具体实施方式

以下，对各种实施方式参照图进行说明。但是，会省略无必要的详细说明。例如，会省略已经熟知的事项的详细说明及对实质相同的构成的重复说明。这是为了避免以下的说明无必要的冗长，而使本领域技术人员容易理解。

本技术第一方式的研磨装置能够参照存储有使用学习用数据而完成学习的机器学习模型的存储体，该学习用数据将关于研磨中的研磨部件与基板间的摩擦力的信号的特征量或研磨中的研磨部件或基板的温度的特征量作为输入，并将关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数作为输出，该研磨装置的特征在于，具备：研磨台，该研磨台设有研磨部件且该研磨台构成为能够旋转；研磨头，该研磨头与所述研磨台相对且该研磨头构成为能够旋转，并且能够在与所述研磨台相对的面安装基板；控制部，该控制部以一边使安装了基板的所述研磨头与所述研磨台旋转，一边将该基板按压于所述研磨部件来研磨该基板的方式进行控制；及处理器，该处理器根据关于研磨中的研磨部件与基板间的摩擦力的信号、或者研磨中的研磨部件或对象基板的温度而生成特征量，将该生成的特征量输入所述完成学习的机器学习模型，由此输出关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数的任意一个作为推定值。

采用该构成时，由于研磨装置在研磨中获得关于研磨后的基板的膜厚的数据、或研磨后的基板中包含的关于产品合格率的参数的推定值，因此，即使没有测定膜厚仍可预测基板研磨后的状态。藉此，即使不测定膜厚仍可掌握基板研磨后的状态，并且可减少测定膜厚次数，因此可避免遗漏瑕疵品而使处理量提高。如此，通过省略正常研磨时的膜厚测定，可提高处理量。此外，通过推定关于合格率的参数，可检知不良或预知不良。此外，通过根据关于合格率的参数更新研磨参数，可使合格率提高。

本技术第二方式的研磨装置如第一方式的研磨装置，其中，在输出的所述推定值满足预定的研磨恶化条件时，所述处理器使后续的基板的处理停止。

采用该构成时，由于在研磨状态恶化情况下停止后续的基板的处理，因此可进行更换研磨部件等的维护，而可防止研磨状态更加恶化。

本技术第三方式的研磨装置如第一或第二方式的研磨装置，其中，具备膜厚测定器，该膜厚测定器测定所述基板的膜厚，在输出的所述推定值满足预定的研磨恶化条件时，所述处理器控制所述膜厚测定器测定研磨后的对象基板的膜厚，在输出的所述推定值不满足预定的研磨恶化条件时，所述处理器控制所述膜厚测定器不测定研磨后的对象基板的膜厚。

采用该构成时，由于在研磨状态恶化情况下测定基板的膜厚，因此可判断研磨是否良好地进行，在研磨状态未恶化情况下，通过不测定基板的膜厚，可使处理量提高。

本技术第四方式的研磨装置如第一至第三方式中任一方式的研磨装置，其中，所述处理器使用对于在多个不同时刻研磨后的基板所输出的所述推定值的倾向来输出维护时机。

采用该构成时，由于可预测研磨状态恶化的时机，并可在该时机进行更换研磨部件等的维护，因此可防止研磨状态更加恶化。

本技术第五方式的研磨装置如第一至第四方式中任一方式的研磨装置，其中，所述处理器以在输出的所述推定值满足预定的研磨恶化条件时发出督促维护的警告的方式进行控制。

采用该构成时，由于当研磨状态恶化情况下，可进行更换研磨部件等的维护，因此可防止研磨状态更加恶化。

本技术第六方式的研磨装置如第一至第五方式中任一方式的研磨装置，其中，所述处理器以根据输出的所述推定值来获得希望的关于研磨后的基板的膜厚的数据或希望的研磨后的基板所包含的关于产品合格率的参数的方式，调整后续的基板的研磨条件。

采用该构成时，因为可变更后续的基板的研磨条件为良好的研磨状态，所以可更长时间维持良好的研磨状态。

本技术第七方式的研磨装置如第一至第六方式中任一方式的研磨装置，其中，所述处理器使用该研磨装置的运用中的所述特征量，使所述机器学习模型进行再学习。

采用该构成时，可使推定精度提高。

本技术第八方式的信息处理系统，能够参照存储有使用学习用数据而完成学习的机器学习模型的存储体，该学习用数据将关于研磨中的研磨部件与基板间的摩擦力的信号的特征量、或者研磨中的研磨部件或基板的温度的特征量作为输入，并将关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数作为输出，该信息处理系统的特征在于，具备：生成部，该生成部根据关于研磨中的研磨部件与基板间的摩擦力的信号、或者研磨中的研磨部件或对象基板的温度而生成特征量；及推定部，该推定部将所生成的所述特征量输入完成学习的所述机器学习模型，由此输出关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数的任意一个作为推定值。

采用该构成时，由于在研磨装置研磨中，获得关于研磨后的基板膜厚的数据、或研磨后的基板中包含的关于产品合格率的参数的推定值，因此，即使不测定膜厚仍可预测基板研磨后的状态。藉此，由于即使不测定膜厚仍可掌握基板研磨后的状态，并且可减少测定膜厚次数，因此可避免遗漏瑕疵品而使处理量提高。

