集成电路(IC)是当今社会发展的基石,各行业都充斥着IC的身影。IC的制造过程十分复杂,其中最关键的技术之一是化学机械抛光(CMP),CMP是IC实现高集成度必不可少的前提条件。钴(Co)以其优良的物化性质成为14 nm及以下技术节点阻挡层的关键材料。然而,随着器件特征尺寸的减小,阻挡层的厚度不断减小,在钴基阻挡层的化学机械抛光过程中,会出现钴、铜去除速率及选择性难以控制的问题。同时,化学机械抛光过程非常复杂,传统的正交实验存在周期长、12英寸的晶圆等耗材价格昂贵等问题,实验只能进行有限次,依靠对比分析实验结果寻求最优的抛光液配比是一件困难、耗时、代价高昂的工作。本课题针对以上问题,通过进行抛光液各组分:磨料,活性剂,螯合剂,双氧水,BTA对Co/Cu CMP效果的实验,将实验数据与新兴的机器学习方法相结合,训练出一个可以预测抛光速率及选择比的数学模型,并通过此模型推导出最优的钴、铜抛光速率及适当选择比对应的抛光液组分,用于指导CMP实验,有效缩短研发周期节约成本,课题的研究具有重要的理论意义和实用价值。本课题首先研究了不同pH、纳米硅溶胶磨料、活性剂和螯合剂对钴去除速率及静态腐蚀速率的影响,并通过正交试验优化了一组具有良好性能的钴抛光液。随后,在保证钴、铜去除速率选择性的前提下,引入双氧水和苯并三氮唑来降低铜钴间的电偶腐蚀。最终确定了抛光液(pH=10)的组分为:磨料,活性剂,螯合剂,双氧水和苯并三氮唑。基于以上实验结果,采用钴、铜化学机械抛光数据来训练支持向量机(SVM)模型,并先后通过采用遗传算法(GA)和粒子群算法(PSO)对SVM的参数进行寻优,对比这两种优化方法并分析寻优结果,确立回归模型。最后,通过训练的支持向量机模型来预测最优的钴、铜去除速率及对应的抛光液配比,指导CMP实验,并取得了明显的效果。