當(dāng)前，AI應(yīng)用最亮眼的領(lǐng)域之一，是幫助半導(dǎo)體行業(yè)更有效地捕捉從光刻、圖形化到多芯片封裝組裝等數(shù)百道工藝步驟中出現(xiàn)的大量缺陷類型。

工程師們正在聚焦投資回報率最高的項目，其中許多以良率提升為核心目標(biāo)。借助AI模型，他們能夠更輕松地區(qū)分真實(shí)缺陷與干擾性缺陷，并識別出以往難以發(fā)現(xiàn)的缺陷。然而，將AI解決方案從試點(diǎn)階段擴(kuò)展到工廠乃至企業(yè)級規(guī)模，依然面臨相當(dāng)大的挑戰(zhàn)，需要更高的數(shù)據(jù)質(zhì)量、更強(qiáng)的關(guān)聯(lián)性以及更穩(wěn)健的基礎(chǔ)設(shè)施，以確保所有數(shù)據(jù)點(diǎn)能夠正確連接。

AI模型讓新型缺陷機(jī)制的處理變得更加便捷。Nordson測試與檢測部門研發(fā)副總裁Charlie Zhu表示："傳統(tǒng)算法基于統(tǒng)計原理，需要收集大量數(shù)據(jù)，再根據(jù)分布規(guī)律設(shè)定標(biāo)稱值和公差范圍，若某個值超出范圍即判定為缺陷。但實(shí)際上，編程中往往涉及多個參數(shù)。如果原本有五個參數(shù)，現(xiàn)在要新增一個，AI只需進(jìn)行逐點(diǎn)添加，識別出不良缺陷。只要訓(xùn)練數(shù)據(jù)中包含足夠的變化樣本，模型便會自主學(xué)習(xí)。如果沒有AI模型，手動添加參數(shù)是一項繁瑣耗時的工作，往往還需要專業(yè)領(lǐng)域知識才能實(shí)現(xiàn)。"

Zhu還指出，當(dāng)今的AI算法相比早期模型有了顯著提升，"與傳統(tǒng)機(jī)器視覺算法相比，甚至與支持向量機(jī)（SVM）或主成分分析（PCA）等復(fù)雜機(jī)器學(xué)習(xí)算法相比，現(xiàn)在的模型都要穩(wěn)健得多。"

混合鍵合等新工藝也帶來了獨(dú)特的缺陷特征，尤其集中在晶圓邊緣區(qū)域。Microtronic應(yīng)用總監(jiān)Errol Akomer表示："AI正被用于檢測和分類殘余鎢CMP缺陷。這類鎢缺陷位于晶圓邊緣，傳統(tǒng)技術(shù)根本無法檢測，但AI宏觀缺陷檢測可以有效捕獲它們。"

晶圓邊緣缺陷之所以是一大難題，根源在于傳統(tǒng)檢測方式的局限性。Onto Innovation產(chǎn)品營銷總監(jiān)Woo Young Han解釋道："傳統(tǒng)檢測技術(shù)通常依賴高度重復(fù)的圖形和完整的芯片參考（即芯片間比較），這使得邊緣區(qū)域及不完整芯片的檢測面臨較大挑戰(zhàn)。深度學(xué)習(xí)模型能夠更好地泛化處理不完整或不規(guī)則結(jié)構(gòu)，從而提升晶圓鍵合應(yīng)用中局部芯片區(qū)域的缺陷檢測精度。"

值得注意的是，在半導(dǎo)體制造環(huán)境中，機(jī)器學(xué)習(xí)模型通常與基于物理的模型結(jié)合使用。Onto Innovation高級首席應(yīng)用工程師Nick Keller表示："混合機(jī)器學(xué)習(xí)/物理模型優(yōu)于純機(jī)器學(xué)習(xí)模型，因為其本質(zhì)上更具穩(wěn)健性，能夠像物理模型一樣良好地外推至訓(xùn)練集之外。"

