缺陷检测是fab的眼睛没有它良率控制无从下手。光学的暗场亮场、电子束的高分辨率、图像对比和缺陷分类构成了fab的缺陷检测体系。缺陷数据要和良率数据关联分析知道哪些缺陷真的影响良率哪些可以忽略。这篇把缺陷检测的原理、不同工序的应用、数据分析和未来发展讲清楚。一、缺陷检测是fab的眼睛fab没有缺陷检测就像人没有眼睛不知道产品是好是坏不知道工艺出了问题没有。缺陷检测贯穿整个fab流程从硅片进厂到晶圆出货每一步都有检测。缺陷检测数据是良率工程师判断工艺状态的核心依据没有缺陷检测数据良率分析无从下手。缺陷检测的目的是发现缺陷、分析缺陷、控制良率。发现缺陷是知道有没有缺陷分析缺陷是知道缺陷是什么、从哪来控制良率是把缺陷控制在可接受范围内。这三步层层递进每一步都需要缺陷检测数据支持。缺陷检测分两类在线检测和离线检测。在线检测是在生产过程中实时检测每片晶圆都要经过检测机台不漏掉任何一片。离线检测是取样检测抽样检查不每片都测。在线检测是主渠道离线检测是补充。缺陷检测数据量大到惊人。先进fab每天检测的晶圆数量可能达几万片每片检测的缺陷数量从几百到几万不等。如果所有数据都靠人工分析工作量大到不可能。所以缺陷检测系统要和自动分析系统结合机器发现异常人工分析根因。检测技术原理特点应用暗场光学亮场光学电子束暗场光学收集散射光速度快、灵敏微小缺陷检测亮场光学收集反射光对比度高稍大缺陷检测电子束二次电子成像分辨率高10倍复检/高精度二、缺陷检测的技术原理缺陷检测主要有两种技术光学检测和电子束检测。光学检测用光照射晶圆根据光的散射和反射判断缺陷位置。光学检测速度快能覆盖大面积是fab的主流检测手段。电子束检测用电子束扫描晶圆根据二次电子或者背散射电子成像分辨率比光学高但速度慢用于抽检或者复检。光学检测分暗场和亮场两种。暗场检测只收集散射光背景是黑的缺陷亮点适合检测小于波长的微小缺陷。亮场检测收集反射光缺陷在亮的背景上呈暗点适合检测稍大的缺陷。先进fab一般两种都用根据检测目的选择。缺陷分类依靠图像对比。检测机台拍下每个缺陷的图像和该位置的参考图像对比识别出缺陷的位置和形态。然后用缺陷分类算法把缺陷归到已知类别里粒子缺陷、光刻缺陷、刻蚀缺陷、薄膜缺陷等。分类算法用机器学习训练识别准确率已经很高。电子束检测的分辨率比光学高10倍以上能检测到1纳米以下的缺陷。但电子束检测速度慢一片晶圆可能需要几小时而光学检测只需要几分钟。所以电子束检测主要用于复检和高精度抽检不用于全检。工序检测时机检测目的光刻后刻蚀后CMP后出货前光刻后图案完成后检查图案转移质量刻蚀后图案刻入后检查刻蚀质量CMP后研磨完成后检查表面平坦度出货前WAT测试电性良率确认三、缺陷检测在不同工序的应用光刻后的缺陷检测最重要。光刻后的缺陷直接影响图案质量如果光刻有问题刻蚀就会把问题复制到下面的层。所以光刻后检测是fab良率控制最关键的节点之一一旦发现问题要立即停机排查。刻蚀后的缺陷检测也关键。刻蚀后的缺陷包括聚合物残留、光刻胶残留、线条粗糙等。刻蚀后的缺陷会传递到后续工序越早发现越好。刻蚀后检测要用暗场光学检测因为刻蚀后的图案对比度低暗场检测更灵敏。化学机械研磨CMP后的缺陷检测也很重要。CMP后的缺陷包括凹陷、凸起、微划伤等。CMP是全局平坦化工艺任何局部不平整都会影响后续光刻的对准精度。CMP后的缺陷检测要覆盖整个晶圆表面。