芯片測試，越來越難了

公眾號記得加星標??，第一時間看推送不會錯過。

許多半導體行業以外的人都好奇，人類是如何日復一日、始終如一地制造出尺寸僅為幾十納米的晶體管，并且還能保證在不同的工藝設備、不同的生產線和不同的晶圓廠之間保持一致的。實現這一目標的方法之一是實現設備間匹配（TTTM）。但隨著晶圓廠生產的芯片越來越復雜，特征尺寸和工藝窗口也越來越小，TTTM 的難度也越來越大。

晶圓在三個月內可能需要經過 600 到 800 道工序，因此相關設備必須能夠產生一致的結果。用于計量和測試這些結果的系統必須達到極高的標準。

“最新的技術節點需要數百個緊密相關的工藝步驟，包括多重圖案化、高介電常數/金屬柵極、復雜的蝕刻化學、選擇性沉積、埋入式電源軌等等。在整個制造過程中，每一個微小的工藝缺陷都可能累積成影響良率的復合效應，”Onto Innovation應用工程總監PeiFen Teh表示。“因此，在每個關鍵工藝步驟中都采用TTTM規范對于確保整條生產線的工藝穩定性至關重要。”

更短的產品生命周期、更快的良率提升速度以及多元化的供應鏈也給工具匹配操作帶來了挑戰。“由于供應鏈分散，產品種類繁多，我們需要確保測試結果完全一致，因此工具匹配變得越來越重要，難度也越來越大。”泰瑞達智能制造產品經理 Eli Roth 表示， “我們需要在更復雜的器件上實現更高的透明度。保護范圍不斷收緊，先進封裝技術將更多芯片集成在一起，因此我們需要更高的器件重復性，這就給測試帶來了更大的壓力，需要盡可能減少誤差來源。此外，良率提升速度更快，因此在投入生產之前，我們用于穩定新產品導入 (NPI) 基礎的時間也更短。”

工具匹配（也稱腔室匹配）確保輸出結果的一致性，例如，同一型號的不同自動測試設備 (ATE) 之間的輸出一致性。實現方法多種多樣，但首先要使用可追溯至美國國家標準與技術研究院 (NIST) 的標準晶圓來檢驗不同測量指標（例如關鍵尺寸 (CD)）的精度。然后，通過調整硬件設置來匹配工具，直到關鍵輸出結果一致。對于先進工藝節點，數據驅動的機器學習模型會模擬工具之間復雜的非線性偏差。之后，晶圓廠會對其他工具重復這些步驟。

有時會采用性能最佳的工具。“黃金工具或測試車輛被廣泛使用。我們喜歡用一輛已知性能良好的車輛作為參考，然后通過統計方法將車隊中其他車輛的性能與該參考車輛的性能進行比對，”羅斯說道。此外，量化測量系統本身的變異量也至關重要。

刀具匹配并非“一勞永逸”的步驟。事實上，工藝越前沿，刀具匹配的頻率就越高。然而，在某些情況下，刀具之間的匹配是絕對必要的：

• 在工具安裝/驗證階段；

• 當引入新產品或新工藝時；

• 在完成糾正性維護或預防性維護程序之后；

• 更換儀器或組件后，

• 定期執行，例如每天一次、每班一次或多次（高級節點）。

為了滿足領先器件制造商的需求，需要加強數據共享。“雖然使用制造商提供的數據進行基準工具匹配是必要的，但器件制造商現在要求在關鍵工藝步驟上進行更深入的匹配，以確保器件性能的一致性。要實現這種程度的匹配，需要獲取晶圓廠級別的器件數據，例如計量結果和功能測試結果，”Onto Innovation 應用工程總監 Melvin Lee Wei Heng 表示。“將這些器件特定信息與工具級數據相結合，對于確認工具在工藝‘最佳點’內運行，并在整個生產線上實現一致的性能至關重要。”

“我們使用大量可追溯至NIST標準的VLSI（超大規模集成電路）產品進行臺階高度和線寬測量。但除了系統校準之外，我們還會匹配光學元件，以確保當工藝流程從一臺設備轉移到另一臺設備時，照明設置不會發生變化，光學元件和系統照明條件保持一致，”布魯克應用工程師Andrew Lopez說道。例如，使用標準晶圓，工程師可以將卡尺或傳感器等工具調整到嚴格的公差范圍內。“我們會測試多個不同臺階高度和多個不同線寬的線性度，以確保系統足夠靈敏，能夠檢測到工藝過程中產生的偏差。”

雖然兩者相關，但工具匹配與工具指紋識別或采集工具的“特征”并不相同。晶圓廠中的每臺工具——掃描儀、蝕刻機、清洗機、測試儀、光學檢測系統等等——在加工零件上都存在其自身的微觀缺陷或磨損痕跡。因此，即使執行相同的工藝流程，相同的系統也會表現出略微不同的性能。通過采集和分析這種特征，工程師可以實現不同工具間性能的一致性。[編者注：后續文章將探討工藝工具的匹配。]

