特開 2023-122817 研磨終点検出方法、研磨終点検出システム、研磨装置、およびコンピュータ読み取り可能な記録媒体

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023122817

(43)【公開日】2023-09-05

(54)【発明の名称】研磨終点検出方法、研磨終点検出システム、研磨装置、およびコンピュータ読み取り可能な記録媒体

(51)【国際特許分類】

   B24B 37/013 20120101AFI20230829BHJP

   H01L 21/304 20060101ALI20230829BHJP

   B24B 49/16 20060101ALI20230829BHJP

【ＦＩ】

B24B37/013

H01L21/304 622S

H01L21/304 622R

B24B49/16

【審査請求】未請求

【請求項の数】20

【出願形態】ＯＬ

(21)【出願番号】P 2022026546

(22)【出願日】2022-02-24

(71)【出願人】

【識別番号】000000239

【氏名又は名称】株式会社荏原製作所

(74)【代理人】

【識別番号】100118500

【弁理士】

【氏名又は名称】廣澤 哲也

(74)【代理人】

【識別番号】100091498

【弁理士】

【氏名又は名称】渡邉 勇

(74)【代理人】

【識別番号】100174089

【弁理士】

【氏名又は名称】郷戸 学

(74)【代理人】

【識別番号】100186749

【弁理士】

【氏名又は名称】金沢 充博

(72)【発明者】

【氏名】清水 有子

(72)【発明者】

【氏名】三谷 隆一郎

【テーマコード（参考）】

3C034

3C158

5F057

【Ｆターム（参考）】

3C034BB92

3C034CA17

3C034CB03

3C158AA07

3C158AC02

3C158DA12

3C158EA11

3C158EB01

3C158ED00

5F057AA20

5F057BA11

5F057BA15

5F057CA12

5F057DA03

5F057FA20

5F057GA12

5F057GA16

5F057GA27

5F057GB02

5F057GB03

5F057GB13

5F057GB20

5F057GB25

(57)【要約】

【課題】正確に研磨終点時間を予測することができる方法を提供する。
【解決手段】本方法は、ワークピースＷの研磨時に、ワークピースＷの研磨進捗を示す研磨モニタリング値を取得し、ワークピースＷの研磨時間に沿った研磨モニタリング値の変化を表す時系列データを生成し、時系列データに含まれる特徴データ点ＦＰ１，ＦＰ２を構成する研磨モニタリング値ＶＦ１，ＶＦ２および研磨時間ＴＦ１，ＴＦ２を学習済みモデル３４に入力し、学習済みモデル３４から研磨終点予測時間を出力する。
【選択図】図７

【特許請求の範囲】

【請求項1】

ワークピースの研磨時に、前記ワークピースの研磨進捗を示す研磨モニタリング値を取得し、
前記ワークピースの研磨時間に沿った前記研磨モニタリング値の変化を表す時系列データを生成し、
前記時系列データに含まれる特徴データ点を構成する研磨モニタリング値および研磨時間を学習済みモデルに入力し、前記学習済みモデルから研磨終点予測時間を出力する、研磨終点検出方法。

【請求項2】

前記時系列データに含まれる研磨初期データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する、請求項１に記載の研磨終点検出方法。

【請求項3】

前記時系列データに含まれる、前記研磨初期データ点と前記特徴データ点との間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する、請求項２に記載の研磨終点検出方法。

【請求項4】

前記特徴データ点は、前記時系列データに含まれる複数の特徴データ点である、請求項１に記載の研磨終点検出方法。

【請求項5】

前記研磨終点予測装置は、前記時系列データに含まれる、前記複数の特徴データ点の間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する、請求項４に記載の研磨終点検出方法。

【請求項6】

研磨モジュールに使用されている研磨パッドの総使用時間、前記研磨パッドの種類、前記ワークピースの研磨に使用されている研磨液の種類、および前記ワークピースの種類のうち少なくとも１つの補助情報を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する、請求項１乃至５のいずれか一項に記載の研磨終点検出方法。

【請求項7】

前記特徴データ点は、前記時系列データの極大点、極小点、および変曲点のうちのいずれか１つである、請求項１乃至６のいずれか一項に記載の研磨終点検出方法。

【請求項8】

前記特徴データ点は、所定の研磨モニタリング値に達した時点のデータ点である、請求項１乃至６のいずれか一項に記載の研磨終点検出方法。

【請求項9】

前記研磨進捗測定器は、トルク電流検出器および膜厚測定センサのうちのいずれかである、請求項１乃至８のいずれか一項に記載の研磨終点検出方法。

【請求項10】

研磨モジュールに設けられた研磨進捗測定器と、
機械学習により構築された学習済みモデルを有する研磨終点予測装置を備え、
前記研磨終点予測装置は、
ワークピースの研磨時に前記研磨進捗測定器から出力された、前記ワークピースの研磨進捗を示す研磨モニタリング値を取得し、
前記ワークピースの研磨時間に沿った前記研磨モニタリング値の変化を表す時系列データを生成し、
前記時系列データに含まれる特徴データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルに入力し、前記学習済みモデルから研磨終点予測時間を出力するように構成されている、研磨終点検出システム。

【請求項11】

前記研磨終点予測装置は、前記時系列データに含まれる研磨初期データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている、請求項１０に記載の研磨終点検出システム。

【請求項12】

前記研磨終点予測装置は、前記時系列データに含まれる、前記研磨初期データ点と前記特徴データ点との間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている、請求項１１に記載の研磨終点検出システム。

【請求項13】

前記特徴データ点は、前記時系列データに含まれる複数の特徴データ点である、請求項１０に記載の研磨終点検出システム。

【請求項14】

前記研磨終点予測装置は、前記時系列データに含まれる、前記複数の特徴データ点の間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている、請求項１３に記載の研磨終点検出システム。

【請求項15】

前記研磨終点予測装置は、前記研磨モジュールに使用されている研磨パッドの総使用時間、前記研磨パッドの種類、前記ワークピースの研磨に使用されている研磨液の種類、および前記ワークピースの種類のうち少なくとも１つの補助情報を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている、請求項１０乃至１４のいずれか一項に記載の研磨終点検出システム。