在可擴(kuò)展分析領(lǐng)域，關(guān)鍵能力在于同時處理海量測量數(shù)據(jù)與高產(chǎn)量生產(chǎn)數(shù)據(jù)。PDF Solutions產(chǎn)品管理高級總監(jiān)Ken Harris指出，多芯片封裝的普及進(jìn)一步加劇了數(shù)據(jù)過載問題。"新產(chǎn)品正通過小芯片與先進(jìn)封裝技術(shù)進(jìn)行構(gòu)建，這帶來了數(shù)據(jù)規(guī)模的急劇膨脹，這正是可擴(kuò)展分析真正發(fā)揮價值的地方。"

AI用于量測與AI用于缺陷檢測的差異

AI和機(jī)器學(xué)習(xí)模型在缺陷檢測領(lǐng)域的應(yīng)用始終比在量測領(lǐng)域更為成熟。Nordson的Zhu表示："AI在檢測領(lǐng)域比量測領(lǐng)域更成熟、應(yīng)用更廣泛，原因是多方面的。在檢測空洞、顆粒、缺口、橋接等缺陷方面，AI模型表現(xiàn)尤為突出。"

這一優(yōu)勢源于AI最擅長的能力——模式識別。通過比較圖形差異進(jìn)行分類，分類標(biāo)準(zhǔn)由人工訓(xùn)練確定。在獲得足夠數(shù)據(jù)的前提下，AI在缺陷分類以及區(qū)分干擾性缺陷與真實(shí)缺陷方面表現(xiàn)出色。

量測是一項基于物理原理的工作，旨在尋求真實(shí)準(zhǔn)確性，或更常見的是追求精確性。捕獲TSV輪廓、薄膜厚度、關(guān)鍵尺寸或套刻精度，并非圖形識別，而是量化特征并進(jìn)行可溯源的低誤差測量。盡管如此，AI模型在量測改進(jìn)方面也有所應(yīng)用。

Onto Innovation的Han表示："在量測領(lǐng)域，深度學(xué)習(xí)越來越多地被用于信號重建、輪廓提取和工藝建模。"這些模型可通過推理來提升性能，"基于AI的模型能夠從嘈雜或不完整的光學(xué)信號中推斷尺寸測量值、套刻誤差和輪廓特征，從而提升測量精度和吞吐量。這些方法對于傳統(tǒng)基于物理模型計算成本高昂或難以擴(kuò)展的先進(jìn)制程節(jié)點(diǎn)尤為重要。"

如今這類模型得到更廣泛應(yīng)用，部分原因在于推理速度的提升以及在晶圓廠現(xiàn)場快速落地的能力。Zhu以焊料凸塊空洞檢測為例說明："傳統(tǒng)上，我們使用二值化技術(shù)，例如為黑色焊料、良好區(qū)域與白色區(qū)域（即空洞）設(shè)定對比度容差。問題在于，對比度并不總是一致的，因為它取決于多少X射線穿透凸塊并到達(dá)檢測器。傳統(tǒng)做法是操作員監(jiān)控統(tǒng)計過程控制并進(jìn)行人工調(diào)整。現(xiàn)在，我們整合了來自多個客戶的凸塊數(shù)據(jù)，構(gòu)建了通用模型，單張X射線圖像可在毫秒級時間內(nèi)完成處理，準(zhǔn)確率達(dá)90%。處理速度很快，客戶無需從自身生產(chǎn)環(huán)境中收集大量數(shù)據(jù)就可以直接使用我們的AI。"

圖1：跨多個客戶應(yīng)用的AI模型，即便在客戶數(shù)據(jù)稀缺的情況下，也能改善焊料凸塊X射線空洞檢測效果。來源：Nordson測試與檢測

自動缺陷分類

在半導(dǎo)體生產(chǎn)線上，光學(xué)工具往往先識別缺陷，再通過SEM、AFM或其他量測工具進(jìn)行復(fù)檢。AI和機(jī)器學(xué)習(xí)模型可以改善自動缺陷分類（ADC）流程。Onto Innovation的Han表示："深度學(xué)習(xí)正在重塑缺陷分類與復(fù)檢方式。卷積神經(jīng)網(wǎng)絡(luò)不再依賴人工設(shè)計的特征，而是能夠從圖像數(shù)據(jù)中自動學(xué)習(xí)復(fù)雜的缺陷特征，從而實(shí)現(xiàn)對顆粒、劃痕、空洞、圖形倒塌及其他缺陷類型更快速、更精準(zhǔn)的分類，大幅減少人工復(fù)檢工作量，加速良率學(xué)習(xí)進(jìn)程。"

