文章來源：SemiEngineering

作者：Anne Meixner

在晶圓加工流程中，早期檢測宏觀缺陷是提升良率與推動工藝改進的核心環(huán)節(jié)，這一需求正驅(qū)動檢測技術(shù)與晶圓測試圖分析領域的創(chuàng)新。

宏觀缺陷早期檢測的重要性與挑戰(zhàn)

在晶圓層面，一個宏觀缺陷可能影響多個芯片，甚至在某些情況下波及晶圓的大片區(qū)域，此類缺陷的發(fā)現(xiàn)往往表明工藝模塊、特定薄膜或晶圓處理環(huán)節(jié)存在嚴重問題。早期檢測能夠避免數(shù)百甚至數(shù)千片晶圓的報廢，盡管檢測點通常位于導致缺陷的實際制造步驟下游，但及時介入仍可顯著降低損失。

然而上游和下游數(shù)據(jù)缺乏關(guān)聯(lián)性會使此類缺陷的故障排除變得困難，由于不存在 “一刀切” 的情況，因此需要將檢測技術(shù)與宏觀缺陷類型相匹配，甚至可能需要在晶圓制造流程中引入尚未應用的檢測技術(shù)。為描述宏觀缺陷特征，研發(fā)團隊需應用適當?shù)牟ㄩL和技術(shù)，在此過程中，晶圓測試圖分析因晶圓廠數(shù)據(jù)的局限性而持續(xù)發(fā)揮重要作用。將缺陷檢測數(shù)據(jù)與晶圓和材料追溯信息結(jié)合收集，對于關(guān)聯(lián)根本原因與糾正措施至關(guān)重要，問題解決后工程師可制定監(jiān)控方案，以經(jīng)濟高效的方式檢測未來設備中的同類缺陷并加快響應速度。

上游工藝的錯誤可能僅在晶圓電性測試時才能被檢測到，因此準確的調(diào)整措施計劃需要全產(chǎn)線的數(shù)據(jù)追溯能力，以更快識別缺陷成因。值得注意的是，部分宏觀缺陷無法通過上游檢測步驟發(fā)現(xiàn)。宏觀缺陷的定義通常具有場景依賴性，其界定取決于在晶圓制造流程中的發(fā)生位置與檢測位置，例如毫米級晶體缺陷可能最終導致晶圓破損，此外微觀缺陷與宏觀缺陷的具體構(gòu)成也可能因在供應鏈中的位置而異。

普迪飛（PDF Solutions）技術(shù)產(chǎn)品管理總監(jiān)Steve Zamek指出：“SEMI M 標準系列中多項標準涵蓋缺陷規(guī)范與定義，但仍存在模糊之處，且這些定義多年來持續(xù)演變。從材料供應商角度，宏觀缺陷通常指劃痕；對晶圓檢測設備供應商而言，宏觀缺陷指無需顯微鏡技術(shù)即可檢測到的缺陷；從無晶圓廠公司或設備制造商角度，宏觀缺陷可能指影響多個相鄰芯片的缺陷。”

對于50微米以上的宏觀缺陷可通過光學檢測方法肉眼識別?！斑@個檢測閾值取決于許多因素（例如與基板的對比度等）。我們的設備會對整個晶圓（而非每個芯片）以及整批晶圓進行成像，”Microtronic總裁Reiner Fenske說道?！八鼈兛梢詸z測任何宏觀缺陷，例如劃痕、邊緣缺口、光罩問題、圖案錯誤、多晶硅霧化缺陷、熱點、閃場缺陷、涂層或顯影劑旋轉(zhuǎn)相關(guān)缺陷、晶圓變色、CMP缺陷、沖洗問題、污染、蝕刻缺陷等等?！?/p>

先進CMOS和化合物半導體工藝的晶圓需進行宏觀缺陷檢測，加工過程從晶錠切割晶圓襯底開始直至設備晶圓探針測試結(jié)束，查找宏觀缺陷需要能夠以適當分辨率掃描晶圓大面積區(qū)域的技術(shù)，若設備制造商要求 100% 抽樣檢測，生產(chǎn)環(huán)境中的檢測速度則至關(guān)重要。

