文章來源：SMICONDUCTOR ENGINEERING

隨著半導(dǎo)體器件向更精密的封裝方案持續(xù)演進(jìn)，傳統(tǒng)光學(xué)檢測技術(shù)正逐漸觸及物理與計算的雙重邊界。

對2.5D/3D集成、混合鍵合及晶圓級工藝的依賴日益加深，使得缺陷檢測的一致性與時效性面臨嚴(yán)峻挑戰(zhàn) —— 若無法在早期精準(zhǔn)識別缺陷，產(chǎn)品良率將難以保障。盡管光學(xué)檢測仍是工藝控制的核心環(huán)節(jié)，但其發(fā)展路徑已在悄然改寫，不斷顛覆著人們對其應(yīng)用場景與方式的固有認(rèn)知。

從 “分辨率競賽” 到 “可用性革命”

多年來，光學(xué)檢測的發(fā)展路徑遵循著可預(yù)測的模式 —— 通過提升靈敏度與分辨率，跟上幾何尺寸縮小的步伐。這些努力帶來了顯著進(jìn)步，卻也引發(fā)了遠(yuǎn)超單純縮放挑戰(zhàn)的新難題。

“當(dāng)特征尺寸縮小一半，要在相同分辨率下覆蓋相同區(qū)域，傳感器像素數(shù)量需增至四倍。” 諾信測試與檢測公司研發(fā)總監(jiān)約翰?霍夫曼表示，“這種縮放對相機(jī)技術(shù)和數(shù)據(jù)處理形成了持續(xù)壓力?！?/p>

此外，向 3D-IC 及其他先進(jìn)封裝的轉(zhuǎn)型，催生了傳統(tǒng)檢測方法難以應(yīng)對的場景：高分辨率光學(xué)系統(tǒng)與先進(jìn)照明技術(shù)常產(chǎn)生海量無效檢測數(shù)據(jù)；而更薄的晶圓與更高的堆疊結(jié)構(gòu)則會引發(fā)翹曲與景深問題，削弱測量穩(wěn)定性。

“先進(jìn)封裝的挑戰(zhàn)不止于分辨率。”Onto Innovation 檢測產(chǎn)品營銷主管 Damon Tsai 指出，“當(dāng)多顆芯片堆疊時，有時真正的問題是能否看到關(guān)鍵結(jié)構(gòu)本身。”

這些限制迫使檢測流程重新設(shè)計處理與夾具方案。設(shè)備供應(yīng)商與研究機(jī)構(gòu)已轉(zhuǎn)向多通道照明、紅外及激光傳感技術(shù)，結(jié)合更先進(jìn)的信號處理，以破解下一代器件的可見性與測量難題。

過去二十余年，光學(xué)檢測技術(shù)的改進(jìn)始終圍繞 “捕捉更精細(xì)細(xì)節(jié)” 展開。隨著制程節(jié)點縮小、特征尺寸逼近個位數(shù)微米，行業(yè)投入集中在提升橫向分辨率、縮小像素尺寸與拓展景深上。當(dāng)時的共識是：更優(yōu)異的光學(xué)系統(tǒng)與更精準(zhǔn)的照明方案，自然能帶來更高效的缺陷檢測與更高良率。這一思路在諸多場景中收效顯著 —— 靈敏度閾值大幅提升，光學(xué)系統(tǒng)對微小特征的測量精度與重復(fù)性均實現(xiàn)質(zhì)的飛躍。

然而，3D 集成、混合鍵合與晶圓級工藝的普及，卻揭示了更復(fù)雜的現(xiàn)實：在這些場景中，“看見更小細(xì)節(jié)” 往往只是起點。高分辨率光學(xué)系統(tǒng)可能放大無關(guān)背景紋理，或誤判無功能影響的干擾顆粒；當(dāng)器件堆疊至 12 層以上、重分布層結(jié)構(gòu)愈發(fā)復(fù)雜時，單晶圓的潛在缺陷信號可能飆升至數(shù)萬個。對如此海量數(shù)據(jù)的審核、分類與篩選，不僅會拖慢生產(chǎn)節(jié)奏，更會削弱先進(jìn)封裝本應(yīng)帶來的效率紅利。

“過度追求靈敏度，往往會同時放大背景噪聲、增加無效檢測量。”Onto Innovation 檢測產(chǎn)品營銷主管 Damon Tsai 補(bǔ)充道，“這種權(quán)衡之下，濾波與分類策略的重要性愈發(fā)凸顯。”