出货前的最终缺陷检测WAT和在线检测不同。WAT是测试电性参数判断晶圆是否符合出货标准。WAT的测试点分布在晶圆不同位置测得的良率是fab输出的重要指标。WAT异常的晶圆批次要追溯分析不能直接出货。分析方法应用价值敏感区域分析空间分布分析趋势分析敏感区域分析缺陷与版图叠加识别影响良率的缺陷空间分布分析热图可视化定位缺陷来源趋势分析时间序列跟踪预防良率恶化四、缺陷数据分析和良率关联缺陷检测的数据要和良率数据关联分析。单独看缺陷数据只能知道有哪些缺陷无法判断这些缺陷是否真的影响良率。如果大量缺陷落在非敏感区域对良率的影响可能很小。如果少量缺陷落在关键区域可能导致大面积良率损失。良率敏感区域分析是关键。fab每个产品的版图不同敏感区域也不同。缺陷只有落在敏感区域才会影响良率。敏感区域分析需要版图数据知道哪些区域是器件的关键区域哪些区域是冗余区域。缺陷落在关键区域才需要处理落在非关键区域可以忽略。缺陷空间分布分析也很重要。缺陷如果聚集在某个位置可能是设备问题如果随机分布可能是工艺问题或者硅片本身问题。空间分布分析能帮助定位缺陷来源。热图是常用的可视化工具把缺陷密度用颜色标记在晶圆图上热点一目了然。趋势分析是预防良率恶化的重要手段。每天跟踪缺陷密度和缺陷类型的变化发现异常上升趋势要立即调查。趋势分析比单点报警更敏感能在良率实际恶化前发现苗头。五、缺陷检测的常见问题检测灵敏度不足是第一个问题。检测机台的灵敏度决定能发现的最小缺陷尺寸。如果机台灵敏度不够微小缺陷就漏检流到后工序才发现损失更大。解决方法一是升级检测机台提高灵敏度二是增加检测频次弥补灵敏度不足。缺陷分类错误是第二个问题。自动分类算法不是100%准确有时候会把A类缺陷分到B类里。分类错误会导致根因分析走错方向。解决方法一是定期人工审核分类结果校准分类算法二是对不确定的缺陷做人工复判。检测覆盖率不足是第三个问题。fab有些区域检测不到或者检测难度大比如机台下面的晶圆边缘、传送带经过的区域等。这些盲区可能成为良率的薄弱环节。解决方法一是在检测机台设计上优化覆盖范围二是对这些盲区做专项检测。缺陷数据和良率数据不同步是第四个问题。缺陷检测数据是晶圆级的良率数据可能是批次级的或者Lot级的两者的时间颗粒度不同关联分析时要小心对齐。fab要建立统一的数据平台让不同来源的数据能关联查询。六、缺陷检测的未来发展方向人工智能是缺陷检测最重要的方向。深度学习算法比传统机器学习算法分类准确率更高能发现更微妙的缺陷模式。AI还能自动学习缺陷和良率的关联不需要人工定义规则。先进fab已经开始部署AI缺陷检测系统。高灵敏度检测是另一个方向。先进制程的缺陷越来越小对检测灵敏度要求越来越高。极紫外EUV光刻的引入让缺陷检测面临新挑战因为EUV光刻的缺陷来源和DUV不同需要新的检测方法。在线全检是终极目标。目前不是所有工序都做到在线全检有些工序是抽样检测。抽样检测有漏检风险随着检测机台速度提升和成本下降未来可能有更多工序实现全检。这是良率控制的最严格标准。收个尾缺陷检测是fab质量控制的命脉没有它就没有良率管理。理解缺陷检测的原理、不同工序的应用、数据分析方法和发展方向是每一个fab工程师都应该掌握的知识。缺陷数据是fab最值钱的数据之一用好它才能真正控制良率。写在最后你们fab哪个工序的缺陷检测最头疼评论区说说我来帮你分析检测策略。