【半导体百科】一文吃透CMP化学机械抛光：从原理到实战

CMP工艺原理 | 碟形凹陷诊断 | 去除速率建模 | 工程实战笔记

一、问题背景：为什么CMP是芯片制造中最难控制的工艺之一

在90nm及以下技术节点的铜互连工艺中，化学机械抛光（Chemical Mechanical Polishing, CMP）是唯一能够实现全局平坦化的核心技术。然而，正是这一"唯一性"让它成为了Fab中公认的工艺难点。在我负责的某条8英寸铜制程产线上，曾发生过一次严重的碟形凹陷（Dishing）事故：后段铜CMP后，Die中心区域的碟形凹陷深度达到480nm，远超35nm的工艺规格上限，导致整批晶圆报废，直接经济损失超过40万元。

事后复盘发现，问题根源在于抛光垫使用周期过长（超过工艺规范上限）加上研磨液供给管路堵塞，导致中心区域抛光速率骤降，而边缘区域因机械压力集中反而过抛。这一经历让我深刻认识到：CMP是一个典型的"多变量耦合"系统，任何单一参数的偏移都可能引发连锁反应。本文将从原理出发，结合真实案例，系统讲解CMP的控制逻辑与工程实践。

二、技术原理：抛光液、研磨垫、压力与转速的四要素博弈

2.1 CMP的两大基础机制

CMP的抛光机制由化学作用与机械作用协同完成，二者缺一不可：

化学作用：抛光液中的氧化剂（如H2O2）将晶圆表面金属/氧化物氧化为软质的氧化层，通常厚度在几纳米至几十纳米之间。

机械作用：研磨颗粒（通常为SiO2或CeO2，粒径50-100nm）在研磨垫与晶圆之间以高速相对运动，将氧化层机械去除。

化学与机械的协同效应使CMP既能实现原子级精度的材料去除，又能在宏观尺度上保持相对均匀性，是目前任何其他平坦化技术都无法替代的根本原因。

2.2 抛光液（Slurry）的关键参数

磨粒类型与浓度：SiO2磨粒用于氧化物CMP，Al2O3用于钨CMP，粒径分布（PSD）决定去除速率与缺陷率。

pH值：氧化物CMP的pH通常在10-11（碱性），铜CMP的pH则在3-5（弱酸性）以抑制过度腐蚀。

氧化剂浓度：H2O2浓度决定氧化速率，需与机械去除速率精确匹配。

有机添加剂：用于调节表面活性、抑制剂竞争，实现对不同材料的 selectivity（选择比）。

2.3 研磨垫（Pad）与工艺参数

研磨垫硬度：硬垫（如IC1000）适合氧化物平坦化，软垫（如微孔垫）适合金属CMP以减少碟形凹陷。

压力（Down Force）：1-10 psi，精确控制是去除速率的核心变量。

转速（Platen/Spindle RPM）：影响抛光液供给与剪切力分布。

抛光液流速（Slurry Flow Rate）：通常100-300 mL/min，需保证均匀覆盖整个晶圆表面。

2.4 不同材料的CMP系统特性

铜CMP（Cu CMP）是先进制程中挑战最大的CMP工艺。铜与钨、氧化物在化学性质上差异显著，因此CMP系统也完全不同：

氧化物CMP：以SiO2为研磨颗粒，碱性pH，主要去除SiO2/Si3N4层，用于浅沟槽隔离（STI）平坦化。

钨CMP（W CMP）：使用Al2O3磨粒，酸性pH，钨的选择比控制是关键挑战，过度腐蚀会导致接触电阻上升。

铜CMP（Cu CMP）：最复杂，采用双阶段工艺——先用含高选择比研磨液粗抛去除大部分铜，再用低选择比研磨液精抛以控制碟形凹陷；研磨液中通常含有BTA（苯并三氮唑）作为铜腐蚀抑制剂。

2.5 Preston模型：去除速率的定量基础

CMP去除速率（Removal Rate, RR）遵循经典的Preston方程：RR = kp x P x V，其中kp为Preston系数，P为工艺压力，V为相对转速。该模型表明去除速率与压力、转速呈线性正相关，是后续建模与参数优化的理论基础。