本技术第九方式的研磨方法是由研磨装置研磨基板的方法，该研磨装置能够参照存储有使用学习用数据而完成学习的机器学习模型的存储体，该学习用数据将关于研磨中的研磨部件与基板间的摩擦力的信号的特征量或研磨中的研磨部件或基板的温度的特征量作为输入，并将关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数作为输出，该研磨方法的特征在于，一边使安装了基板的研磨头与研磨台旋转，一边将该基板按压于所述研磨部件来研磨该基板，测定关于研磨中的研磨部件与基板间的摩擦力的信号、或者研磨中的研磨部件或对象基板的温度而生成特征量，将该生成的特征量输入完成学习的所述机器学习模型，输出关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数的任意一个作为推定值。

采用该构成时，由于在研磨装置研磨中，获得关于研磨后的基板膜厚的数据、或研磨后的基板中包含的关于产品合格率的参数的推定值，因此，即使不测定膜厚仍可预测基板研磨后的状态。藉此，由于即使不测定膜厚仍可掌握基板研磨后的状态，并且可减少测定膜厚次数，因此可避免遗漏瑕疵品而使处理量提高。

本技术第十方式的程序用于使计算机发挥以下元件的功能，该计算机能够参照存储有使用学习用数据而完成学习的机器学习模型的存储体，该学习用数据将关于研磨中的研磨部件与基板间的摩擦力的信号的特征量或研磨中的研磨部件或基板的温度的特征量作为输入，并将关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数作为输出，所述元件包含：生成部，该生成部根据关于研磨中的研磨部件与基板间的摩擦力的信号、或者研磨中的研磨部件或对象基板的温度而生成特征量；及推定部，该推定部将所生成的所述特征量输入完成学习的所述机器学习模型，由此输出关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数的任意一个作为推定值。

采用该构成时，由于在研磨装置研磨中，获得关于研磨后的基板的膜厚的数据、或研磨后的基板中包含的关于产品合格率的参数的推定值，因此，即使不测定膜厚仍可预测基板研磨后的状态。藉此，由于即使不测定膜厚仍可掌握基板研磨后的状态，并且可减少测定膜厚次数，因此可避免遗漏瑕疵品而使处理量提高。

除了上述的问题外，还有判断研磨情况(例如工作台情况)老化而花费时间的问题。

各种实施方式从研磨中的监控波形的变化来推定研磨状态、研磨后的膜厚(亦称为残膜厚)、或膜厚的统计值(平均、最大或最小等)、或膜厚的轮廓(亦称为膜厚分布)。藉此，可准时推定、管理研磨良好/不良与研磨情况(例如工作台情况)。因此，当不良时不进行其次的研磨，可进行工作台情况的调整。因而可减少研磨不良样本。各种实施方式以晶片为例作为基板的一例来说明。

＜第一种实施方式＞

首先，说明第一种实施方式。图1是第一种实施方式的信息处理系统的概略构成图。如图1所示，第一种实施方式的信息处理系统S1具备：装载/卸载部2、作为一例的两个研磨装置10、清洗部5、及膜厚测定器6。

装载/卸载部2具备装载贮存多片晶片的晶片匣盒的2个以上(本实施方式是4个)前装载部20。前装载部20中可搭载开放式匣盒、SMIF(Standard ManufacturingInterface/标准制造接口)、或FOUP(Front Opening Unified Pod/前开式晶片传送盒)。此处，SMIF、FOUP是在内部收纳晶片的匣盒，通过以分隔壁覆盖，可保持与外部空间独立的环境的密闭容器。此处的一例为前装载部20的一个中搭载有FOUP21来说明。晶片通过搬送机器人22(参照专利文献1)从装载/卸载部2输送至研磨装置10。

膜厚测定器6测定基板(此处是晶片)的膜厚或膜厚的轮廓(亦称为膜厚分布)。膜厚测定器6例如是光学式膜厚测定器(亦称为ITM)。

研磨装置10具备AI部4。AI部4输出关于研磨后的基板膜厚的数据、或研磨后的基板膜厚的轮廓统计值、或研磨后的基板中包含的关于产品合格率的参数(例如，合格率)的任意一个作为推定值。而后，AI部4例如推定值超出预定的研磨正常条件时，或是满足预定的研磨恶化条件时，使膜厚测定器6测定研磨后对象基板的膜厚。例如对图1的晶片W1的推定值超出预定的研磨正常条件时、或是满足预定的研磨恶化条件时，如箭头A1所示，以清洗部5清洗晶片W1后，以膜厚测定器6测定膜厚。另外，例如对图1的晶片W2的推定值满足预定的研磨正常条件时，或是不满足预定的研磨恶化条件时，如箭头A2所示，以清洗部5清洗晶片W2后，不以膜厚测定器6测定膜厚，而返回FOUP21。