Onto Innovation 研究員 Woo Young Han表示：“較大的宏觀缺陷也可能帶來檢測挑戰(zhàn)，在較高放大倍數(shù)下（如10倍、20倍）其對比度可能較低，但相比低放大倍數(shù)（如1倍、2倍）反而更易被發(fā)現(xiàn)，需在不同放大倍數(shù)下多次掃描，這增加了晶圓檢測的復雜性與耗時，導致效率低下和資源消耗增加?！?/p>

全晶圓檢測

晶圓級宏觀缺陷可能由晶圓搬運機械臂與吸盤接口錯位導致的機械損傷引起，也可能因晶圓上沉積材料問題（包括原材料問題或光刻膠涂覆不均勻）產(chǎn)生，針對此類問題的宏觀缺陷檢測可觸發(fā)返工等措施，如從晶圓上剝離薄膜并重復工藝步驟。由于缺陷機制多樣，單一波長無法檢測所有缺陷，因此需使用不同波長檢測各類宏觀缺陷。

工藝和良率工程師長期依賴全晶圓自動光學檢測（AOI），其主要用于光刻、蝕刻和CMP工藝之后，通常與特定器件檢測方案配合使用，無需特定方案即可使用的特性可降低擁有成本。檢測傳感器雖可現(xiàn)場安裝在工藝設備中，但高速獨立工具能顯著提高效率。

次表面缺陷、埋藏缺陷及光學檢測對比度低的缺陷通常最難檢測，Microtronic 的Fenske表示：“最難檢測的宏觀缺陷與背景對比度極低甚至為零，可能未被發(fā)現(xiàn)并導致成品良率和可靠性問題；另一個挑戰(zhàn)是被后續(xù)工藝（絕緣層或金屬層）掩埋的缺陷，可能無法通過光學方法檢測，可通過增加檢測次數(shù)并在缺陷變得無法檢測前發(fā)現(xiàn)它們來克服。”

圖1：每個工藝步驟后對全晶圓光學掃描顯示了缺陷消失。來源：Microtronic

此外，工程團隊也可采用紅外檢測或基于 X 射線的方法檢測表面以下的缺陷，但需在良率提升、生產(chǎn)時間與資金投入間進行經(jīng)濟權(quán)衡，紅外成像工具在檢測空隙或分層缺陷方面尤其有用。

Onto的Han指出：“材料空隙是粘合表面間的微小氣隙，表面不可見但可能導致重大問題，如在后續(xù)晶圓減薄工藝（研磨和CMP）中造成破裂，可見光成像因無法有效穿透硅材料而難以檢測，需依賴紅外成像，其過去因相機視野小、速度慢不適合高吞吐量檢測，但使用多個相機和X射線管可以充分提高吞吐量。”

與紅外技術(shù)類似，基于X射線的技術(shù)雖比光學技術(shù)速度慢，但在發(fā)現(xiàn)次表面缺陷方面效果顯著，故更常用于失效分析，而通過多攝像頭和X射線管提升吞吐量后，也可用于大量缺陷晶圓的實證研究及低采樣率在線監(jiān)測。

Bruker化合物半導體業(yè)務產(chǎn)品經(jīng)理John Wall表示：“X射線衍射（XRD）成像并非對缺陷本身成像，而是對晶體缺陷引起的應變場敏感，應變區(qū)域衍射強度高于完美晶體，因此可檢測從納米級（幾個缺失原子可能使晶格畸變數(shù)十或數(shù)百微米）到厘米級的缺陷，小缺陷可能不導致晶圓破裂，大缺陷則可能引發(fā)破裂。”

晶體缺陷可能在晶錠生長和晶圓處理過程中產(chǎn)生，如晶圓邊緣或背面機械搬運可能引發(fā)微小缺陷，加工過程中的熱循環(huán)會導致微小缺陷擴大并突然破裂,CMP的機械特性也會增加應力導致晶圓碎裂。

Bruker的Wall分享了一個CMOS半導體晶圓廠案例：CMP工藝中晶圓破損率高達50多片，現(xiàn)有光學檢測工具未能發(fā)現(xiàn)缺陷，通過XRD實證研究檢測到數(shù)千片晶圓存在劃痕和邊緣損傷，根源為上游設備晶圓卡盤導致的背面重復性點缺陷，研究確定了高破損風險的晶圓區(qū)域及三類最大缺陷尺寸，客戶因此重新設計卡盤并在該工藝步驟后啟用XRD監(jiān)控模式。

圖2：由于上游設備產(chǎn)生的點缺陷，銅化學機械拋光（CMP）過程中發(fā)生晶圓破裂。通過統(tǒng)計過程控制（SPC）確定了導致晶圓破裂的工藝模塊。來源：Bruker

