（本文編譯自Semiconductor Engineering）

檢測5nm以下的缺陷給芯片制造商帶來了巨大挑戰，這些挑戰直接影響芯片的良率、可靠性和企業的盈利能力。

這些缺陷不僅尺寸更小、更難檢測，而且還常常隱藏在復雜的器件結構和封裝方案之下。此外，數十年來備受信賴的傳統光學和電學探測方法，在現代芯片架構的復雜性面前已顯得力不從心。

混合鍵合、小芯片和背面供電等新技術的出現加劇了這些困難，每種技術都引入了全新的缺陷類型。例如，混合鍵合需要原子級精度，因為微小的對準誤差或污染物都可能直接導致功能失效。同樣，背面供電方案會遮擋金屬層下方的關鍵結構，從而使傳統檢查技術所需的視線訪問不復存在。

Nordson Test & Inspection研發總監John Hoffman表示：“在先進制程節點方面，對客戶的培訓教育變得越來越重要。一些微小的工藝調整（例如改變表面光潔度）對工藝工程師來說可能微不足道，但會極大地影響光學檢測的準確性。隨著芯片特征尺寸的縮小，即使是細微的變化也會變得非常重要，設備制造商和晶圓廠都需要密切合作，以避免出現意想不到的良率問題。”

因此，半導體行業正朝著創新型、數據密集型的檢測方法轉變，這些方法能夠使這些隱藏的缺陷顯現出來。先進的電子束(e-beam)檢測、增強型X射線斷層掃描和人工智能(AI)驅動的分析方法，對于這些極小的制程節點的缺陷檢測至關重要。

特征尺寸縮小與隱藏的缺陷

晶體管架構（如環繞柵極(GAA)FET和互補場效應晶體管（CFET）），以及新封裝架構（如3D-IC）的發展大大都增加了發現缺陷的難度。許多缺陷都深藏在多層堆疊結構中，或復雜的互連方案之下。這使得檢測以及缺陷表征變得更加困難，因為傳統的電氣測試和目視檢查很難探測并識別這些深度嵌入的瑕疵。

由于X射線計量技術具有非破壞性地可視化內部結構的能力，因此該技術被越來越多地用來檢測隱藏缺陷。然而，即使是X射線技術，在接近5納米以下的尺度時，也面臨分辨率和吞吐量方面的限制。

在這些尺度下，看似微不足道的缺陷，如混合鍵合界面處的原子級空隙或納米級互連中細微的線邊緣粗糙度，都可能會顯著降低器件性能。針對較大幾何尺寸進行優化的傳統計量工具，通常會忽略這些微小但至關重要的變化。因此，這種情況不僅需要逐步改進，還需要全新的檢測方法。

Wooptix首席運營官Javier Elizalde表示：“干涉測量法仍然在晶圓測量中占據主導地位，但它也有局限性，尤其是在封裝技術不斷發展的情況下。我們現在越來越需要能夠適應新材料、新鍵合方法和新工藝流程的替代測量方法。”

為了應對這些局限性，各公司正在將高分辨率成像技術與AI驅動的數據解釋相結合。例如，電子束檢測技術正在得到重大改進，特別是通過冷場發射(CFE)源的發展，顯著提高了分辨率和檢測速度。

“先進制程節點面臨的一個根本挑戰是平衡檢測速度和分辨率，”應用材料電子束缺陷控制營銷主管Ran Alkoken表示。

AI驅動的分析在改進缺陷分類方面也發揮著關鍵作用。通過在包含模擬和真實設計數據的大量數據集上訓練模型，這些算法可以大大減少誤報、簡化檢查工作流程并提高缺陷檢測的準確性。