另外，当使用研磨正常条件时，亦可使AI部4学习正常数据，当使用研磨恶化条件时，亦可使其学习不良数据，亦可决定比例来使其学习正常数据与不良数据。

另外，AI部4的输出亦可区分成正常、不良、接近不良这三个来输出。而当输出为接近不良时，以膜厚测定器6测定膜厚。

图9中，例如AI部4当AI的输出推定值始终不超过下限阈值时、突然超过上限阈值时，亦可判定为接近不良并测定膜厚。

除此之外，或是改为AI部4在花费的研磨时间超过正常范围时，亦可判定为接近不良，而测定膜厚。

此外，AI部4的输出亦可区分成正常、接近不良这两个来输出。

图2是表示第一种实施方式的研磨装置的整体构成的概略图。如图2所示，研磨装置10具备：研磨台100；及保持研磨对象物的基板(此处是晶片)，并按压研磨台100上的研磨面的作为基板保持装置的研磨头1。研磨头1亦称为顶环。研磨台100经由台轴100a而与配置在其下方的台旋转马达102连结。研磨台100通过台旋转马达102旋转而绕台轴100a旋转。在研磨台100的上面贴合有作为研磨部件的研磨垫101。该研磨垫101表面构成研磨半导体晶片W的研磨面101a。因此，研磨装置10具备：设有研磨部件(此处的一例为研磨垫101)且可旋转地构成的研磨台100；与研磨台100相对且可旋转地构成的研磨头，并且可在与研磨台100相对的面安装基板(此处是晶片)的研磨头1。

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(研磨浆液)Q。

研磨头1基本上由：向研磨面101a按压半导体晶片W的顶环主体2；及以保持半导体晶片W的外周缘避免半导体晶片W从研磨头1弹出的方式作为固定部件的挡圈3而构成。研磨头1连接于顶环轴杆111。该顶环轴杆111通过上下移动机构124而相对于顶环头110上下移动。研磨头1在上下方向的定位是通过顶环轴杆111的上下移动而使整个研磨头1相对于顶环头110升降来进行的。在顶环轴杆111的上端安装有旋转接头26。

使顶环轴杆111及研磨头1上下移动的上下移动机构124具备：经由轴承126可旋转地支承顶环轴杆111的桥接器128；安装于桥接器128的滚珠螺杆132；通过支柱130而支承的支承台129；及设于支承台129上的伺服马达138。支承伺服马达138的支承台129经由支柱130而固定于顶环头110。

滚珠螺杆132具备：与伺服马达138连结的螺旋轴132a；及该螺旋轴132a螺合的螺帽132b。此外，驱动伺服马达138时，桥接器128经由滚珠螺杆132而上下移动，藉此，与桥接器128成为一体而上下移动的顶环轴杆111及研磨头1上下移动。

此外，如图2所示，通过旋转驱动顶环用旋转马达114，旋转筒112及顶环轴杆111经由定时滑轮116、定时皮带115、及定时滑轮113而一体旋转，且研磨头1旋转。

顶环头110通过可旋转地支承于框架(无图示)的顶环头轴杆117而支承。研磨装置10具备经由控制线连接到顶环用旋转马达114、伺服马达138、台旋转马达102等装置内的各设备来控制各设备的控制部500。控制部500使安装了基板的研磨头1与研磨台100旋转，同时将该基板按压于研磨部件(此处是研磨垫101)来研磨该基板而控制。

后述的机器学习模型的输入分别有台旋转、头旋转、顶环头110的用于摇动的马达(无图示)的旋转，不过，亦可使用一个以上的传感器检测值(例如，马达电流值)、或从传感器检测值算出的转矩的算出值。

研磨装置10具备经由配线而与控制部500连接的AI部4。图3是第一种实施方式的AI部的概略构成图。如图3所示，AI部4例如是计算机，且具备：存储体41、存储器42、输入部43、输出部44、及处理器45。

存储体41中存储有使用将关于研磨中的研磨部件(此处是研磨垫101)与基板间的摩擦力的信号特征量作为输入，并将关于研磨后的基板膜厚的数据、或研磨后的基板膜厚的轮廓统计值、或研磨后的基板中包含的关于产品合格率的参数作为输出的学习用数据而完成学习的机器学习模型。此外，存储体41中存储有处理器45读取而用于执行的程序。

此处，关于研磨部件与基板间的摩擦力的信号，例如是用于算出研磨中的台旋转马达102的转矩的电流值(Table Current Monitor：亦称为TCM)的信号。此处，关于研磨部件与基板间的摩擦力的信号亦可是从马达的电流值所换算的转矩的算出值。另外，关于研磨部件与基板间的摩擦力的信号亦可是使研磨头1旋转的顶环用旋转马达114的驱动电流值的信号，亦可是使顶环头110(亦即顶环头轴杆117)旋转的马达(无图示)的驱动电流值的信号。

此外，研磨装置10亦可具备计测研磨部件与基板间的摩擦力的负载传感器，此时，关于研磨部件与基板间的摩擦力的信号亦可是该负载传感器的信号。研磨装置10亦可具备计测基板的应变的应变传感器，此时，关于研磨部件与基板间的摩擦力的信号亦可是该应变传感器的信号。

存储器42是暂时性存储信息的介质。

输入部43接收来自控制部500的信息，并将该信息输出至处理器45。

输出部44从处理器45接收信息，并将该信息输出至控制部500。

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

生成部451从关于研磨中的研磨部件与基板间的摩擦力的信号生成特征量。此处，所谓研磨中，例如使安装了基板的研磨头1与研磨台100旋转，同时将该基板按压于研磨部件来研磨该基板的期间。该处理详细叙述于后。

推定部452通过将生成部451所生成的特征量输入完成学习的机器学习模型，从而输出关于研磨后的基板膜厚的数据、或研磨后的基板中包含的关于产品合格率的参数的任意一个作为推定值。该处理详细叙述于后。此处，关于研磨后的基板膜厚的数据，例如是研磨后的基板的膜厚、研磨后的基板的膜厚轮廓的统计值(例如膜厚分布的平均值、最大值、最小值、变动幅度、标准偏差等)、研磨后的基板的膜厚轮廓等的任意一个。此处，膜厚轮廓是在晶片中改变位置来测定多个点的膜厚数据群(XY坐标与膜厚的组合)。