【請求項16】

前記特徴データ点は、前記時系列データの極大点、極小点、および変曲点のうちのいずれか１つである、請求項１０乃至１５のいずれか一項に記載の研磨終点検出システム。

【請求項17】

前記特徴データ点は、所定の研磨モニタリング値に達した時点のデータ点である、請求項１０乃至１５のいずれか一項に記載の研磨終点検出システム。

【請求項18】

前記研磨進捗測定器は、トルク電流検出器および膜厚測定センサのうちのいずれかである、請求項１０乃至１７のいずれか一項に記載の研磨終点検出システム。

【請求項19】

研磨パッドを支持するための研磨テーブルと、
ワークピースを前記研磨パッドの研磨面に押し付けて前記ワークピースを研磨する研磨ヘッドと、
請求項１０乃至１８のいずれか一項に記載の研磨終点検出システムを備えた、研磨装置。

【請求項20】

ワークピースの研磨時に、前記ワークピースの研磨進捗を示す研磨モニタリング値を取得するステップと、
前記ワークピースの研磨時間に沿った前記研磨モニタリング値の変化を表す時系列データを生成するステップと、
前記時系列データに含まれる特徴データ点を構成する研磨モニタリング値および研磨時間を学習済みモデルに入力し、前記学習済みモデルから研磨終点予測時間を出力するステップをコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ウェーハ、基板、パネルなどの半導体デバイスの製造に用いられるワークピースの研磨終点を検出する方法およびシステムに関する。また、本発明は、そのような研磨終点検出システムを備えた研磨装置に関する。さらに、本発明は、研磨装置に研磨終点検出方法を実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。

【背景技術】

【0002】

半導体デバイスの製造には、ＣＭＰ装置に代表される研磨モジュールが使用される。半導体デバイスの配線構造は、配線溝が形成された絶縁膜上に金属膜（銅膜など）を形成し、その後不要な金属膜を研磨モジュールにより除去することにより形成される。研磨モジュールは、研磨テーブル上の研磨パッドに研磨液（スラリー）を供給しながら、ワークピースと研磨パッドとを相対移動させることにより、ワークピースの表面を研磨する。

【0003】

研磨モジュールは、ワークピースの研磨終点を検出する研磨終点検出装置を備えている。この研磨終点検出装置は、研磨の進捗を示す研磨指標値（例えば、テーブルトルク電流、渦電流式膜厚センサの出力信号、光学式膜厚センサの出力信号）に基づいてワークピースの研磨を監視し、研磨対象膜（例えば、金属膜）が除去された時点である研磨終点を決定する。

【0004】

研磨指標値は、研磨の進捗に伴い、ワークピースの表面状態に依存して変化する。研磨終点は、例えば、研磨対象膜が除去されて下層が露出したことによる、研磨指標値の特徴的な変化点に基づいて検出される。研磨モジュールは、検出された研磨終点に基づいてワークピースの研磨を終了する。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１８－５８１９７号公報

【特許文献2】特開２０１３－１７６８２８号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

通常、研磨指標値の実測値はノイズを含んでいるため、数秒間にわたって得られた実測値の平均、すなわち移動平均が研磨終点の検出に用いられる。この移動平均の算出により、研磨指標値の特徴的な変化点が実際に現れた時点から遅延して、研磨終点が検出されることがある。

【0007】

そこで、本発明は、正確に研磨終点時間を予測することができる方法およびシステムを提供する。

【課題を解決するための手段】

【0008】

一態様では、ワークピースの研磨時に、前記ワークピースの研磨進捗を示す研磨モニタリング値を取得し、前記ワークピースの研磨時間に沿った前記研磨モニタリング値の変化を表す時系列データを生成し、前記時系列データに含まれる特徴データ点を構成する研磨モニタリング値および研磨時間を学習済みモデルに入力し、前記学習済みモデルから研磨終点予測時間を出力する、研磨終点検出方法が提供される。
一態様では、前記時系列データに含まれる研磨初期データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する。
一態様では、前記時系列データに含まれる、前記研磨初期データ点と前記特徴データ点との間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する。

【0009】

一態様では、前記特徴データ点は、前記時系列データに含まれる複数の特徴データ点である。
一態様では、前記研磨終点予測装置は、前記時系列データに含まれる、前記複数の特徴データ点の間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する。
一態様では、研磨モジュールに使用されている研磨パッドの総使用時間、前記研磨パッドの種類、前記ワークピースの研磨に使用されている研磨液の種類、および前記ワークピースの種類のうち少なくとも１つの補助情報を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力する。
一態様では、前記特徴データ点は、前記時系列データの極大点、極小点、および変曲点のうちのいずれか１つである。
一態様では、前記特徴データ点は、所定の研磨モニタリング値に達した時点のデータ点である。
一態様では、前記研磨進捗測定器は、トルク電流検出器および膜厚測定センサのうちのいずれかである。

【0010】

一態様では、研磨モジュールに設けられた研磨進捗測定器と、機械学習により構築された学習済みモデルを有する研磨終点予測装置を備え、前記研磨終点予測装置は、ワークピースの研磨時に前記研磨進捗測定器から出力された、前記ワークピースの研磨進捗を示す研磨モニタリング値を取得し、前記ワークピースの研磨時間に沿った前記研磨モニタリング値の変化を表す時系列データを生成し、前記時系列データに含まれる特徴データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルに入力し、前記学習済みモデルから研磨終点予測時間を出力するように構成されている、研磨終点検出システムが提供される。
一態様では、前記研磨終点予測装置は、前記時系列データに含まれる研磨初期データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている。
一態様では、前記研磨終点予測装置は、前記時系列データに含まれる、前記研磨初期データ点と前記特徴データ点との間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている。