即便光學(xué)清晰度持續(xù)提升，技術(shù)的實際價值仍取決于數(shù)據(jù)解讀效率。問題的核心不僅是收集更多或更高分辨率的圖像，更在于精準(zhǔn)判斷：哪些信息與工藝控制強(qiáng)相關(guān)？哪些信號可安全忽略？隨著檢測系統(tǒng)生成的數(shù)據(jù)集規(guī)模劇增，工作重心已從 “單純檢測” 轉(zhuǎn)向 “智能分類與關(guān)聯(lián)分析”。

“每顆芯片內(nèi)部都包含數(shù)百萬個數(shù)據(jù)點。”普迪飛（PDF Solutions）解決方案架構(gòu)高級總監(jiān)Marc Jacobs) 表示：“個性化分析檢測數(shù)據(jù)的關(guān)鍵，不在于機(jī)械套用閾值，而在于將預(yù)期值與實測值動態(tài)比對 —— 這正是提升異常檢測能力的核心邏輯。”

AI/ML 的深度應(yīng)用，成為應(yīng)對這一挑戰(zhàn)的重要突破口。但 AI 并非萬能解藥：不同封裝場景需匹配差異化的檢測閾值與策略 —— 在扇出型晶圓中至關(guān)重要的缺陷，在低密度組件中可能完全可接受，反之亦然。這些場景化因素要求工藝工程師與檢測團(tuán)隊深度協(xié)作，共同定義 “影響良率的關(guān)鍵缺陷”。對眾多制造商而言，從 “追求極致分辨率” 到 “追求極致可用性” 的轉(zhuǎn)變，已成為檢測策略升級的核心命題。

破解物理難題：翹曲、薄晶圓與混合鍵合的挑戰(zhàn)

基板日益纖薄、器件堆疊不斷增高，帶來了一系列前端工藝罕見的機(jī)械挑戰(zhàn)，使光學(xué)檢測復(fù)雜度陡增。在先進(jìn)封裝中，翹曲已非偶發(fā)干擾，而是持續(xù)存在的系統(tǒng)性問題 —— 它可能扭曲測量結(jié)果、掩蓋關(guān)鍵特征，甚至導(dǎo)致晶圓間的檢測重現(xiàn)性失效。隨著封裝密度提升與器件向 2.5D/3D 形態(tài)升級，晶圓（或面板）的機(jī)械穩(wěn)定性已與檢測工具的光學(xué)性能同等重要。

檢測這些薄且柔性的結(jié)構(gòu)，通常有兩種思路：要么將晶圓壓平，要么動態(tài)調(diào)整光學(xué)系統(tǒng)以適配不規(guī)則表面，但兩者皆有取舍。壓平可能引發(fā)機(jī)械應(yīng)力或碎裂風(fēng)險；動態(tài)聚焦跟蹤則需復(fù)雜的傳感與控制回路，可能犧牲吞吐量或測量一致性。在部分場景中，唯一可行的解決方案是將高精度機(jī)械夾具與先進(jìn)圖像校正算法結(jié)合，以穩(wěn)定數(shù)據(jù)采集質(zhì)量。

Bruker應(yīng)用開發(fā)主管 Samuel Lesko表示：“隨著封裝結(jié)構(gòu)日益復(fù)雜，僅僅聚焦與測量已遠(yuǎn)遠(yuǎn)不夠。必須最大限度消除翹曲，創(chuàng)建可重復(fù)保持平整的參考狀態(tài)，否則計量結(jié)果將毫無意義。”

工程師們正通過新材料研發(fā)與真空吸盤設(shè)計創(chuàng)新優(yōu)化處理方案。這類機(jī)械改進(jìn)是抵御變形的第一道防線，尤其當(dāng)晶圓薄至易因自重彎曲時：均勻的支撐面可減少局部應(yīng)力點，避免測量誤差甚至晶圓破損。但即便設(shè)計再精密，翹曲仍是需持續(xù)監(jiān)控與補(bǔ)償?shù)膭討B(tài)變量。

“翹曲必須被實時追蹤?！?John Hoffman解釋道，“通常需借助外部傳感器粗測表面變形，再動態(tài)調(diào)整檢測傳感器位置以確保測量準(zhǔn)確性。”

以陶瓷真空吸盤為例，其能更均勻地分散薄襯底壓力、減少局部變形，但即便如此，單芯片范圍內(nèi)的晶圓翹曲仍可能超過 100 微米 —— 遠(yuǎn)超多數(shù)傳統(tǒng)光學(xué)系統(tǒng)的景深范圍，直接導(dǎo)致頻繁失焦、測量邊緣模糊與疊層數(shù)據(jù)不可靠。