在晶片中有多个芯片，每个芯片实施不良判定，可计算关于晶片中的芯片合格率的参数。上述所谓研磨后的基板中包含的产品合格率，例如是该晶片中的芯片合格率。

图4是关于晶片的研磨状况与TCM的波形的对应关系的说明图。图4所示的曲线图的纵轴是研磨中的台旋转马达102的转矩电流值(TCM)，横轴是时间[ms]，并表示有表示TCM的时间变化的波形C1。由于根据显露出的膜种比例，因此与研磨垫101的摩擦力变化，因此，TCM的值亦根据其而变化。

如图4所示，晶片W具有：与研磨垫101相对的方式而安装的被研磨层51；及设于被研磨层51之上的下层52。被研磨层51通过研磨时的摩擦力而被切削。在波形C1上的点P1，被研磨层51未被较多切削，又经过时间的波形C1上的点P2显露出一部分下层52。又经过时间的波形C1上的点P3，下层52遍及整个面显露出。下层52遍及整个面显露出后，台旋转马达102停止，而研磨结束。

图4的箭头A15的部分被过度研磨，造成箭头A12、A13的长度与之对应地比箭头A11、A14的长度短。

本申请的发明人发现不均匀地研磨膜时，因为下层膜显露出的时机在晶片面内有变动，所以研磨终点前的TCM信号(图5的一例为下降弧线的波形)、与残膜厚或残膜轮廓有关。因此，本实施方式根据研磨终点前的规定期间的TCM信号生成特征量。

使用图5说明为了从TCM信号算出特征量而截取一部分信号来使用。图5是用于说明截取TCM的波形的模式图。图5的纵轴是TCM，横轴是时间。如图5所示，在曲线图G1中表示有整个TCM的波形。曲线图G1中，截取区域R1是曲线图G2。因此，本实施方式的生成部451例如从TCM提取预定时间范围的数据，并从所提取的数据算出特征量。特征量例如是该提取的数据中，计算期间(例如，所提取的数据的全部期间、一部分期间T1、一部分期间T1后的一部分期间T2等)的值本身、微分值、对移动平均值等的统计量(例如最大值、最小值、标准偏差、分散、平均值、中央值、分散、峭度、或应变度等)。此处的峭度是表示频率分布的锐度的数字，并以习知的计算方法算出。应变度是表示数据未在平均值周围对称分布的程度，并以习知的计算方法算出。

使用图6说明特征量的例。图6是表示残膜的最大值与各参数的相关系数的图表。图6中，纵轴是各特征量，横轴是相关系数，且纵轴的各特征量在与残膜的最大值之间的相关系数为0.5以上，而发现彼此有关。

图6中，特征量T1_min-d_r25是在图5的曲线图G2的期间中的预定期间T1的TCM的25数据移动平均的微分的最小值，All_min-d_r25是在图5的曲线图G2的全部期间的TCM的25数据移动平均的微分的最小值，特征量T1_min-d_r10是在图5的曲线图G2的期间中的预定期间T1的TCM的10数据移动平均的微分的最小值，All_min-d_r10是在图5的曲线图G2的全部期间的TCM的10数据移动平均的微分的最小值。T2_sum是图5的曲线图G2的期间中在期间T1后的期间T2的TCM的合计值，T1_std-d_r10是在图5的曲线图G2的期间中的预定期间T1的TCM的10数据移动平均的微分的标准偏差，All_skew-d-r10是图5的曲线图G2的期间的全部期间的TCM的10数据移动平均的微分的应变度，All_skew-d-r25是在图5的曲线图G2的期间的全部期间的TCM的25数据移动平均的微分的应变度，T1_len是数据数。

另外，亦可从相关系数高的上层参数决定使用的参数的种类数(例如上层10个参数)来使用，亦可决定适用条件。

适用条件例如亦可是使用相关系数的平均值以上的参数的条件，亦可是使用从相关系数的平均值加上标准偏差σ的值以上的参数的条件。

此外，All_range-d_r25是图5的曲线图G2在全部期间的TCM的25数据移动平均的微分的范围，T1_var-d_r25是图5的曲线图G2的期间中预定期间T1的TCM的25数据移动平均的微分的分散，All_range-d_r10是图5的曲线图G2的全部期间的TCM的10数据移动平均的微分的范围。T1_sum是图5的曲线图G2的期间中的预定期间T1的TCM的合计。

T1_mean-d_r10是图5的曲线图G2的期间中预定的期间T1的TCM的10数据移动平均的微分的平均，T1_max是图5的曲线图G2的期间中预定期间T1的TCM的最大值。All_max是图5的曲线图G2的全部期间的TCM的最大值。All_std-d_r10是图5的曲线图G2的全部期间的TCM的10数据移动平均的微分的标准偏差。T1_mean是图5的曲线图G2的期间中预定期间T1的TCM的平均值。All_std-d_r25是图5的曲线图G2的全部期间的TCM的25数据移动平均的微分的标准偏差。All_len是数据数。

