摘要：除了尺寸更小、更难检测之外，缺陷还常常隐藏在复杂的器件结构和封装方案之下。此外，数十年来备受信赖的传统光学和电学探测方法已证明无法应对现代芯片架构的复杂性。

半导体器件的日益复杂要求业内重新思考缺陷检测方法。

检测 5nm 以下缺陷给芯片制造商带来了巨大挑战，这些挑战直接影响产量、可靠性和盈利能力。

除了尺寸更小、更难检测之外，缺陷还常常隐藏在复杂的器件结构和封装方案之下。此外，数十年来备受信赖的传统光学和电学探测方法已证明无法应对现代芯片架构的复杂性。

Modus Test首席技术官 Jack Lewis 表示：“我们可以从单个先进 AI 处理器中提取出大量高精度参数测量数据，仅一个封装就能提供数万个数据点。将其乘以多个封装、多个测试车辆批次，现在您在每个芯片层和互连上都有数百万个样本。这种密度正是您需要的，这样您才能找到那些难以捉摸的百万分之一缺陷，并在流程开发的早期提供设计和缺陷检测反馈，远早于它们在生产过程中出现。”

混合键合、小芯片和背面供电等新技术的出现加剧了这些困难，每种技术都引入了全新的缺陷类型。例如，混合键合需要原子级精度，因为微小的对准误差或污染物都可能直接导致功能故障。同样，背面供电方案会遮挡金属层下方的关键结构，从而消除传统检查技术所需的视线接触。

Nordson Test & Inspection研发总监 John Hoffman 表示：“在先进节点，客户学习变得越来越重要。微小的工艺调整（例如改变表面光洁度）对工艺工程师来说可能微不足道，但会极大地影响光学检测的准确性。随着特征的缩小，即使是细微的变化也会变得非常重要，设备制造商和晶圆厂都需要密切协调，以避免出现意外的良率问题。”

因此，半导体行业正在向能够可视化这些埋藏缺陷的创新型数据密集型检测方法转型。先进的电子束 (e-beam) 检测、增强型 X 射线断层扫描和人工智能 (AI) 驱动的分析对于这些极端节点的缺陷检测至关重要。

晶体管架构（如环绕栅极 (GAA) FET 和 CFET）以及新封装架构（如 3D-IC）的发展大大增加了发现缺陷的难度。许多缺陷都深藏在多层堆栈中或复杂的互连方案之下。这使得检测以及缺陷表征变得更加困难，因为传统的电气测试和视觉检查很难穿透和解释深层嵌入的缺陷。

由于 X 射线计量技术具有非破坏性地显现内部结构的能力，因此越来越多地采用该技术来检测埋藏缺陷。然而，即使是 X 射线技术，在接近 5 纳米以下的尺度时，也面临分辨率和吞吐量方面的限制。

布鲁克产品营销总监 Lior Levin 表示：“X 射线检测在先进节点上至关重要，因为它可以检测到光学方法无法检测到的埋藏缺陷。然而，随着我们进入 5nm 以下，仅仅提高分辨率是不够的。人工智能驱动的算法对于处理复杂的衍射数据和显著提高检测精度至关重要。”

在这些尺度上，看似微不足道的缺陷（混合键合界面中的原子级空隙或纳米级互连中细微的线边缘粗糙度）可能会严重降低设备性能。针对较大几何形状进行优化的传统计量工具通常会忽略这些微小但至关重要的变化。因此，这种情况不仅需要逐步改进，还需要全新的检测方法。

Wooptix 首席运营官 Javier Elizalde 表示：“干涉测量法仍然在晶圆测量中占据主导地位，但它也有局限性，尤其是在封装技术不断发展的情况下。”“我们现在看到，对能够适应新材料、新键合方法和新工艺流程的替代测量方法的需求日益增长。”

为了解决这些限制，公司正在将高分辨率成像与人工智能驱动的数据解释相结合。例如，电子束检测正在得到重大改进，特别是通过冷场发射 (CFE) 源的发展，显著提高了分辨率和检测速度。

“先进节点面临的一个根本挑战是平衡检测速度和分辨率，”应用材料公司电子束缺陷控制营销主管 Ran Alkoken 表示。“我们的第二代 CFE 技术在不牺牲分辨率的情况下显著提高了电流。这对于管理这些先进节点遇到的密集缺陷图至关重要。”

人工智能驱动的分析在改进缺陷分类方面也发挥着至关重要的作用。通过在包含模拟和真实设计数据的大量数据集上训练模型，这些算法可以大大减少误报、简化检查工作流程并提高缺陷检测的准确性。

“基于人工智能的检测不仅可以提高产量，”Alkoken 说道，“还可以显著减少误报并简化缺陷分类。在生产工厂中，由于这项功能，人工检查工作量减少了 50% 之多。”

