具体实施方式

以下，参照附图对各实施方式进行说明。但是，有时省略不必要的详细说明。例如，有时省略已为人所熟知的事项的详细说明或对实际上相同的结构的重复说明。这是为了避免以下的说明不必要地变得冗长，使本领域人员容易理解。

本申请的发明人们发现，与进行了研磨时的摩擦力或者温度的变化有关的特征量和作为研磨的结果的研磨量或残余膜量间之间存在相关性。并且本申请的发明人们发现，与进行了研磨时的摩擦力或者温度的变化有关的特征量和研磨中的各时刻的研磨终点概率之间存在相关性。进而，本申请的发明人们发现，与进行了研磨时的摩擦力或者温度的变化有关的特征量和研磨剩余时间或从终点检验时间点的追加研磨时间之间存在相关性。于是在各实施方式中，使用机器学习模型(例如，循环神经网络或LSTM：Long short-termmemory(长期的短时记忆))，使其学习上述关系之一。在各实施方式中，以晶片作为基板的一例进行说明。

<第一实施方式>

首先对第一实施方式进行说明。图1是表示第一实施方式涉及的研磨装置的整体结构的概略图。如图1所示，研磨装置10具备信息处理系统S，该信息处理系统S具有AI部4。此外，信息处理系统S也可以还具有控制部500。

研磨装置10具备研磨台100和作为基板保持装置的研磨头1，该研磨头1保持作为研磨对象物的基板(在此为晶片)并按压到研磨台100上的研磨面。研磨头1也称作顶环。研磨台100与经由研磨台轴100a配置于其下方的研磨台旋转电机102连结。通过研磨台旋转电机102进行旋转，研磨台100绕研磨台轴100a旋转。在研磨台100的上表面粘贴有作为研磨部件的研磨垫101。该研磨垫101的表面构成对半导体晶片W进行研磨的研磨面101a。这样，研磨装置10具备研磨台100和研磨头1，该研磨台100设有研磨部件(在此作为一例，为研磨垫101)且被构成为能够旋转，该研磨头1与研磨台100相对且被构成为能够旋转，在研磨头1的与研磨台100相对的面上能够安装基板(在此为晶片)。

在研磨台100的上方设置有研磨液供给喷嘴60。从该研磨液供给喷嘴60向研磨台100上的研磨垫101上供给研磨液(研磨浆料)Q。

研磨头1基本上包括：将半导体晶片W按压于研磨面101a的顶环主体2、和保持半导体晶片W的外周縁以使半导体晶片W不会从研磨头1飞出的作为护圈部件的挡环3。研磨头1与顶环轴111连接。该顶环轴111通过上下运动机构124相对于顶环头110上下运动。研磨头1的上下方向的定位通过顶环轴111的上下运动而使研磨头1整体相对于顶环头110升降来进行。在顶环轴111的上端安装有旋转式接头26。

使顶环轴111和研磨头1上下运动的上下运动机构124具备：经由轴承126将顶环轴111支承为能够旋转的桥部件128、安装于桥部件128的滚珠丝杠132、通过支柱130支承的支承台129、设于支承台129上的伺服电机138。对伺服电机138进行支承的支承台129经由支柱130固定于顶环头110。

滚珠丝杠132具备与伺服电机138连结的螺纹轴132a和供该螺纹轴132a螺合的螺母132b。并且，当驱动伺服电机138时，桥部件128经由滚珠丝杠132上下运动，由此与桥部件128成为一体上下运动的顶环轴111和研磨头1进行上下运动。

并且，通过如图1所示那样驱动顶环用旋转电机114旋转，旋转筒112和顶环轴111经由正时带轮116、正时带115及正时带轮113一体地旋转，研磨头1进行旋转。

顶环头110由顶环头轴117支承，该顶环头轴117以能旋转的方式支承于框架(未图示)。研磨装置10具备控制部500，控制部500经由控制线与以顶环用旋转电机114、伺服电机138、研磨台旋转电机102为首的装置内的各设备连接，对各设备进行控制。控制部500控制为，一边使安装有基板的研磨头1和研磨台100旋转一边将该基板按压到研磨部件(在此为研磨垫101)对该基板进行研磨。

虽然分别具有成为被输入后述的机器学习模型的特征的来源的台旋转、研磨头的旋转、顶环头110摆动用的电机(未图示)的旋转，但是也可以使用一个以上的传感器检测值(例如，电机电流值)或根据传感器检测值计算出的转矩的计算值。

研磨装置10具备经由配线与控制部500连接的AI部4。图2是第一实施方式涉及的AI部的概略结构图。如图2所示，AI部4例如为计算机，具备存储部41、存储器42、输入部43、输出部44、处理器45。