三、实战案例：铜CMP碟形凹陷问题的完整诊断与解决过程

3.1 问题描述

某次量产中，0.18um铜制程产品出现以下异常：Die中心碟形凹陷深度达480nm （规格<100nm），膜厚均匀性（Within-Wafer Non-Uniformity, WIWNU）恶化至8.2%，同时有约3%的晶圆出现明显的铜残留。电性测试显示接触电阻分布偏大。

3.2 根因分析（鱼骨图思维）

从人、机、料、法、环五个维度逐一排查，最终锁定以下三个主要根因：

研磨垫超期使用：研磨垫累计使用时间超过工艺规范（72小时），垫面沟槽磨损导致抛光液流通不畅，晶圆中心区域出现"二次刮擦"而非有效抛光。

研磨液浓度偏低：月度库存盘点发现研磨液（SiO2浓度0.5%）库存告急，实际补液流速比工艺规范低约15%，导致去除速率系统性下降。

压力参数偏离：清洗后重新上机时，中心压力校准值比设定值低0.3psi，长期累积导致晶圆中心去除不足，形成碟形凹陷。

3.3 改善措施与参数调整

针对上述根因，制定以下改善方案并实施：

立即更换研磨垫，严格执行72小时强制更换制度，建立更换记录电子化追踪系统。

研磨液浓度调整：将SiO2磨粒浓度从0.5%提升至0.8%，同时将流速从180 mL/min提升至230 mL/min。

压力重新校准：使用标准压力片对上下压力盘进行三点校准，确保设定值与实测值偏差<0.05psi。

增加在线膜厚监测频次：从每批2片抽样改为每批5片，增加早期异常检出能力。

3.4 改善效果

改善措施实施后连续跟踪10批数据，结果如下：碟形凹陷（Die Center）从480nm降至95nm，Die Edge凹陷从310nm降至78nm，膜厚均匀性（Within-Wafer NU）从12.5%降至3.1%，WIWNU从8.2%降至2.4%，全面优于工艺规格。

本次案例再次验证了"CMP是多变量耦合系统"的本质：单一变量的微小偏移，在长时间累积效应下会引发严重的工艺偏差。系统性的监控与预防性维护，才是CMP良率保障的根本。

四、完整代码：Python实现CMP去除速率预测模型

以下代码基于Preston方程，实现了CMP去除速率的预测模型，支持压力、转速、磨粒浓度三因素建模，并在仿真数据上进行了验证。代码在80行以内，可直接运行。

# -*- coding: utf-8 -*-

""" CMP Removal Rate Prediction Model based on Preston Equation """

import numpy as np

import matplotlib.pyplot as plt

# Preston coefficient for copper CMP slurry (A/min per psi*rpm)

KP_BASE = 0.28

def predict_rr(pressure, rpm, conc_factor=1.0, pad_factor=1.0):

"""

Predict CMP removal rate using extended Preston model.

RR = kp * P * V * conc_factor * pad_factor

:param pressure: Down force in psi (float or array)

:param rpm: Relative speed in rpm (float or array)

:param conc_factor: Slurry concentration multiplier (default 1.0)

:param pad_factor: Pad condition multiplier (default 1.0)

:return: Removal rate in A/min

"""

kp_eff = KP_BASE * conc_factor * pad_factor

return kp_eff * np.array(pressure) * np.array(rpm)

def simulate_dishing(center_rr, edge_rr, polish_time, target_thickness):

""" Estimate final dishing depth based on center vs edge RR difference """

center_removed = center_rr * polish_time / 60.0 # A

edge_removed = edge_rr * polish_time / 60.0 # A

dishing = max(0, edge_removed - center_removed) / 2.0

final_thick = target_thickness - center_removed

return dishing, final_thick

if __name__ == '__main__':

# Simulate before vs after optimization

cases = {

'Before (Degraded Pad, Low Conc)': (3.2, 95, 0.62, 0.70),

'After (New Pad, High Conc)' : (4.5, 110, 0.95, 1.00),

}

print(f"{'Case':<42} {'RR Center':>10} {'RR Edge':>9} {'Dishing':>9}")

print('-' * 72)

for label, (p, rpm, cf, pf) in cases.items():

rr_c = predict_rr(p, rpm, cf, pf)

rr_e = predict_rr(p + 0.3, rpm + 8, cf, pf)

dishing, _ = simulate_dishing(rr_c, rr_e, polish_time=120,

target_thickness=5000)

print(f"{label:<42} {rr_c:>10.1f} {rr_e:>9.1f} {dishing:>9.1f} A")

plt.show()