將光學(xué)信號與物鏡的局限性分離，已成為活躍的研究領(lǐng)域。白光干涉測量等方法正在開發(fā)中，以幫助在表面不平整或傾斜時保持垂直分辨率。這些技術(shù)可通過分離地形信息與焦點變化補(bǔ)償特定類型的變形，但其有效性仍依賴可預(yù)測的基線形狀與已知邊界條件。

Lesko 表示：“白光干涉法可將景深壓縮至 2μm 以下，且與光學(xué)放大率無關(guān)，即便在透明、不平整或翹曲的表面，仍能保持垂直分辨率。這種分離能力讓系統(tǒng)能精準(zhǔn)區(qū)分真實地形與光學(xué)偽影。”

混合鍵合則帶來了另一重挑戰(zhàn)：與傳統(tǒng)焊料凸點不同，其界面可能存在微小空洞或未鍵合區(qū)域，僅靠光學(xué)技術(shù)難以識別。這些空洞雖可能僅幾納米深，卻可能引發(fā)電連接失效或長期可靠性問題。因此，光學(xué)檢測常與聲學(xué)方法、原子力顯微鏡聯(lián)用驗證鍵合質(zhì)量。對納米級表征的需求，正推動設(shè)備商開發(fā) “混合計量平臺”—— 將多種傳感模式集成于同一系統(tǒng)。

“隨著鍵合間距縮小、界面需納米級表征，原子力顯微鏡與光學(xué)輪廓測量的聯(lián)用價值愈發(fā)凸顯?！?strong>Lesko 指出，“兩種技術(shù)的信息融合，既能高效篩選缺陷，又能深度解析缺陷焊盤與界面質(zhì)量?！?/u>

圖 1：混合鍵合的常見工藝缺陷。來源：Onto Innovation

可以說，在先進(jìn)封裝檢測中，物理平整度、光學(xué)清晰度與混合鍵合驗證的平衡，仍是最棘手的長期挑戰(zhàn)。夾具設(shè)計、信號處理與多模式傳感的哪怕微小進(jìn)步，都可能顯著提升良率與可靠性 —— 這也是如今研發(fā)重心既關(guān)注分辨率提升，更重視測量環(huán)境穩(wěn)定性的原因。

多維度創(chuàng)新：從照明技術(shù)到智能算法

隨著檢測場景日趨復(fù)雜，單一照明源已難以滿足先進(jìn)封裝需求。傳統(tǒng)明場 / 暗場照明在多層堆疊中，常難以區(qū)分污染物、結(jié)構(gòu)缺陷與背景粗糙度，易導(dǎo)致檢測不一致或誤報率飆升 —— 尤其當(dāng)工藝中存在有機(jī)殘留物、薄膜空洞與表面反射率差異時。

為此，設(shè)備商推出多通道照明策略：融合不同波長、角度與偏振態(tài)的光源。例如，紅外成像可穿透硅片識別隱藏界面（盡管對金屬仍有局限）；激光照明則能凸顯傳統(tǒng)光源下 “隱身” 的殘留物 —— 如銅 - 銅鍵合中殘留的有機(jī)薄膜，在特定窄帶激光下可通過對比度提升被精準(zhǔn)捕捉。

Onto 的 Tsai 表示：“傳統(tǒng)明場照明從頂部直射，會‘穿透’所有結(jié)構(gòu)；而多角度照明能減少前層噪聲，讓目標(biāo)特征更突出。”

除波長外，照明角度對減少干擾信號至關(guān)重要。傾斜或多角度照明可抑制深層反射、增強(qiáng)特定表面對比度，但需精細(xì)校準(zhǔn)以避免引入偽影或降低測量一致性 —— 不同照明通道還需與對應(yīng)檢測光學(xué)系統(tǒng)、濾波器匹配，才能保證信號質(zhì)量。

硬件升級雖拓展了可成像范圍，卻也帶來了數(shù)據(jù)集復(fù)雜度激增的問題：多通道檢測生成的原始數(shù)據(jù)量，常為傳統(tǒng)明場檢測的數(shù)倍。這使得嵌入式信號處理與機(jī)器學(xué)習(xí)成為剛需 —— 唯有如此，才能從海量信息中精準(zhǔn)提取關(guān)鍵缺陷特征。

當(dāng)然，“增加更多照明模式是否會產(chǎn)生邊際效益遞減” 仍是行業(yè)爭議點：額外通道會增加成本、延長校準(zhǔn)時間，還可能增加系統(tǒng)間結(jié)果不一致的風(fēng)險。但在混合鍵合與高密度封裝領(lǐng)域，多照明模式已從 “可選配置” 變?yōu)?“必選項”，其價值遠(yuǎn)超過權(quán)衡成本。

