一、引言

碳化硅（SiC）襯底憑借優異性能在半導體領域地位關鍵，其切割加工精度和效率影響產業發展。自動對刀系統決定切割起始位置準確性，進給參數控制切割過程穩定性，二者協同優化對提升碳化硅襯底切割質量與效率意義重大。然而，當前研究多將二者獨立分析，難以滿足高精度切割需求，亟需構建協同優化模型。

二、自動對刀系統與進給參數協同優化的挑戰

2.1 動態交互復雜

自動對刀系統確定的初始位置精度，會因進給過程中切割力、熱效應導致襯底變形而改變；同時，進給參數設置不當，如進給速度過快，會使切割過程振動加劇，影響對刀系統的反饋精度，二者間存在復雜的動態交互關系 。

2.2 多參數耦合影響

對刀系統的光學參數、機械結構參數，與進給參數中的進給速度、切割深度等相互耦合。一個參數的調整會引發其他參數關聯變化，難以精準把控各參數間的協同作用，增加優化難度 。

三、協同優化模型構建

3.1 模型架構設計

以碳化硅襯底切割質量（表面粗糙度、切割尺寸精度）為目標函數，將自動對刀系統參數（激光波長、光學元件焦距等）和進給參數（進給速度、切割深度）作為自變量。基于有限元分析和實驗數據，建立參數與目標函數間的非線性關系模型，綜合考慮切割過程中的物理現象，如熱傳導、材料去除機制 。

3.2 數據驅動方法

收集大量不同對刀參數和進給參數組合下的切割實驗數據，運用機器學習算法（如神經網絡、支持向量機）對數據進行訓練，挖掘參數間的潛在規律，實現模型參數的動態優化與更新，提升模型對復雜工況的適應性 。

四、協同優化策略

4.1 分級優化

先通過單因素實驗確定對刀系統參數和進給參數的可行范圍，再進行多參數組合優化。采用遺傳算法、粒子群算法等智能優化算法，在可行范圍內搜索最優參數組合，平衡計算效率與優化精度 。

4.2 實時反饋調整

在切割過程中，利用傳感器實時采集襯底變形、切割力等數據，反饋至協同優化模型。模型根據實時數據動態調整對刀系統參數和進給參數，實現參數的自適應優化，確保切割過程始終處于最優狀態 。

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。