【0011】

一態様では、前記特徴データ点は、前記時系列データに含まれる複数の特徴データ点である。

【0012】

一態様では、前記研磨終点予測装置は、前記時系列データに含まれる、前記複数の特徴データ点の間の中間データ点を構成する研磨モニタリング値および研磨時間を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている。
一態様では、前記研磨終点予測装置は、前記研磨モジュールに使用されている研磨パッドの総使用時間、前記研磨パッドの種類、前記ワークピースの研磨に使用されている研磨液の種類、および前記ワークピースの種類のうち少なくとも１つの補助情報を前記学習済みモデルにさらに入力して、前記学習済みモデルから研磨終点予測時間を出力するように構成されている。
一態様では、前記特徴データ点は、前記時系列データの極大点、極小点、および変曲点のうちのいずれか１つである。
一態様では、前記特徴データ点は、所定の研磨モニタリング値に達した時点のデータ点である。
一態様では、前記研磨進捗測定器は、トルク電流検出器および膜厚測定センサのうちのいずれかである。

【0013】

一態様では、研磨パッドを支持するための研磨テーブルと、ワークピースを前記研磨パッドの研磨面に押し付けて前記ワークピースを研磨する研磨ヘッドと、上記研磨終点検出システムを備えた、研磨装置が提供される。
一態様では、ワークピースの研磨時に、前記ワークピースの研磨進捗を示す研磨モニタリング値を取得するステップと、前記ワークピースの研磨時間に沿った前記研磨モニタリング値の変化を表す時系列データを生成するステップと、前記時系列データに含まれる特徴データ点を構成する研磨モニタリング値および研磨時間を学習済みモデルに入力し、前記学習済みモデルから研磨終点予測時間を出力するステップをコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体が提供される。

【発明の効果】

【0014】

本発明によれば、研磨終点よりも前に現れる特徴データ点を構成する研磨モニタリング値および研磨時間を学習済みモデルに入力することで、研磨終点予測時間を学習済みモデルから出力する。これにより、目標とする研磨終点よりも前に正確に研磨終点時間を予測して、目標とする研磨終点でワークピースの研磨を終了することができる。

【図面の簡単な説明】

【0015】

【図1】研磨終点検出システムおよび研磨モジュールを備えた研磨装置の一実施形態を示す模式図である。

【図2】ワークピースの研磨時間に伴う研磨モニタリング値の変化を表す時系列データを示すグラフの一例を示す図である。

【図3】ノイズを含む研磨モニタリング値の変化を表す時系列データを示すグラフの一例を示す図である。

【図4】学習用ワークピースの研磨時に生成された時系列データを示すグラフの一例である。

【図5】ディープラーニングを用いて構築された学習済みモデルの一例を示す模式図である。

【図6】所定の研磨モニタリング値に達した時点のデータ点を説明する図である。

【図7】ワークピースの研磨時に生成された時系列データを示すグラフの一例である。

【図8】学習済みモデルを用いてワークピースの研磨終点を予測する方法の一実施形態を説明するフローチャートである。

【図9】時系列データに含まれる中間データ点を説明する図である。

【図10】研磨終点検出システムの他の実施形態を示す模式図である。

【図11】研磨終点検出システムのさらに他の実施形態を示す模式図である。

【図12】研磨終点検出システムのさらに他の実施形態を示す模式図である。

【発明を実施するための形態】

【0016】

以下、本発明の実施形態について図面を参照して説明する。
図１は、研磨終点検出システム７および研磨モジュール１を備えた研磨装置の一実施形態を示す模式図である。研磨モジュール１は、ワークピースＷを化学機械的に研磨する研磨装置（ＣＭＰ装置）である。ワークピースＷの例としては、半導体デバイスの製造に使用されるウェーハ、基板、パネルなどが挙げられる。研磨終点検出システム７は、研磨モジュール１によって研磨されているワークピースＷの研磨終点を検出するように構成されている。

【0017】

研磨モジュール１は、研磨パッド２を支持するための研磨テーブル３と、ヘッドシャフト５の下端に連結された研磨ヘッド６を備えている。ヘッドシャフト５は、ベルトおよびプーリ等のトルク伝達機構１０を介して研磨ヘッド回転モータ１２に連結されている。研磨ヘッド回転モータ１２は、トルク伝達機構１０を介してヘッドシャフト５を回転させ、このヘッドシャフト５の回転により、研磨ヘッド６がヘッドシャフト５を中心に矢印で示す方向に回転される。研磨ヘッド６は、その下面にワークピース（例えばウェーハ）Ｗを真空吸着により保持可能に構成されている。

【0018】

ヘッドシャフト５は、ヘッドアーム１５に回転可能に保持されている。ヘッドアーム１５は研磨パッド２の上方に配置され、研磨パッド２の研磨面２ａと平行である。ヘッドアーム１５の一端はヘッドシャフト５を保持し、ヘッドアーム１５の他端はアーム揺動モータ１６に連結されている。アーム揺動モータ１６は、ヘッドアーム１５を所定の角度だけ回転させることにより、研磨ヘッド６を研磨テーブル３上の研磨位置と、研磨テーブル３の外の搬送位置との間で移動させるように構成されている。

【0019】

研磨テーブル３は、テーブル軸３ａを介してその下方に配置されるテーブル回転モータ１８に連結されており、このテーブル回転モータ１８により研磨テーブル３がテーブル軸３ａを中心に矢印で示す方向に回転するようになっている。研磨パッド２の上面は、ワークピースＷを研磨する研磨面２ａを構成している。研磨テーブル３の上方には、研磨面２ａに研磨液（スラリー）を供給するための研磨液供給ノズル２０が配置されている。

【0020】

ワークピースＷの研磨は次のようにして行われる。研磨テーブル３および研磨パッド２はテーブル回転モータ１８により回転されながら、研磨液が研磨液供給ノズル２０から研磨パッド２の研磨面２ａに供給される。研磨ヘッド６は、研磨ヘッド回転モータ１２により回転されながら、ワークピースＷを研磨パッド２の研磨面２ａに対して押し付ける。ワークピースＷは、研磨液の化学的作用と、研磨液に含まれる砥粒および／または研磨パッド２の機械的作用の組み合わせにより、研磨される。一実施形態では、ワークピースＷの研磨中に、アーム揺動モータ１６により、研磨ヘッド６を研磨パッド２の研磨面２ａ上で揺動（オシレーション）させてもよい。