圖2：無害缺陷與真實(shí)缺陷在外觀上往往難以區(qū)分（左圖）。基于機(jī)器學(xué)習(xí)的自動缺陷分類可有效過濾干擾性缺陷（右側(cè)晶圓圖）。來源：Onto Innovation

數(shù)據(jù)不足時的應(yīng)對策略

由于晶圓工藝控制極為嚴(yán)格，可用于訓(xùn)練機(jī)器學(xué)習(xí)模型的缺陷樣本往往數(shù)量不足。幸運(yùn)的是，工程師可以通過合成數(shù)據(jù)來彌補(bǔ)這一不足。

Microtronic的Akomer表示："從挑戰(zhàn)角度來看，AI檢測與分類需要足夠數(shù)量且標(biāo)注準(zhǔn)確的缺陷樣本。由于半導(dǎo)體晶圓缺陷本身較為罕見，收集起來十分困難。數(shù)據(jù)增強(qiáng)（仿真模擬）在克服真實(shí)缺陷圖像不足問題方面發(fā)揮著重要作用，通常是訓(xùn)練穩(wěn)健檢測模型的必要手段。"

合成數(shù)據(jù)還可以幫助企業(yè)提前應(yīng)對下一代節(jié)點(diǎn)器件的檢測需求，并納入新的縮放參數(shù)。Onto Innovation的Han表示："基于生成式與仿真的AI模型可以創(chuàng)建模擬真實(shí)缺陷行為、幾何形態(tài)和工藝交互的合成缺陷樣本。這些仿真數(shù)據(jù)集可用于在真實(shí)缺陷數(shù)據(jù)充分積累之前，對檢測系統(tǒng)進(jìn)行訓(xùn)練和驗證，尤其適用于新工藝節(jié)點(diǎn)、先進(jìn)封裝技術(shù)或罕見缺陷機(jī)制。通過以真實(shí)感合成缺陷擴(kuò)充稀疏數(shù)據(jù)集，AI有助于提升模型穩(wěn)健性、檢測靈敏度和整體缺陷檢測性能。"

Nordson的Zhu對此表示認(rèn)同："我們從客戶處獲得的許多數(shù)據(jù)集存在偏差，這是半導(dǎo)體檢測領(lǐng)域的一大特殊挑戰(zhàn)。客戶的工藝良率很高，因此好數(shù)據(jù)遠(yuǎn)多于壞數(shù)據(jù)，而缺陷類型又多種多樣。"他強(qiáng)調(diào)，實(shí)際數(shù)據(jù)固然最優(yōu)，但在無法獲取時，基于生成式方法的仿真模擬正在得到越來越多的評估與應(yīng)用。

AI的規(guī)模化推廣

晶圓廠或企業(yè)層面的數(shù)據(jù)管理，正是許多公司當(dāng)前面臨的主要挑戰(zhàn)。PDF Solutions解決方案架構(gòu)高級總監(jiān)、無晶圓廠解決方案負(fù)責(zé)人Marc Jacobs表示："分析服務(wù)提供商所能提供的最大價值，在于能否收集、對齊和規(guī)范化數(shù)據(jù)，并在任何需要的地方部署模型。模型本身固然重要，但其背后的數(shù)據(jù)工程平臺更為關(guān)鍵。"

PDF Solutions估計，大多數(shù)AI項目難以實(shí)現(xiàn)規(guī)模化，超過70%的項目在試點(diǎn)階段后便陷入停滯，原因在于數(shù)據(jù)碎片化、遺留工廠系統(tǒng)的制約、主題專家（SME）資源有限，以及缺乏清晰的企業(yè)級AI部署運(yùn)營模型。

