（本文编译自Semiconductor Engineering）
检测5nm以下的缺陷给芯片制造商带来了巨大挑战，这些挑战直接影响芯片的良率、可靠性和企业的盈利能力。
这些缺陷不仅尺寸更小、更难检测，而且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，在现代芯片架构的复杂性面前已显得力不从心。
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失效。同样，背面供电方案会遮挡金属层下方的关键结构，从而使传统检查技术所需的视线访问不复存在。
Nordson Test & Inspection研发总监John Hoffman表示：“在先进制程节点方面，对客户的培训教育变得越来越重要。一些微小的工艺调整（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。随着芯片特征尺寸的缩小，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合作，以避免出现意想不到的良率问题。”
因此，半导体行业正朝着创新型、数据密集型的检测方法转变，这些方法能够使这些隐藏的缺陷显现出来。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)驱动的分析方法，对于这些极小的制程节点的缺陷检测至关重要。
特征尺寸缩小与隐藏的缺陷
晶体管架构（如环绕栅极(GAA)FET和互补场效应晶体管（CFET）），以及新封装架构（如3D-IC）的发展大大都增加了发现缺陷的难度。许多缺陷都深藏在多层堆叠结构中，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目视检查很难探测并识别这些深度嵌入的瑕疵。
由于X射线计量技术具有非破坏性地可视化内部结构的能力，因此该技术被越来越多地用来检测隐藏缺陷。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。
在这些尺度下，看似微不足道的缺陷，如混合键合界面处的原子级空隙或纳米级互连中细微的线边缘粗糙度，都可能会显著降低器件性能。针对较大几何尺寸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。我们现在越来越需要能够适应新材料、新键合方法和新工艺流程的替代测量方法。”
为了应对这些局限性，各公司正在将高分辨率成像技术与AI驱动的数据解释相结合。例如，电子束检测技术正在得到重大改进，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。
“先进制程节点面临的一个根本挑战是平衡检测速度和分辨率，”应用材料电子束缺陷控制营销主管Ran Alkoken表示。
AI驱动的分析在改进缺陷分类方面也发挥着关键作用。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。
这些进步凸显了一个更广泛的趋势，即采用集成式缺陷检测策略，利用X射线、电子束和人工智能等多种方式，以确保在先进的半导体制程节点上实现有效的缺陷检测。
“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，”Modus Test首席技术官Jack Lewis表示，“这是一种传统的思维模式。他们测量的内容只能检测出明显的封装缺陷，却希望检测出细微的封装工艺问题。这些传统方法无法测量工艺异常情况——而在大批量生产爬坡阶段，在检测并纠正工艺问题之前，这可能会严重影响初始良品率。”
AI正在变革缺陷检测领域
随着缺陷检测超出传统方法的能力范围，AI和机器学习(ML)已成为半导体制造中必不可少的要素。先进制程节点和高密度封装产生的大量数据集让传统的数据分析方法应接不暇，这就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，如今已成为在5纳米以下制程中维持良品率的关键。
AI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，极大地改善了良品率管理。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，例如基于小芯片的架构和堆叠式晶体管，在这些结构中，隐藏的缺陷经常出现，而且很难将其分离出来。
先进封装成为缺陷检测的新前沿领域
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，但它们也带来了复杂的新型缺陷机制，而传统的检测方法难以对其进行有效处理。
行业向异构集成和超细互连间距的转变，加剧了检测多层结构深处缺陷的难度。随着先进封装技术应用变得日益广泛，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器件可靠性的关键。
混合键合集中体现了这些挑战。该工艺对于实现超高密度芯片集成至关重要，它需要近乎完美的表面平整度和原子级精度。即使是表面形貌上的微小变化，或键合界面处的轻微污染，也会导致键合缺陷或电气性能下降。因此，业界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)技术，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，使其对于检测前端工艺晶圆和后端的先进封装都十分有效。
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。
（图源：Wooptix）
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的一大挑战。传统上用于单片器件的电气测试经常无法识别这些隐藏结构中的缺陷。由于不透明材料层下方的可见度有限，光学检测也面临困难，这促使行业朝着能够对封装内部结构进行无损可视化的先进 X 射线断层扫描和电子束显微镜解决方案发展。
先进封装不仅会带来结构缺陷，还会产生与信号完整性、阻抗不匹配以及电磁干扰（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整合结构检查、电气分析和先进的仿真工具，以全面评估封装的可靠性。
克服行业障碍，实现有效缺陷检测
尽管在人工智能增强的分析技术、电子束检测以及 X 射线断层扫描等方面取得了重大的技术进步，但仍存在多个实际障碍，阻碍着这些技术在半导体制造生态系统中的广泛应用。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，尤其是对于规模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难以承受。这种经济差距限制了这些技术宅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制程节点上进行有效竞争。
标准化是另一个重大障碍。随着从小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尤其具有挑战性，可能导致缺陷管理方法碎片化。
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，但其成功取决于无缝的数据通信和全面的分析基础设施。
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，并跟上器件日益复杂的发展步伐。
实时分析和生命周期集成
随着半导体技术向5纳米以下领域迈进，仅仅在缺陷发生后再进行检测已不再足够。实时分析和集成式生命周期缺陷管理正成为关键策略，以便在良率和可靠性问题扩散到下游环节之前主动加以缓解。
实时分析代表着传统生产线末端缺陷检测方法有了重大转变。通过将传感器和先进的监控系统直接嵌入到生产设备中，晶圆厂能够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良率损失。
实时分析的好处不仅限于立即提高良率。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、封装和器件构建高度详细、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，有助于进行更精确的工艺调整，从而提高整体器件的性能、可靠性和生命周期价值。
生命周期集成需要行业思维模式的根本转变，尤其需要在设计、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，并在生产开始之前就预防问题的出现。
结语
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一种保持良率、可靠性和竞争优势所必需的战略能力。传统的检测方法正迅速达到极限，需要制造商和设备供应商积极创新。先进电子束检测、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技术的集成，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、填补标准化空白以及解决数据集成的复杂性问题。
END
