对 IC 工艺缺陷的新见解

流程边际性和参数异常值曾经在每个新节点上都会出现问题，但现在它们在多个节点和先进封装中成为持续存在的问题，其中可能存在不同技术的混合。此外，每个节点都有更多的工艺，应大型芯片制造商的要求进行更多的定制，即使在同一节点，从一个代工厂到下一个代工厂也有更多的差异化。结果，一种解决方案不再能解决所有问题。

使这些问题变得更加复杂的是，当新的缺陷机制尚未完全了解时，各种其他新工艺（例如混合键合）会在制造和装配流程的早期产生随机和系统性缺陷。

为了解决这些问题，工程师依靠一系列检查方法、智能缺陷分类和机器学习分析，在产品升级的最初阶段消除致命缺陷。但即便如此，设计中存在如此多的选项和定制，在一种情况下有效的方法不一定在另一种情况下也有效。事实上，在一种设计中有效的方法可能不适用于同一设计的衍生产品。

过去，良率改进是在 GDSII 代码交付到晶圆厂后开始的，现在必须从设计阶段开始。而且必须在设计流程的早期就考虑到这些问题，因为此时解决潜在问题的成本更低且更有效。

Synopsys 产品管理专家 Vivek Jain 表示：「芯片制造商专注于通过更快的工艺提升，更快地提高大批量制造的产量。」他指出，晶圆厂不再根据缺陷检查和测试结果来划分工艺工具操作。「将设备、缺陷率和测试结果结合在一起确实可以提高理解的深度，从而有可能加快故障根本原因分析的速度。」

另一个重大变化是机器学习模型的使用增加，这可以帮助查明设备和流程中漂移的原因和频率。Lynceus 首席执行官兼联合创始人 David Meyer 表示：「我们使用建模来预测因设备故障而导致的故障，这些设备故障占所有故障的 50%。」「我们分析来自 FDC（故障检测和分类）的数据和室内环境条件，并将其与下一步检查步骤联系起来。通过预测结果，我们可以采取一些措施，通过仅对未通过机器学习预测的单元进行抽样来减少检查时间。」

迈耶补充说，最初的投资回报率获胜成为下一阶段过程控制的卖点，其中可能涉及前馈和反馈分析。「市场还处于发展早期，但任何制造汽车芯片的人都面临着越来越高的质量要求。他们想知道我们可以采取哪些措施来提高质量而不影响产能。」

还有更多工作要做，特别是在将工具、制造执行系统和计量的数据链接到现有 IT 基础设施方面。如今，这仍然是一个瓶颈。但这是一个需要解决的问题，因为缺陷检查、定位和分类是半导体良率改进计划的核心。

一般来说，随着特征的缩小，感兴趣的缺陷也会缩小。缺陷检查和审查在确定设备制造过程中的工艺偏差方面继续发挥着关键作用，这就是为什么产量管理系统对于识别问题根源变得更加重要。需要尽早解决潜在问题，以避免代价高昂的返工步骤。

但并非所有缺陷都会导致失败。面临的挑战是识别设备活动区域中发现的致命缺陷或潜在缺陷，同时清除现场区域中无害的缺陷。没有任何设备是完美的，即使在成熟的节点上也是如此。但高级节点存在更多问题。在新工艺中，可变性变得更加麻烦，薄金属互连可能变得太薄，以至于失去连接（电气开路）。此外，未对准的功能可能会在不应连接时连接，从而导致短路。必须仔细分析边缘缺陷，以确保最稳健的流程。

机器学习和分析还可以识别更好和更差的工具组合，从而得出可以提高产量的布线选项。DR Yield 首席执行官 Dieter Rathei 表示：「在晶圆厂中，人们往往知道光刻和蚀刻等特定工具何时可以很好地协同工作。」 「但这是经验信息，因此我们开发了一种可以捕获这些关系的算法。这需要大量计算，运行大约一个小时，但完成后，您知道好的工具组合和有问题的工具组合，并且可以路由晶圆以提供更高的产量。」

行业工具变得更好

良率工程师通常依赖光学检测和电子束检测工具的组合。但他们也在其中添加新工具。例如，X 射线检查可识别焊料凸点的缺陷，在装配操作中变得越来越流行。最近，由于周转时间更快，故障分析工具开始在根本原因分析中发挥更积极的作用，从而加快良率学习。

尽管如此，光学系统仍然是主力，为在线统计过程控制和过程监控提供输入。缺陷检测的关键是信噪比 (SNR) 和对比度，而不是分辨率。「这些检测工具通常连接到工厂主机，工艺工程师通过工厂主机审查规格表和 Cpk 数据，以识别可能表明异常偏差的趋势，」Onto Innovation 检测产品营销经理 Burham Ali 解释道。「此外，先进过程控制技术的部署——不断地将数据从检查向前或向后反馈到过程工具——允许在每次数据超出控制限制时进行微调，并有助于实时提高 Cpk。没有外界干预的时间。这也减少了所需的返工量，从而节省了成本。」

提供缺陷检测系统的公司包括 KLA、Onto Innovation、Applied Materials、Hitachi High-Tech、JEOL 和 ASML。这些系统要么基于振幅，要么基于强度，采用明场照明、暗场照明或两者的组合。明场检测最适合检测结构之间的平面缺陷或沟槽内缺陷，而暗场检测则擅长检测结构顶部的散射缺陷。SEM 供应商包括 KLA、应用材料公司和 ASML，其中 ASML 提供多束电子束检测系统，可实现比单束系统更高的吞吐量。晶圆图上的缺陷是通过比较芯片间图像来检测的，因此减去的信息会填充缺陷晶圆图。还使用芯片与数据库的比较。