在存储部41存储了使用学习用数据组进行了学习的机器学习模型，该学习用数据组在输入中包括基于与研磨中的各时刻的摩擦力有关的数据的特征量或基于温度的测定数据的特征量，将至少使用在研磨后测定出的膜厚推定的研磨中的各时刻的研磨量或残余膜量作为输出。并且在存储部41存储了用于供处理器45读取执行的程序。存储部41可以为硬盘或DVD等存储器，可以为SD卡或内存器等外部存储介质、可以为线上存储器，只要为存储设备即可。

在此，与研磨中的各时刻的摩擦力有关的数据，例如为研磨中的研磨台旋转电机102的转矩计算用的电流值(以下，也称作台转矩电流)。在此，与研磨中的各时刻的摩擦力有关的数据也可以为由电机的电流值换算出的转矩的计算值。此外，与研磨中的各时刻的摩擦力有关的数据可以是使研磨头1旋转的顶环用旋转电机114的驱动电流值，也可以是使顶环头110(即顶环头轴117)旋转的电机(未图示)的驱动电流值。

并且，研磨装置10可以具备对研磨部件与基板之间的摩擦力进行测量的测力传感器，在该情况下，与研磨中的各时刻的摩擦力有关的数据可以为该测力传感器的信号值。研磨装置10可以具备对基板的歪曲进行测量的歪曲传感器，在该情况下，与研磨中的各时刻的摩擦力有关的数据可以为该歪曲传感器的信号值。

存储器42是暂时地存储信息的介质。

输入部43接受来自控制部500的信息，并将该信息向处理器45输出。

输出部44从处理器45接受信息，并将该信息向控制部500输出。

处理器45通过从存储部41读取程序并执行，从而发挥生成部451、推定部452、判定部453的功能。

生成部451例如使用与研磨中的对象时刻的研磨部件和对象基板之间的摩擦力有关的数据生成特征量。在此，研磨中例如是指一边使安装了基板的研磨头1和研磨台100旋转一边将该基板按压到研磨部件对该基板进行研磨的期间。在后文中对该处理进行详述。

推定部452对完成学习的机器学习模型至少输入由生成部451生成的特征量，将对象基板的研磨中的对象时刻的研磨量或残余膜量的推定值输出。在后文中对该处理进行详述。判定部453使用推定值判定是否到达了研磨的终点。

图3是对晶片的研磨状况与台转矩电流的波形的对应关系进行说明的图。图3所示的图表的纵轴为研磨中的研磨台旋转电机102的转矩电流值、横轴为时间，示出用来表示台转矩电流的时间变化的波形C1。由于与研磨垫101的摩擦力因显露出的膜种比例而变化，因此台转矩电流的值也与其相应地变化。

如图3所示，晶片W具有安装成与研磨垫101相对的被研磨层51和设置在被研磨层51上面的下层52。通过基于研磨摩擦产生的力对被研磨层51进行切削。在波形C1上的点P1，被研磨层51不太被切削到，在时间进一步经过后的波形C1上的点P2，下层52显露出一部分。在时间进一步经过后的波形C1上的点P3，显露出下层52的整个面。若显露出下层52的整个面，则研磨台旋转电机102停止，研磨结束。

如图3所示，箭头A12、A13的长度比箭头A11、A14的长度短，被过度研磨了与箭头A15相应的量。

本申请的发明人发现，研磨垫的损耗等致使研磨率因研磨位置而变化，使膜被不均匀地研磨等，由此，显露出下层膜的时间点在晶片面内有偏差，因此，与研磨部件和基板之间的摩擦力有关的数据(例如台转矩电流的信号)，与残余膜厚或研磨量具有关联关系。在此，残余膜厚为被研磨层51的剩余的厚度，是从凹部内的底到被研磨层51的下表面为止的厚度，例如在图3的点P3那样的界面露出的情况下，为凹部内残余的膜的厚度(例如，箭头A11、A12、A13、A14的长度)。残余膜厚可以是某个被决定的位置的残余膜厚，也可以是在多个位置测量出的残余膜厚的平均值。研磨量例如是被研磨层51通过研磨被切削的厚度。研磨量可以是某个被决定的位置的研磨量，也可以是在多个位置测量出的研磨量的平均值。

于是在本实施方式中，使用学习数据组使机器学习模型学习，该学习数据组将与对具有某初期膜厚的基板进行研磨而成为某残余膜厚时的、研磨部件与基板之间的摩擦力有关的数据作为输入，将此时的残余膜厚或研磨量作为输出。通过将与新成为对象的研磨部件和基板之间的摩擦力有关的数据读入完成学习的机器学习模型，从而输出残余膜厚或研磨量的推定值，在该残余膜厚或研磨量成为目标值的时间点使研磨结束。