電氣測試晶圓圖分析

晶圓測試圖分析為識別宏觀缺陷（尤其是劃痕和較小缺陷簇）提供了另一途徑，可補充傳統(tǒng)成像技術(shù)不足，識別檢測未能發(fā)現(xiàn)的宏觀缺陷，發(fā)現(xiàn)缺陷后糾正措施可能包括更新檢測策略。無晶圓廠芯片制造商通常無法獲取整片晶圓檢測數(shù)據(jù)，因此晶圓測試圖雖反饋滯后，但仍能為晶圓制造工藝問題提供有效反饋。

Microtronic的Fenske表示：“晶圓測試圖的空間特征分析是一種強大技術(shù)，通常與在線監(jiān)測到的宏觀特征相關(guān)聯(lián)，但檢測到糾正措施間的滯后時間可能導致主動偏移影響數(shù)百甚至數(shù)千個晶圓?！?/p>

圖3：全晶圓檢測圖像與晶圓測試圖的關(guān)聯(lián)性。來源：Microtronic

與此同時，晶圓探針測試期間的晶圓處理問題（如探針卡針頭異物、晶圓沉積異物、設備劃痕等）可能導致多個芯片失效，這些缺陷在晶圓圖上顯示為宏觀缺陷，空間異常值檢測測試算法還可能指示任何檢測工具（光學、紅外或XRD）均無法檢測到的宏觀缺陷問題。

普迪飛的Zamek指出：“許多成熟的IDM、Foundry和OSAT在晶圓電測試中采用空間異常值篩選技術(shù)，可在測試單元或企業(yè)級別用于良率管理系統(tǒng)，在測試操作分析模塊中，空間特征會被視為宏觀缺陷，即使早期檢測步驟無法用光學方法檢測到。”

圖4：電氣測試空間異常值檢測方法將宏觀缺陷顯示為局部聚集分布。來源：普迪飛

全球領先的ATE公司通常在測試后提供晶圓測試圖數(shù)據(jù)，但在測試單元上實時執(zhí)行缺陷檢測仍是挑戰(zhàn)。“總體而言，我們在測試、設計和制造領域推進AI/ML應用.”Teradyne機器學習主管Jin Yu表示，“我們與客戶合作開展缺陷晶圓圖像檢測研究，近期一篇論文使用Kaggle數(shù)據(jù)集將晶圓測試圖圖像分為八類，我們的方法不同：首先自主標注并分為中心型、局部簇狀、隨機型和報廢型，報廢型與某些宏觀缺陷相關(guān)（具體視廢品圖像大小可能為宏觀或微觀問題）；其次使用的算法不同于傳統(tǒng)計算機視覺方法?！?/p>

Teradyne采用Meta DinoV2視覺轉(zhuǎn)換器作為圖像基礎模型（基于數(shù)百萬張圖像訓練獲取特征嵌入），并將結(jié)果輸入光梯度增強機（LGBM）算法執(zhí)行決策樹分析，實現(xiàn)晶圓測試圖四類分類，該組合方法基于客戶數(shù)據(jù)達到98%準確率，優(yōu)于單獨使用神經(jīng)網(wǎng)絡或視覺轉(zhuǎn)換方法的95%。

圖5：使用先進的機器學習算法進行實時晶圓缺陷分類。來源：Teradyne

結(jié)論

宏觀缺陷檢測貫穿晶圓制造全過程，從硅錠切割階段開始即需介入，但因缺陷成因復雜多樣，需綜合運用光學、紅外和X射線衍射等多種檢測方法，且檢測開展越早，晶圓廢品率越低。然而受限于技術(shù)或流程，早期檢測并非總能實現(xiàn)，因此研發(fā)團隊仍需借助晶圓測試圖分析，通過可追溯數(shù)據(jù)分析改進上游工藝或調(diào)整檢測策略。

普迪飛的Zamek表示：“化合物半導體、小芯片（Chiplets）、晶圓級封裝等新技術(shù)的興起，對宏觀檢測提出新需求，這種需求貫穿整個制造流程 —— 從晶體生長到晶圓廠在線工藝、后端封裝及測試環(huán)節(jié)，這正是許多客戶認識到部署企業(yè)級分析工具、打破數(shù)據(jù)孤島價值的原因?！?/p>