利用混合核函数的磨削面形预测方法、系统及终端设备

技术领域

本发明属于晶圆超精密磨削技术领域，尤其涉及一种利用混合核函数的磨削面形预测方法、系统及终端设备。

背景技术

目前半导体行业采用在半导体晶圆的表面上形成有电子电路来制造半导体芯片。晶圆在被分割为半导体芯片之前，通过磨削加工装置来磨削形成有电子电路的器件面的相反侧的背面，从而将晶圆减薄至预定的厚度。晶圆背面的磨削能够减小芯片封装体积，降低封装贴装高度，改善芯片的热扩散效率、电气性能和机械性能，背面减薄后的芯片厚度甚至可以达到初始厚度的5％以下。

在晶圆磨削后，测量晶圆厚度分布，随后调整磨削设备的位姿，位姿调节的具体实现方案可以参见专利CN111775001A。现有技术主要是依赖于设备操作人员的磨削经验来确定磨削设备的位姿，缺少对面形特征的系统性识别及定量分析方法，并且缺少用于位姿调节的自动精准决策。依靠设备操作人员的操作经验的现有方法存在面形补偿一致性差、速度慢、精度低等问题，限制了磨削设备精度与自动化、智能化水平提升。

发明内容

有鉴于此，本发明实施例提供了一种利用混合核函数的磨削面形预测方法、系统及终端设备，旨在至少解决现有技术中存在的技术问题之一。

本发明实施例的第一方面提供了一种利用混合核函数的磨削面形预测方法，包括：

设置不同的输入变量，对晶圆进行磨削，其中，所述输入变量包括姿态调节参数、加工参数和磨削过程参数中的至少一个；

测量磨削后的晶圆厚度，提取晶圆的面形特征作为输出变量；

基于混合核函数的方法改进支持向量回归算法；

采用改进支持向量回归算法建立输入变量与输出变量之间的映射关系，得到面形预测模型。

本发明实施例的第二方面提供了一种磨削系统，包括：

用于保持晶圆的可单独旋转的保持件；

用于对晶圆进行磨削的磨削工具；

用于测量晶圆厚度以获取晶圆的磨削面形的厚度测量装置；

用于调节磨削工具和/或保持件的姿态的位姿调节机构；以及，

磨削面形预测模块，其用于实现如上所述的利用混合核函数的磨削面形预测方法。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述利用混合核函数的磨削面形预测方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述利用混合核函数的磨削面形预测方法的步骤。

本发明的有益效果是：基于混合核函数的方法改进支持向量回归算法，采用改进支持向量回归算法建立了晶圆磨削的面形预测模型，提高了模型的预测精度和泛化性能，提高了预测的准确性和可靠性。

附图说明

通过结合以下附图所作的详细描述，本发明的优点将变得更清楚和更容易理解，但这些附图只是示意性的，并不限制本发明的保护范围，其中：

图1示出了本发明一实施例提供的磨削系统的一部分的立体图；

图2示意性示出了图1中的磨削工具和保持件；

图3示出了位姿调节机构的布局；

图4示意性示出了晶圆的磨削方式；

图5示意性示出了晶圆的多种磨削面形；

图6示意性示出了用于表征晶圆磨削面形的两个特征参数；

图7示出了本发明一实施例提供的利用混合核函数的磨削面形预测方法的流程图。

具体实施方式

下面结合具体实施例及其附图，对本发明所述技术方案进行详细说明。在此记载的实施例为本发明的特定的具体实施方式，用于说明本发明的构思；这些说明均是解释性和示例性的，不应理解为对本发明实施方式及本发明保护范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书及其说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

在本申请中，晶圆(wafer)也称为晶片、硅片、基片或基板(substrate)，其含义和实际作用等同。

图1示出了本申请一实施例的磨削系统1的一部分的立体图，所示磨削系统1包括：

用于载置晶圆W的可轮转的工作台10，其上设置有用于载置晶圆并可单独旋转的保持件11；

用于对晶圆W进行磨削的磨削工具20；

用于测量晶圆厚度以获取晶圆的磨削面形的厚度测量装置30；

用于调节磨削工具20和/或保持件11的姿态的位姿调节机构40；以及

用于实现磨削面形预测的磨削面形预测模块。

图1中示出了工作台10，工作台10可绕其竖向中轴线旋转，其内部设置有驱动装置、支撑轴系等结构。工作台10上设置有三个用于保持晶圆W的可单独旋转的保持件11。保持件11上载置晶圆W。三个保持件11可以在结构、功能上均相同，均为吸盘。