图4是用来对以往的终点检验的检测点与理想检测点的不同进行说明的图。如图4所示，以往的终点检验的检测点(实际的检测点)的时间点比理想检测点的早，因此，存在即使在其后的规定期间T1进行追加研磨(也称作过抛光)，也不能切削成使膜厚成为目标残余膜厚(也称作目标残余膜厚)的问题。另一方面，只要终点检验的检测点与理想检测点一致，则在进一步在其后的规定期间T1进行研磨的情况下切削成使膜厚成为目标残余膜厚，因此，优选在理想检测点进行检测。

图5A是对第一实施方式涉及的学习工序和推定工序的一例进行说明的示意图。如图5A所示，在存储部41作为储备数据储备了与研磨中的各种信号的波形(也称作研磨波形)有关的数据、研磨后的膜厚、消耗部件(例如，研磨垫)的使用时间等。但是，消耗部件的使用时间没有也可以。研磨的状态存在因研磨垫的使用时间而变化的可能性。在学习工序中，在不将研磨垫的使用时间加入参数，汇总地学习使用了从研磨垫的刚开始后到进行了消耗的阶段为止的各种各样的状态的研磨垫的学习数据，而能够适当推定残余膜厚或研磨量的情况下，不需要将研磨垫的使用时间加入储备数据。但是，也可以将研磨垫的使用时间加入储备数据，进行与对象基板研磨时的研磨垫的使用时间对应的残余膜厚或研磨量的推定。

在学习工序中参照存储部41，抽取基于与研磨中的各时刻的研磨部件和基板之间的摩擦力有关的数据(例如，台转矩电流)的特征量。并且，参照存储部41，抽取至少使用在研磨后测定出的膜厚推定的研磨中的各时刻的研磨量或残余膜量。

使用学习用数据组进行机器学习，该学习用数据组在输入中包括基于与研磨中的各时刻的研磨部件和基板之间的摩擦力有关的数据的特征量，将至少使用在研磨后测定出的膜厚推定的研磨中的各时刻的研磨量或残余膜量作为输出。其结果是，完成学习的机器学习模型被保存于存储部41。在学习用数据组的输入中，除了上述基于与研磨中的各时刻的研磨部件和基板之间的摩擦力有关的数据的特征量之外，也可以如后述那样，包括研磨方法、一个消耗部件的使用时间、由同一消耗部件处理的基板的片数，及/或初期的膜厚。

在此，该学习用数据组中的各时刻的研磨量或残余膜量，例如，是根据对初期膜厚和研磨后的膜厚进行测定的结果，将研磨中的研磨率视为恒定，通过计算求出各时刻的研磨量或残余膜量(残余膜厚)。或者，也可以通过实验求出研磨中的研磨率的变化，计算各时刻的研磨量或残余膜量。此外，也可以分别计算直至被研磨层与下层的界面显露出为止的第一研磨率和该界面显露出之后的第二研磨率。

图5B是表示台转矩电流的时间变化的图表、和表示此时的研磨量/残余膜量的时间变化的图表的一例。如图5B所示，曲线W1表示台转矩电流的移动平均的时间变化，曲线W2表示台转矩电流的微分值的时间变化。t4是研磨结束时刻，t5是理想研磨结束时刻。曲线W11表示研磨量的时间变化，曲线W12表示残余膜量。

图5C是表示机器学习的学习方法的第一例的示意图。在图5C的例子中，从一张基板的研磨结果得到多个学习数据。也就是说，在图5C的例子中，一组学习数据组将到某一时刻t为止的特征量(例如，台转矩电流的移动平均值、微分值、积分值、研磨垫的损耗量或步骤编号)的时序数据作为输入，将到该同一时刻t为止的输出参数(例如，残余膜量、研磨量、终点概率或剩余研磨时间的推定值)的值作为输出。

例如，使用将从研磨开始到时刻t1为止的特征量的时序数据作为输入、将时刻t1时间点的输出参数的值作为输出的学习数据进行学习。

并且，作为其它的学习数据，使用将从研磨开始到时刻t2为止的特征量的时序数据作为输入，将时刻t2时间点的输出参数的值作为输出的学习数据进行学习。

并且，作为其它的学习数据，使用将从研磨开始到时刻t3为止的特征量的时序数据作为输入，将时刻t3时间点的输出参数的值作为输出的学习数据进行学习。

进行根据到该时刻t1、t2、t3为止的特征量的时序数据输出时刻t1、t2、t3的输出参数的值的学习。

学习完成之后，在新的研磨中，当将到某一时刻为止的特征量的时序数据输入机器学习模型时，输出该时刻时间点的输出参数的推定值(例如，未知的残余膜量)。该机器学习模型也可以使用例如RNN或LSTM。但是也可以使用RNN或者LSTM以外的机器学习模型(手法)。

