摘要：本文針對超薄晶圓切割過程中 TTV 均勻性控制難題，研究晶圓切割深度動態補償的智能決策模型與 TTV 預測控制方法。分析影響切割深度與 TTV 的關鍵因素，闡述智能決策模型的構建思路及 TTV 預測控制原理，為實現晶圓高質量切割提供理論與技術參考。

一、引言

在半導體制造技術不斷進步的背景下，超薄晶圓的應用愈發廣泛，其切割工藝的精度要求也日益嚴苛。切割深度的精準控制對保障晶圓 TTV 均勻性至關重要，傳統控制方法難以應對復雜多變的切割工況。基于智能決策模型的切割深度動態補償與 TTV 預測控制，成為提升晶圓切割質量的關鍵技術，相關研究對推動半導體制造產業發展具有重要價值。

二、影響切割深度與 TTV 的關鍵因素

（一）設備與工藝參數

切割設備的主軸轉速、進給速度、切割刀具磨損程度等直接影響切割深度。主軸轉速不穩定會導致切割力波動，進給速度不當易造成切割熱累積，刀具磨損則改變刀刃形狀，這些因素均會使切割深度出現偏差，進而影響 TTV 均勻性。

（二）晶圓材料特性

不同類型的晶圓材料，其硬度、熱膨脹系數、內部應力分布等特性存在差異。在切割過程中，材料特性會影響切割力大小、切割熱產生以及材料去除方式，致使切割深度難以穩定控制，最終影響 TTV。

三、智能決策模型的構建

（一）數據采集與預處理

利用多種傳感器實時采集切割過程中的設備參數、工藝參數以及晶圓狀態數據，如切割力、溫度、刀具振動等。對采集到的原始數據進行清洗、降噪與歸一化處理，消除數據中的異常值與干擾因素，為模型訓練提供高質量數據。

（二）模型架構設計

采用深度學習算法，如卷積神經網絡（CNN）與長短期記憶網絡（LSTM）相結合的架構。CNN 用于提取數據中的空間特征，捕捉切割參數與晶圓狀態之間的局部關聯；LSTM 則處理時間序列數據，分析切割過程中參數變化的時間依賴關系，從而實現對切割深度動態補償決策的智能判斷。

四、TTV 預測控制方法

（一）預測模型建立

基于歷史切割數據與對應的 TTV 測量結果，運用機器學習算法，如隨機森林、支持向量回歸等，構建 TTV 預測模型。通過對大量數據的學習，挖掘切割過程參數與 TTV 之間的潛在映射關系，實現對 TTV 的準確預測。

（二）閉環控制策略

將 TTV 預測結果與設定的目標值進行對比，若預測 TTV 超出允許范圍，智能決策模型根據偏差情況生成切割深度動態補償指令，調整切割設備參數，形成 “數據采集 - TTV 預測 - 決策補償 - 效果反饋” 的閉環控制流程，實現對 TTV 的有效控制。

高通量晶圓測厚系統運用第三代掃頻OCT技術，精準攻克晶圓/晶片厚度TTV重復精度不穩定難題，重復精度達3nm以下。針對行業厚度測量結果不一致的痛點，經不同時段測量驗證，保障再現精度可靠。?

我們的數據和WAFERSIGHT2的數據測量對比,進一步驗證了真值的再現性：

（以上為新啟航實測樣品數據結果）

該系統基于第三代可調諧掃頻激光技術，相較傳統雙探頭對射掃描，可一次完成所有平面度及厚度參數測量。其創新掃描原理極大提升材料兼容性，從輕摻到重摻P型硅，到碳化硅、藍寶石、玻璃等多種晶圓材料均適用：?

對重摻型硅，可精準探測強吸收晶圓前后表面；?

點掃描第三代掃頻激光技術，有效抵御光譜串擾，勝任粗糙晶圓表面測量；?

通過偏振效應補償，增強低反射碳化硅、鈮酸鋰晶圓測量信噪比；

（以上為新啟航實測樣品數據結果）

支持絕緣體上硅和MEMS多層結構測量，覆蓋μm級到數百μm級厚度范圍，還可測量薄至4μm、精度達1nm的薄膜。

（以上為新啟航實測樣品數據結果）

此外，可調諧掃頻激光具備出色的“溫漂”處理能力，在極端環境中抗干擾性強，顯著提升重復測量穩定性。

（以上為新啟航實測樣品數據結果）

系統采用第三代高速掃頻可調諧激光器，擺脫傳統SLD光源對“主動式減震平臺”的依賴，憑借卓越抗干擾性實現小型化設計，還能與EFEM系統集成，滿足產線自動化測量需求。運動控制靈活，適配2-12英寸方片和圓片測量。