sistema altamente acoplado involucrando:

• Acción química: Química de lodos y reacciones superficiales.
• Acción mecánica: Textura de la almohadilla, presión y velocidad de rotación.
• Ciencia de los materiales: Estado de la superficie de la oblea, densidad y complejidad estructural.

Debido a que estas variables interactúan simultáneamente, el "ajuste de parámetros" tradicional es esencialmente una conjetura fundamentada.A medida que los materiales se vuelven más diversos y las ventanas se estrechan, se van alcanzando los límites de la experiencia humana.

2. La realidad científica: el mecanismo de "dos pasos"

El informe aclara la esencia física de CMP dividiéndola en un proceso sinérgico de dos pasos:

1. Interacción de superficie: Impulsado por fuerzas electroquímicas y electrostáticas.
2. Eliminación de materiales: Una combinación de enlace químico y abrasión mecánica.

Los experimentos demuestran que ninguna variable por sí sola, ya sea el contenido de nitrógeno (N), los niveles de oxígeno (O) o la densidad del material, puede dictar de forma independiente la Tasa de eliminación de material (MRR).La relación es no lineal e interdependiente.

3. El gran avance: caracterización sin contacto e inteligencia artificial

La contribución más significativa de esta investigación es la transición de "Esperar y medir" a "Predecir y optimizar".

Al utilizar datos de caracterización sin contacto como entradas, como FTIR (Química de Superficies), XPS, WCA (ángulo de contacto con el agua), y densidad—los investigadores aplicaron modelos de aprendizaje automático (XGBoost con PCA reducción de dimensionalidad) para predecir resultados.

• Precisión: El modelo logró un R² ≈ 95% en conjuntos de entrenamiento y R² ≈ 87% en conjuntos de prueba.
• Implicación: Ahora podemos predecir los resultados del pulido directamente a partir de los datos de la superficie, evitando los tradicionales y lentos ciclos de "ejecución y prueba".

4. Conclusión: de lo basado en la experiencia a lo basado en modelos

Estamos siendo testigos de un cambio fundamental en la fabricación de semiconductores: CMP está pasando de la "Ingeniería de experiencias" a la "Ciencia de datos".

Lo que alguna vez fue un proceso de "caja negra" se está convirtiendo en un sistema transparente, predecible y optimizable.En la carrera por los nodos avanzados, la ventaja competitiva ya no pertenece a quienes tienen más experiencia, sino a quienes mejor pueden modelar las interacciones de la superficie.

Palabras clave: Fabricación de semiconductores, Optimización de procesos CMP, Aprendizaje automático en metrología, Tasa de eliminación de material (MRR), Caracterización de superficies.