T1_range-d_r10是图5的曲线图G2的期间中预定期间T1的10数据移动平均的微分的范围，T1_mean-d_r25是图5的曲线图G2的期间中预定期间T1的25数据移动平均的微分的平均，T1_range-d_r25是图5的曲线图G2的期间中预定期间T1的25数据移动平均的微分的范围，All_var-d_r10是图5的曲线图G2的全部期间的10数据移动平均的微分的分散，T2_mean-d_r5是图5的曲线图G2的期间中的期间T1后的期间T2的TCM的5数据移动平均的微分的平均，All_var-d_r25是图5的曲线图G2的全部期间的TCM的25数据移动平均的微分的分散。All_mean是图5的曲线图G2的全部期间的TCM的平均，T2_mean是图5的曲线图G2的期间中的期间T1后的期间T2的TCM的平均，All_skew是图5的曲线图G2的全部期间的TCM的应变度，T2_min是图5的曲线图G2的期间中的期间T1后的期间T2的TCM的最小值。

AI部4的推定部452使用的AI(人工智能)模型，例如亦可是非专利文献1所示的LightGBM(Light Gradient Boosting Machine/轻量级梯度提升机)。LightGBM是以决策树为基础的机器学习模型。

图7是表示LightGBM的概略的一例模式图。图7的一例为设有第一决策树M1、第二决策树M2、第三决策树M3。以第一决策树M1进行模型训练来评估推测结果。将第一决策树M1的推测结果与实际值的“误差”作为训练数据，执行第二决策树M2的训练。同样地，将第二决策树M2的推测结果与实际值的“误差”作为训练数据，执行第三决策树M3的训练。训练结束后，将特征量输入第一决策树M1时，则从第三决策树M3输出推定值。在梯度增进(Boosting)的训练过程中决策树的处理方法有所谓“Leaf-wise tree growth”(叶子生长策略)的方法，并按照决策树的leaf(即叶)而成长。

图8是说明学习工序与推定工序的一例的模式图。如图8所示，学习工序是AI部4使用将特征量作为输入，并将膜厚推定值作为输出的学习用数据来学习机器学习模型。继续，推定工序将特征量输入完成学习的机器学习模型时，例如从机器学习模型输出膜厚推定值。如此，AI部4使用完成学习的机器学习模型对所输入的特征量输出膜厚推定值。而后，AI部4例如亦可以将膜厚推定值与设定阈值做比较，来判定正常或是接近不良，判定为接近不良时，将晶片搬送至膜厚测定器的方式作控制。藉此，判定为接近不良时，实际地测定晶片的膜厚。

本实施方式将过去研磨所获得的数据划分成学习用数据与测试数据后，仅将学习用数据使用于学习来训练AI，AI对整个数据实施推定，并与实际的测定值比较。以下，说明关于膜厚最大值、膜厚平均值、膜厚范围(亦称为膜厚Range)的比较结果。

图9在第一种实施方式中比较膜厚最大值的测定值与AI推定值的图。如图9所示，曲线图G11的纵轴是以允许限度的膜厚最大值而标准化的膜厚最大值的AI推定值，横轴是以允许限度的膜厚最大值而标准化的膜厚最大值的测定值。AI推定值分布在正确回答线附近，表示推定有效进行。曲线图G12的纵轴是数据统计数，横轴是推定误差(＝膜厚最大值的测定值-膜厚最大值的AI推定值)。Train表示学习用数据，Test表示测试用数据。推定误差皆在规定范围内。

例如，判定部453在以允许限度的膜厚最大值而标准化的膜厚最大值的AI推定值超过第一阈值时，亦可判定为须测定膜厚。藉此，超过第一阈值时，由于有可能包含有超过允许限度的膜厚最大值而切削保留的晶片，因此亦可控制为须测定膜厚。藉此，将AI推定值作为判定值，不致遗漏瑕疵品而可设定测定膜厚的条件。该例中可知，通过利用AI推定值，仅测定约25％的基板即可。具体而言，判定部453亦可以使晶片在研磨后移动至膜厚测定器6的方式来控制一个以上的机器人(例如，传输机7、搬送机器人22、搬送机器人53，参照专利文献1)。

图10是在第一种实施方式中比较膜厚平均值的测定值与AI推定值的图。如图10所示，曲线图G21的纵轴是标准化的膜厚平均值的AI推定值，横轴是标准化的膜厚平均值的测定值。AI推定值分布在正确回答线附近，表示推定有效进行。曲线图G22的纵轴是数据统计数，横轴是推定误差(＝膜厚平均值的测定值-膜厚平均值的AI推定值)。Train表示学习用数据，Test表示测试用数据。

图11是在第一种实施方式中比较膜厚范围的测定值与AI推定值的图。如图11所示，曲线图G31的纵轴是标准化的膜厚范围的AI推定值，横轴是标准化的膜厚范围的测定值。AI推定值分布在正确回答线附近，表示推定有效进行。曲线图G32的纵轴是数据统计数，横轴是推定误差(＝膜厚范围的测定值-膜厚范围的AI推定值)。Train表示学习用数据，Test表示测试用数据。

继续使用图12说明从推定部452所输出的推定值满足预定的研磨恶化条件时，使后续的基板的处理停止的处理的一例。图12是表示研磨恶化条件时使后续基板的处理停止的处理的一例流程图。

此处，判定部453判定推定部452所输出的推定值是否满足预定的研磨恶化条件。其一例为研磨恶化条件是“推定值超出设定范围”的条件时，判定部453判定推定部452所输出的推定值是否超出设定范围。图12～图14的一例是研磨恶化条件为“膜厚轮廓的标准偏差的推定值为设定阈值以上”的条件，判定部453判定推定部452所输出的膜厚轮廓的标准偏差的推定值是否为设定阈值以上。