PDF Solutions全球晶圓廠應(yīng)用解決方案經(jīng)理Jon Holt表示："要實(shí)現(xiàn)AI的規(guī)模化落地，企業(yè)需要一套將AI愿景轉(zhuǎn)化為覆蓋半導(dǎo)體全生命周期、持續(xù)產(chǎn)生高價值影響的實(shí)施藍(lán)圖。"

該公司提出了AI規(guī)模化推廣的八大支柱：

符合SEMI標(biāo)準(zhǔn)的物理設(shè)備與傳感器；

故障檢測與分類（FDC）及循環(huán)控制；

基于計算機(jī)集成制造（CIM）/制造執(zhí)行系統(tǒng)（MES）的數(shù)據(jù)集成，包括具備AI就緒能力的數(shù)據(jù)存儲庫；

用于工廠規(guī)劃、調(diào)度與派工的數(shù)字孿生；

具備基于角色訪問控制的知識中樞；

用于模型訓(xùn)練與部署的企業(yè)AI平臺；

結(jié)合智能體AI與人類專家反饋的多智能體系統(tǒng)；

具備人工監(jiān)督的自主工程。

在這一組織化過程中，確保測試與檢測供應(yīng)鏈中準(zhǔn)確數(shù)據(jù)的可用性是常見難題之一。Jacobs表示："當(dāng)人工分析師進(jìn)行探索性分析時，他們可以憑借直覺繞過不完整的元數(shù)據(jù)，察覺到數(shù)據(jù)的割裂，識別異常并加以糾正。但一旦引入自動化，這種容錯能力便消失了。如果元數(shù)據(jù)對齊不到位，下游操作將無法獲取其所需的上下文信息。"

數(shù)據(jù)質(zhì)量在采集點(diǎn)最高，無論是在工藝晶圓廠生產(chǎn)線還是在OSAT封裝測試線。將輸入數(shù)據(jù)與MES或ERP系統(tǒng)中的真實(shí)數(shù)據(jù)進(jìn)行交叉比對，可以在數(shù)據(jù)缺失或有誤時實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)與糾正。例如，元數(shù)據(jù)一致性是一個持續(xù)性問題，而在當(dāng)今并購頻發(fā)的背景下，企業(yè)還會面臨不同的數(shù)據(jù)標(biāo)準(zhǔn)、批次命名規(guī)范以及標(biāo)識與標(biāo)簽方法的差異。

結(jié)語

各企業(yè)在數(shù)據(jù)集成與AI模型應(yīng)用方面處于不同階段，但可以明確的是，模型正變得越來越智能，這將有助于降低當(dāng)前的編程工作量。

Zhu表示："對于特定的圖形化芯片，傳統(tǒng)上我們需要逐一引導(dǎo)模型去查找特征，針對TSV、RDL或凸塊分別進(jìn)行訓(xùn)練。但現(xiàn)在，借助更強(qiáng)大的模型，我們可以直接說'幫我找到所有RDL'或'找到所有凸塊'，這有望大幅減少現(xiàn)有的編程需求。"

現(xiàn)有模型尤其擅長檢測工藝中的細(xì)微變化，并區(qū)分真實(shí)缺陷與干擾性缺陷。在異常識別方面，AI模型能夠通過學(xué)習(xí)大量檢測、量測和工藝數(shù)據(jù)中的規(guī)律，識別出正常工藝行為的細(xì)微偏差。Onto Innovation的Han表示："與傳統(tǒng)基于閾值的方法不同，機(jī)器學(xué)習(xí)模型能夠識別出以往未曾見過或低頻出現(xiàn)的異常，這些異常可能預(yù)示著工藝問題萌芽、設(shè)備漂移或潛在缺陷。這一能力在降低誤報率的同時，也提升了對有意義異常的檢測靈敏度。"

