【摘 要】
:
随着集成电路等领域的发展需求迅猛增加,对用于制造芯片的晶圆表面加工质量和精度提出了越来越严格的要求,要求其具有极高的光滑度、洁净度和平整度。但是高质量、高效率的晶圆平坦化抛光是极其困难的,目前该项技术仍被少数国家或地区所垄断。传统抛光手段易对晶圆表面造成划痕、亚表面损伤和碎片等现象,而磁流变抛光技术具有法向压力低不易造成表面损伤、材料去除量可控等优点,可实现晶圆表面高质量抛光,但由于整体柔性接触的
论文部分内容阅读
随着集成电路等领域的发展需求迅猛增加,对用于制造芯片的晶圆表面加工质量和精度提出了越来越严格的要求,要求其具有极高的光滑度、洁净度和平整度。但是高质量、高效率的晶圆平坦化抛光是极其困难的,目前该项技术仍被少数国家或地区所垄断。传统抛光手段易对晶圆表面造成划痕、亚表面损伤和碎片等现象,而磁流变抛光技术具有法向压力低不易造成表面损伤、材料去除量可控等优点,可实现晶圆表面高质量抛光,但由于整体柔性接触的特征难以实现理想的表面平整度。在磁流变抛光实验中发现多磁极排布的磁场发生装置对晶圆表面平整度造成了巨大的影响。本文针对多磁极布局的半导体晶圆磁流变平坦化抛光进行了系统性研究,深入研究了磁场特征量与材料去除之间的映射关系,建立了晶圆表面平整度预测模型,实现了平坦化抛光的多磁极排布方式的磁场发生装置设计。本文的主要研究内容和成果如下:首先,明确了磁场特征量与抛光正压力之间的映射关系,并对晶圆表面微元点的运动轨迹进行建模与仿真分析。分析磁流变抛光液中磁粒和磨粒的受力状态,进而确定了磁场特征量与晶圆所受抛光正压力之间的映射关系,建立抛光正压力基础模型,并通过实验验证了数学模型的正确性。此外,建立运动轨迹模型,求得晶圆表面抛光点所受抛光正压力和相对速度的变化过程。随后,基于Preston方程和微元材料去除机理建立了面向晶圆表面的材料去除模型,在此模型基础上建立了晶圆表面平整度预测模型。通过磁流变抛光实验对抛光过程中晶圆表面平整度预测模型进行了验证。利用白光干涉仪测量抛光后的晶圆表面形貌,通过对比仿真和实验得到的晶圆表面形貌和平整度验证了平整度预测模型的准确性。在此模型基础上,研究工艺参数对表面平整度的影响,为确定多磁极排布方式的研究提供较优的工艺参数组合。最后,研究了多磁极布局方式对抛光接触面域内磁场分布的影响,分析了典型多磁极布局对晶圆表面平整度的影响。考虑兼顾抛光效率和质量定义了综合平整度,进而对比不同多磁极布局的优劣。为了得到最佳的磁极参数组合,提出了多磁极排布方式下磁极参数组合问题的求解方法。借助基于遗传算法优化的BP神经网络对不同磁极参数下的综合平整度进行预测,进而得到了最佳的磁极参数组合,实现了平坦化抛光的多磁极排布磁场发生装置设计。
其他文献
燃料电池汽车因其无污染零排放,得到了快速发展,然而,限制燃料电池汽车商业化的一个主要因素是燃料电池耐久性问题,兼顾整车动力性,经济性及电池使用寿命是氢燃料电池汽车科研领域的难题。本文以增程式燃料电池轿车为研究对象,针对燃料电池性能衰减问题,研究燃料电池衰退机理以及燃料电池健康状态(SOH:State Of Health)估计方法,并基于对SOH的识别,提出了基于燃料电池健康状态的整车能量控制策略,
转辙机是铁路系统中最重要的机电设备之一,存在动作频繁和工作条件复杂的特点,若出现故障会对铁路运营造成严重影响。但目前采用的维修方式多为基于经验知识的方法,基于专家或工作人员的经验判断故障类型,再进行维修,具有依赖人工以及效率低下的问题。为解决上述问题,并实现对故障的预测,以降低维修成本,保障铁路安全高效运营,本论文对转辙机的故障诊断和故障预测进行了研究。(1)转辙机工作原理的分析及数据预处理。研究
钩缓装置作为铁路货车的重要组成部分,其检修设置的科学性影响车辆运行安全和运行成本。随着高速重载战略的不断推进和货车运用量的增加,给货车钩缓装置的维修管理带来了巨大挑战。既有的定期全列检修策略缺乏充分的科学依据且难以满足精细化管理要求,亟需制定新的维修策略。但由于钩缓装置部件多,结构复杂,前期失效规律研究积累有限,难以得到维修策略优化模型的解析解,且模型的实际应用能力受限。为此,本文利用蒙特卡洛仿真
机器翻译是利用计算语言学技术,将源语言自动翻译成目标语言的一项技术。鉴于机器翻译的深远研究意义和广阔应用前景,产业界和学术界都将其视为重点的研究方向,成为当前自然语言处理最具有挑战性的研究领域之一。伴随着近几年神经网络技术的大力发展和数据资源的进一步丰富,基于神经网络的机器翻译系统(Neural Machine Translation,NMT)已经逐渐成为机翻翻译领域的主流方法。然而目前的神经网络
当前,交通拥堵已成为各大城市的“通病”,由此引发的交通污染、交通安全等问题也严重困扰着城市的发展。ITS作为缓解交通拥堵的有效措施,近年来越发受到重视。作为ITS的重要功能,交通控制与诱导能够从微观意义上调整交通管理控制方案,其调控策略的成效就依赖于短时交通流预测的结果。本文针对快速路交通流特性,提出基于时钟循环神经网络的多车道短时交通速度预测模型,并在此基础上渐进式地完善模型,兼顾预测精度与效率
机车信号设备作为列车运行控制系统的重要组成部分,在保障行车安全方面起着重要的作用。随着高速和重载铁路的发展,电磁干扰愈发严重,机车类型更加多样,在特定骚扰环境下,传统的滤波方式不能快速有效滤除有用信号频带内的噪声,现有的机车信号解码方法已难以满足需求。在此背景下,本文基于机车信号的时域频域特点及干扰耦合方式,结合深度学习技术,提出了基于优化的去噪卷积神经网络(Denoising Convoluti
近几年,随着计算资源的提升和大数据的发展,深度学习模型执行任务的能力也得到了较大的提升。在计算机视觉研究中,例如图像分类、目标检测、图像分割等任务,卷积神经网络模型表现出了非常优异的性能,尤其在某些任务中其执行能力可以超越人类的感知能力。然而随着终端部署的需要,深度模型占存大、运行速度慢等问题逐步凸显。深度模型压缩算法通过将模型参数剪枝去除或者转换为低精度数据类型等方式,将模型的占存压缩到较低水平
随着全球经济的稳定提升和电力行业的迅速发展,在各个国家的总用电量大幅增长的同时,电力负荷峰谷间的差值也在不断扩大,日益凸显出电力供需的不平衡问题。储能技术作为能源转型的重要技术支撑,可有效的解决电网供需矛盾。同时由于储能技术经济性的提高和政府相关激励政策的出台,储能的发展正逐步由前瞻性研究转向项目示范。但现阶段储能系统在用户侧的运营效益仍未较好体现,单一用户的投资经济效益较差,如何以尽可能小的投资