【0021】

次に、研磨終点検出システム７について説明する。研磨終点検出システム７は、研磨モジュール１に配置された研磨進捗測定器３０と、ワークピースＷの研磨終点を予測する研磨終点予測装置３３を備えている。本実施形態では、研磨進捗測定器３０は、テーブル回転モータ１８に接続されたトルク電流検出器（すなわち、テーブルトルク電流検出器）である。トルク電流検出器である研磨進捗測定器３０は、テーブル回転モータ１８に供給される電流（以下、トルク電流という）を測定するように構成されている。トルク電流は、テーブル回転モータ１８が研磨テーブル３および研磨パッド２を一定速度で回転させるために必要な電流である。

【0022】

トルク電流の測定値は、ワークピースＷの研磨進捗を示す研磨モニタリング値として機能する。すなわち、ワークピースＷの研磨中は、ワークピースＷの表面と研磨パッド２の研磨面２ａとが摺接するため、ワークピースＷと研磨パッド２との間には摩擦力が生じる。この摩擦力は抵抗トルクとしてテーブル回転モータ１８に作用する。ワークピースＷと研磨パッド２との間に発生する摩擦力は、ワークピースＷの表面状態に依存して変わる。例えば、ワークピースＷの表面が配線パターン構造を有している場合、配線パターン構造を構成する膜または金属配線の除去状態によって、上記摩擦力は変化する。この摩擦力の変化は、研磨テーブル３および研磨パッド２を予め設定された速度で回転させるためにテーブル回転モータ１８に供給されるトルク電流の変化として検出することができる。研磨進捗測定器３０は、研磨終点予測装置３３に接続されており、トルク電流の測定値である研磨モニタリング値を生成し、研磨モニタリング値を研磨終点予測装置３３に送るように構成されている。

【0023】

研磨終点予測装置３３は、プログラムおよび後述する学習済みモデル３４が格納された記憶装置３３ａと、プログラムに含まれる命令に従って演算を実行する演算装置３３ｂを備えている。研磨終点予測装置３３は、少なくとも１台のコンピュータから構成される。記憶装置３３ａは、ランダムアクセスメモリ（ＲＡＭ）などの主記憶装置と、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）などの補助記憶装置を備えている。演算装置３３ｂの例としては、ＣＰＵ（中央処理装置）、ＧＰＵ（グラフィックプロセッシングユニット）が挙げられる。ただし、研磨終点予測装置３３の具体的構成はこれらの例に限定されない。

【0024】

研磨終点予測装置３３は、研磨進捗測定器３０に通信線で接続されたエッジサーバであってもよいし、インターネットなどのネットワークによって研磨進捗測定器３０に接続されたクラウドサーバであってもよい。研磨終点予測装置３３は、複数のサーバの組み合わせであってもよい。例えば、研磨終点予測装置３３は、インターネットまたはローカルエリアネットワークなどの通信ネットワークにより互いに接続されたエッジサーバとクラウドサーバとの組み合わせであってもよい。ただし、研磨終点予測装置３３の具体的構成はこれらの例に限定されない。一実施形態では、研磨終点予測装置３３は、複数の装置で構成されており、それぞれに記憶装置と演算装置を備えていてもよい。

【0025】

研磨終点予測装置３３は、研磨制御部４０に接続されている。研磨終点予測装置３３は、ワークピースＷの研磨終点を予測して、研磨終点予測時間を含む研磨終了信号を研磨制御部４０に送る。研磨制御部４０は、受信した研磨終了信号に基づいて、研磨モジュール１に指令を発して、研磨終点予測時間でワークピースＷの研磨を終了させる。

【0026】

図２は、ワークピースＷの研磨時間に伴う研磨モニタリング値の変化を表す時系列データを示すグラフの一例を示す図である。図２において、縦軸は研磨モニタリング値（すなわちトルク電流の測定値）を表し、横軸はワークピースＷの研磨時間を表している。ワークピースＷが研磨されるにつれて、ワークピースＷの表面状態は変化する。このワークピースＷの表面状態の変化は、図２に示すように、研磨モニタリング値の変化として現れる。

【0027】

ワークピースＷの研磨終点は、ワークピースＷの研磨進捗を表す研磨モニタリング値に基づいて検出される。図２に示す時系列データは、研磨モニタリング値の極大点ＭＰを含む。この極大点ＭＰは、例えば、研磨対象膜が除去されて下層が露出したことによって現れる、特徴データ点である。本実施形態では、目標とする研磨終点は、極大点ＭＰが現れた時点である。したがって、研磨モジュール１は、極大点ＭＰに対応する研磨終点時間ＴＥでワークピースＷの研磨を終了させることを目標とする。

【0028】

しかしながら、極大点ＭＰが現れてから研磨終点を検出すると、研磨制御部４０が研磨モジュール１に指令を発して、研磨モジュール１がワークピースＷの研磨を終了する時点は、研磨終点時間ＴＥを過ぎてしまうことがある。また、研磨モニタリング値の実測値はノイズを含んでいるため、図３に示すように時系列データの波形が不安定であり、研磨終点を正確に検出することができない。そのため、研磨終点の検出には、研磨モニタリング値の移動平均を算出して、図２に示すようにノイズを低減させた時系列データを用いる。この移動平均の算出により、研磨終点の検出が遅延することがある。

【0029】

そこで、本実施形態の研磨終点予測装置３３は、学習用ワークピースを研磨したときに得られた時系列データに基づいて、機械学習により構築された学習済みモデル３４を用いて、研磨終点を予測する。研磨終点予測装置３３は、図１に示すように、記憶装置３３ａに格納された学習済みモデル３４を有している。

【0030】

学習済みモデル３４の構築に使用される学習用ワークピースは、研磨対象のワークピースＷと同じ種類であってもよいし、異なる種類であってもよい。ワークピースの種類は、ワークピースの表面構造、ワークピースを構成する材料、ワークピースのサイズなどのワークピースが有する構造的特徴によって区別される。ワークピースの表面構造は、ワークピース表面に形成された配線パターンや配線パターンを構成する材料によって異なる。