引入機器學習模型或許能提升指紋識別效果，也或許不能。“傳統的指紋識別方法依賴于預先設計的特征、控制圖和基于閾值的比較。這些方法在低維且可預測的變異情況下效果顯著，”愛德萬測試云解決方案高級咨詢經理Vincent Chu表示，“然而，如今的測試人員收集的數據遠比以往豐富得多——高分辨率參數、波形特征、時序測量和連續遙測數據。在這些高維空間中，機器學習模型能夠捕捉到定義工具真實運行‘特征’的細微非線性行為。這使得我們能夠更準確、更可擴展地表示測試人員的行為基線，而無需完全依賴預定義的指標。”

在計量學中，如同在測試領域一樣，精度和準確度都是重要的指標。準確度是指測量值與其真實值接近的程度。可以通過將測量值與已知標準（例如具有多個特征的標準晶圓）的測量值進行比較來提高準確度，但這很難實現。

“我們當然希望確保每一項計量結果都能被貼上‘準確’的標簽，但這幾乎不可能。我們通常只追求精度，而當我們積累了一定的經驗，能夠持續達到這個目標時，最終就能獲得不錯的成品率，”Fractilia 聯合創始人兼首席技術官 Chris Mack 表示。“所以我們會稱之為‘準確’，但這并非符合 NIST 標準計量結果的真正意義上的‘準確’數值。盡管如此，精度仍然是我們最關注的計量工具最重要的特性。”

精度是通過多次測量同一特征并記錄中心值周圍的變異性來確定的。

工具匹配的工作原理

匹配的指標取決于工具。例如，在聲學顯微鏡成像中，指標包括圖像強度、信號幅度、深度響應和缺陷可檢測性。“我們采用長期穩定性監測 (LTSM) 或全局工具匹配。它使用已知或參考樣本和軟件算法，通過歸一化聲學圖像響應來補償任何系統間的差異，從而確保檢測結果在不同工具和不同地點之間保持一致，”諾信公司聲學顯微鏡成像 (AMI) 產品線經理 Bryan Schackmuth 表示。 “LTSM 允許圖像歸一化，無需操作員手動調整即可獲得匹配的圖像。通常在每次更改工作頻率時（例如，更換換能器時），或在每個班次或每天開始工作之前運行此全局匹配程序。”

計量測量結果與電學測試結果的相關性日益增強。“工具的匹配通常基于一系列步驟，每個晶圓廠或原始設備制造商 (OEM) 的具體方法可能略有不同，”Onto Innovation 產品管理總監 Joe Fillion 表示。“首先要進行指紋或配置比較。工具需要在軟件和硬件方面盡可能匹配——相同的軟件版本、鏡頭、光圈、光源、MFC 等。一旦匹配度達到合理水平，工具通常會執行標準的自動測試或校準程序，以確保不同工具的性能一致。如果結果一致且符合預期規格，則會執行標準驗證運行，以測量晶圓上的實際性能。這些結果將包含一個目標值以及一個上限和下限，以確保在可接受的范圍內運行。”

Onto公司的Teh女士提供了工具匹配的詳細步驟指南。她表示：“我們首先要確保每個工具組件的性能一致，然后監控整個工具組的匹配性能。”她還提到：

• 組件級校準：監控系統健康檢查參數，并在超出規格時應用校準；

• 系統級校準：檢查一組工具在標準晶圓上測量的光譜響應；

• 光譜校準：用于提高艦隊匹配水平，以及

• 參數結果監控：此過程使用標準晶圓（測量關鍵尺寸、厚度或材料常數）。可進行重新校準，以優化每個參數的工具匹配水平。

在測試儀方面，工程師需要密切關注元件漂移。“熱傳感器會隨著時間推移而漂移，”泰瑞達公司的羅斯說道，“存在時間偏差。我們通常通過定期校準和參考檢查來控制漂移，并且會持續將設備與參考掃描儀進行比對，以便了解偏差范圍以及何時需要進行定期校準。SPC 監控和大數據監控是其他測試方法。就像錘子總在尋找釘子一樣，我們可能需要進行周期性計算。”

根據工具的配置，有時可以內置工具級校準功能。“我們的測試儀基于高精度電阻器，因此它采用自驗證方法來確保每次測量結果的正確性。這就是我們確認每臺工具都經過校準，并且不同測試儀之間測量結果一致的方法，” Modus Test首席運營官 Jesse Ko 表示。

電氣測試和計量通常也相輔相成。“晶圓廠已經引入了在線電氣/功能測試，以確保測試工具的性能達到不會對器件產生影響的水平，”Onto公司的Heng說道。“在某些關鍵工藝步驟中，會進行橫截面分析，以確保形成的輪廓符合敏感層的器件規格，而傳統的計量測量方法無法滿足這些要求。”