机器学习开始渗透到这些过程中。缺陷分类是机器学习算法已经比人类手动表征提供更快、更准确的缺陷分类的领域之一。「基于机器学习和人工智能的工具用于识别晶圆上的独特图案，即使晶圆上存在其他缺陷，」Onto 的 Ali 说。「他们可以根据提取的签名将模式分类到不同的容器中。这些图案可能包括系统性缺陷，例如 CMP 划痕或卡盘标记。这种主动方法不仅改善了在线监控，而且还提供了更好的批次和晶圆处置策略。」

获得电气结果

一般情况下，直到晶圆探针 (ATE) 之前，电气结果才能广泛获得，此时通过应用特定的测试模式对每个器件进行功能缺陷电气测试。

DR Yield 的 Rathei 表示：「我们收到了很多请求，希望将特定功能添加到我们所说的『质量模块』中。」我们改进了算法。例如，经典的 AEC（汽车电子委员会）算法需要正态分布数据。电气测试数据很少呈高斯分布。这就是为什么我们还制作了不需要测试数据高斯分布的变体，以及软件中的其他稳健变体。」

即使在晶圆探测之前，在晶体管接触到第一层互连之后，也有一些机会检查缺陷。例如，PDF Solutions 提供定制电子束探测器，可以检测生产线中段的电气相关缺陷。DFI 系统使用通过接触垫插入设备中的测试车辆（IP 单元）。这允许电子束系统读取来自表征单元的电响应以检测故障，包括由于系统缺陷导致的边际故障。

机器学习和分析

机器学习才刚刚开始大规模影响晶圆厂的运营。无论算法有多么高效，仍然需要修改，特别是当它适合半导体操作的特定需求时。

离群值检测算法已经使用了一段时间，用于根据单个参数测试（单变量）或同时进行两个（双变量）或更多测试来标记与同一晶圆上的其他芯片表现不同的器件。公司使用零件平均测试 (PAT)，该测试在制造过程中针对统计控制限值进行工作，以发现潜在的长期可靠性故障。它们最初是为汽车、医疗和航空航天等高可靠性市场开发的。最常见的是 Z-PAT（z 轴 PAT）、聚类分析和围绕失效芯片的好芯片坏邻域 (GDBN)。

根据设备的质量要求，执行双变量和三变量测试。双变量是指同时关联两个测试，而多变量是指同时关联三个或更多测试。这些方法的缺点是运行它们所需的计算资源。

组装和封装过程中的检查

虽然工程师在组装和封装过程中关心的缺陷通常比前端工艺更大，但仍然需要检测焊料凸点、底部填充和封装器件中的关键缺陷（例如裂纹和空洞）。对于基板内的层压基板来说也是如此，如今，通过集成小芯片的先进封装，层压基板可以变得非常大。Onto Innovation、Bruker、Nordson Test & Inspection 等公司提供用于后端流程的缺陷检测工具。

光学检测和 X 射线检测方法面临的挑战之一是对经常出现翘曲和倾斜的大表面进行充分的缺陷检测。翘曲会导致芯片和基板之间的共面度出现轻微差异，从而导致一些微凸块与下面的焊盘连接不充分。

「以 50 至 60 毫米的高级处理器为例，」布鲁克应用和产品管理总监 Frank Chen 说道。「由于其尺寸较大，要在不发生任何翘曲的情况下进行加工具有挑战性。然而，如果将芯片连接工具调整到其工艺窗口的中心，它就可以通过检查并以高产量制造。问题是容差可能非常窄。一旦翘曲顶部出现一点芯片倾斜，就会出现问题。」 对于金属（包括焊料凸块和微凸块），X 射线计量可以提供高对比度。

「X 射线对于识别过程偏差非常有用，因为它可以更早地插入生产线中，」Chen 说。「从本质上讲，这是一种可以在安装芯片后立即插入的技术，甚至可以在回流和成型之前进行。您可以真正捕捉晶圆上芯片放置精度和倾斜方面发生的情况，而这些变化都与键合质量有关。」

与前端检查一样，这些技术可以很好地发现彻底的故障。问题是他们没有捕捉到所有可能进入现场的边缘缺陷。

「随着 SPC 报告变得更加复杂，并且您正在查看规范限制内更严格的控制限制，那么您就能够开始识别过程漂移，这就是当今工具的真正价值所在，」诺信测试与检验公司产品线总监 Brad Perkins 说。Perkins 看到了使用公司 MRS 工具进行 100% 检查的趋势，但需要注意的是，这不会导致运营瓶颈。

结论

流程边际性和参数异常值现在是大多数技术节点上持续存在的问题。工程师正在寻找检查技术的组合，以及设计、检查和测试领域的集成，有助于在工艺流程的早期识别随机和系统缺陷。但先进封装将需要在检查和分析方面进行更多投资，以应对在基板和封装中集成越来越多器件的多重挑战。在所有这些流程步骤中，机器学习和人工智能算法将在制造、组装和测试操作中发挥越来越大的作用，以确保最终的设备质量。