【0031】

図４は、学習用ワークピースの研磨時に生成された時系列データを示すグラフの一例である。学習用ワークピースは、上述したワークピースＷの研磨と同様に、研磨モジュール１により研磨される。学習用ワークピースは、ワークピースＷと同じ研磨条件で研磨される。研磨条件には、研磨テーブル３の回転速度、研磨ヘッド６の回転速度、研磨ヘッド６のワークピースＷに対する押付力、研磨液の流量が挙げられる。

【0032】

研磨進捗測定器３０は、トルク電流を学習用ワークピースの研磨中に測定する。研磨終点予測装置３３は、学習用ワークピースの研磨進捗を示すトルク電流の測定値、すなわち研磨モニタリング値を研磨進捗測定器３０から取得し、学習用ワークピースの研磨時間に沿った研磨モニタリング値の変化（すなわちトルク電流の測定値の変化）を表す時系列データを生成する。この時系列データは、研磨終点予測装置３３の記憶装置３３ａ内に格納される。

【0033】

一実施形態では、研磨終点予測装置３３は、トルク電流の測定値の１次微分値、２次微分値、あるいはそれ以上の次数の微分値を算出して、学習用ワークピースの研磨時間に沿ったトルク電流の測定値の１次微分値、２次微分値、あるいはそれ以上の次数の微分値である研磨モニタリング値の変化を表す時系列データを生成してもよい。

【0034】

図４に示す時系列データは、研磨初期データ点ＩＰ、２つの特徴データ点ＦＰ１，ＦＰ２、および目標終点データ点ＥＰを含む。各データ点は、研磨モニタリング値と、対応する研磨時間から構成される時系列データ上の点である。

【0035】

研磨初期データ点ＩＰは、学習用ワークピースの研磨を開始したときのデータ点である。研磨初期データ点ＩＰは、研磨モニタリング値ＶＩおよび研磨時間ＴＩにより構成されている。研磨開始時の研磨モニタリング値は不安定であるため、研磨初期データ点ＩＰは、研磨開始時（すなわち、研磨時間ＴＩ＝０のとき）のデータ点であってもよいし、研磨開始から所定の初期研磨時間が経過したときのデータ点であってもよい。

【0036】

特徴データ点ＦＰ１，ＦＰ２は、時系列データに含まれる予め定められた特徴を有するデータ点であり、目標とする研磨終点（すなわち、目標終点データ点ＥＰ）よりも前に現れる。予め定められた特徴を有するデータ点は、極大点、極小点、または変曲点などの特徴的な変化を示すデータ点、あるいは、所定の研磨モニタリング値に達した時点のデータ点である。図４に示す時系列データにおける特徴データ点は２つであるが、異なる種類のワークピースの時系列データでは、研磨終点（すなわち、目標終点データ点ＥＰ）よりも前に現れる特徴データ点は１つのみ、あるいは３つ以上である場合もある。

【0037】

図４に示す時系列データでは、特徴データ点ＦＰ１は極大点であり、特徴データ点ＦＰ２は極小点である。特徴データ点ＦＰ１は、研磨モニタリング値ＶＦ１および研磨時間ＴＦ１により構成されている。特徴データ点ＦＰ２は、研磨モニタリング値ＶＦ２および研磨時間ＴＦ２により構成されている。目標終点データ点ＥＰは、目標とする研磨終点におけるデータ点である。目標終点データ点ＥＰは、研磨モニタリング値ＶＥおよび研磨時間（研磨終点時間）ＴＥにより構成されている。

【0038】

本実施形態では、学習済みモデル３４の構築に用いられる訓練データは、研磨初期データ点ＩＰ、および特徴データ点ＦＰ１，ＦＰ２を構成する研磨モニタリング値および研磨時間を含み、さらに正解ラベルである、目標終点データ点ＥＰを構成する研磨時間（研磨終点時間）ＴＥを含む。学習済みモデル３４は、機械学習により構築される。機械学習の例としては、ＳＶＲ法（サポートベクター回帰法）、ＰＬＳ法（部分最小二乗法：Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）、ディープラーニング法（深層学習法）、ランダムフォレスト法、および決定木法などが挙げられる。一例では、学習済みモデル３４は、ディープラーニング法によって構築されたニューラルネットワークから構成されている。

【0039】

図５は、ディープラーニング法を用いて構築された学習済みモデル３４の一例を示す模式図である。学習済みモデル３４は、入力層１０１と、複数の隠れ層（中間層ともいう）１０２と、出力層１０３を有している。図５に示す学習済みモデル３４は、４つの隠れ層１０２を有しているが、学習済みモデル３４の構成は図５に示す実施形態に限られない。

【0040】

ディープラーニングを用いた学習済みモデル３４の構築は、次のようにして行われる。図５に示す入力層１０１に、研磨初期データ点ＩＰおよび特徴データ点ＦＰ１，ＦＰ２を構成する研磨モニタリング値および研磨時間が入力される。より具体的には、研磨初期データ点ＩＰを構成する研磨モニタリング値ＶＩおよび研磨時間ＴＩと、特徴データ点ＦＰ１を構成する研磨モニタリング値ＶＦ１および研磨時間ＴＦ１と、特徴データ点ＦＰ２を構成する研磨モニタリング値ＶＦ２および研磨時間ＴＦ２が入力層１０１に入力される。

【0041】

学習済みモデル３４は、入力層１０１に研磨初期データ点ＩＰおよび特徴データ点ＦＰ１，ＦＰ２を構成する研磨モニタリング値および研磨時間が入力されると、出力層１０３から研磨終点予測時間が出力されるように構成されている。研磨終点予測装置３３は、出力層１０３から出力された研磨終点予測時間と、正解ラベルである目標終点データ点ＥＰを構成する研磨時間（研磨終点時間）ＴＥとを比較し、その誤差を最小とするように各ノード（ニューロン）のパラメータ（重みやしきい値など）を調整する。これにより、学習済みモデル３４は、入力層１０１に入力されたデータに基づいて、出力層１０３から適切な研磨終点予測時間を出力するように学習される。

【0042】

複数の学習用ワークピースを研磨したときの複数の時系列データを用いて上記学習を繰り返すことにより、学習済みモデル３４が構築される。機械学習による学習済みモデル３４は、基本的に経験したことのない入力データに対する予測精度が低くなる。したがって、異なる態様で研磨モニタリング値が変化する多数の学習用ワークピースを用いることにより、学習済みモデル３４から出力される研磨終点予測時間の精度を高めることができる。

