机器学习（ML）赋能化合物半导体制造：从源头破局良率难题，Exensio平台实现全流程精准预测

 

在 5G/6G 通信、电动汽车（EV）功率器件、新能源装备等战略领域，化合物半导体（SiC、GaN、GaAs 等）已成为突破硅基材料性能瓶颈的核心载体。然而，其制造流程中 —— 晶体生长与外延阶段的隐性缺陷，往往要到最终测试 / 封装环节才暴露 —— 此时晶圆已附加高价值工艺成本，良率损失已成定局。如何将良率管控 “前置” 到缺陷源头，成为化合物半导体制造商规模化降本的关键卡点。

 

PDF

三大技术痛点，制约化合物半导体良率突破

 

化合物半导体已在硅基材料无法覆盖的高性能应用场景中占据核心地位：其高电子迁移率为 5G/6G 射频芯片、高速电子器件提供了关键性能支撑，保障现代通信的高效运行；直接带隙特性使其具备高效光转换能力，既是 LED、激光二极管实现高亮度发光的核心，也为红外传感器的精准探测提供了技术基础；此外，高击穿电压与优异热导率的结合，让它能在电动汽车（EV）功率器件、快速充电器及可再生能源系统的极端工况下稳定工作，突破硅基器件的环境适应性瓶颈。

 

但这些性能优势的实现，依赖极高复杂度的制造流程，也带来了三大关键技术痛点：

 

1. 缺陷追溯难：源头问题 “迟滞暴露”

 

晶体生长与外延既是高成本工序，也是缺陷产生的主要源头 —— 但这些缺陷往往要等到后续测试、封装环节才会暴露。而此时晶圆已历经多道工序、附加了大量价值，最终却可能因这些早期缺陷被报废，或导致整体良率大幅下降。若没有集成数据系统支撑，要将这些失效问题追溯到衬底或外延层的源头缺陷，难度极大。

 

2. 数据孤岛：多系统协同失效

 

制造数据分散于不同场景：晶体生长设备的温度 / 压力数据、外延机的气体流量数据、电测设备的 IV/CV 曲线、封装环节的封装追溯数据…… 若无法建立能将衬底缺陷、在线工艺数据与最终电性能测试结果串联起来的集中化数据视图，工程师开展根本原因分析时，就只能进行耗时的手动排查工作，而非遵循规范的系统化工程流程。

 

3. 信号干扰：致命缺陷被 “掩盖”

 

晶圆缺陷图中布满了不影响良率的非关键 “干扰性缺陷”，这些缺陷掩盖了真正重要的 “致命缺陷”。再加上诸如返工和批次拆分导致的衬底 ID 变更等数据质量问题，信噪比会变得过低，难以开展有效分析。

 

PDF

端到端数据集成

Exensio 构建良率预测 “数据底座”

 

要应对这些挑战，需构建一个能整合全制造流程数据的平台 —— 覆盖从晶体生长、外延、晶圆前段工艺（FEOL），到最终封装与成品测试的全环节。Exensio 大数据智能分析平台可将在线缺陷数据、计量数据、设备传感器数据、电学测试结果（WAT/CP）及封装追溯信息，整合为统一连贯的数据体系。

 

借助这一统一数据结构，制造商可将失效芯片完整追溯至原材料批次、所用的特定设备与工艺配方，甚至是该芯片生产时的具体工艺参数。对于化合物半导体制造商而言，这种全流程追溯数据，正是预测性机器学习得以落地应用的核心基础。

 

目前，该平台已在全球 100 余家半导体企业完成部署应用；其中 10 余家化合物半导体制造商将其用于企业级良率管理，覆盖 IDMs、Foundries 及 Fabless 企业，解决了实际产线问题。

 

 

PDF

机器学习核心技术：从衬底缺陷到良率预测

 

核心创新点在于，将衬底缺陷（即制造流程最起始阶段产生的缺陷）与最终电学测试的合格 / 失效结果相关联。这一关联可实现三大价值：明确哪些缺陷类型真正影响良率、在工艺早期预测良率，甚至在衬底进入下游工序前对其进行分级。

 

技术流程围绕半导体技术人员的实际需求设计，具体步骤如下：

 

1. 数据采集与映射

 

采集衬底缺陷数据（或后续工艺步骤的在线缺陷数据）及电性能测试分箱图（binmap）数据。通过 Python 脚本，将绝对缺陷坐标映射至 binmap 配置所定义的芯片坐标系，从而实现缺陷数量与电性能测试结果的逐芯片直接对比。

 

2. 智能缺陷筛选

 