图1中示出了磨削工具20，磨削工具20包括用于对晶圆W进行粗磨削的粗磨部和用于对晶圆W进行精磨削的精磨部。

如图1所示，三个保持件11的位置分别对应三个工位，即粗磨工位、精磨工位和装卸工位，其中相对砂轮的两个工位分别用于进行粗磨削和精磨削，剩下一个工位用于晶圆W的装卸和清洗。通过工作台10的旋转可带动三个吸盘在这三个工位间切换，以实现吸盘载着晶圆按照装卸工位—粗磨工位—精磨工位—装卸工位的顺序循环移动。

图1中示出了粗磨部，其包括粗磨砂轮21、粗磨主轴和粗磨进给机构。粗磨砂轮21安装在粗磨主轴的端部，通过粗磨主轴带动其回转。粗磨主轴与粗磨进给系统连接以实现上下移动，从而实现轴向切入式磨削，使晶圆达到粗磨工艺要求的厚度。

图1中示出了精磨部，其包括精磨砂轮22、精磨主轴和精磨进给机构。精磨砂轮22安装在精磨主轴的端部，通过精磨主轴带动其回转。精磨主轴与精磨进给系统连接以实现上下移动，从而实现轴向切入式磨削，使晶圆达到精磨工艺要求的厚度。

保持件11可围绕工作台10的轴线旋转，使得晶圆W在装卸工位、粗磨工位与精磨工位之间轮转。粗磨工位和精磨工位同时运转进行磨削。粗磨、精磨都结束后，工作台10可以回转，使粗磨后的晶圆W转至精磨工位、精磨后的晶圆W转至装卸工位、新装载的晶圆W转至粗磨工位。

图1中还示出了厚度测量装置30，其包括接触式厚度检测装置和非接触式厚度检测装置，能够实现在线监测晶圆厚度。接触式测量仪的测头压在晶圆表面以利用晶圆上下表面的高度差测量晶圆W的厚度。接触式测量仪设有两套，分别配置在粗磨部和精磨部。非接触式光学测量仪利用红外光照射晶圆W并根据晶圆上下表面的不同反射光计算晶圆厚度。需要说明的是，在本发明一实施例中，晶圆厚度是指晶圆上表面至下表面之间的整体厚度，而不是铺设在晶圆表面的镀膜厚度。

如图1所示，可以使用非接触式厚度检测装置对粗磨工位和精磨工位的保持件11上的晶圆进行厚度测量。当然，根据实际情况，也可以采用接触式厚度检测装置或其他类型的厚度检测装置来测量厚度，或者采用各种厚度检测装置的组合来测量厚度。

另外在具体实施中，磨削系统1还包括磨削液供给单元，其用于在粗磨削和/或精磨削时向晶圆表面喷淋磨削液以助研磨，磨削液可以为去离子水。

图2以示意性简化图示出了磨削系统1中的磨削工具20和保持件11相互配合的工作原理，如图2所示，在磨削时，保持件11利用真空吸附力将晶圆W吸附在其上并带动晶圆W旋转，磨削砂轮按压在晶圆W上旋转并按照一定的进给速度沿轴向F进给，由此对晶圆W进行磨削。

如图2所示，本发明实施例提供的位姿调节机构40，其可以设置在保持件11和/或磨削工具20上，并且构造成根据一定条件来调节保持件11相对于磨削工具20(例如精磨砂轮22)的空间位置关系，以便磨削工具20按一定要求对晶圆W进行磨削操作。具体地，位姿调节机构40可以使保持件11在两个自由度上调整姿态，如图2中示出的x、y方向；也可以使磨削工具20在两个自由度上调整姿态，如图2中示出的x′、y′方向。

如图3所示，在一实施例中，位姿调节机构40可以包括三点支撑式结构，其包括围绕保持件11均匀布置的三个支撑点40A、40B、40C，其中一个支撑点40C可以是固定的，其余两个支撑点40A、40B可以设置有驱动系统，从而是可动的，以在两个方向上调节保持件11相对于精磨砂轮22的空间位置关系。在一实施例中，所述两支撑点40A、40B可以呈丝杠螺母、压电等驱动形式，以实现亚微米级精密运动，从而实现保持件11位姿的精确控制。

如图3所示，本发明一实施例采用半接触磨削方式，在图3中，粗黑色双层虚线示出了砂轮的位置，细点划线示出了保持件的位置，黑色实体区域示出了磨削区域，即砂轮对晶圆磨削时砂轮与晶圆接触的区域，该区域的两个端点可以为晶圆圆心和边缘。