【0043】

上述した実施形態では、研磨初期データ点ＩＰおよび２つの特徴データ点ＦＰ１，ＦＰ２が訓練データに含まれるが、一実施形態では、研磨初期データ点ＩＰを用いずに、２つの特徴データ点ＦＰ１，ＦＰ２のみを用いてもよい。訓練データは、研磨終点までに現れるすべての特徴データ点を含んでよい。例えば、研磨終点までに現れる特徴データ点が３つの場合は、訓練データは、３つの特徴データ点のすべてを含んでもよい。

【0044】

他の実施形態では、特徴データ点は、所定の研磨モニタリング値に達した時点のデータ点であってもよい。例えば、図６に示すように、特徴データ点ＦＰは、所定の研磨モニタリング値ＶＦに達した時点のデータ点であり、特徴データ点ＦＰは、所定の研磨モニタリング値ＶＦおよび研磨時間ＴＦにより構成されている。この場合、学習済みモデル３４の構築に用いられる訓練データは、研磨初期データ点ＩＰおよび特徴データ点ＦＰを構成する研磨モニタリング値および研磨時間を含み、さらに正解ラベルである、目標終点データ点ＥＰを構成する研磨時間（研磨終点時間）ＴＥを含む。

【0045】

さらに他の実施形態では、研磨開始から研磨終点までの時系列データ自体を学習済みモデル３４の入力層１０１に入力することにより、学習済みモデル３４が構築されてもよい。すなわち、訓練データは、研磨開始から研磨終点までの時系列データ自体を含み、訓練データに含まれる正解ラベルは、目標終点データ点ＥＰを構成する研磨時間（研磨終点時間）ＴＥであってもよい。

【0046】

次に、学習済みモデル３４を用いて研磨対象のワークピースＷの研磨終点を予測する方法について説明する。図７は、ワークピースＷの研磨時に生成された時系列データを示すグラフの一例である。研磨進捗測定器３０は、トルク電流をワークピースＷの研磨中に測定する。研磨終点予測装置３３は、ワークピースＷの研磨進捗を示すトルク電流の測定値、すなわち研磨モニタリング値を研磨進捗測定器３０から取得し、ワークピースＷの研磨時間に沿った研磨モニタリング値の変化（すなわちトルク電流の測定値の変化）を表す時系列データを生成する。この時系列データは、研磨終点予測装置３３の記憶装置３３ａ内に格納される。

【0047】

一実施形態では、研磨終点予測装置３３は、トルク電流の測定値の１次微分値、２次微分値、あるいはそれ以上の次数の微分値を算出して、ワークピースＷの研磨時間に沿ったトルク電流の測定値の１次微分値、２次微分値、あるいはそれ以上の次数の微分値である研磨モニタリング値の変化を表す時系列データを生成してもよい。

【0048】

図７に示す時系列データは、研磨初期データ点ＩＰおよび２つの特徴データ点ＦＰ１，ＦＰ２を含む。これら研磨初期データ点ＩＰおよび２つの特徴データ点ＦＰ１，ＦＰ２は、図４に示す学習用ワークピースの時系列データにおける研磨初期データ点ＩＰおよび２つの特徴データ点ＦＰ１，ＦＰ２に対応しているため、その重複する説明を省略する。図７に示す例では、研磨終点予測装置３３により、研磨初期データ点ＩＰから、特徴データ点ＦＰ２が現れた時点を経過した、実線で示す部分までの時系列データが生成されている。

【0049】

研磨終点予測装置３３は、ワークピースＷの研磨時に生成された時系列データから研磨初期データ点ＩＰ、特徴データ点ＦＰ１，ＦＰ２を検出し、各データ点を構成する研磨モニタリング値および研磨時間を学習済みモデル３４の入力層１０１（図５参照）に入力する。より具体的には、研磨終点予測装置３３は、研磨初期データ点ＩＰを構成する研磨モニタリング値ＶＩおよび研磨時間ＴＩと、特徴データ点ＦＰ１を構成する研磨モニタリング値ＶＦ１および研磨時間ＴＦ１と、ＦＰ２を構成する研磨モニタリング値ＶＦ２および研磨時間ＴＦ２を入力層１０１に入力する。

【0050】

研磨終点予測装置３３は、学習済みモデル３４の入力層１０１に入力されたデータを用いて、学習済みモデル３４によって規定されるアルゴリズムに従って演算を実行し、学習済みモデル３４の出力層１０３（図５参照）から研磨終点予測時間を出力する。研磨終点予測装置３３は、出力された研磨終点予測時間を含む研磨終了信号を研磨制御部４０に送る。研磨制御部４０は、受信した研磨終了信号に基づいて、研磨モジュール１に指令を発して、研磨終点予測時間でワークピースＷの研磨を終了させる。

【0051】

上述した実施形態では、ワークピースＷの研磨時に学習済みモデル３４に入力されるデータ点は、研磨初期データ点ＩＰおよび２つの特徴データ点ＦＰ１，ＦＰ２であるが、一実施形態では、研磨初期データ点ＩＰを用いずに、２つの特徴データ点ＦＰ１，ＦＰ２のみを用いてもよい。

【0052】

他の実施形態では、学習済みモデル３４の構築に用いられる訓練データとして、図６に示すように、所定の研磨モニタリング値に達した時点の特徴データ点ＦＰを用いた場合は、ワークピースＷの研磨時に学習済みモデル３４に入力されるデータ点として、所定の研磨モニタリング値に達した時点の特徴データ点を用いてもよい。

【0053】

さらに他の実施形態では、学習済みモデル３４の構築に用いられる訓練データとして、研磨開始から研磨終点までの時系列データ自体を用いた場合は、ワークピースＷの研磨時に、研磨開始からの時系列データ自体を学習済みモデル３４に入力して、研磨終点予測時間を出力してもよい。

