對 IC 工藝缺陷的新見解

流程邊際性和參數(shù)異常值曾經(jīng)在每個新節(jié)點上都會出現(xiàn)問題，但現(xiàn)在它們在多個節(jié)點和先進封裝中成為持續(xù)存在的問題，其中可能存在不同技術的混合。此外，每個節(jié)點都有更多的工藝，應大型芯片制造商的要求進行更多的定制，即使在同一節(jié)點，從一個代工廠到下一個代工廠也有更多的差異化。結果，一種解決方案不再能解決所有問題。

使這些問題變得更加復雜的是，當新的缺陷機制尚未完全了解時，各種其他新工藝（例如混合鍵合）會在制造和裝配流程的早期產(chǎn)生隨機和系統(tǒng)性缺陷。

為了解決這些問題，工程師依靠一系列檢查方法、智能缺陷分類和機器學習分析，在產(chǎn)品升級的最初階段消除致命缺陷。但即便如此，設計中存在如此多的選項和定制，在一種情況下有效的方法不一定在另一種情況下也有效。事實上，在一種設計中有效的方法可能不適用于同一設計的衍生產(chǎn)品。

過去，良率改進是在 GDSII 代碼交付到晶圓廠后開始的，現(xiàn)在必須從設計階段開始。而且必須在設計流程的早期就考慮到這些問題，因為此時解決潛在問題的成本更低且更有效。

Synopsys 產(chǎn)品管理專家 Vivek Jain 表示：「芯片制造商專注于通過更快的工藝提升，更快地提高大批量制造的產(chǎn)量。」他指出，晶圓廠不再根據(jù)缺陷檢查和測試結果來劃分工藝工具操作?！笇⒃O備、缺陷率和測試結果結合在一起確實可以提高理解的深度，從而有可能加快故障根本原因分析的速度?！?/span>

另一個重大變化是機器學習模型的使用增加，這可以幫助查明設備和流程中漂移的原因和頻率。Lynceus 首席執(zhí)行官兼聯(lián)合創(chuàng)始人 David Meyer 表示：「我們使用建模來預測因設備故障而導致的故障，這些設備故障占所有故障的 50%?！埂肝覀兎治鰜碜?FDC（故障檢測和分類）的數(shù)據(jù)和室內環(huán)境條件，并將其與下一步檢查步驟聯(lián)系起來。通過預測結果，我們可以采取一些措施，通過僅對未通過機器學習預測的單元進行抽樣來減少檢查時間?！?/span>

邁耶補充說，最初的投資回報率獲勝成為下一階段過程控制的賣點，其中可能涉及前饋和反饋分析?！甘袌鲞€處于發(fā)展早期，但任何制造汽車芯片的人都面臨著越來越高的質量要求。他們想知道我們可以采取哪些措施來提高質量而不影響產(chǎn)能。」

還有更多工作要做，特別是在將工具、制造執(zhí)行系統(tǒng)和計量的數(shù)據(jù)鏈接到現(xiàn)有 IT 基礎設施方面。如今，這仍然是一個瓶頸。但這是一個需要解決的問題，因為缺陷檢查、定位和分類是半導體良率改進計劃的核心。

一般來說，隨著特征的縮小，感興趣的缺陷也會縮小。缺陷檢查和審查在確定設備制造過程中的工藝偏差方面繼續(xù)發(fā)揮著關鍵作用，這就是為什么產(chǎn)量管理系統(tǒng)對于識別問題根源變得更加重要。需要盡早解決潛在問題，以避免代價高昂的返工步驟。

但并非所有缺陷都會導致失敗。面臨的挑戰(zhàn)是識別設備活動區(qū)域中發(fā)現(xiàn)的致命缺陷或潛在缺陷，同時清除現(xiàn)場區(qū)域中無害的缺陷。沒有任何設備是完美的，即使在成熟的節(jié)點上也是如此。但高級節(jié)點存在更多問題。在新工藝中，可變性變得更加麻煩，薄金屬互連可能變得太薄，以至于失去連接（電氣開路）。此外，未對準的功能可能會在不應連接時連接，從而導致短路。必須仔細分析邊緣缺陷，以確保最穩(wěn)健的流程。