如图4所示，在磨削时，磨削工具20的主轴与保持件11的旋转轴之间具有夹角θ，使得磨削工具20只与晶圆W的半径区域接触进行磨削，从而实现半接触磨削，即图3中的黑色实体区域所示的磨削区域。由此可知，砂轮只与晶圆W的中心至边缘的区域接触以进行磨削，从而使晶圆W在磨削后形成了如图5所示的多种磨削面形。

如图6所示，以其中一种磨削面形为例，采用凸凹度δ1和饱满度δ2两个特征参数对具体磨削面形进行表征。可以理解的是，晶圆W的磨削面形与磨削工具20、保持件11的姿态参数有关，另外，通过实践摸索发现，磨削面形还与加工参数、磨削过程参数有关，晶圆磨削过程也会对磨削面形产生影响，因此，可以通过这三个参数来预测晶圆W的面形特征。

基于上述磨削系统1，本发明的另一方面还提供了一种利用混合核函数的磨削面形预测方法，如图7所示，该预测方法包括：

步骤S1，设置不同的输入变量，对晶圆进行磨削，其中，所述输入变量包括姿态调节参数、加工参数和磨削过程参数中的至少一个；

步骤S2，测量磨削后的晶圆厚度，提取晶圆的面形特征作为输出变量；

步骤S3，基于混合核函数的方法改进支持向量回归算法(support vectorregression，SVR)；

步骤S4，采用改进支持向量回归算法建立输入变量与输出变量之间的映射关系，得到面形预测模型。

本发明实施例按照输入变量执行磨削，获取磨削后晶圆的面形特征作为输出变量，其中，输入变量为面形预测模型的输入变量，输出变量为面形预测模型的输出变量。通过对超精密磨削系统的姿态调节参数、加工参数和/或磨削过程参数进行分析，来预测不同参数和不同工艺条件下的晶圆的面形特征，提高了预测的精度和准确性，解决了系统在不同参数和不同工艺条件下的晶圆面形预测问题，能够有效指导超精密晶圆磨削工艺。

本发明实施例基于混合核函数的方法改进了支持向量回归算法，兼顾了算法的泛化性和预测精度，解决了磨削系统在不同位姿调节量和不同工艺条件下的晶圆面形预测问题，能够分析不同磨削工艺下的晶圆面型参数，从而为提高晶圆磨削平整度提供理论参考，能够有效指导超精密晶圆磨削工艺。建立了姿态调节参数、加工参数和/或磨削过程参数与面形特征之间的映射关系，能够分析磨削工具20和/或保持件11在不同参数下的晶圆磨削面形，进而分析晶圆的一致性、例如总厚度偏差(total thickness variation，TTV)、以及饱满度，得到了晶圆磨削的面形预测模型；进一步地，基于该面形预测模型，能够实现晶圆面形的主动控制，可以按照预定的面形特征求解出磨削系统1的工艺参数。

另外，由于晶圆的面形特征与各参数之间的数学模型很复杂，难以直接反映二者之间的函数关系，而且，位姿调节机构40在支撑过程中会存在变形，导致普通理论模型与实际的晶圆面形之间会存在误差，因此，采用本发明实施例提供的机器学习算法能够建立动态模型，提高了预测的准确性和可靠性。

步骤S1设置不同的姿态调节参数，同时改变加工参数，对晶圆进行磨削，并采集磨削过程参数。

在一个实施例中，步骤S1中的姿态调节参数包括磨削工具20的姿态参数、用于保持晶圆的保持件11的姿态参数以及磨削工具20与保持件11的相对姿态位置关系中的至少一种。姿态调节参数也可以由磨削工具20相对于保持件11的空间位置关系表示，可以采用三维空间坐标系进行表示，磨削工具20相对于保持件11的空间位置关系可以由坐标(Z

步骤S1可以包括：给定位姿调节机构40的调节量，改变磨削工具20和/或保持件11的空间位姿。

在一个实施例中，步骤S1中的加工参数包括保持件转速n

步骤S1可以包括：设置加工参数，给定保持件转速n

在一个实施例中，步骤S1中的磨削过程参数包括晶圆在磨削过程中的磨削电机电信号x(t)。

步骤S1可以包括：采集晶圆磨削过程中的磨削电机电信号x(t)。

本发明实施例既反映了磨削工艺的静态指标，也包含了例如磨削电机电信号的动态指标，这些特征能够比较完善地描述整个晶圆磨削过程。

进一步地，步骤S1还包括：采用时频混合特征提取方法提取磨削电机电信号的时域特征和频域特征，用于表征晶圆磨削的过程状态。

其中，所述时域特征包括磨削电机电信号的峰峰值、偏度和峰度中的至少一个，所述频域特征包括对磨削电机电信号进行傅里叶变换后计算得到的平均频率、信号能量、重心频率、和根方差频率中的至少一个。