【0054】

上述した実施形態によれば、機械学習により構築された学習済みモデル３４に、研磨終点よりも前に現れる特徴データ点を含むデータ点を構成する研磨モニタリング値および研磨時間を入力することで、研磨終点予測時間を学習済みモデル３４から出力する。これにより、目標とする研磨終点よりも前に正確に研磨終点時間を予測して、目標とする研磨終点でワークピースの研磨を終了することができる。

【0055】

図８は、学習済みモデル３４を用いてワークピースＷの研磨終点を予測する方法の一実施形態を説明するフローチャートである。
ステップ１では、学習用ワークピースが研磨モジュール１により研磨される。学習用ワークピースは、ワークピースＷと同じ研磨条件で研磨される。研磨進捗測定器３０は、トルク電流を学習用ワークピースの研磨中に測定する。
ステップ２では、研磨終点予測装置３３は、学習用ワークピースの研磨進捗を示すトルク電流の測定値、すなわち研磨モニタリング値を研磨進捗測定器３０から取得する。

【0056】

ステップ３では、研磨終点予測装置３３は、学習用ワークピースの研磨時間に沿った研磨モニタリング値の変化（すなわちトルク電流の測定値の変化）を表す時系列データを生成する。
ステップ４では、研磨終点予測装置３３は、時系列データに含まれるデータ点を用いて、適切な研磨終点予測時間が出力されるように機械学習する。より具体的には、研磨終点予測装置３３は、研磨終点よりも前に現れる特徴データ点を含むデータ点を構成する研磨モニタリング値および研磨時間と、正解ラベルとしての研磨終点時間を含む訓練データを用いて機械学習する。複数の学習用ワークピースを研磨したときの複数の時系列データを用いて上記ステップ１～４を繰り返すことにより、学習済みモデル３４が構築される（ステップ５）。

【0057】

ステップ６では、研磨対象のワークピースＷが研磨モジュール１により研磨される。
ステップ７では、研磨終点予測装置３３は、ワークピースＷの研磨進捗を示すトルク電流の測定値、すなわち研磨モニタリング値を研磨進捗測定器３０から取得する。
ステップ８では、研磨終点予測装置３３は、ワークピースＷの研磨時間に沿った研磨モニタリング値の変化（すなわちトルク電流の測定値の変化）を表す時系列データを生成する。

【0058】

ステップ９では、研磨終点予測装置３３は、ワークピースＷの研磨時に生成された時系列データに含まれるデータ点を学習済みモデル３４に入力する。より具体的には、研磨終点予測装置３３は、研磨終点よりも前に現れる特徴データ点を含むデータ点を構成する研磨モニタリング値および研磨時間を学習済みモデル３４に入力する。
ステップ１０では、研磨終点予測装置３３は、学習済みモデル３４から研磨終点予測時間を出力する。
ステップ１１では、研磨終点予測装置３３は、出力された研磨終点予測時間を含む研磨終了信号を研磨制御部４０に送る。
ステップ１２では、研磨制御部４０は、受信した研磨終了信号に基づいて、研磨モジュール１に指令を発して、研磨終点予測時間でワークピースＷの研磨を終了させる。

【0059】

研磨終点予測装置３３は、記憶装置３３ａに電気的に格納されたプログラムに含まれる命令に従って動作する。すなわち、研磨終点予測装置３３は、ワークピースＷの研磨時に、ワークピースＷの研磨進捗を示す研磨モニタリング値を取得するステップと、ワークピースＷの研磨時間に沿った研磨モニタリング値の変化を表す時系列データを生成するステップと、時系列データに含まれる特徴データ点を構成する研磨モニタリング値および研磨時間を学習済みモデル３４に入力し、学習済みモデル３４から研磨終点予測時間を出力するステップを実行する。

【0060】

これらステップを研磨終点予測装置３３に実行させるためのプログラムは、非一時的な有形物であるコンピュータ読み取り可能な記録媒体に記録され、記録媒体を介して研磨終点予測装置３３に提供される。または、プログラムは、インターネットまたはローカルエリアネットワークなどの通信ネットワークを介して研磨終点予測装置３３に入力されてもよい。

【0061】

上述した実施形態では、学習済みモデル３４に構築に用いられる訓練データのデータ点、および研磨終点予測時間を出力するために学習済みモデル３４に入力されるデータ点として、時系列データ上の研磨初期データ点ＩＰ、および特徴データ点ＦＰ１，ＦＰ２を用いているが、他の実施形態では、これらのデータ点に加えて、以下に説明する中間データ点を用いてもよい。

【0062】

図９に示すように、中間データ点は、時系列データに含まれる４つのデータ点ＤＰ１，ＤＰ２，ＤＰ３，ＤＰ４である。中間データ点ＤＰ１，ＤＰ２は、研磨初期データ点ＩＰと特徴データ点ＦＰ１との間のデータ点である。中間データ点ＤＰ３，ＤＰ４は、２つの特徴データ点ＦＰ１，ＦＰ２の間のデータ点である。中間データ点ＤＰ１～ＤＰ４は、例えば、所定の時間間隔Ｂで分布する複数の研磨時間に対応する時系列データ上のデータ点である。図９に示す中間データ点の数は４つであるが、中間データ点の数はこれに限られず、３つ以下、あるいは５つ以上であってもよい。

【0063】

この場合、学習済みモデル３４の構築に使用される訓練データは、学習用ワークピースの研磨により生成された時系列データに含まれる、研磨終点までに現れる特徴データ点および中間データ点ＤＰ１～ＤＰ４を構成する研磨モニタリング値および研磨時間と、正解ラベルとしての研磨終点時間を含む。訓練データは、学習用ワークピースの初期研磨データ点ＩＰを構成する研磨モニタリング値および研磨時間をさらに含んでもよい。

【0064】

また、研磨終点予測装置３３は、研磨対象のワークピースＷの研磨時に生成された研磨モニタリング値の時系列データに含まれる、研磨終点までに現れる特徴データ点および中間データ点ＤＰ１～ＤＰ４を構成する研磨モニタリング値および研磨時間を学習済みモデル３４に入力して、学習済みモデル３４から研磨終点予測時間を出力する。訓練データに研磨初期データ点ＩＰが含まれる場合には、研磨終点予測装置３３は、特徴データ点および中間データ点に加えて、ワークピースＷの研磨時に生成された研磨モニタリング値の時系列データに含まれる研磨初期データ点ＩＰを構成する研磨モニタリング値および研磨時間を学習済みモデル３４に入力する。

