五位半导体行业专家对芯片缺陷分析

在圆桌会议上，半导体工程专家们就“半导体和封装技术日益增加的复杂性将如何推动故障分析方法的转变”展开了讨论，讨论嘉宾包括Bruker Nano Surfaces&Metrology应用与产品管理主管Frank Chen、Onto Innovation企业业务部产品管理主管Mike McIntyre、Teradyne的ASIC可靠性工程师Kamran Hakim、赛默飞世尔科技高级产品专家Jake Jensen以及赛默飞世尔科技高级营销经理Paul Kirby。以下是这场讨论的精彩摘录。

[从左到右]泰瑞达的ASIC可靠性工程师Kamran Hakim；布鲁克纳米表面仪器部的应用与产品管理主管Frank Chen；Onto Innovation的企业业务部产品管理主管Mike McIntyre；赛默飞世尔科技高级营销经理Paul Kirby以及赛默飞世尔科技高级产品专家Jake Jensen。

SE：在高级封装中，故障分析存在哪些挑战？

Chen：随着封装尺寸的缩小，封装方面故障分析的挑战也随之而来。特别是当采用混合键合时，这时就需要采用高分辨率技术。目前来说，提供微米级分辨率并不是什么挑战，但是要在高覆盖率和高采样率的情况下做到这一点就变成了一个挑战。设备制造商一直在努力研发一种工具，但这就目前的进展来看，实现这个目标可能需要两个不同的工具共同完成。在前端非常常见的情况是，我们通常需要一个具有高速且有良好覆盖率的检测工具来确定需要排查的区域和故障分析工具。但是设备制造商已经意识到，他们无法研发出一个在保证同时拥有高密度和高采样率的前提下，来保证设备的质量。因此，对于先进封装，他们可能开始使用两个不同的工具集。目前，我们正在为组装工艺提供具有完全覆盖的高速检测能力，并增加了机器学习以支持该分析。

SE：就您的结论来看，我们现在似乎正处于先进封装采用晶圆制造中工作流程转折点。

Kirby：绝对没有任何一种工具可以包打天下，因为我们所涉及的长度尺度的跨度是巨大的，这是我们遇到的另一个挑战。当试图查找非常小的缺陷时，例如裂纹，但要在数毫米的区域内查找，所谓尺有所长，寸有所短；另一个方面是破坏性与非破坏性。试想有这样一个情况，在一个设计公司之中，我们流片了一种非常昂贵的封装。如果可以避免，那么我们不希望进行大量的破坏性定位来分析其故障。虽说在芯片生产中，有时必须这样做，但是在工作流程中，我们还是必须尽可能推迟这种破坏性分析的发生。

SE：那么我们可以进行哪些类型的检测呢？

Chen：当进行倒装芯片键合和热压键合时，现在有一种很好的直列式X射线计量解决方案。但是，当在采用混合键合时，目前其实际的效果存在一定的差距。我们需要一种足够高速且能够有非常大的范围覆盖的工具。对于混合键合来说，高采样率仍然非常普遍。目前，我们正在研究利用铜的金属化来确保混合键合表面洁净的技术。对于RDL（Re-distributed layer，重布线层），随着我们获得亚微米线长度和间距，已经开始看到光学检测的一些局限性。因此，我们确实需要研究一些足够快的技巧。就现在来说，所有故障分析工具都已经存在。没有人会质疑我们可以在慢速下进行非常高分辨率的检测，但问题是您可以在数毫米长度的“大尺度”上做什么。

Jensen：我完全同意。先进封装是半导体中最独特的领域之一。对于这种类型的故障分析，我们需要跨越至少六个数量级。我们将从毫米级到潜在的纳米级尺寸的缺陷。因此，对于失效分析（FA），我们可能需要制作毫米级尺寸的横截面。然后在成像方面，我们需要扫描电子显微镜（SEM）的分辨率来定位微小缺陷来标出我们需要重点关注的区域中的这些缺陷。

Kirby：人们采用了多种方法，每种方法都有其优点和缺点。我们看到越来越多的人使用锁相热成像技术。来自热特征的z轴分辨率将为我们提供一个好的指标，以指示缺陷在哪里。然后，通过使用激光、聚焦离子束(FIB)，我们就可以进行横截面切割并观察这些互连结构。

Jensen：在物理失效分析方面，我们使用双束扫描电子显微镜(SEM)仪器。一旦我们定位到缺陷，我们需要及时地标记它。但更重要的是，我们需要以稳健的方式在特定位置进行此操作。这些缺陷可能是独一无二的，因此我们不能错过它们。想象一下，仅仅对某些东西进行铣削。如果我们没有发现缺陷，我们就会浪费时间。如果我们的操作过度，那就会更糟糕，因为我们失去了缺陷，因此正确的x、y、z三维定位是至关重要的。

SE：如果你只看器件的封装部分，你会发现有不同的层——从芯片到衬底的结合，从芯片到基板的键合，再到另一组凸块的RDL（重布线层）水平。那么，在考虑工作流时，有哪些与材料相关的因素需要考虑吗？

Kirby：当然。材料的内在禀赋差异很大。无论我们用不同波长的激光轰击它们，还是用不同种类的离子进行铣削，都需要非常仔细地考虑这一点如何优化，并确保我们的解决方法是正确的，我们不能对这些需要铣削的各种材料造成损害。在过去几年中，我们已经看到客户对TSVs（矽通孔）进行横截面或对角线铣削，然后在这些TSVs和封装结构上进行扫描电子显微镜计量，以便能够发现并屏蔽这些系统缺陷。