此外，也可以如图5D那样使机器学习模型学习。图5D是表示机器学习的学习方法的第二例的示意图。在图5D的例子中，可以从一张基板的研磨结果得到一组学习数据。也就是说，在图5D的例子中，一组学习数据组将从研磨开始到研磨结束为止的特征量的时序数据作为输入，将从研磨开始到研磨结束为止的输出参数(例如，残余膜量、研磨量、终点概率或剩余研磨时间的推定值)的时序数据作为输出。在此，特征量是基于与研磨中的对象时刻的研磨部件和对象基板之间的摩擦力有关的数据的特征量。该特征量例如是台转矩电流的移动平均值、台转矩电流的微分值、台转矩电流的积分值中的至少一个。特征量也可以是除此之外或取而代之地为研磨垫的损耗量或研磨方法中的步骤编号。在此，研磨方法中的步骤编号作为“基于与研磨部件和基板之间的摩擦力有关的数据的特征量”被使用的理由是，能够对于每个研磨步骤变更研磨条件(气囊压力、浆料流量等)，与此相应地变更研磨部件与基板之间的摩擦力。例如能够设定为最初提高气囊压力而快速研磨，在后半期为了使终点检测正确而降低气囊压力缓慢地切削。

即，使用将从研磨开始到研磨结束为止的特征量的时序数据作为输入，将从研磨开始到研磨结束为止的输出参数的时序数据作为输出的学习数据进行学习。

学习完成之后，在新的研磨中，当将到某一时刻为止的特征量的时序数据输入机器学习模型时，输出到该时刻为止的输出参数的推定值(例如，未知的残余膜量)。也就是说，当将到时刻t1为止的特征量的时序数据输入机器学习模型时，输出到该时刻t1为止的输出参数的推定值(例如，未知的残余膜量)。并且当将到时刻t2为止的特征量的时序数据输入机器学习模型时，输出到该时刻t2为止的输出参数的推定值(例如，未知的残余膜量)。并且当将到时刻t3为止的特征量的时序数据输入机器学习模型时，输出到该时刻t3为止的输出参数的推定值(例如，未知的残余膜量)。这样，由于输出多个到其时间点为止的输出参数的推定值，因此，推定部452也可以取得该多个推定值中的、该其时间点中的推定值。判定部453也可以使用该其时间点中的推定值判定是否到达了研磨的终点。

接着返回图5A，在推定工序中，在如在图5C中进行了说明那样使机器学习模型进行了学习的情况下，当对完成学习的机器学习模型输入到对象时刻为止的上述特征量的时序数据时，输出对象基板的研磨中的对象时刻的研磨量或残余膜量的推定值。

此外，在如在图5D中进行了说明那样使机器学习模型进行了学习的情况下，当对完成学习的机器学习模型输入到对象时刻为止的上述特征量的时序数据时，输出到对象时刻为止的对象基板的研磨中的对象时刻的研磨量或残余膜量的推定值的时序数据。

并且，机器学习的输入可以还包括研磨方法、一个消耗部件的使用时间、由同一消耗部件处理的基板的片数、及/或初期的膜厚。由此，能够与研磨的条件、消耗部件的状态对应地推定研磨量或残余膜量，可以提高推定精度。

图6是表示晶片的研磨中的AI部的处理的第一例的流程图。

(步骤S110)首先处理器45从存储部41将完成学习的机器学习模型(也称作AI模型)加载到存储器42。

(步骤S120)接着，处理器45取得台转矩电流数据。

(步骤S130)接着，生成部451根据在步骤S120取得的台转矩电流数据计算特征量。

(步骤S140)接着，推定部452对完成学习的机器学习模型输入在步骤S130中计算出的特征量，输出对象基板的研磨中的对象时刻的研磨量的推定值。

(步骤S150)接着，判定部453判定在步骤S140中输出的研磨量的推定值是否为设定阈值以上。在研磨量的推定值并非为设定阈值以上的情况下，返回步骤130重复进行处理。另一方面，在研磨量的推定值为设定阈值以上的情况下，判定部453将指示研磨结束的主旨向控制部500输出，接收到指示研磨结束的主旨的信号的控制部500控制为结束研磨。这样，判定部453使用推定部452推定出的推定值，控制结束研磨。根据该结构，由于能够考虑研磨垫等消耗部件、基板的不均匀性的影响，因此能够缩小研磨结束时的研磨量或残余膜量的偏差范围。

此外，实际上，如图4的上面的图所示，也可以在研磨结束之前、且研磨量的推定值成为目标研磨量之前的阶段，在残余规定的研磨量或者规定的研磨时间的阶段进行检测，在此以后，进行追加研磨(过抛光)后将研磨结束。由此，能够进行避免因信号处理滞后造成的过度的研磨，并变更追加研磨的条件的控制。