(步骤S110)首先，处理器45取得研磨晶片时的TCM信号。

(步骤S120)其次，生成部451从取得的TCM信号算出特征量。

(步骤S130)其次，推定部452在存储于存储体41的完成学习的机器学习模型中输入特征量，例如，输出膜厚轮廓的标准偏差的推定值。此处，完成学习的机器学习模型的一例为学习过将TCM信号的特征量作为输入，并将膜厚轮廓的标准偏差作为输出的学习用数据的模型。

(步骤S140)其次，判定部453判定膜厚轮廓的标准偏差的推定值是否为设定阈值以上。膜厚轮廓的标准偏差并非为设定阈值以上时(亦即，轮廓的标准偏差小于设定阈值时)，返回步骤S110的处理，并重复以后的处理。

(步骤S150)另外，在步骤S140判定为膜厚轮廓的标准偏差的推定值为设定阈值以上时，判定部453控制控制部500停止后续晶片的处理。藉此，控制部500控制成停止后续晶片的处理。

因此，处理器45亦可在从推定部452所输出的推定值满足预定的研磨恶化条件时，使后续基板的处理停止。藉此，由于当研磨状态恶化时，停止后续基板的处理，因此，由于可进行更换研磨部件等的维护，因此可防止研磨状态更加恶化。

继续，说明推定值满足预定的研磨恶化条件时，由装置内或外部的膜厚测定器实施膜厚测定的处理。图13是表示满足研磨恶化条件时以装置内的膜厚测定器实施膜厚测定的处理的一例流程图。

(步骤S210)首先，处理器45取得研磨晶片时的TCM信号。

(步骤S220)其次，生成部451从取得的TCM信号算出特征量。

(步骤S230)其次，推定部452在存储于存储体41的完成学习的机器学习模型中输入特征量，例如输出膜厚轮廓的标准偏差的推定值。此处，完成学习的机器学习模型的一例为学习过将TCM信号的特征量作为输入，并将膜厚轮廓的标准偏差作为输出的学习用数据的模型。

(步骤S240)其次，判定部453判定膜厚轮廓的标准偏差的推定值是否为设定阈值以上。

(步骤S250)在步骤S240判定为膜厚轮廓的标准偏差的推定值为设定阈值以上时，处理器45为了以膜厚测定器6计测该研磨后的晶片的膜厚，而控制一个以上的机器人(例如，传输机7、搬送机器人22、搬送机器人53，参照专利文献1)。

(步骤S260)在步骤S240，膜厚轮廓的标准偏差的推定值并非为设定阈值以上时(亦即，轮廓的标准偏差小于设定阈值时)，处理器45以不使膜厚测定器6进行测定，而将晶片返回FOUP的方式，控制一个以上的机器人(例如，传输机7、搬送机器人22、搬送机器人53，参照专利文献1)。

因此，处理器45在推定部452所输出的推定值满足预定的研磨恶化条件时，在研磨后控制膜厚测定器6测定对象基板的膜厚，所述所输出的推定值不满足预定的研磨恶化条件时，在研磨后控制膜厚测定器6不测定对象基板的膜厚。藉此，当研磨状态恶化时，由于测定基板的膜厚，因此可判断是否有效进行研磨，研磨状态未恶化情况下，通过不测定基板的膜厚可使处理量提高。

继续，说明推定值满足预定的研磨恶化条件时，以装置内或外部的膜厚测定器实施膜厚测定的处理。图14是表示满足研磨恶化条件时以装置内的膜厚测定器实施膜厚测定的处理的一例流程图。

(步骤S310)首先，处理器45取得研磨晶片时的TCM信号。

(步骤S320)其次，生成部451从取得的TCM信号算出特征量。

(步骤S330)其次，推定部452在存储于存储体41的完成学习的机器学习模型中输入特征量，例如输出膜厚轮廓的标准偏差的推定值。此处，完成学习的机器学习模型的一例为学习过将TCM信号的特征量作为输入，并将膜厚轮廓的标准偏差作为输出的学习用数据的模型。

(步骤S340)其次，判定部453例如判定膜厚轮廓的标准偏差的推定值是否为设定阈值以上。膜厚轮廓的标准偏差的推定值并非为设定阈值以上时(亦即，轮廓的标准偏差小于设定阈值时)，返回步骤S310的处理，并反复进行以后的处理。

(步骤S350)另外，在步骤S340判定为膜厚轮廓的标准偏差的推定值为设定阈值以上时，处理器45控制输出督促维护的警告。该警告亦可是语音，亦可将警告内容显示于显示装置，有多种色(例如，红、黄、绿三个)的光源(例如PATLITE(注册商标))时，亦可点亮(或熄灭)特定色(例如黄色)的PATLITE，亦可产生振动，亦能够以能够自动联络研磨装置10的使用者的方式分发邮件至使用者的地址来通知使用者，亦可为它们两个以上的组合。

因此，处理器45在推定部452所输出的推定值满足预定的研磨恶化条件时，控制发出督促维护的警告。藉此，当研磨状态恶化时，由于可进行更换研磨部件等的维护，因此可防止研磨状态更加恶化。