“這就像算法 —— 有些能解決問題，卻因算力需求過高難以規(guī)?；瘧?yīng)用。”Nordson’s Hoffman類比道，“照明通道也是如此：越多，越需關(guān)注數(shù)據(jù)量與一致性的平衡。”

AI 賦能：從 “數(shù)據(jù)洪流” 到 “決策閉環(huán)”

多通道檢測的普及帶來了新挑戰(zhàn)：數(shù)據(jù)量已遠(yuǎn)超人工審核極限。即便是靈敏度或照明復(fù)雜度的小幅提升，都可能導(dǎo)致待分類的原始圖像與特征圖數(shù)量呈數(shù)量級增長。在此背景下，機(jī)器學(xué)習(xí)已從 “錦上添花” 變?yōu)?“不可或缺”—— 它是將高分辨率光學(xué)信號轉(zhuǎn)化為可執(zhí)行信息的核心引擎。

早期 AI 在檢測中的應(yīng)用集中于圖像分類：通過訓(xùn)練模型識別已知缺陷類型并歸類，減少無效檢測量，加速缺陷相關(guān)性驗證。如今，這些模型已進(jìn)化到能理解“缺陷在不同工藝步驟與材料堆疊中的表現(xiàn)規(guī)律”。

“過去，檢測流程需大量手動設(shè)置配方、轉(zhuǎn)換 CAD 數(shù)據(jù)；現(xiàn)在，AI 可自動生成配方，大幅縮短設(shè)置時間、降低誤差。”Charlie Zhu 表示。

越來越多的檢測系統(tǒng)正告別 “數(shù)據(jù)采集后傳至外部集群分析” 的模式，轉(zhuǎn)而在本地嵌入 AI 模型，實現(xiàn)實時分類與過濾。這種硬件加速方案能通過消除數(shù)據(jù)傳輸延遲提升吞吐量，但也引發(fā)了 “透明度與可重復(fù)性” 的擔(dān)憂 —— 神經(jīng)網(wǎng)絡(luò)的 “黑箱特性” 讓部分工程師對其決策邏輯存疑。

“在某些精密測量場景，傳統(tǒng)算法仍更可靠 —— 它們在原生分辨率下運(yùn)行，而深度學(xué)習(xí)模型的‘縮放 - 還原’過程可能損失位置精度。”Charlie Zhu 補(bǔ)充道。

AI 的另一挑戰(zhàn)是模型過度擬合特定產(chǎn)品類型或工藝條件的風(fēng)險：當(dāng)引入新材料或結(jié)構(gòu)時，訓(xùn)練數(shù)據(jù)可能無法覆蓋生產(chǎn)變量?！皼]有放之四海而皆準(zhǔn)的模型?！?strong>Hoffman 坦言，“即便用海量數(shù)據(jù)訓(xùn)練，當(dāng)產(chǎn)品組合變化或出現(xiàn)未知場景時，仍可能失效。”

因此，許多企業(yè)采用 “混合工作流”：將確定性算法與機(jī)器學(xué)習(xí)過濾器結(jié)合。這種分層方案既能保留高置信度測量結(jié)果，又能借助 AI 捕捉意外異常或細(xì)微缺陷模式。

盡管存在局限，AI 驅(qū)動的檢測已成為高容量先進(jìn)封裝場景的剛需 —— 僅靠傳統(tǒng)規(guī)則邏輯，根本無法應(yīng)對數(shù)據(jù)分類的速度與規(guī)模要求。工程師們普遍認(rèn)為，隨著工藝演進(jìn)，確定性檢測與數(shù)據(jù)驅(qū)動檢測的平衡，將始終是動態(tài)調(diào)整的課題。

從 “孤立檢測” 到 “閉環(huán)智能”

光學(xué)與機(jī)器學(xué)習(xí)的進(jìn)步拓展了檢測邊界，但 “識別缺陷” 與 “理解缺陷影響” 之間仍存在鴻溝。尤其在多品種生產(chǎn)中，工藝窗口頻繁變動，僅靠檢測數(shù)據(jù)往往難以判斷偏差是否影響器件可靠性。因此，企業(yè)正大力推進(jìn) “檢測系統(tǒng) - 工藝控制 - 設(shè)計數(shù)據(jù)” 的聯(lián)動，構(gòu)建更具預(yù)測性的良率模型。