這些進步凸顯了一個更廣泛的趨勢，即采用集成式缺陷檢測策略，利用X射線、電子束和人工智能等多種方式，以確保在先進的半導體制程節點上實現有效的缺陷檢測。

“許多團隊仍在使用菊花鏈和連續性測試，而這些測試會忽略細微故障，”Modus Test首席技術官Jack Lewis表示，“這是一種傳統的思維模式。他們測量的內容只能檢測出明顯的封裝缺陷，卻希望檢測出細微的封裝工藝問題。這些傳統方法無法測量工藝異常情況——而在大批量生產爬坡階段，在檢測并糾正工藝問題之前，這可能會嚴重影響初始良品率。”

AI正在變革缺陷檢測領域

隨著缺陷檢測超出傳統方法的能力范圍，AI和機器學習(ML)已成為半導體制造中必不可少的要素。先進制程節點和高密度封裝產生的大量數據集讓傳統的數據分析方法應接不暇，這就需要智能和自適應的解決方案。隨著晶體管密度的增加，細微的缺陷特征通常會與正常的工藝變化或背景噪聲混合在一起。ML在海量數據中辨別有意義模式的能力，如今已成為在5納米以下制程中維持良品率的關鍵。

AI顯著提高了缺陷分類的可靠性，有效地將良性特征與嚴重缺陷區分開來，極大地改善了良品率管理。這一點尤其重要，因為半導體制造正朝著更復雜的結構發展，例如基于小芯片的架構和堆疊式晶體管，在這些結構中，隱藏的缺陷經常出現，而且很難將其分離出來。

先進封裝成為缺陷檢測的新前沿領域

先進封裝技術，包括混合鍵合、3D堆疊和扇出晶圓級封裝(FOWLP)，正在顯著改變半導體制造。雖然這些方法提供了關鍵的性能優勢，但它們也帶來了復雜的新型缺陷機制，而傳統的檢測方法難以對其進行有效處理。

行業向異構集成和超細互連間距的轉變，加劇了檢測多層結構深處缺陷的難度。隨著先進封裝技術應用變得日益廣泛，準確識別和表征關鍵接口、硅通孔(TSV)和重分布層(RDL)處的缺陷已成為確保器件可靠性的關鍵。

混合鍵合集中體現了這些挑戰。該工藝對于實現超高密度芯片集成至關重要，它需要近乎完美的表面平整度和原子級精度。即使是表面形貌上的微小變化，或鍵合界面處的輕微污染，也會導致鍵合缺陷或電氣性能下降。因此，業界迫切需要專門的檢測技術，以便在最終集成之前準確測量晶圓平整度并檢測微觀變化。

例如，Wooptix的波前相位成像(WFPI)技術，源自天文學中使用的自適應光學，它使用標準圖像傳感器從兩個不同的焦平面捕獲強度數據。與需要參考光束的干涉測量法不同，WFPI直接從這些強度變化中推斷出相位信息。這使得系統能夠以亞納米級垂直分辨率和微米級橫向分辨率重建表面拓撲的詳細相位圖，使其對于檢測前端工藝晶圓和后端的先進封裝都十分有效。

圖1：WFPI可在0.1秒內對300毫米晶圓進行全場成像，收集數千萬個測量點。

（圖源：Wooptix）

此外，TSV和RDL——各種3D配置和FOWLP結構中的關鍵元素——的完整性已成為重大缺陷管理的一大挑戰。傳統上用于單片器件的電氣測試經常無法識別這些隱藏結構中的缺陷。由于不透明材料層下方的可見度有限，光學檢測也面臨困難，這促使行業朝著能夠對封裝內部結構進行無損可視化的先進 X 射線斷層掃描和電子束顯微鏡解決方案發展。

先進封裝不僅會帶來結構缺陷，還會產生與信號完整性、阻抗不匹配以及電磁干擾（EMI）相關的新型功能缺陷。隨著封裝密度的提高，即使是微小的結構缺陷也可能導致嚴重的功能問題，而這些問題僅靠傳統的物理檢查是無法檢測到的。因此，全面的缺陷檢測越來越需要整合結構檢查、電氣分析和先進的仿真工具，以全面評估封裝的可靠性。