图7是表示晶片的研磨中的AI部的处理的第二例的流程图。

(步骤S210)首先处理器45取得基板的初期膜厚。

(步骤S220)首先处理器45从存储部41将完成学习的机器学习模型(也称作AI模型)加载到存储器42。

(步骤S230)接着，处理器45取得台转矩电流数据。

(步骤S240)接着，生成部451根据在步骤S230中取得的台转矩电流数据计算特征量。

(步骤S250)接着，推定部452对完成学习的机器学习模型输入在步骤S240中计算出的特征量，输出对象基板的研磨中的对象时刻的研磨量的推定值，通过从在步骤S210中取得的初期膜厚减去此研磨量的推定值计算残余膜厚的推定值。

(步骤S260)接着，判定部453判定在步骤S250中输出的残余膜厚的推定值是否为设定阈值以下。在残余膜厚的推定值并非为设定阈值以下的情况下，返回步骤230重复进行处理。另一方面，在残余膜厚的推定值为设定阈值以下的情况下，判定部453将指示研磨结束的主旨向控制部500输出，接收到指示研磨结束的主旨的信号的控制部500控制为结束研磨。

此外，使用用学习用数据组完成学习的机器学习模型，该学习用数据组在输入中包括基于与研磨中的各时刻的摩擦力有关的数据的特征量，至少使用在研磨后测定出的膜厚推定的研磨中的各时刻的残余膜量作为输出，在此情况下，在步骤S240中，从完成学习的机器学习模型，可以不输出研磨量的推定值，而是直接输出残余膜厚的推定值。

以上，第一实施方式涉及的信息处理系统S具备生成部451，该生成部451生成基于与研磨中的对象时刻的研磨部件和对象基板之间的摩擦力有关的数据的特征量。信息处理系统S还具备推定部452，该推定部452对使用学习用数据组完成学习的机器学习模型至少输入通过生成部451生成的特征量，输出对象基板的研磨中的对象时刻的研磨量或残余膜量的推定值，该学习用数据组在输入中包括基于与研磨中的各时刻的研磨部件和基板之间的摩擦力有关的数据的特征量，将至少使用在研磨后测定出的膜厚推定的研磨中的各时刻的研磨量或残余膜量作为输出。

根据该结构，学习和进行了研磨时的摩擦力或者温度的变化有关的特征量与作为研磨的结果的研磨量或残余膜量的关系，使用完成学习的机器学习模型进行新的基板的研磨中的残余膜量或残余膜量的推定。通过该机器学习模型的学习，完成学习的机器学习模型能够考虑研磨垫等消耗部件、研磨的不均匀性的影响推定研磨量或残余膜量，因此，能够考虑研磨垫等消耗部件、研磨的不均匀性的影响推定新的基板的研磨中的研磨量或残余膜量。通过将该推定值用于对象基板的研磨的终点检验，能够实现即使研磨的状况变化也能够抑制基板间的残余膜厚之差的终点检验。

<第一实施方式的第一变形例>

接着对第一实施方式的第一变形例进行说明。在第一变形例中，在存储部41中存储使用学习用数据组完成学习的机器学习模型，该学习用数据组至少将基于与研磨中的各时刻的摩擦力有关的数据的特征量或基于温度的测定数据的特征量作为输入，将研磨中的各时刻的研磨终点概率作为输出。研磨终点概率是，例如，将基于到研磨的中途为止的数据的学习数据的输出作为0，将基于到达理想的研磨终点、或者理想的检测点的研磨的数据的学习数据的输出作为1。

生成部451使用与研磨中的对象时刻的研磨部件和对象基板之间的摩擦力有关的数据生成特征量。

推定部452对存储部41中存储的完成学习的机器学习模型至少输入由生成部451生成的特征量，输出对象时刻的研磨终点概率的推定值。

根据该结构，通过使用机器学习模型，例如不仅能够存储数据的特征量的瞬间值进行推论而且能够存储波形变化进行推论，因此，能够考虑研磨垫等消耗部件、基板的不均匀性的影响推定研磨终点概率。并且，通过将该研磨终点概率的推定值用于研磨的结束控制，能够降低研磨后的残余膜厚的基板间的不同。

