半导体制造产业正在全球范围内高速发展,先进的半导体制造厂商已经开始大规模采用芯片关键尺寸为65nm的半导体制造技术,300mm晶圆已成为主流产品。随着半导体器件关键尺寸的不断减小、集成度的不断提高和晶圆尺寸的不断增大,半导体制造过程变得越来越复杂,对半导体制备及其自动化水平要求越来越高。半导体制造过程控制性能直接决定半导体产品的良率、再工次数和半导体制造企业的产能及经济效益,半导体制造过程控制的研究具有重要的意义。受过程扰动和漂移的影响,半导体制造不同批次间需采用不同的制程方案(Recipe)。由于大部分半导体制造过程缺乏在线传感器,产品的质量不能在线测量,只能在当前批次结束后离线测量,因此Run-to-Run(R2R)控制成为半导体制造过程控制的主要方式。R2R控制根据对历史批次数据的分析,通过某种R2R控制方法调节不同批次间的制程方案,达到抑制扰动和漂移的影响,降低不同批次间产品的质量差异,进而提高产品良率的目的。　　 化学机械研磨(CMP)是半导体制造中重要的过程之一,能实现器件多层金属互连和晶圆表面全局平坦化。CMP过程性能对后续工艺如光刻、蚀刻非常重要,是实现超大规模集成电路(ULSI)制造的关键技术。CMP过程包括复杂的物理和化学过程,受环境噪声、研磨残料和研磨垫老化等因素引起的过程扰动和漂移的影响,随着批次的增加,产品质量不可避免的存在差异,R2R控制成为CMP过程控制的主要手段。CMP过程R2R控制成为半导体制造过程控制中重要的研究内容,CMP过程R2R控制方法的研究具有重要的理论意义和实用价值。　　 本文依托国家科技重大专项课题“集束式控制平台与软件”(2009ZX02001-005)、“设备模块控制器开发与系统参数分析及模块国产化”(2009ZX02008-003)和沈阳市科技计划项目“符合SEMI标准的IC装备自动化控制系统开发平台”(108155-2-00),针对非线性、时变和扰动不可测量的CMP过程R2R控制问题,重点开展了以下五个方面的研究工作:　　 首先,对CMP过程机理和预测控制的原理进行了充分的分析,给出了CMP过程的模型,提出了一种基于非线性预测模型和智能优化算法的CMP过程R2R预测控制方法的框架。由于半导体制造过程均具有非线性和时变等特征,此框架对半导体制造其它过程R2R控制器的设计具有重要的参考价值。　　 第二,提出了基于T-S模糊预测模型和广义预测控制算法的CMP过程单输入单输出R2R预测控制方法。使用历史批次样本数据由G-K聚类算法、最小二乘法辨识CMP过程的T-S模糊预测模型并采用递推最小二乘法在线更新此预测模型,解决了线性预测模型的失配问题,提高了预测模型的精度。将T-S模糊预测模型转化为CARIMA模型,采用广义预测控制算法求取最优控制律,提高了控制精度。仿真实验验证了方法的有效性。　　 第三,提出了基于RBF神经网络预测模型和粒子群(PSO)滚动优化算法的CMP过程多输入单输出R2R预测控制方法。使用历史批次样本数据由减聚类算法、最小二乘法建立CMP过程的RBF神经网络预测模型,采用GM(1,1)模型由前驱批次的预测误差对后续批次的扰动进行估计实现反馈校正,解决了难以建立CMP过程非线性预测模型的难题。采用基于PSO的滚动优化算法求取最优控制律,解决了基于梯度的滚动优化算法易于陷入局部最优的问题,提高了控制精度。仿真实验验证了方法的有效性。　　 第四,提出了基于在线灰色GM(1,N)预测模型和克隆选择(CSA)滚动优化算法的CMP过程多输入单输出R2R预测控制方法。使用历史批次样本数据建立CMP过程的灰色GM(1,N)预测模型,采用加权平均法由前驱批次预测误差对后续批次的扰动进行估计实现反馈校正,解决了难以建立CMP过程在线非线性预测模型的难题,提高了在线预测模型的精度。采用基于克隆选择的滚动优化算法求取最优控制律,提高了控制精度。仿真实验验证了方法的有效性。　　 第五,提出了基于最小二乘支持向量机预测模型和克隆选择多目标滚动优化算法的CMP过程多输入多输出R2R预测控制方法。使用历史批次样本数据分别建立CMP过程的MRR、WIWNU的最小二乘支持向量机预测模型,采用贝叶斯证据框架方法对模型中的参数进行优化,采用双指数加权移动平均方法由前驱批次的预测误差对后续批次的扰动进行估计实现反馈校正,解决了难以建立CMP过程非线性多输入多输出预测模型的难题。采用基于克隆选择的多目标滚动优化算法求取最优控制律,解决了CMP过程多变量控制的难题和提高了控制精度。仿真实验验证了方法的有效性。　　 综上所述,本文提出了基于非线性预测模型和智能优化算法的CMP过程R2R预测控制方法的框架,在此框架的基础上分别提出了单输入单输出、多输入单输出和多输入多输出的R2R预测控制方法,为CMP过程和其它半导体制造过程的R2R控制器的研究提供了一种新的研究思路和方法。