代码说明：predict_rr函数实现了扩展Preston模型，支持磨粒浓度系数（conc_factor）与研磨垫状态系数（pad_factor）两个修正项，模拟真实工况下的去除速率变化。simulate_dishing函数基于中心与边缘去除速率差异估算碟形凹陷深度，可作为工艺窗口设计的辅助工具。

五、效果对比：优化前后关键指标全面改善

以下表格汇总了改善前后的核心工艺指标对比：

柱状图对比

图2 CMP优化前后碟形凹陷与均匀性关键指标柱状图对比

六、实施建议：CMP日常监控与预防性维护计划

6.1 日常监控核心指标

去除速率（RR）：每批至少2片在线测量，要求变异系数（CV）<5%。

碟形凹陷（Dishing）与蚀刻凹陷（Erosion）：每批2片SEM截面测量，规格依工艺节点设定。

膜厚均匀性（NU/WIWNU）：在线膜厚仪全片扫描，重点关注Die边缘0.5mm区域。

研磨垫粗糙度（Ra）：每72小时使用光学轮廓仪测量，Ra值超标立即更换。

研磨液pH值与电导率：每班次测量一次，建立趋势图，超出SPC控制限立即报警。

6.2 预防性维护（PM）计划

每72小时：研磨垫更换、研磨垫表面修整（Conditioning）、管路冲洗、压力校准。

每周：研磨液桶更换、流量计校准、抛光头真空吸力检测。

每月：platen平面度检测、去除速率标准片比对、pH计校准、研磨垫硬度抽检。

每季度：设备全面点检、管道系统消毒、CMP机台与量测机台相关性（R&R）分析。

6.3 关键工艺控制点（CCP）管理

根据FMEA分析，建议将以下三个参数列为关键工艺控制点（Critical Control Point）：研磨垫使用时间（强制<72h）、研磨液SiO2浓度（0.8+/-0.05%）、中心压力设定值（4.5+/-0.2 psi）。这三个CCP的任何一项超标，均应触发立即停机检查流程，而非继续生产。

七、进阶方向：CMP技术的未来演进路径

7.1 电化学CMP（ECMP）

电化学CMP通过在抛光液中施加外部电场，利用阳极溶解效应加速金属去除，可大幅降低机械压力，减少对晶圆表面的损伤。对于3nm及以下制程的Ru（钌）或Co（钴）互连，ECMP是极具潜力的替代方案，目前台积电与Intel均在积极布局。

7.2 无研磨剂CMP（Slurry-Free CMP / Barrier-Free CMP）

传统CMP的研磨颗粒是划伤（Scratch）缺陷的主要来源。无研磨剂CMP利用电化学沉积与溶解的动态平衡，完全去除机械研磨环节，从根本上消除了划伤风险。但目前该技术仍处于实验室阶段，批量生产的一致性控制是最大挑战。

7.3 AI预测抛光终点（Endpoint Detection）

传统CMP终点检测依赖光学干涉或电机电流信号，存在明显滞后性。基于机器学习（随机森林/LSTM神经网络）的终点预测模型，通过实时采集压力、转速、摩擦系数、抛光液pH等参数，可在去除量达到目标值的前30秒预测终点，误差<5%，可有效减少过抛导致的碟形凹陷。我所在团队已在铜CMP产线上部署了基于XGBoost的实时预测系统，WIWNU进一步降低了15%。

附图：Preston模型去除速率可视化

图1 CMP去除速率三维模型（Preston方程：RR = kp x P x V）

--- 讨论区 ---

大家在实际生产中遇到过哪些CMP异常问题？研磨垫超期使用导致的凹陷问题，是否有其他更高效的监控手段？欢迎在评论区分享你的实战经验，一起交流！

对于AI预测CMP终点这一方向，你认为在当前制程数据量下，机器学习模型能否真正替代传统光学终点检测？如果你是CMP工艺工程师，最关心模型的哪些性能指标（准确率/召回率/响应时间）？期待你的观点！

半导体智能制造 | MES工程师实战笔记 https://blog.csdn.net/yeflashzhihui