判定部453使用推定部452推定出的推定值，控制结束研磨。

图8是表示第一实施方式的第一变形例中的晶片的研磨中的AI部的处理的一例的流程图。

(步骤S310)首先处理器45从存储部41将完成学习的机器学习模型(也称作AI模型)加载到存储器42。

(步骤S320)接着，处理器45取得台转矩电流数据。

(步骤S330)接着，生成部451根据步骤S320中取得的台转矩电流数据计算特征量。

(步骤S340)接着，推定部452对完成学习的机器学习模型输入在步骤S330中计算出的特征量，输出对象时刻的研磨终点概率的推定值。

(步骤S350)接着，判定部453判定在步骤S340中输出的研磨终点概率的推定值是否为设定阈值以上。在研磨终点概率的推定值并非为设定阈值以上的情况下，返回步骤320重复进行处理。另一方面，在研磨终点概率的推定值为设定阈值以上的情况下，判定部453将指示研磨结束的主旨向控制部500输出，接收到指示研磨结束的主旨的信号的控制部500控制为结束研磨。这样，控制部500在通过判定部453判定为到达了研磨的终点的情况下，控制为结束研磨。根据该结构，学习和进行了研磨时的摩擦力或者温度的变化有关的特征量与研磨中的各时刻的研磨终点概率的关系，使用完成学习的机器学习模型进行新的基板的研磨中的各时刻的研磨终点概率的推定。通过该机器学习模型的学习，完成学习的机器学习模型能够考虑研磨垫等消耗部件、研磨的不均匀性的影响推定研磨中的各时刻的研磨终点概率，因此，能够考虑研磨垫等消耗部件、研磨的不均匀性的影响推定新的基板的研磨中的各时刻的研磨终点概率。通过将该推定值用于对象基板的研磨的终点检验，从而能够实现即使研磨的状况变化也能抑制基板间的残余膜厚之差的终点检验。

<第一实施方式的第二变形例>

接着对第一实施方式的第二变形例进行说明。在第二变形例中，在存储部41中存储使用学习用数据组完成学习的机器学习模型，该学习用数据组至少输入基于与研磨中的各时刻的摩擦力有关的数据的特征量，将残余膜厚或研磨量变成目标值的方式确定的研磨剩余时间或从终点检验时间点起的追加研磨时间作为输出。在此，从终点检验时间点起的追加研磨时间的推定值，是到成为图4所示的目标残余膜厚为止，从终点检验时间点追加进行研磨的时间的推定值。

生成部451使用与研磨中的对象时刻的研磨部件和对象基板之间的摩擦力有关的数据或研磨部件或基板的温度的测定数据生成特征量。

推定部452对存储部41中存储的完成学习的机器学习模型至少输入通过生成部451生成的特征量，输出研磨剩余时间或从终点检验时间点起的追加研磨时间的推定值。

根据该结构，通过使用机器学习模型，例如不仅能够存储例如数据的特征量的瞬间值进行推论而且能够存储波形变化进行推论，因此能够考虑研磨垫等消耗部件、基板的不均匀性的影响推定研磨剩余时间或从终点检验时间点起的追加研磨时间。并且，通过将该研磨剩余时间或从终点检验时间点起的追加研磨时间的推定值用于研磨的结束控制，能够降低研磨后的残余膜厚的基板间的不同。

图9是表示第一实施方式的第二变形例中的晶片的研磨中的AI部的处理的一例的流程图。

(步骤S410)首先处理器45从存储部41将完成学习的机器学习模型(也称作AI模型)加载到存储器42。

(步骤S420)接着，处理器45取得台转矩电流数据。

(步骤S430)接着，生成部451根据步骤S420中取得的台转矩电流数据计算特征量。

(步骤S440)接着，推定部452对完成学习的机器学习模型输入在步骤S430中计算出的特征量，输出研磨剩余时间的推定值。

(步骤S450)接着，判定部453判定在步骤S440中输出的研磨剩余时间的推定值是否为零以下。在研磨终点概率的推定值并非为零以下的情况下，返回步骤420重复进行处理。另一方面，在研磨终点概率的推定值为零以下的情况下，判定部453将指示研磨结束的主旨向控制部500输出，接收到指示研磨结束的主旨的信号的控制部500控制为结束研磨。这样，控制部500在通过判定部453判定为到达了研磨的终点的情况下，控制结束研磨。根据该结构，学习和进行了研磨时的摩擦力或者温度的变化有关的特征量与研磨剩余时间或从终点检验时间点起的追加研磨时间的关系，使用完成学习的机器学习模型进行新的基板的研磨中的研磨剩余时间或从终点检验时间点起的追加研磨时间的推定。通过该机器学习模型的学习，完成学习的机器学习模型能够考虑研磨垫等消耗部件、研磨的不均匀性的影响推定研磨剩余时间或从终点检验时间点起的追加研磨时间，因此，能够考虑研磨垫等消耗部件、研磨的不均匀性的影响推定新的基板的研磨中的研磨剩余时间或从终点检验时间点起的追加研磨时间。通过将该推定值用于对象基板的研磨的终点检验，能够实现即使研磨的状况变化也能抑制基板间的残余膜厚之差的终点检验。

图10是表示第一实施方式的第二变形例中的晶片的研磨中的AI部的处理的其它的例子的流程图。

(步骤S510)首先处理器45从存储部41将完成学习的机器学习模型(也称作AI模型)加载到存储器42。

(步骤S520)接着，处理器45取得台转矩电流数据。

(步骤S530)接着，生成部451根据步骤S520中取得的台转矩电流数据计算特征量。

(步骤S540)接着，推定部452对完成学习的机器学习模型输入在步骤S530中计算出的特征量，输出研磨剩余时间的推定值。

(步骤S550)处理器45与步骤S530和步骤S540并行地执行现有方式的终点检测处理。例如，在台转矩电流的时间微分值低于预先设定的阈值的情况下，处理器45检测为研磨终点。