一旦工廠具備互聯(lián)數(shù)據(jù)基礎(chǔ)設(shè)施，失效根因分析將大大簡化。Han補(bǔ)充道："在良率學(xué)習(xí)方面，AI通過關(guān)聯(lián)制造多個階段的缺陷圖形、工藝參數(shù)、設(shè)備特征和電測結(jié)果，加速根因分析。通過挖掘高維數(shù)據(jù)集中隱藏的關(guān)聯(lián)關(guān)系，AI模型幫助工程師更快速地識別影響良率的關(guān)鍵因素，并以更高精度優(yōu)化工藝條件。"

AI模型在缺陷檢測領(lǐng)域如魚得水，因為它們依賴模式識別。然而，其在量測領(lǐng)域的應(yīng)用仍處于發(fā)展階段，因為量測輸出依賴精確數(shù)值。盡管如此，對于某些方法中涉及的復(fù)雜數(shù)學(xué)運(yùn)算——例如散射測量中的嚴(yán)格耦合波分析（RCWA）——AI模型同樣可以幫助加速繁瑣的計算過程。此外，工具間與腔室間匹配等項目，也可通過對"黃金"工具或腔室進(jìn)行訓(xùn)練來提升AI模型的性能。

更大的挑戰(zhàn)不在于AI或機(jī)器學(xué)習(xí)模型本身有多先進(jìn)，而在于那些遠(yuǎn)不那么光鮮的、枯燥的數(shù)據(jù)互聯(lián)工作——打通工藝孤島之間的壁壘，貫穿檢測、測試、封裝，乃至延伸至現(xiàn)場應(yīng)用。當(dāng)工程師能夠發(fā)現(xiàn)新部件上的缺陷，在合理時間內(nèi)迅速追溯其根因到某臺特定CMP設(shè)備在特定日期的某次運(yùn)行，并快速糾正工藝問題時，AI才能真正兌現(xiàn)它的承諾。

Q&A

Q1：AI模型在半導(dǎo)體缺陷檢測中相比傳統(tǒng)算法有哪些具體優(yōu)勢？

A：傳統(tǒng)算法基于統(tǒng)計原理，需要大量數(shù)據(jù)來設(shè)定閾值，添加新參數(shù)時既繁瑣又需要專業(yè)知識。AI模型則可以通過逐點(diǎn)學(xué)習(xí)識別不良缺陷，只需在訓(xùn)練數(shù)據(jù)中包含足夠變化樣本，模型便能自主學(xué)習(xí)，無需逐一手動編程。此外，AI更擅長模式識別，能有效區(qū)分真實(shí)缺陷與干擾性缺陷，還能檢測出傳統(tǒng)方法無法發(fā)現(xiàn)的邊緣缺陷，例如晶圓邊緣的殘余鎢CMP缺陷。

Q2：半導(dǎo)體AI檢測項目為什么超過70%在試點(diǎn)后停滯不前？

A：PDF Solutions的數(shù)據(jù)顯示，超過70%的AI項目在試點(diǎn)階段后陷入停滯，主要原因包括：數(shù)據(jù)碎片化、遺留工廠系統(tǒng)的制約、主題專家資源不足，以及缺乏清晰的企業(yè)級AI部署運(yùn)營模型。當(dāng)自動化引入后，人工分析師憑直覺繞過不完整元數(shù)據(jù)的能力消失了，若元數(shù)據(jù)對齊不到位，下游操作將無法獲取所需上下文信息，導(dǎo)致整個流程失效。

Q3：缺陷檢測訓(xùn)練數(shù)據(jù)不足時，如何解決AI模型的數(shù)據(jù)短缺問題？

A：當(dāng)真實(shí)缺陷樣本稀缺時，工程師可采用合成數(shù)據(jù)來彌補(bǔ)。基于生成式與仿真的AI模型可創(chuàng)建模擬真實(shí)缺陷行為、幾何形態(tài)和工藝交互的合成缺陷樣本，用于在真實(shí)數(shù)據(jù)充分積累之前完成模型訓(xùn)練和驗證。這種數(shù)據(jù)增強(qiáng)方法尤其適用于新工藝節(jié)點(diǎn)、先進(jìn)封裝技術(shù)或罕見缺陷機(jī)制等場景，可顯著提升模型穩(wěn)健性和檢測靈敏度。