继续使用图15说明满足研磨恶化条件时发出督促维护的警告的处理。图15是表示满足研磨恶化条件时发出督促维护的警告的处理的一例流程图。

(步骤S410)首先，处理器45取得研磨晶片时的TCM信号。

(步骤S420)其次，生成部451从取得的TCM信号算出特征量。

(步骤S430)其次，推定部452在存储于存储体41的完成学习的机器学习模型中输入特征量，例如输出膜厚轮廓的标准偏差的推定值。此处，完成学习的机器学习模型的一例为学习过将TCM信号的特征量作为输入，并将膜厚轮廓的标准偏差作为输出的学习用数据的模型。

(步骤S440)其次，推定部452将推定值保存于存储体41。

(步骤S450)其次，判定部453例如判定是否已经存储了规定数量的推定值。尚未存储规定数量的推定值时，返回步骤S410的处理，并反复进行以后的处理。

(步骤S460)另外，在步骤S450判定为已经存储了规定数量的推定值时，处理器45参照对存储于存储体41的多个在不同时刻所研磨的基板输出的推定值，使用对多个在不同时刻所研磨的基板输出的推定值的倾向来输出维护时机。维护时机的输出方式亦可是“建议在○小时后维护”。处理器45亦可将维护时机通知研磨装置的使用者。藉此，自动通知维护时机。该通知方法亦可在WEB画面或应用程序上表示维护时机，亦可分发邮件至使用者的地址。

或是，处理器45亦可在时刻到达维护时机时，通知研磨装置的使用者。藉此，自动通知维护时机。该通知方法亦可在WEB画面或应用程序上显示应该维护的内容，亦可分发邮件至使用者的地址。

具体而言，例如处理器45亦可以设定时间间隔保存膜厚轮廓的标准偏差的推定值，算出以设定时间间隔划分推定值的差分的每单位时间推定值的变动，并输出为设定阈值以上的时机作为维护时机。藉此，由于可预测研磨状态恶化的时机，可在该时机进行更换研磨部件等的维护，因此可防止研磨状态更加恶化。

此外，处理器45亦可以根据推定部452所输出的推定值，获得希望的关于研磨后的基板膜厚的数据或是希望的研磨后的基板中包含的关于产品合格率的参数的方式，来调整后续基板的研磨条件。藉此，因为可变更后续基板的研磨条件来改善研磨状态，所以可更长时间维持良好的研磨状态。

处理器45亦可使用该研磨装置在运用中的所述特征量让机器学习模型再学习。藉此，可使推定精度提高。

以上，第一种实施方式的研磨装置10能够参照存储有使用学习用数据而完成学习的机器学习模型的存储体41，该学习用数据将关于研磨中的研磨部件与基板间的摩擦力的信号的特征量或研磨中的研磨部件或基板的温度的特征量作为输入，并将关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数作为输出。研磨装置10具备：设有研磨部件且可旋转地构成的研磨台100；与研磨台100相对且可旋转地构成，并且可在与所述研磨台100相对的面安装基板的研磨头1；及使安装了基板的所述研磨头与所述研磨台旋转，同时将该基板按压于所述研磨部件来研磨该基板而控制的控制部500。

研磨装置10具备处理器45，处理器45根据关于研磨中的研磨部件与基板间的摩擦力的信号、或者研磨中的研磨部件或对象基板的温度而生成特征量，将该生成的特征量输入完成学习的机器学习模型，并输出关于研磨后的基板的膜厚的数据或研磨后的基板所包含的关于产品合格率的参数的任意一个作为推定值。

通过该构成，由于研磨装置在研磨中获得关于研磨后的基板的膜厚的数据、或研磨后的基板中包含的关于产品合格率的参数的推定值，因此，即使没有测定膜厚仍可预测基板研磨后的状态。藉此，即使不测定膜厚仍可掌握基板研磨后的状态，并且可减少测定膜厚次数，因此可避免遗漏瑕疵品而使处理量提高。如此，通过省略正常研磨时的膜厚测定，可提高处理量。此外，通过推定关于合格率的参数，可检知不良或预知不良。此外，通过根据关于合格率的参数更新研磨参数，可使合格率提高。

另外，AI部4亦可搭载于工厂内的闸道器，且研磨装置由网络线路而连接的闸道器。该闸道器宜在研磨装置附近。需要高速处理时(例如抽样速度低于100ms时)，亦可由研磨装置中的AI部4、或是搭载于闸道器的AI部4执行边缘计算(Edge computing)。研磨装置中的AI部4亦可搭载于装置用PC或控制器。

＜第二种实施方式＞

继续说明第二种实施方式。第一种实施方式的研磨装置10具备AI部4，不过第二种实施方式不同的处为AI部4并非设于研磨装置，而设于工厂内的工厂管理室或无尘室等。

图16是表示第二种实施方式的研磨系统的整体构成的概略图。如图16所示，第二种实施方式的研磨系统S2具备：研磨装置10-1～3-N；及与设于工厂内的研磨装置10-1～10-N相同工厂内、或设于工厂管理室的AI部4。AI部4与研磨装置10-1～3-N可经由本地网络NW1而通信。AI部4例如搭载于计算机(例如服务器、或雾(计算))。

在研磨装置中或闸道器中设置AI部4时，通过边缘计算执行完成学习的机器学习模型，可进行高速处理。例如，可准时(实时)以高速处理。

此外，在工厂内的服务器或雾(计算)中搭载AI部4时，亦可集合工厂内的多个研磨装置的数据来更新机器学习模型。此外，亦可集合工厂内的多个研磨装置的数据进行解析，并将解析结果反映到研磨参数设定。