(步骤S560)处理器45判定是否在步骤S550检测到研磨终点，在未检测到研磨终点的情况下(步骤S560：否)，返回步骤S520重复进行处理。

(步骤S570)另一方面，在检测到研磨终点的情况下(步骤S560：是)，将在该时间点由推定部452输出的研磨剩余时间的推定值作为追加研磨时间(也称作过抛光时间)进行设定。

(步骤S580)判定部453判定是否在检测到研磨终点后经过了追加研磨时间(过抛光时间)。在检测研磨终点后经过了追加研磨时间(过抛光时间)的情况下，判定部453将指示研磨结束的主旨向控制部500输出，接收到指示研磨结束的主旨的信号的控制部500控制为结束研磨。

此外，AI部4也可以搭载于工厂内的、研磨装置通过网络线路连接的网关。该网关优选为处于研磨装置的附近。在需要高速处理的情况下(例如，在抽样速度为100ms以下的情况)，作为边缘计算(日文：エッジコンピューティング)，可以执行研磨装置内的AI部4，或搭载于网关的AI部4。研磨装置内的AI部4也可以搭载于装置用PC、控制器。

<第二实施方式>

接着对第二实施方式进行说明。在第一实施方式中，研磨装置10具备具有AI部4的信息处理系统，而在第二实施方式中的不同点在于，具有AI部4的信息处理系统S2不是设置于研磨装置，而是设置于工厂内的工厂管理室、净化间等。

图11是表示第二实施方式涉及的研磨系统的整体结构的概略图。如图11所示，第二实施方式涉及的研磨系统具备研磨装置10-1～10-N和信息处理系统S2，该信息处理系统S2设置在与设于工厂内的研磨装置10-1～10-N的同一工厂内、或工厂管理室。信息处理系统S2具有AI部4，AI部4能够经由局部网络NW1与研磨装置10-1～10-N进行通信。AI部4例如搭载于计算机(例如服务器、或雾计算机)。

在将AI部4设于研磨装置内或网关的情况下，通过边缘计算，执行完成学习的机器学习模型，从而能够进行高速处理。例如，能够按时(实时地)高速地进行处理。

并且，在将AI部4搭载于工厂内的服务器、雾计算机的情况下，可以汇集工厂内的多个研磨装置的数据更新机器学习模型。并且可以集中解析工厂内的多个研磨装置的数据，将解析结果反映到研磨参数设定。

<第三实施方式>

接着对第三实施方式进行说明。在第一实施方式中，研磨装置10具备AI部4，而在第三实施方式中的不同点在于，AI部4不是设于研磨装置而是设于分析中心。

图12是表示第三实施方式涉及的研磨系统的整体结构的概略图。如图12所示，第三实施方式涉及的研磨系统具备：设于多个工厂内的研磨装置10-1～10-N、和设于分析中心的信息处理系统S3。信息处理系统S3具有AI部4，AI部4能够经由全局网络NW2和局部网络NW1与研磨装置10-1～10-N进行通信。AI部4例如为计算机(例如服务器)。

通过将AI部4设于这样与研磨装置物理分离的分析中心，能够使AI部4在多个工厂间通用化，提高AI部4的维护性。进而，通过使用多个工厂的研磨中的数据而以大量的数据使机器学习模型再次学习，由此，能够更快地提高推定精度。

并且，可以汇集涉及多个工厂的多个研磨装置的数据(例如大量的数据)来更新机器学习模型。并且也可以集中解析涉及多个工厂的多个研磨装置的数据(例如大量的数据)，将解析结果反映到研磨参数设定。

此外，AI部4也可以不是设置于集中进行分析的分析中心，而是设置于云。

对于AI部4的搭载场所，可以为(1)研磨装置内，及/或(2)研磨装置的附近的网关，及/或(3)工厂内(例如工厂管理室内)的计算机(PC、服务器、雾计算机等)。

对于AI部4的搭载场所，也可以为(1)研磨装置内，及/或(2)研磨装置的附近的网关，及/或(4)分析中心(或云)的计算机。

对于AI部4的搭载场所，也可以为(1)研磨装置内，及/或(2)研磨装置的附近的网关，及/或(3)工厂内(例如工厂管理室内)的计算机，及/或(4)分析中心(或云)的计算机。

并且，AI部4的各结构，可以分散配置于(1)研磨装置内，及/或(2)研磨装置的附近的网关，及/或(3)工厂内(例如工厂管理室内)的计算机(PC、服务器、雾计算机等)，及/或(4)分析中心(或云)的计算机。