機器學習和分析還可以識別更好和更差的工具組合，從而得出可以提高產(chǎn)量的布線選項。DR Yield 首席執(zhí)行官 Dieter Rathei 表示：「在晶圓廠中，人們往往知道光刻和蝕刻等特定工具何時可以很好地協(xié)同工作?！?「但這是經(jīng)驗信息，因此我們開發(fā)了一種可以捕獲這些關系的算法。這需要大量計算，運行大約一個小時，但完成后，您知道好的工具組合和有問題的工具組合，并且可以路由晶圓以提供更高的產(chǎn)量?！?/span>

行業(yè)工具變得更好

良率工程師通常依賴光學檢測和電子束檢測工具的組合。但他們也在其中添加新工具。例如，X 射線檢查可識別焊料凸點的缺陷，在裝配操作中變得越來越流行。最近，由于周轉時間更快，故障分析工具開始在根本原因分析中發(fā)揮更積極的作用，從而加快良率學習。

盡管如此，光學系統(tǒng)仍然是主力，為在線統(tǒng)計過程控制和過程監(jiān)控提供輸入。缺陷檢測的關鍵是信噪比 (SNR) 和對比度，而不是分辨率?！高@些檢測工具通常連接到工廠主機，工藝工程師通過工廠主機審查規(guī)格表和 Cpk 數(shù)據(jù)，以識別可能表明異常偏差的趨勢，」Onto Innovation 檢測產(chǎn)品營銷經(jīng)理 Burham Ali 解釋道?！复送?，先進過程控制技術的部署——不斷地將數(shù)據(jù)從檢查向前或向后反饋到過程工具——允許在每次數(shù)據(jù)超出控制限制時進行微調，并有助于實時提高 Cpk。沒有外界干預的時間。這也減少了所需的返工量，從而節(jié)省了成本。」

提供缺陷檢測系統(tǒng)的公司包括 KLA、Onto Innovation、Applied Materials、Hitachi High-Tech、JEOL 和 ASML。這些系統(tǒng)要么基于振幅，要么基于強度，采用明場照明、暗場照明或兩者的組合。明場檢測最適合檢測結構之間的平面缺陷或溝槽內缺陷，而暗場檢測則擅長檢測結構頂部的散射缺陷。SEM 供應商包括 KLA、應用材料公司和 ASML，其中 ASML 提供多束電子束檢測系統(tǒng)，可實現(xiàn)比單束系統(tǒng)更高的吞吐量。晶圓圖上的缺陷是通過比較芯片間圖像來檢測的，因此減去的信息會填充缺陷晶圓圖。還使用芯片與數(shù)據(jù)庫的比較。

機器學習開始滲透到這些過程中。缺陷分類是機器學習算法已經(jīng)比人類手動表征提供更快、更準確的缺陷分類的領域之一?！富跈C器學習和人工智能的工具用于識別晶圓上的獨特圖案，即使晶圓上存在其他缺陷，」Onto 的 Ali 說?！杆麄兛梢愿鶕?jù)提取的簽名將模式分類到不同的容器中。這些圖案可能包括系統(tǒng)性缺陷，例如 CMP 劃痕或卡盤標記。這種主動方法不僅改善了在線監(jiān)控，而且還提供了更好的批次和晶圓處置策略?！?/span>

獲得電氣結果

一般情況下，直到晶圓探針 (ATE) 之前，電氣結果才能廣泛獲得，此時通過應用特定的測試模式對每個器件進行功能缺陷電氣測試。

DR Yield 的 Rathei 表示：「我們收到了很多請求，希望將特定功能添加到我們所說的『質量模塊』中?！刮覀兏倪M了算法。例如，經(jīng)典的 AEC（汽車電子委員會）算法需要正態(tài)分布數(shù)據(jù)。電氣測試數(shù)據(jù)很少呈高斯分布。這就是為什么我們還制作了不需要測試數(shù)據(jù)高斯分布的變體，以及軟件中的其他穩(wěn)健變體。」

即使在晶圓探測之前，在晶體管接觸到第一層互連之后，也有一些機會檢查缺陷。例如，PDF Solutions 提供定制電子束探測器，可以檢測生產(chǎn)線中段的電氣相關缺陷。DFI 系統(tǒng)使用通過接觸墊插入設備中的測試車輛（IP 單元）。這允許電子束系統(tǒng)讀取來自表征單元的電響應以檢測故障，包括由于系統(tǒng)缺陷導致的邊際故障。