这些进步凸显了集成缺陷检测策略的更广泛趋势，利用X射线、电子束和人工智能等多种方式来确保在先进的半导体节点上有效检测缺陷。

“许多团队仍在使用菊花链和连续性测试，而这些测试会忽略细微故障，”Lewis说。“这是一种老派思维。他们测量的东西只能检测到严重的封装缺陷，希望检测到细微的封装工艺问题。这些传统方法无法测量工艺异常值——这可能会在大批量生产中毁掉您的初始产量，直到工艺问题被检测和纠正。”

随着缺陷检测超出传统方法的范围，AI 和机器学习 (ML) 已成为半导体制造中必不可少的要素。先进节点和高密度封装产生的大量数据集压倒了传统的数据分析方法，需要智能和自适应的解决方案。随着晶体管密度的增加，细微的缺陷特征通常会与正常的工艺变化或背景噪声混合在一起。ML 在海量数据中辨别有意义模式的能力现在对于保持 5nm 以下的良率至关重要。

Levin 表示：“在 5nm 以下，结构复杂性使缺陷检测变得非常复杂。如果没有 AI 算法，传统的 X 射线断层扫描很快就会受到限制。AI 有助于从密集的衍射数据中提取有意义的信号，准确识别传统方法可能忽略的细微缺陷。”

人工智能显著提高了缺陷分类的可靠性，有效地将良性特征与严重缺陷区分开来，并大大提高了产量管理。这一点尤其重要，因为半导体制造正朝着更复杂的结构发展，例如基于芯片的架构和堆叠晶体管，其中埋藏的缺陷经常发生，并且很难隔离。

Alkoken 表示：“AI 显著提高了缺陷分类的效率和准确性，实现了更快、更可靠的晶圆检测。这不仅提高了产量，还大大减少了人工审核，让工程师们可以腾出时间去解决影响良率的关键问题，而不是进行常规分类。”

前沿先进封装技术，包括混合键合、3D 堆叠和扇出晶圆级封装 (FOWLP)，正在显著改变半导体制造。虽然这些方法提供了关键的性能优势，但它们引入了复杂的新缺陷机制，传统检测方法难以有效解决。

行业向异质集成和超细互连间距的转变加大了检测多层结构深处缺陷的挑战。随着先进封装的采用日益广泛，准确识别和表征关键接口、硅通孔 (TSV) 和重分布层 (RDL) 处的缺陷已成为确保设备可靠性的关键。

混合键合体现了这些挑战。该工艺对于实现超高密度芯片集成至关重要，需要近乎完美的表面平整度和原子级精度。即使是表面形貌的微小变化或键合界面的轻微污染，也会导致键合缺陷或电气性能下降。因此，迫切需要专门的检测技术，以便在最终集成之前准确测量晶圆平整度并检测微观变化。

例如，Wooptix 的波前相位成像 (WFPI) 源自天文学中使用的自适应光学，它使用标准图像传感器从两个不同的焦平面捕获强度数据。与需要参考光束的干涉测量法不同，WFPI 直接从这些强度变化中推断出相位信息。这使得系统能够以亚纳米级垂直分辨率和微米级横向分辨率重建表面拓扑的详细相位图，从而有效地检查前端工艺晶圆和后端的先进封装。

图 1：WFPI 可在 0.1 秒内对 300 毫米晶圆进行全场成像，收集数千万个测量点。来源：Wooptix

Elizalde 表示：“确保晶圆平整度对于成功实现混合键合至关重要。传统的干涉测量方法根本无法满足先进封装所需的精度水平。我们的波前传感技术可以以亚纳米精度提供实时平整度测量，使制造商能够尽早纠正变化并避免在后期过程中出现代价高昂的缺陷。”

此外，TSV 和 RDL（各种 3D 配置和 FOWLP 结构中的关键元素）的完整性已成为重大缺陷管理挑战。传统上用于单片器件的电气测试经常无法识别这些埋层结构中的缺陷。由于不透明材料层下方的可见性有限，光学检测也面临困难，这推动行业转向先进的 X 射线断层扫描和电子束显微镜解决方案，这些解决方案能够无损地可视化内部封装结构。

布鲁克最近在 X 射线断层扫描方面的改进说明了工具制造商如何应对这些挑战。该公司的高分辨率 X 射线系统现在专门用于检测细微缺陷，例如 TSV 中的微孔和 RDL 内的轻微不规则性，这对于保持多芯片封装的结构和功能完整性至关重要。

“在后端，人们正在努力表征更轻的元素，”布鲁克的 Levin 说。“关键互连中的微孔等问题对整体设备性能具有巨大影响。高分辨率、AI 增强型 X 射线断层扫描已成为准确识别这些内部异常的必不可少的工具，使制造商能够提高产量并增强工艺控制。”

先进封装引入了结构缺陷以及与信号完整性、阻抗不匹配和电磁干扰 (EMI) 相关的新型功能缺陷。随着封装密度的提高，即使是微小的结构缺陷也可能导致严重的功能问题，而这些问题仅靠传统的物理检查是无法检测到的。因此，全面的缺陷检测越来越需要集成结构检查、电气分析和先进的仿真工具，以全面评估封装的可靠性。