具体地，所述时域特征的计算式包括：

其中，x

具体地，所述频域特征的计算式包括：

其中，f

本发明实施例采用时频混合特征提取方法，能够提取晶圆磨削过程中的静态指标和动态指标，将影响晶圆磨削精度的因素量化，通用性强，能较为完善地对晶圆磨削过程进行特征化描述，为磨削过程建模奠定基础。

可以理解的是，步骤S1中设置多组不同的姿态调节参数、加工参数和/或磨削过程参数，对晶圆进行磨削，可以得到多种步骤S2中的面形特征。

在一个实施例中，步骤S2中的面形特征包括如图5所示的凸凹度δ1和饱满度δ2。利用凸凹度δ1和饱满度δ2可以评价晶圆表面的一致性。

本发明实施例通过姿态调节参数、加工参数和/或磨削过程参数预测晶圆的凸凹度δ1和饱满度δ2，从而可以控制晶圆的一致性，实现更高的平整度。

进一步地，在一个实施例中，所述利用混合核函数的磨削面形预测方法还包括：

步骤S5，将所述输入变量采用离差标准化归一化至[0，1]。

步骤S6，将不同输入变量与其对应的输出变量生成样本数据，并划分训练集和测试集。

作为一种实施方式，步骤S5中的离差标准化包括：找到输入变量数据中的最大值和最小值，将每个输入变量数据减去最小值后除以最大值和最小值的差，从而将输入变量数据归一化至[0，1]。

具体地，步骤S5包括对原始的输入变量数据的序列进行归一化变换，得到新的输入变量数据的序列，并且，所述新的输入变量数据的序列为无量纲的序列。

具体地，步骤S5中的归一化包括：

其中，x

作为一种实施方式，步骤S6具体包括：将不同输入变量与其对应的输出变量生成样本数据；将样本数据划分为训练集和测试集。

在一个实施例中，所述利用混合核函数的磨削面形预测方法还包括：

步骤S7，基于混合核函数的方法改进支持向量回归算法，得到改进SVR模型；

步骤S8，利用训练集对改进SVR模型进行训练，直到模型输出误差低于终止判据阈值，得到训练好的SVR模型；

步骤S9，输入测试集到训练好的SVR模型，根据输出结果误差的大小和变化趋势调节模型的参数，得到所述面形预测模型。

具体地，步骤S8中利用训练集进行训练，直到模型输出误差低于终止判据阈值，说明模型预测精度满足要求，则模型训练结束。

步骤S9中输入测试集到训练好的SVR模型，根据输出结果误差的大小和变化趋势对模型的惩罚参数C、不敏感损失参数∈以及核函数系数进行调整优化，得到泛化能力较强的SVR模型，即面形预测模型。

举例来说，给定样本数据D＝{(X

Q为惩罚参数，∈为不敏感损失参数，l

引入松弛变量ξ

s.t.f(X

引入拉格朗日乘子

对上式求偏导，令偏导数等于0，得：

C＝α

可得SVR对偶问题：

上述过程满足KKT条件，即：

α

最后，可得SVR的解为：

其中，b为：

有时在低维情况下SVR不是线性可分的，此时就需要使用映射函数φ(x)将特征x映射到高维，变成线性可分。此时要计算函数f(X)，需要关注内积φ(x

本发明实施例考虑采用混合核函数的方法确定SVR模型，将混合核函数定义成线性核函数和径向基函数的线性组合，即：

其中，x

通过调整参数λ

其中，b为

其中，f(X)为待求函数，m为样本容量，

本发明实施例还提供了一种终端设备，其包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现如图7所示的方法步骤。所述终端设备是指具有数据处理能力的终端，包括但不限于计算机、工作站、服务器，甚至是一些性能优异的智能手机、掌上电脑、平板电脑、个人数字助理(PDA)、智能电视(Smart TV)等。终端设备上一般都安装有操作系统，包括但不限于：Windows操作系统、LINUX操作系统、安卓(Android)操作系统、Symbian操作系统、Windowsmobile操作系统、以及iOS操作系统等等。以上详细罗列了终端设备的具体实例，本领域技术人员可以意识到，终端设备并不限于上述罗列实例。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如图7所示的方法步骤。所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。