MétaCan
Menu
Retour à la cohorte
Enregistrement W4385340731 · doi:10.18280/i2m.220305

Effect of Parameters of Chemical Mechanical Polishing (CMP) for Improving Surface Roughness for Semiconductor Material Kind Silicon

2023· article· en· W4385340731 sur OpenAlexvenueno aff
Shakir M. Mousa, Shukry H. Aghdeab

Notice bibliographique

RevueInstrumentation Mesure Métrologie · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Surface Polishing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChemical-mechanical planarizationAbrasivePolishingSlurryMaterials scienceSurface roughnessWaferSurface finishGrain sizeSiliconComposite materialMetallurgyNanotechnology

Résumé

récupéré en direct d'OpenAlex

Chemical Mechanical Polishing (CMP) is the polishing process where the top surface of a wafer is smoothed using a slurry containing abrasive grit as well as reactive chemical agents. The polishing process is partly mechanical and partly chemical. The mechanical element's main advantage is that it is achieved without great effort to manufacture and supplies good-quality general mechanical and electrical properties. In the current study, the invention reckons on the chemical and mechanical properties of the composition particles (abrasive slurry) utilized to polish silicon surfaces traveling through chemical-mechanical polishing (CMP). MINITAB 17 software was used to estimate the influence of the (CMP) input variables on the surface roughness (Ra) of the silicon workpiece. Other process input variables were disk speed (rpm), the dose of abrasive, the grain size of the abrasive, and the type of slurry. In order to get the best response surface roughness, the current findings show that the constant coefficient of determination (R2) is 95.80%. Furthermore, the effects of disk speed (X1), abrasive dose (X2), abrasive grain size (X3), and type of slurry (X4) on achieving a superior surface roughness finish were 21.05%, 4.34%, 50.00%, and 24.59%, respectively.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,954

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,307
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInstrumentation Mesure MétrologieMême sujetAdvanced Surface Polishing TechniquesTravaux en français237 207