晶圆切割深度动态补偿的智能决策模型与 TTV 预测控制

摘要：本文针对超薄晶圆切割过程中 TTV 均匀性控制难题，研究晶圆切割深度动态补偿的智能决策模型与 TTV 预测控制方法。分析影响切割深度与 TTV 的关键因素，阐述智能决策模型的构建思路及 TTV 预测控制原理，为实现晶圆高质量切割提供理论与技术参考。

一、引言

在半导体制造技术不断进步的背景下，超薄晶圆的应用愈发广泛，其切割工艺的精度要求也日益严苛。切割深度的精准控制对保障晶圆 TTV 均匀性至关重要，传统控制方法难以应对复杂多变的切割工况。基于智能决策模型的切割深度动态补偿与 TTV 预测控制，成为提升晶圆切割质量的关键技术，相关研究对推动半导体制造产业发展具有重要价值。

二、影响切割深度与 TTV 的关键因素

（一）设备与工艺参数

切割设备的主轴转速、进给速度、切割刀具磨损程度等直接影响切割深度。主轴转速不稳定会导致切割力波动，进给速度不当易造成切割热累积，刀具磨损则改变刀刃形状，这些因素均会使切割深度出现偏差，进而影响 TTV 均匀性。

（二）晶圆材料特性

不同类型的晶圆材料，其硬度、热膨胀系数、内部应力分布等特性存在差异。在切割过程中，材料特性会影响切割力大小、切割热产生以及材料去除方式，致使切割深度难以稳定控制，最终影响 TTV。

三、智能决策模型的构建

（一）数据采集与预处理

利用多种传感器实时采集切割过程中的设备参数、工艺参数以及晶圆状态数据，如切割力、温度、刀具振动等。对采集到的原始数据进行清洗、降噪与归一化处理，消除数据中的异常值与干扰因素，为模型训练提供高质量数据。

（二）模型架构设计

采用深度学习算法，如卷积神经网络（CNN）与长短期记忆网络（LSTM）相结合的架构。CNN 用于提取数据中的空间特征，捕捉切割参数与晶圆状态之间的局部关联；LSTM 则处理时间序列数据，分析切割过程中参数变化的时间依赖关系，从而实现对切割深度动态补偿决策的智能判断。

四、TTV 预测控制方法

（一）预测模型建立

基于历史切割数据与对应的 TTV 测量结果，运用机器学习算法，如随机森林、支持向量回归等，构建 TTV 预测模型。通过对大量数据的学习，挖掘切割过程参数与 TTV 之间的潜在映射关系，实现对 TTV 的准确预测。

（二）闭环控制策略

将 TTV 预测结果与设定的目标值进行对比，若预测 TTV 超出允许范围，智能决策模型根据偏差情况生成切割深度动态补偿指令，调整切割设备参数，形成 “数据采集 - TTV 预测 - 决策补偿 - 效果反馈” 的闭环控制流程，实现对 TTV 的有效控制。

高通量晶圆测厚系统运用第三代扫频OCT技术，精准攻克晶圆/晶片厚度TTV重复精度不稳定难题，重复精度达3nm以下。针对行业厚度测量结果不一致的痛点，经不同时段测量验证，保障再现精度可靠。​

我们的数据和WAFERSIGHT2的数据测量对比,进一步验证了真值的再现性：

（以上为新启航实测样品数据结果）

该系统基于第三代可调谐扫频激光技术，相较传统双探头对射扫描，可一次完成所有平面度及厚度参数测量。其创新扫描原理极大提升材料兼容性，从轻掺到重掺P型硅，到碳化硅、蓝宝石、玻璃等多种晶圆材料均适用：​

对重掺型硅，可精准探测强吸收晶圆前后表面；​

点扫描第三代扫频激光技术，有效抵御光谱串扰，胜任粗糙晶圆表面测量；​

通过偏振效应补偿，增强低反射碳化硅、铌酸锂晶圆测量信噪比；

（以上为新启航实测样品数据结果）

支持绝缘体上硅和MEMS多层结构测量，覆盖μm级到数百μm级厚度范围，还可测量薄至4μm、精度达1nm的薄膜。

（以上为新启航实测样品数据结果）

此外，可调谐扫频激光具备出色的“温漂”处理能力，在极端环境中抗干扰性强，显著提升重复测量稳定性。

（以上为新启航实测样品数据结果）

系统采用第三代高速扫频可调谐激光器，摆脱传统SLD光源对“主动式减震平台”的依赖，凭借卓越抗干扰性实现小型化设计，还能与EFEM系统集成，满足产线自动化测量需求。运动控制灵活，适配2-12英寸方片和圆片测量。