PDF Solutions现场资源副总裁 Michael Yu 表示：“在先进的前端工艺节点以及先进的封装中，即使在最高分辨率的显微镜下，缺陷也并不总是可见的。将 X 射线、电子束、光学和电气测试与人工智能驱动的数据分析相结合的综合检测方法现在至关重要。您不能依赖单一工具；需要采取整体方法。”

尽管人工智能增强分析、电子束检测和 X 射线断层扫描技术取得了重大进展，但多个实际障碍仍然阻碍了半导体制造生态系统的广泛采用。可扩展性、标准化和数据集成方面的挑战仍然是从被动缺陷检测方法向主动和预测策略过渡的重大障碍。

此外，可扩展性是一个关键障碍，特别是对于较小的晶圆厂和代工厂而言。虽然领先的制造商在最先进的检测解决方案上投入了大量资金，但规模较小或专业的晶圆厂经常发现这些工具在经济上无法获得。这种经济差距限制了整个行业的广泛采用，并有可能造成不公平的竞争环境，小型晶圆厂难以在先进节点上有效竞争。

标准化是另一个重大障碍。随着从芯片到预集成多芯片模块等新型半导体结构的激增，其中一些采用了特殊材料，独特的检测挑战也成倍增加。这种多样性使得标准化检测方法特别具有挑战性，可能导致缺陷管理方法分散。

最后，芯片制造产生的数据量对分析能力提出了很高的要求。强大的集成平台对于捕获、分析和安全地跨生产阶段共享数据至关重要。虽然人工智能驱动的方法前景光明，但它们的成功取决于无缝的数据通信和全面的分析基础设施。

现代设备的复杂性意味着有效的缺陷检测需要整合来自多个来源的数据，例如检测工具、测试结果和设计信息。如果没有安全高效的基础设施来管理这些数据，即使是最好的检测方法也无法发挥其全部潜力。

应对这些挑战需要业界的协调努力。设备供应商、晶圆厂和标准制定机构必须密切合作，开发通用框架和可扩展的解决方案，以便在所有领域实现有效的缺陷检测。只有解决这些结构性和协作性障碍，业界才能充分利用新兴的缺陷检测技术，并跟上日益复杂的设备。

随着半导体技术发展到 5nm 以下的深度领域，仅仅在缺陷发生后检测已不再足够。实时分析和集成生命周期缺陷管理正在成为主动缓解良率和可靠性问题的关键策略，防止这些问题蔓延到下游。

实时分析代表着传统生产线末端缺陷检测方法的重大转变。通过将传感器和先进的监控系统直接嵌入到生产设备中，晶圆厂可以检测并应对出现的缺陷，而不是依赖于后期生产分析。人工智能驱动的算法与这些传感器的集成可以立即检测和分类细微的工艺漂移，从而快速修正制造参数，帮助最大限度地减少产量损失。

历史上看，缺陷检测主要是回顾性的。当发现缺陷时，晶圆已经转移到下游，这使得纠正措施成本高昂。现在，通过嵌入预测分析和在线传感器，业内正在转向实时缺陷识别和预防。这大大降低了与后期缺陷发现相关的成本。

实时分析的好处不仅限于立即提高产量。实时监控和主动缺陷预防使半导体制造商能够为每个晶圆、封装和设备构建高度详细、数据丰富的配置文件。这些配置文件与 AI 驱动的预测模型相结合，支持更精确的工艺调整，从而提高整体设备性能、可靠性和使用寿命价值。

应用材料公司产品营销主管 Neta Shomrat 表示：“第二代冷场发射平台提供了支持快速缺陷审查所需的分辨率和电流，但真正实现明确缺陷分类的是基于人工智能的检测。通过消除对参考图像采集的需求并减少密集缺陷图中的歧义，我们可以实现高精度和显著更高的吞吐量。”

生命周期集成需要行业思维的根本转变，特别是在设计、制造和测试团队之间更紧密的协作方面。数字孪生、设计感知缺陷建模和早期缺陷风险评估正成为至关重要的工具。这些方法可以在设计阶段识别潜在的缺陷机制，使工程师能够优化制造流程并在生产开始之前预防问题。

随着半导体制造向 5nm 以下领域迈进，缺陷检测已从一个简单的制造步骤迅速发展成为保持产量、可靠性和竞争优势所必需的战略能力。传统的检测方法正在迅速达到极限，需要制造商和设备供应商积极创新。先进的电子束检测、增强型 X 射线断层扫描、波前相位成像和人工智能驱动的分析的集成代表着向前迈出的重要一步。然而，充分发挥这些技术的潜力，关键在于解决可扩展性挑战、标准化差距和数据集成复杂性。

Wooptix 的 Elizande 表示：“先进的节点和封装技术极大地改变了缺陷格局。如今，成功取决于结合多种检测方法、预测分析和主动生命周期管理的集成解决方案。成功整合这些功能的制造商将在产量和可靠性方面获得显著优势。”

来源：半导体产业纵横一点号