McIntyre：我想补充一点，我们需要将一百多个数据点，而不是一两个数据点的数据转化为报告，在这之中的数据量是十分巨大的。我们现在看到，一个晶圆的生产检查和计量层可以产生高达10千兆字节的数据，这相当于2亿个凸块和十几个计量点，再加上缺陷和成像。数据量令人震惊。如果我们能够从一台好的SEM/TEM（TEM，透射电子显微镜）获得相同水平的数据，并将其传输到我们可以与之关联的分析数据结构中，然后与测试结果联系起来，那将是我梦寐以求的。

SE：先进CMOS工艺的失效分析的挑战是什么？

Kirby：我们已经看到finFET和全栅极技术的转变推动了透射电子显微镜（TEM）样本量的急剧增加。我们估计TEM样本量每五年就会翻一番。这主要归因于两点。一是缩小设备特征使得需要更好的分辨率技术。二是随着3D栅极结构的日益普及和复杂性，TEM分析变得越来越有价值。我们看到无论是存储器还是逻辑细分领域都推动着越来越多的失效分析样本。在逻辑领域，由于缺陷可能只有纳米宽，因此需要更好的分辨率。一旦定位缺陷，接下来制作样品才能进行良好的失效分析。但是，缺陷可能被3D结构和周围的金属掩盖。因此，要能够在三个维度上隔离缺陷，然后正确地分析和表征它，这是一项非常复杂的挑战。在存储器（DRAM或3D NAND）中，挑战更多地在于纵横比，这些纵横比变得越来越高。与这些结构的蚀刻和填充以及堆叠相关的缺陷变得更加困难。我们需要横截面分析和平面视图分析才能深入观察器件的结构，包括顶部和底部视图。

McIntyre：很多讨论都涉及随机缺陷。在我的很多制造经验中都与系统性的问题有关——例如，你的金属线稍微变薄，或者横截面稍微偏离——这些问题会引发故障机制。因此，这不是一个单点故障，随着这些系统变得越来越复杂，在功能边界框中你最终会创建越来越多的角落。我们所谈论的尺度很可能就是单原子层的尺度。这种系统性的问题会在给定一定条件的情况下造成功能上的差异。然后，推断出当你开始制造一个芯片时，你会期望满足更广泛的应用场景。例如，同一款CPU会用于笔记本电脑、服务器和台式机。这些是不同的环境，相同的物理结构可能只适用于其中一种环境。从分析的角度来看，也需要理解这种系统性的损失。

Hakim：我担忧的一件事情是，如果你从现在起展望10年后，我们计划进入亚纳米技术。在未来10年里，我们计划如何应对0.7纳米？因为现在你将它们放入3D结构中，这会指数级增加与设备相关的问题。

Kirby：实际分析层面的挑战是可以应对的。现在的透射电子显微镜（TEM）图像可以得到亚埃级分辨率，目前所有的挑战都在于定位缺陷，制作一个在3D空间中捕捉缺陷的样本。，这就是需要端点和更多自动化的时候，因为缺陷数量和设备类型会因设计而异。我们正试图制作一个纳米级宽的TEM样品。这需要远超现在的自动化水平。在这个级别上实现工作流自动化确实很困难。这就是为什么我们需要使用机器学习。

SE：从失效分析（FA）的角度来看，大型代工厂与IDM和更专业的设备制造商之间是否存在差异？

Hakim：企业的规模很重要。如果你是一家大企业，代工厂为你生产数以百万计的芯片，他们自然会为你提供全方位的服务。但是现在我们正在进行的ASIC开发数量很少，因此，我们不会有足够的影响力与大型代工厂进行谈判。但是，我们将达到一个转折点，特别是当你解决机器学习和深度机器学习问题时，作为一个行业，我们需要超越这一点。我们需要允许信息流动并尝试在这个层面解决问题，因为好处将是双赢的。我的设计即使是低产量的，也可能是一个非常敏感的设计，它将从代工厂过程中捕获到其他设计看不到的东西。我们需要能够一起合作。然而，我认为目前还没有达成这样的共识。

McIntyre：我的观点是，这是IDM的报复，因为他们将拥有相当大的优势，因为他们拥有代工厂无法向客户提供的制造历史。

Hakim：关于系统故障的对话指出一个数据问题。晶圆厂正在生产某种东西，他们可以看到完整的测试。他们可以在测试和晶圆厂发生的事情之间建立联系。然而，如果我是最终用户，晶圆厂正在为我制造设计。我唯一可以访问的是过程控制监测器（PCM）数据。他们不愿意展示晶圆厂内发生的事情。所以我只有PCM数据和我的测试数据。基于这些工具，我需要能够判断发生在晶圆上的特定圆环状（缺陷）行为的根本原因。我要去找谁来告诉我过程中到底发生了什么？

Chen：有些决定是由数量驱动的。但是当你把几个小客户加起来，最终会变成一个相当大的客户。让每个人都围绕我们，投资的信息保持一致是很关键的。IDM在证明投资合理性方面肯定具有优势。但对于代工厂和代工服务提供商来说，将会有按使用次数收费的模式。但是商业化可以解决这个问题，这样整个行业都可以利用这些从而进步。