“將 AI 直接嵌入檢測工具，可減少海量數(shù)據(jù)向外部服務(wù)器的傳輸需求。”Tsai 表示，“這種方式既能保證吞吐量，又能為工藝控制系統(tǒng)提供足夠的反饋信息。”

傳統(tǒng)模式中，檢測結(jié)果多作為追溯檔案或用于事后失效分析；如今，制造商更期待檢測數(shù)據(jù)直接驅(qū)動閉環(huán)工藝調(diào)整 —— 通過對比測量結(jié)果與統(tǒng)計過程控制（SPC）模型、設(shè)計意圖，實時優(yōu)化沉積速率、蝕刻輪廓或鍵合參數(shù)。在部分先進(jìn)流程中，檢測數(shù)據(jù)還能動態(tài)生成新的工藝配方，實現(xiàn)參數(shù)的自適應(yīng)調(diào)整。

“機(jī)器學(xué)習(xí)已能實現(xiàn)‘知識遷移’—— 即便客戶在不同工藝節(jié)點間快速切換，模型也能借鑒早期設(shè)計經(jīng)驗。”普迪飛的 Jacobs指出，“這有助于減少樣本量需求、縮短工藝學(xué)習(xí)周期。”

“機(jī)器學(xué)習(xí)無疑能大幅降低生產(chǎn)中的誤報率。”Tignis 營銷副總裁 David Park 補(bǔ)充道，“雖無法完全消除，但能顯著減少無效排查時間，加速根因分析。”

這種聯(lián)動在先進(jìn)封裝中尤為關(guān)鍵：“已知良好芯片” 策略的有效性，取決于 “良好” 定義能否隨工藝演進(jìn)更新。當(dāng)新材料、新互連結(jié)構(gòu)出現(xiàn)時，基于舊工藝的參考庫可能失效。因此，許多企業(yè)采用 “混合策略”：將確定性 SPC 模型與自適應(yīng)學(xué)習(xí)系統(tǒng)結(jié)合，以應(yīng)對工藝的細(xì)微波動。

檢測數(shù)據(jù)與設(shè)計信息的融合，還優(yōu)化了采樣策略 —— 不再依賴隨機(jī)抽樣或固定間隔檢測，而是瞄準(zhǔn)仿真預(yù)測的高風(fēng)險區(qū)域。這種 “靶向檢測” 能在不降低靈敏度的前提下減少開銷，但需設(shè)計、計量與生產(chǎn)流程深度協(xié)同，這也是多數(shù)企業(yè)尚未實現(xiàn)全自動化反饋的核心原因。

即便在該領(lǐng)域領(lǐng)先的企業(yè)，仍面臨數(shù)據(jù)治理與模型透明度的挑戰(zhàn)：基于專有工藝數(shù)據(jù)訓(xùn)練的 AI 模型難以審計，多供應(yīng)商數(shù)據(jù)集的整合也存在兼容性與安全風(fēng)險。因此，模塊化系統(tǒng)成為主流選擇 —— 讓確定性規(guī)則與機(jī)器學(xué)習(xí)輸出共存，避免對單一技術(shù)的過度依賴。

結(jié)語：邁向 “動態(tài)感知” 的未來

先進(jìn)封裝的持續(xù)演進(jìn)，將推動光學(xué)檢測面臨更復(fù)雜的技術(shù)與運(yùn)營挑戰(zhàn)。晶圓對晶圓混合鍵合、背面功率傳輸、雙面處理、異質(zhì)材料集成等新工藝，正不斷突破傳統(tǒng)檢測架構(gòu)的極限；而基板更薄、堆疊更多等趨勢只會加劇這些壓力。

隨著線寬縮小和互連密度增加，翹曲、表面變形與反射率不一致預(yù)計將變得更難控制。同時，隨著 AI 在更多缺陷場景中應(yīng)用，模型驗證與治理框架的清晰度將愈發(fā)重要；當(dāng)檢測從 “被動識別” 走向 “主動預(yù)測” 時，過度擬合、模型漂移與透明度不足仍將是持續(xù)存在的風(fēng)險。

但挑戰(zhàn)背后，是更廣闊的創(chuàng)新空間。多通道成像、嵌入式機(jī)器學(xué)習(xí)與設(shè)計流程的深度融合，正將檢測從 “靜態(tài)檢查點” 重塑為 “動態(tài)良率優(yōu)化工具”。未來十年，光學(xué)檢測的核心將不再是 “孤立觀察最小特征”，而是 “聯(lián)動多源數(shù)據(jù)，構(gòu)建全流程的清晰認(rèn)知”—— 這正是先進(jìn)封裝時代賦予檢測技術(shù)的新使命。