半导体检测设备为什么越来越依赖算法与软件

半导体检测设备为什么越来越依赖算法与软件

图1 晶圆进入表面检测设备，检测从稳定输送、照明与信号采集开始

检测设备常被称为晶圆厂的“眼睛”。随着芯片结构变小、图形变密，硬件采到的仍只是亮度、散射强度、电子信号或波形，并不会自动写着“这里有缺陷”。

先说结论：检测设备真正输出的不是一张图，而是一个足以让产线采取行动的判断。硬件决定能采到什么，算法决定怎样提取异常，软件负责配方、追溯和工艺闭环，三者必须一起设计。

01

设备究竟检测到了什么

光学检测用特定波长、角度和偏振的光照射晶圆。图形边缘、颗粒、划伤和材料差异会改变反射或散射光，探测器再把它们转成像素。电子束检测把光换成聚焦电子束，读取二次电子等信号，可以观察更细结构，但扫描速度、真空条件和数据量也更具挑战。

图2 光学系统扫描图形化晶圆，探测器接收反射与散射信号

原始数据带着照明不均、镜头像差、平台振动、晶圆翘曲和传感器噪声。算法要先校准、去噪和修正畸变，再把图像精确对齐，最后比较差异，判断它是正常工艺变化还是可能影响良率的缺陷。

2

光为什么会把镜头加热

检测系统受到分辨率、视场和速度的共同制约。看得越细，扫描时间通常越长；覆盖越大、产能越高，留给每个位置的时间就越短。算法能改善判断质量，却不能创造传感器从未采到的信息。

提高灵敏度还会放大允许范围内的线宽波动、表面粗糙度和设备噪声，产生大量“干扰缺陷”，淹没关键问题并拖慢复检。

检测的难点不是把所有差异都报出来，而是在不漏掉关键缺陷的前提下压低无效告警。硬件灵敏度提升之后，对齐、背景建模、阈值控制和分类能力必须同步提升。

3

算法怎样把异常从背景里“抠”出来

晶圆具有大量重复图形，这给算法提供了天然参照。晶粒对晶粒比较会把相邻芯片的同一位置对齐后相减；重复单元较少时，也可把实测图像与设计数据库或仿真参考图比较。

图3 检测结果在芯片图像中标出候选异常区域

制造过程会让同一设计出现允许范围内的变化。算法必须精密配准，再结合纹理和噪声设置窗口，并按形状、尺寸、亮度和层别分类，把海量事件压缩成少量复检样本。

检测、复检和量测不是一回事

04

检测是在大面积上快速寻找异常；缺陷复检是用更高分辨率重新观察候选点；量测则回答线宽、膜厚、套刻误差或形貌到底偏了多少。三类设备会共享光学、电子束和数据处理技术，但任务与输出不同。

图4 电子束检测与量测系统可观察更细结构，但扫描与数据处理压力更大

光学检测先发现异常簇，电子束复检确认残留、桥连或断裂，量测设备再判断尺寸是否超出窗口。软件把结果放进同一坐标系并关联批次、机台和工序，工程师才能追到可能失控的环节。

Tip

05

为什么算法还要理解芯片设计

同样大小的颗粒，落在空白区域和晶体管栅极附近，风险完全不同。设计感知检测会把缺陷坐标与版图、层别和关键结构叠加，再按附近图形密度、电气敏感性和工艺语境调整优先级。

从“看见差异”走向“判断风险”，是算法价值提升的关键一步。它让有限的复检时间优先用于可能影响良率的事件，也能从空间分布中提示系统性问题，但不会自动证明工艺根因。

6

软件怎样把设备接进整条产线

算法解决配准、分割或分类等局部问题，软件系统承担的范围更大：管理不同产品和工艺层的检测配方，记录光源、扫描、阈值和版本，使同型号机台结果可比较，并把数据送往制造执行、统计过程控制和先进过程控制系统。

图5 晶圆级量测图把局部数据还原成空间分布

缺陷图、尺寸和设备状态按批次、位置与工序关联后，软件可以缩小曝光、刻蚀、沉积或抛光的排查范围，但根因仍要靠实验、日志和工程判断确认。随后产线才能调整采样或反馈工艺设备。

07

人工智能有用，但不是万能钥匙

深度学习擅长提取复杂纹理，可用于弱对比缺陷识别、图像分类、相似事件聚类和复检样本筛选。但模型受训练数据约束：标签不一致会把分歧一起学进去，新材料或新设备可能引起数据漂移，少见而严重的缺陷又常常缺少样本。

边界必须说清：人工智能不能替代光学与电子束校准，也不能自动证明根因。它可以更高效地筛选、分类和排序，但结论仍要能追溯到原始信号、配方版本和验证记录。

8

越来越多性能属于软件工程

晶圆厂关心的不只是一次识别准确率，还关心配方能否迁移、模型升级能否回滚、不同机台是否一致、数据是否及时、故障后能否恢复，以及接口和权限是否安全。模型很准但响应太慢，跟不上产线节拍；算法优秀但版本不可追溯，也无法进入量产。

图6 软件团队要把算法、配方、数据接口、版本与设备运行共同纳入工程管理

设备内有实时控制和信号处理，设备外有配方管理、数据分析、远程诊断和车队管理，晶圆厂层面还有良率分析与过程控制。它们共同决定设备从实验室能力变成量产能力的速度。

09

中国设备企业下一步该补什么

软硬件协同：光路、运动平台、探测器和算法应共同设计。数据资产：图片要与层别、批次、版图位置和处置结果一起保存。模型管理：升级要验证漂移、漏检、误报和跨机差异，并能回滚。

受控接口：检测结果只有进入制造执行与过程控制系统，才能影响采样、放行和设备调整；接口既要支持协同，也要守住权限、审计和网络安全边界。

图7 设备内部同时包含光学、运动、晶圆承载与传感部件，算法必须建立在稳定硬件之上

结语：竞争从“看得见”走向“判断得对”

半导体检测仍然从物理信号出发。变化在于芯片复杂度、数据规模和量产节拍：硬件把缺陷变成微弱信号，算法把信号变成候选事件，软件再把事件放进产品、工艺和设备历史中。

未来检测设备的核心能力，不会只写在分辨率、灵敏度或吞吐量参数里。把物理信号、算法判断、软件系统和工艺知识连成闭环，才是晶圆厂真正需要的过程控制能力。

微纳米工坊

群聊二维码

///欢迎大家加入！

特别鸣谢

感谢《云栈API》提供免费额度 https://www.yunzhanapi.com

感谢云图提供生图支持

https://yuntuimage.com