芝能智芯出品
半导体器件的特征尺寸不断缩小至2纳米及以下，这对计量和检测技术提出了前所未有的挑战，在新工艺不断推向前沿的情况下，如何检测3D结构、埋藏缺陷并提高检测灵敏度，成为了半导体制造中的关键难题。
半导体工艺节点的不断演进，计量和检测技术在确保良率和工艺控制中的作用愈发重要。
数据是21世纪的黄金，但真正理解数据才是关键。这句话形象地说明了当前半导体行业中的数据过剩问题，真正的价值隐藏在数据背后，必须依靠合适的工具和技术从中挖掘出对生产有用的信息。
半导体行业3D架构带来的新挑战
计量工具供应商不仅需要满足当前工艺节点的需求，还要提前准备应对下一代工艺节点。无论是逻辑芯片、内存，还是电源模块和传感器，市场对更高精度、更小缺陷检测的要求日益严格。这使得计量和检测技术成为了确保半导体工艺可靠性的关键要素之一。
半导体设计逐渐转向3D架构，检测和计量技术也需要适应这些新的工艺变化。传统的平面检测方法已经无法完全满足前沿技术的要求。例如，3D系统架构意味着检测埋藏在金属中的空隙，这种结构中的隐藏缺陷往往难以被传统的光学技术检测到。
对于纳米级的缺陷，尤其是在纳米片晶体管、CFET（互补场效应晶体管）以及基于混合键合的3D-IC中，检测和计量的要求更加苛刻。
以EUV（极紫外光刻）为例，当前的计量技术仍然面临着如何在如此小的尺度下确保检测精度的问题。
据ASML预测，在未来10年内，每个关键工艺参数的控制精度都需要达到亚纳米级，这对现有技术提出了巨大的挑战。
光学检测和基于SEM（扫描电子显微镜）的工具仍然是主流，但随着节点的缩小，光学检测正逐渐失去优势。例如，光学检测在波长和分辨率方面正被推向极限，尽管光学检测在速度和吞吐量上具有优势，但其灵敏度和分辨率已难以满足先进工艺的需求。
许多公司正在探索光学检测与其他技术的结合。例如，ASML提出的光学到SEM审查降采样方法，通过智能化的降采样技术来提高检测精度，减少虚假缺陷的数量。
这一技术结合了设计感知和工艺感知，使得光学检测能够更加高效地处理高干扰环境中的缺陷。
混合键合的计量与检测
随着混合键合技术的兴起，计量与检测技术在这一工艺中也变得尤为重要。
混合键合技术通过将小铜垫聚集在一起形成电连接，但在实际工艺中，由于铜的凹陷或过量沉积，可能会导致开路或短路等问题，晶圆厂需要精确测量铜的凹陷深度，以确保键合的可靠性。
白光干涉法（WLI）是一种常用于混合键合前的检测技术，它能够对晶圆边缘的CMP（化学机械抛光）滚落进行表征，并测量键合前铜垫的凹陷深度。
而AFM（原子力显微镜）则提供了氧化物和铜之间的精确偏移，通过结合WLI和AFM的优势，可以更全面地检测和表征混合键合过程中可能存在的缺陷。
在前沿工艺中，尤其是纳米片晶体管和CFET等新技术的应用中，散射测量法（scatterometry）正在逐渐成为一种重要的计量工具。散射测量法结合了光谱椭圆偏振法和反射法，可以通过对散射光图案的分析来计算周期性结构的特征尺寸。
红外散射测量法特别适用于检测具有相似光学特性的材料，例如二氧化硅和氮化硅电介质之间的对比度。这种技术能够更好地表征3D NAND通道中的氮化硅凹槽，并在CFET设备的垂直堆叠结构中发挥作用。
随着工艺的不断演进，散射测量法的灵敏度和精度也在不断提高，成为了未来计量和检测中的重要工具。
数据量的不断增加，半导体行业逐渐引入了机器学习技术来处理和分析大量的检测数据，机器学习可以用于改善散射测量法的结果与AFM参考数据之间的相关性，提高CD-SEM测量的信噪比。
机器学习还可以用于优化光学检测的灵敏度，通过智能化算法识别真正的缺陷，并减少虚假缺陷的数量。
西门子EDA的Calibre SONR产品就是一个典型例子，它利用人工智能驱动的算法进行光学到SEM的审查降采样，有效提高了缺陷命中率和检测效率。
控制工艺变异性一直是半导体行业中的关键问题之一，晶圆内部、晶圆之间以及批次之间的工艺变异性都可能对最终的产品良率产生重大影响。例如，晶圆上芯片的表现通常呈现环形分布，即晶圆中心和边缘的芯片表现较差，而位于中间环形区域的芯片表现最佳。
为了更好地跟踪和管理芯片的工艺性能，晶圆厂通常会为每个芯片分配一个唯一的标识符。这一标识符能够帮助工程师追踪芯片的制造历史，识别潜在的工艺缺陷，并确保器件在整个生命周期中的可追溯性。
小结
工艺节点的不断推进，半导体行业的计量和检测技术正面临前所未有的挑战。3D结构的普及、新材料的应用以及更复杂的封装工艺都对现有的计量与检测技术提出了更高的要求。
随着2纳米及以下工艺节点的成熟，半导体行业的计量与检测技术将继续演变，成为推动工艺创新的核心力量。