＜第三种实施方式＞

继续说明第三种实施方式。第一种实施方式的研磨装置10具备AI部4，但是第三种实施方式不同的处为AI部4并非设于研磨装置，而设于云端。

图17是表示第三种实施方式的研磨系统的整体构成的概略图。如图17所示，第三种实施方式的研磨系统S3具备：设于多个工厂内的研磨装置10-1～10-N；及设于云端的AI部4。AI部4可经由全球网络NW2与本地网络NW1而与研磨装置10-1～10-N通信。AI部4例如是计算机(例如服务器)。

因此，通过将AI部4设置于与研磨装置实体性分离的云端，可在多个工厂间共享AI部4，AI部4的维护性提高。再者，通过利用多个工厂的研磨中的数据，而以许多数据供机器学习模型再学习，可使推定精度更快提高。

此外，亦可集合包含多个工厂的多个研磨装置的数据(例如大量数据)来更新机器学习模型。此外，亦可集合包含多个工厂的多个研磨装置的数据(例如大量数据)进行解析，并将解析结果反映到研磨参数设定。

另外，AI部4亦可不设于云端，而设于集中性进行分析的分析中心。

关于AI部4的搭载场所，亦可是(1)研磨装置内、及/或(2)研磨装置附近的闸道器、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)等)。

关于AI部4的搭载场所，亦可是(1)研磨装置内、及/或(2)研磨装置附近的闸道器、及/或(4)云端(或分析中心)的计算机。

关于AI部4的搭载场所，亦可是(1)研磨装置内、及/或(2)研磨装置附近的闸道器、及/或(3)工厂内(例如工厂管理室内)的计算机、及/或(4)云端(或分析中心)的计算机。

此外，AI部4的各构成亦可分散而配置于(1)研磨装置内、及/或(2)研磨装置附近的闸道器、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)等)、及/或(4)云端(或分析中心)的计算机。

另外，各种实施方式的机器学习模型的输入为关于研磨中的研磨部件与基板间的摩擦力的信号的特征量，不过并非限于此。机器学习模型的输入亦可是研磨中的研磨部件(此处是研磨垫101)或是基板的温度的特征量。此因，研磨中的研磨部件与基板间的摩擦力若上升，研磨部件或基板的发热量也变大该部分，由于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与基板间的摩擦力有正的相关关系。

亦即，存储体41中亦可存储有使用学习用数据而完成学习的机器学习模型，该学习用数据将关于研磨中的研磨部件或基板的温度特征量作为输入，并将关于研磨后的基板膜厚的数据、或研磨后的基板膜厚的轮廓统计值、或研磨后的基板中包含的关于产品合格率的参数作为输出。

此时，生成部451亦可使安装了对象基板的研磨头1、及研磨台100旋转，同时将对象基板按压于所述研磨部件，从研磨所述基板中关于研磨部件与基板间的摩擦力的信号、或者研磨中的研磨部件或基板的温度而生成特征量。

另外，上述实施方式说明的AI部4的至少一部分亦可由硬件构成，亦可由软件构成。以软件构成情况下，亦可将实现AI部4的至少一部分功能的程序储存于软盘或CD-ROM等记录介质，让计算机读取来执行。记录介质并非限定于磁盘或光盘等可装卸的结构，亦可是硬盘装置或存储器等固定型的记录介质。

此外，亦可将实现AI部4的至少一部分功能的程序经由英特网等通信线路(亦包含无线通信)而分发。再者，亦可将该程序在加密、调制、或压缩状态下经由英特网等有线线路或无线线路，或是储存于记录介质而分发。

再者，亦可通过一个或多个信息处理装置来使AI部4发挥功能。使用多个信息处理装置时，亦可将信息处理装置中的1个作为计算机，通过该计算机执行规定的程序，来实现作为AI部4的至少1个手段的功能。

此外，方法的发明中，亦可通过计算机自动控制来实现全部工序(步骤)。此外，亦可由计算机实施各工序，同时通过人工实施工序间的进行控制。此外，进一步，亦可通过人工实施全部工序中的至少一部分。

以上，本技术并非原封不动地限定于上述实施方式，在实施阶段在不脱离其要旨的范围内可修改构成元件而具体化。此外，通过适当组合揭示于上述实施方式的多个构成元件可形成各种发明。例如，亦可从实施方式所示的全部构成元件删除一些构成元件。再者，亦可适当组合包含不同实施方式的构成元件。

【符号说明】

1:研磨头

100:研磨台

100a:台轴

101:研磨垫

101a:研磨面

102:台旋转马达

110:顶环头

111:顶环轴杆

112:旋转筒

113:定时滑轮

114:顶环用旋转马达

115:定时皮带

116:定时滑轮

117:顶环头轴杆

124:上下移动机构

126:轴承

128:桥接器

129:支承台

130:支柱

132:滚珠螺杆

132a:螺旋轴

132b:螺帽

138:伺服马达

20:前装载部

21:FOUP

22:搬送机器人

26:旋转接头

3:挡圈

4:AI部

41:存储体

42:存储器

43:输入部

44:输出部

45:处理器

451:生成部

452:推定部

453:判定部

5:清洗部

500:控制部

53:搬送机器人

6:膜厚测定器

7:传输机

S1～S3:研磨系统