機器學習和分析

機器學習才剛剛開始大規(guī)模影響晶圓廠的運營。無論算法有多么高效，仍然需要修改，特別是當它適合半導體操作的特定需求時。

離群值檢測算法已經(jīng)使用了一段時間，用于根據(jù)單個參數(shù)測試（單變量）或同時進行兩個（雙變量）或更多測試來標記與同一晶圓上的其他芯片表現(xiàn)不同的器件。公司使用零件平均測試 (PAT)，該測試在制造過程中針對統(tǒng)計控制限值進行工作，以發(fā)現(xiàn)潛在的長期可靠性故障。它們最初是為汽車、醫(yī)療和航空航天等高可靠性市場開發(fā)的。最常見的是 Z-PAT（z 軸 PAT）、聚類分析和圍繞失效芯片的好芯片壞鄰域 (GDBN)。

根據(jù)設備的質量要求，執(zhí)行雙變量和三變量測試。雙變量是指同時關聯(lián)兩個測試，而多變量是指同時關聯(lián)三個或更多測試。這些方法的缺點是運行它們所需的計算資源。

組裝和封裝過程中的檢查

雖然工程師在組裝和封裝過程中關心的缺陷通常比前端工藝更大，但仍然需要檢測焊料凸點、底部填充和封裝器件中的關鍵缺陷（例如裂紋和空洞）。對于基板內的層壓基板來說也是如此，如今，通過集成小芯片的先進封裝，層壓基板可以變得非常大。Onto Innovation、Bruker、Nordson Test & Inspection 等公司提供用于后端流程的缺陷檢測工具。

光學檢測和 X 射線檢測方法面臨的挑戰(zhàn)之一是對經(jīng)常出現(xiàn)翹曲和傾斜的大表面進行充分的缺陷檢測。翹曲會導致芯片和基板之間的共面度出現(xiàn)輕微差異，從而導致一些微凸塊與下面的焊盤連接不充分。

「以 50 至 60 毫米的高級處理器為例，」布魯克應用和產(chǎn)品管理總監(jiān) Frank Chen 說道?！赣捎谄涑叽巛^大，要在不發(fā)生任何翹曲的情況下進行加工具有挑戰(zhàn)性。然而，如果將芯片連接工具調整到其工藝窗口的中心，它就可以通過檢查并以高產(chǎn)量制造。問題是容差可能非常窄。一旦翹曲頂部出現(xiàn)一點芯片傾斜，就會出現(xiàn)問題?！?對于金屬（包括焊料凸塊和微凸塊），X 射線計量可以提供高對比度。

「X 射線對于識別過程偏差非常有用，因為它可以更早地插入生產(chǎn)線中，」Chen 說?！笍谋举|上講，這是一種可以在安裝芯片后立即插入的技術，甚至可以在回流和成型之前進行。您可以真正捕捉晶圓上芯片放置精度和傾斜方面發(fā)生的情況，而這些變化都與鍵合質量有關?！?/span>

與前端檢查一樣，這些技術可以很好地發(fā)現(xiàn)徹底的故障。問題是他們沒有捕捉到所有可能進入現(xiàn)場的邊緣缺陷。

「隨著 SPC 報告變得更加復雜，并且您正在查看規(guī)范限制內更嚴格的控制限制，那么您就能夠開始識別過程漂移，這就是當今工具的真正價值所在，」諾信測試與檢驗公司產(chǎn)品線總監(jiān) Brad Perkins 說。Perkins 看到了使用公司 MRS 工具進行 100% 檢查的趨勢，但需要注意的是，這不會導致運營瓶頸。

結論

流程邊際性和參數(shù)異常值現(xiàn)在是大多數(shù)技術節(jié)點上持續(xù)存在的問題。工程師正在尋找檢查技術的組合，以及設計、檢查和測試領域的集成，有助于在工藝流程的早期識別隨機和系統(tǒng)缺陷。但先進封裝將需要在檢查和分析方面進行更多投資，以應對在基板和封裝中集成越來越多器件的多重挑戰(zhàn)。在所有這些流程步驟中，機器學習和人工智能算法將在制造、組裝和測試操作中發(fā)揮越來越大的作用，以確保最終的設備質量。