【0065】

学習済みモデル３４に構築に用いられる訓練データのデータ点、および研磨終点予測時間を出力するために学習済みモデル３４に入力されるデータ点として、中間データ点ＤＰ１～ＤＰ４を用いることにより、時系列データの波形をより正確に特定することができる。したがって、研磨終点予測装置３３は、学習済みモデル３４から出力される研磨終点予測時間の精度を高めることができる。

【0066】

さらに他の実施形態では、学習済みモデル３４の構築に使用される訓練データは、研磨モジュール１に使用されている研磨パッド２の総使用時間、研磨パッド２の種類、学習用ワークピースの研磨に使用されている研磨液の種類、および学習用ワークピースの種類のうち少なくとも１つの補助情報をさらに含んでもよい。研磨終点予測装置３３は、特徴データ点を構成する研磨モニタリング値および研磨時間と、上記補助情報と、正解ラベルとしての研磨終点時間を含む訓練データを用いて機械学習を実行し、学習済みモデル３４を構築する。上述したように、訓練データは、初期研磨データ点および／または中間データ点を構成する研磨モニタリング値および研磨時間をさらに含んでもよい。

【0067】

この場合、研磨終点予測装置３３は、研磨対象のワークピースＷの研磨時に生成された研磨モニタリング値の時系列データに含まれる、少なくとも研磨終点までに現れる特徴データ点を含むデータ点を構成する研磨モニタリング値および研磨時間に加えて、上記補助情報を学習済みモデル３４にさらに入力して、学習済みモデル３４から研磨終点予測時間を出力する。より具体的には、研磨終点予測装置３３は、研磨モジュール１に使用されている研磨パッド２の総使用時間、研磨パッド２の種類、ワークピースＷの研磨に使用されている研磨液の種類、およびワークピースＷの種類のうち少なくとも１つの補助情報をさらに学習済みモデル３４に入力して、学習済みモデル３４から研磨終点予測時間を出力する。

【0068】

補助情報である研磨モジュール１に使用されている研磨パッド２の総使用時間、研磨パッド２の種類、ワークピースの研磨に使用されている研磨液の種類、およびワークピースの種類は、いずれも時系列データ（すなわち、研磨モニタリング値の変化）に影響を及ぼすパラメータである。これらの補助情報を入力することにより、研磨終点予測装置３３は、学習済みモデル３４から出力される研磨終点予測時間の精度を高めることができる。特に、ワークピースの種類は、時系列データ上の特徴データ点の出現パターンとの関連性が高いため、ワークピースの種類を補助情報として用いることにより、学習用ワークピースが少数であっても、精度よく研磨終点時間を予測することができる。

【0069】

今まで説明した実施形態では、研磨モニタリング値は、ワークピースＷと研磨パッド２との摩擦に起因して変化するトルク電流の測定値である。ワークピースＷと研磨パッド２との間に発生する摩擦力は、ワークピースＷと研磨パッド２との相対移動に伴って発生する。テーブル回転モータ１８は、ワークピースＷと研磨パッド２とを相対移動させるモータの一例である。ワークピースＷと研磨パッド２との間に発生する摩擦力は、研磨ヘッド６がワークピースＷを研磨パッド２に押し付けているときに研磨ヘッド６を回転させる研磨ヘッド回転モータ１２に供給されるトルク電流にも変化を生じさせる。したがって、一実施形態では、図１０に示すように、研磨進捗測定器３０は、研磨ヘッド回転モータ１２に供給されるトルク電流を測定するトルク電流検出器（すなわち、研磨ヘッド回転トルク電流検出器）であってもよい。さらに、ワークピースＷの研磨中に研磨ヘッド６をアーム揺動モータ１６により揺動させる場合には、図１１に示すように、研磨進捗測定器３０は、アーム揺動モータ１６に供給されるトルク電流を測定するトルク電流検出器（すなわち、研磨ヘッド揺動トルク電流検出器）であってもよい。

【0070】

今まで説明した研磨終点検出システム７は、研磨モニタリング値としてトルク電流の測定値を使用しているが、研磨モニタリング値はトルク電流の測定値に限定されない。一実施形態では、図１２に示すように、研磨進捗測定器３０は、ワークピースＷの膜厚を測定する膜厚測定センサであり、研磨モニタリング値はワークピースＷの膜厚指標値であってよい。図１２に示す実施形態では、膜厚測定センサは研磨テーブル３内に配置されており、研磨テーブル３とともに回転する。膜厚測定センサは、研磨パッド２上のワークピースＷを横切りながら、ワークピースＷの膜厚を測定するように構成される。膜厚測定センサの例としては、渦電流センサや光学式センサが挙げられる。このような膜厚測定センサを用いて膜厚を測定する構成は、公知のものを採用することができる。

【0071】

上述した実施形態は、本発明が属する技術分野における通常の知識を有する者が本発明を実施できることを目的として記載されたものである。上記実施形態の種々の変形例は、当業者であれば当然になしうることであり、本発明の技術的思想は他の実施形態にも適用しうる。したがって、本発明は、記載された実施形態に限定されることはなく、特許請求の範囲によって定義される技術的思想に従った最も広い範囲に解釈されるものである。

【符号の説明】

【0072】

Ｗ ワークピース
１ 研磨モジュール
２ 研磨パッド
２ａ 研磨面
３ 研磨テーブル
３ａ テーブル軸
５ ヘッドシャフト
６ 研磨ヘッド
７ 研磨終点検出システム
１０ トルク伝達機構
１２ 研磨ヘッド回転モータ
１５ ヘッドアーム
１６ アーム揺動モータ
１８ テーブル回転モータ
２０ 研磨液供給ノズル
３０ 研磨進捗測定器
３３ 研磨終点予測装置
３３ａ 記憶装置
３３ｂ 演算装置
３４ 学習済みモデル
４０ 研磨制御部
１０１ 入力層
１０２ 隠れ層
１０３ 出力層

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】