并非所有缺陷的影响都相同，模型会识别并筛选两类特殊缺陷：一是强致命缺陷，即致命率（kill ratio）＞0.9 的缺陷，几乎必然导致芯片失效，含此类缺陷的芯片会被自动标记为 “不合格”；二是负相关缺陷，即在合格芯片中出现频率反而高于不合格芯片的缺陷，表明这类缺陷不限制良率。这两类缺陷均从训练数据集中移除，确保模型仅聚焦具有预测价值的有效信号。

 

3. 特征降维

 

对缺陷特征进行标准化处理后，采用 PCA 算法保留 95% 数据方差。这种降维方式既能捕捉关键信息，又可避免模型被冗余或低价值特征过载。

 

4. 模型训练

 

基于筛选后、降维后的特征集，采用 10 折交叉验证（类别平衡处理，避免对单一结果的偏向）训练 XGBoost 分类器。模型通过学习缺陷特征，预测芯片级合格 / 失效概率。

 

5. 预测与评估

 

训练完成的模型预测每颗芯片的电学测试合格 / 失效结果。设置覆盖规则：含强致命缺陷的芯片，无论模型输出的概率如何，均自动判定为失效。评估结果包括混淆矩阵、分类指标（精确率、召回率、F1 分数），且最关键的是预测与实际晶圆良率对比。

 

注意

如何平衡【漏判】与【误判】？

 

可调节的概率阈值是其核心功能，支持用户根据业务优先级调校模型判定行为：较低阈值：会增加漏判风险（将不良芯片误判为良品），但可能减少误判（将良品误判为不良品）；较高阈值则相反。这种灵活性使工程师能根据具体的经济约束，平衡良率损失与制造成本。

 

 

PDF

交互式操作：工程师 “即学即用”

 

 

分析工具的价值，仅在于工程师能将其切实应用于日常工作中。为此，该平台配套设计了交互式用户界面，支持直观操作，具体包括：

 

登录页

 

提供概览信息及侧边导航；

介绍页

 

列出输入要求与数据导入流程；

使用页

 

引导用户完成输入设置，并说明如何用定制化 Python 脚本替换默认模型；

预测页

 

为核心操作区，包含输入字段，支持选择分组列、运行缺陷坐标映射、设置合格 / 失效阈值及执行预测；

结果区

 

展示特殊缺陷类别、分类性能指标、晶圆图三方对比（实际图、预测图及差异图-差异图显示假阴性与假阳性），以及按晶圆和批次划分的实际与预测良率对照表 / 散点图；

附录页

 

汇总支持该模板的背景知识。

 

部分交互式页面展示

 

关键在于，用户可在模板内直接打开并修改 Python 脚本，从而根据自身工艺知识与需求调整模型。

 

PDF

实际应用：碳化硅案例研究

 

该平台已在碳化硅（一种对电动汽车和高功率应用至关重要的宽带隙材料）制造中得到验证。在本案例中，研究团队将衬底缺陷与电性能测试结果关联，对缺陷进行筛选和分类，并训练 XGBoost 模型预测芯片级良率，成效如下：

 

在附加大量价值前，基于衬底缺陷实现早期良率预测；

区分真正影响良率的致命缺陷与无害的干扰缺陷；

在晶圆进入高成本下游工序前，实现衬底分级；

通过binmap 对比提供可视化依据，辅助工程师决策；

提供模型性能与良率预测准确性的量化指标。

 

PDF

行业价值：化合物半导体规模化的 “良率基石”

 

随着化合物半导体进入 “规模化量产” 阶段，良率已成为企业竞争的核心壁垒。Exensio 大数据智能分析平台通过 “数据集成 + 机器学习” 的组合方案，从根本上解决了化合物半导体制造的三大痛点：

 

缺陷迟滞暴露→早期预测：将良率管控从 “最终测试”前移至 “衬底阶段”。

数据孤岛→全流程追溯：打通多系统数据，实现根因分析高效化。

干扰缺陷→智能缺陷筛选：精准锁定关键缺陷，避免盲目工艺调整。

 

 

PDF

未来展望：技术驱动下的良率突破新路径

 

随着 5G/6G 通信、电动汽车到可再生能源等市场对化合物半导体的需求爆发，制造复杂度与规模化需求的矛盾将愈发突出。制造商需要能应对其日益增长的复杂性的工具。制造商通过统一数据、智能筛选与机器学习预测相结合，可实现更早干预、更明智决策，并最终提升良率。

 

对于半导体技术人员而言，“从源头预测良率” 已不再是技术构想，Exensio 大数据智能分析平台已在 10 多家企业的实践中得到验证，是可落地、可优化、可复制的解决方案。随着行业持续扩大规模，预测并预防源头缺陷导致的良率损失，将不再只是一项优势，而是企业具备制造竞争力的必备要求。