克服行業障礙，實現有效缺陷檢測

盡管在人工智能增強的分析技術、電子束檢測以及 X 射線斷層掃描等方面取得了重大的技術進步，但仍存在多個實際障礙，阻礙著這些技術在半導體制造生態系統中的廣泛應用。可擴展性、標準化和數據集成方面的挑戰仍然是從被動缺陷檢測方法向主動和預測策略過渡的重大障礙。

此外，可擴展性是一個關鍵障礙，尤其是對于規模較小的晶圓廠和代工廠而言。雖然領先的制造商在最先進的檢測解決方案上投入了大量資金，但規模較小或專業的晶圓廠經常發現這些工具在經濟上難以承受。這種經濟差距限制了這些技術宅整個行業的廣泛采用，并有可能造成不公平的競爭環境，小型晶圓廠難以在先進制程節點上進行有效競爭。

標準化是另一個重大障礙。隨著從小芯片到預集成多芯片模塊等新型半導體結構的激增，其中一些采用了特殊材料，獨特的檢測挑戰也成倍增加。這種多樣性使得標準化檢測方法尤其具有挑戰性，可能導致缺陷管理方法碎片化。

最后，芯片制造產生的數據量對分析能力提出了很高的要求。強大的集成平臺對于捕獲、分析和安全地跨生產階段共享數據至關重要。雖然人工智能驅動的方法前景光明，但其成功取決于無縫的數據通信和全面的分析基礎設施。

應對這些挑戰需要業界的協調努力。設備供應商、晶圓廠和標準制定機構必須密切合作，開發通用框架和可擴展的解決方案，以便在所有領域實現有效的缺陷檢測。只有解決這些結構性和協作性障礙，業界才能充分利用新興的缺陷檢測技術，并跟上器件日益復雜的發展步伐。

實時分析和生命周期集成

隨著半導體技術向5納米以下領域邁進，僅僅在缺陷發生后再進行檢測已不再足夠。實時分析和集成式生命周期缺陷管理正成為關鍵策略，以便在良率和可靠性問題擴散到下游環節之前主動加以緩解。

實時分析代表著傳統生產線末端缺陷檢測方法有了重大轉變。通過將傳感器和先進的監控系統直接嵌入到生產設備中，晶圓廠能夠檢測并應對出現的缺陷，而不是依賴于后期生產分析。人工智能驅動的算法與這些傳感器的集成，可以立即檢測和分類細微的工藝漂移，從而快速修正制造參數，幫助最大限度地減少良率損失。

實時分析的好處不僅限于立即提高良率。實時監控和主動缺陷預防使半導體制造商能夠為每個晶圓、封裝和器件構建高度詳細、數據豐富的配置文件。這些配置文件與AI驅動的預測模型相結合，有助于進行更精確的工藝調整，從而提高整體器件的性能、可靠性和生命周期價值。

生命周期集成需要行業思維模式的根本轉變，尤其需要在設計、制造和測試團隊之間更緊密的協作方面。數字孿生、設計感知缺陷建模和早期缺陷風險評估正成為至關重要的工具。這些方法可以在設計階段識別潛在的缺陷機制，使工程師能夠優化制造流程，并在生產開始之前就預防問題的出現。

結語

隨著半導體制造向5nm以下領域邁進，缺陷檢測已從一個簡單的制造步驟迅速發展成為一種保持良率、可靠性和競爭優勢所必需的戰略能力。傳統的檢測方法正迅速達到極限，需要制造商和設備供應商積極創新。先進電子束檢測、增強型X射線斷層掃描、波前相位成像和人工智能驅動的分析技術的集成，代表著向前邁出的重要一步。然而，充分發揮這些技術的潛力，關鍵在于解決可擴展性挑戰、填補標準化空白以及解決數據集成的復雜性問題。