看待這個問題的另一種方法是從結果入手，而不是從工具入手，然后反向推導。英特爾的“完全復制”策略正是如此，該策略在晶圓廠中完全復制了所有東西——設備、方法和流程——結果卻出現了差異。最終，該公司將差異的原因縮小到濕度等環境因素。校準設備可能只是復雜調查的第一步。

“這是同一型號，同樣的校準，” PDF Solutions全球晶圓廠應用解決方案經理Jon Holt說道。“你要確保測量結果準確，因為這是兩個廠址之間差異的另一個潛在來源。在相同位置或使用相同工具進行測量是一種方法。但接下來，你還要更全面、更綜合地考慮環境因素。你的冷卻水、氣體供應、氣體分配設置是否相同？所有這些信息都至關重要。最終的真正挑戰在于功能性。該組件是否按預期運行？該器件是否具有預期的電流、擊穿電壓、增益或速度？我不可能簡單地插入一個前向誤差校正（FEC）工具，然后匹配所有傳感器輸出，使腔室匹配。我希望事情真有那么簡單。”

隨著行業向全自動化運營邁進，工具匹配可能會與生產過程更加緊密地交織在一起。“這很可能會從周期性的校準驅動活動轉變為持續的數據驅動監控系統，”Roth說道。“我們將不再需要翻出參考卡反復檢查，而是采用帶有標記和警報的持續自動化監控——這是我們目前做法的更高級版本。”

值得注意的是，不久前，現場還無法對各個CD-SEM進行匹配。“我們最初并沒有計劃推出一款產品來改進工具間的匹配，”Fractilia公司的Mack說道，“但我們發現，我們通過測量CD-SEM的誤差并將其從計量結果中剔除，從而獲得更精確的計量結果，這一策略自然而然地提高了工具間的匹配度。

CD-SEM的下一步發展方向是控制隨機性。“由于所有CD的公差都在不斷縮小，CD-SEM之間的工具匹配非常困難。此外，還需要對線寬粗糙度、線邊緣粗糙度或CD均勻性等隨機性進行工具匹配。這是我們以前從未做過的事情，所以我們可以說是在摸索前進。”

由于信噪比越來越難以維持，計量學正轉向機器學習。“隨著特征尺寸的縮小，測量需要匹配的內容變得越來越困難，”Onto公司的Teh解釋道。“我們預計，亞納米參數的光譜靈敏度將接近計量工具的噪聲基底。一些尺寸非常小的參數會被更敏感的參數所掩蓋。在這種情況下，機器學習模型可以用來放大關鍵信號。”

除了增強信號外，機器學習模型在管理工具指紋方面也發揮著重要作用。它們可以有效地記錄和識別工具所做的更改。這些操作能夠將這些更改與工具性能（硬件、軟件和晶圓結果）關聯起來，從而更深入地了解因果關系。一旦建立了一定的信任度，下一步就是實現自動化決策。

“機器學習將工具指紋識別從手動定義的統計數據演變為可學習的行為表征，這在處理高產量車隊運營中產生的大量數據的高級測試系統時尤為有用，”愛德萬測試的朱先生表示。“機器學習還能增強異常檢測，這在生產測試中至關重要。通過學習特定測試單元的正常行為模式，模型可以識別由校準偏移、組件老化、環境變化或負載板效應引起的早期偏差——通常比靜態閾值更早、更可靠。在多工具車隊中，機器學習可以突出顯示可能影響分箱或相關性的跨測試儀差異。盡管如此，機器學習是對傳統統計方法的補充，而不是取代。”

結論

對于晶圓廠和測試設施而言，工具匹配并非新流程，但隨著器件尺寸縮小、器件復雜性增加、工藝窗口縮短以及公差要求提高，其難度顯著增加。在2納米節點，計量系統已接近性能極限，因此任何信噪比的提升都彌足珍貴。

例如，當工程師測量 3nm 特征時，需要小于 0.3nm 的套刻精度。為了實現這一點，工程師現在需要對線邊緣粗糙度、線寬粗糙度和 CD 均勻性的隨機效應進行建模，以便使不同的 CD-SEM 工具相匹配。

工程師通常首先比較工具特征，將工具匹配到組件級別。從組件到系統再到參數校準，在機器學習的幫助下，匹配過程變得更加復雜和自動化。為了在計量領域實現更精細的工具匹配，工程師需要訪問晶圓廠的電氣測試數據。這確保了晶圓廠真正想要的匹配結果——每次都能獲得高良率、高性能的芯片。工具匹配在確保高良率方面起著至關重要的作用，尤其是在最先進的器件節點上。

https://semiengineering.com/tool-matching-getting-tougher-across-test-metrology/

（來源：編譯自semiengineering）

*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。

今天是《半導體行業觀察》為您分享的第4342內容，歡迎關注。

加星標??第一時間看推送

求推薦