此外，在各实施方式中，机器学习模型的输入是基于与研磨中的各时刻的研磨部件和基板之间的摩擦力有关的数据的特征量，但是不限于此。机器学习模型的输入也可以是基于研磨中的各时刻的研磨部件(在此为研磨垫101)或基板的温度的测定数据的特征量。这是由于，当研磨中的研磨部件与基板之间的摩擦力增加时，与其相应地研磨部件或基板的发热量变大，研磨部件或基板的温度上升，因此，研磨部件或基板的温度与研磨中的研磨部件和基板之间的摩擦力存在正的关联关系。

例如，在第一实施方式的情况下，可以在存储部41存储使用学习用数据组完成学习的机器学习模型，该学习用数据组至少将基于研磨中的各时刻的研磨部件或基板的温度的测定数据的特征量作为输入，至少使用在研磨后测定出的膜厚推定的研磨中的各时刻的研磨量或残余膜量作为输出。

在该情况下，生成部451也可以使用研磨中的对象时刻的研磨部件或对象基板的温度的测定数据生成特征量。并且，推定部452也可以对该完成学习的机器学习模型至少输入由生成部451生成的特征量，输出对象基板的研磨中的对象时刻的研磨量或残余膜量的推定值。

并且例如，在第一实施方式的第一变形例的情况下，可以在存储部41存储使用学习用数据组完成学习的机器学习模型，该学习用数据组至少将基于研磨中的各时刻的研磨部件或基板的温度的测定数据的特征量作为输入，将研磨中的各时刻的研磨终点概率作为输出。

在该情况下，生成部451也可以使用研磨中的对象时刻的研磨部件或对象基板的温度的测定数据生成特征量。并且，推定部452也可以对该完成学习的机器学习模型至少输入由生成部451生成的特征量，输出对象时刻的研磨终点概率的推定值。

并且例如，在第一实施方式的第二变形例的情况下，可以在存储部41存储使用学习用数据组完成学习的机器学习模型，该学习用数据组至少将基于研磨中的各时刻的研磨部件或基板的温度的测定数据的特征量作为输入，将残余膜厚或研磨量变成目标值的方式确定的研磨剩余时间或从终点检验时间点起的追加研磨时间作为输出。

在该情况下，生成部451可以使用研磨中的对象时刻的研磨部件或对象基板的温度的测定数据生成特征量。并且推定部452对该完成学习的机器学习模型至少输入由生成部451生成的特征量，输出研磨剩余时间或从终点检验时间点起的追加研磨时间的推定值。

此外，在上述实施方式中进行了说明的AI部4的至少一部可以由硬件构成，也可以由软件构成。在由软件构成的情况下，可以将实现AI部4的至少一部分功能的程序存放于软盘、CD-ROM等记录介质，供计算机读取和执行。记录介质不限于磁盘、光盘等可装拆的记录介质，也可以是硬盘装置、存储器等固定式的记录介质。

并且，也可以将实现AI部4的至少一部分功能的程序通过互联网等的通信线路(也包含无线通信)分发。并且，可以将该程序在暗号化、进行调制、进行了压缩的状态下经由互联网等的有线线路、无线线路或者收纳于记录介质进行分发。

进而，也可以通过一个或多个信息处理装置使AI部4发挥功能。在使用多个信息处理装置的情况下，使信息处理装置中的至少一个为计算机，该计算机通过执行规定的程序从而作为AI部4的至少一个手段实现功能。

并且，在方法的发明中，可以使全部工序(步骤)通过计算机自动控制来实现。并且，也可以一边由计算机实施各工序、一边通过人手动实施工序间的进展控制。此外，也可以由人手动实施全部工序中的至少一部分。

此外，在上述实施方式中，如图3所示，以对被研磨层51进行研磨直至露出下层52为止的处理为例进行了说明，但是本发明也能适用于不露出下层，残余规定厚度的被研磨层而结束研磨的处理。与露出下层的处理相比较，虽然与摩擦力、或者温度有关的信号难以变化，但是通过学习不发生变化的状态以多大的数值继续多久，能够以残余膜量更接近目标值的方式使研磨结束。

并且本发明不仅用于研磨的结束的判定，也可以是，当在研磨中推定出的研磨量或者残余膜量不符合规定的条件时，变更研磨的条件(例如研磨压力等)，例如在不延长研磨时间的情况下以成为目标研磨量的方式进行研磨。

以上，本发明不原样限定于上述实施方式，在实施阶段能够在不脱离其主旨的范围将结构要素变形而具体化。并且，能够通过在上述实施方式中公开的多个结构要素的适当组合来形成各种各样的发明。例如，也可以从实施方式中示出的全部结构要素删除若干个结构要素。此外，也可以将涉及不同实施方式的结构要素适当组合。