AI 重构晶圆缺陷检测：技术落地优势与规模化量产破局之路

 

核心摘要

AI 能提升缺陷检测能力，区分致命缺陷与无害伪缺陷；晶圆边缘检测新技术可有效改善键合晶圆良率。

七成半导体 AI 项目止步试点，提前梳理痛点可规避推广障碍。

AI 已覆盖光刻、图形工艺、先进封装等上百道工序，可识别各类工艺缺陷。

企业优先落地高收益良率优化 AI 项目；AI 可检出传统设备无法识别的隐性瑕疵，但从试点推广至全厂、全企业门槛很高，需高质量数据、全域数据互通及完善基础设施。

 

AI 算法对比传统机器视觉检测方案

 

诺信测试与检测事业部研发副总裁 Charlie Zhu 表示，传统检测依靠统计学划定阈值，可调参数繁多，新增检测项需要人工反复调试，高度依赖工程师经验。AI 模型可自主学习多参数关联逻辑，训练样本充足即可自动识别不良，新增检测对象适配简单，大幅减少人工调试工作量。新一代 AI 模型综合性能优于传统视觉算法，以及 SVM、PCA 等经典机器学习算法。

 

混合键合工艺：晶圆边缘缺陷检测实现技术突破

 

混合键合工艺易生成特殊形貌缺陷，晶圆边缘瑕疵长期是行业检测难点。Microtronic 应用总监 Errol Akomer 表示，晶圆边缘经过 CMP 工序后易产生隐蔽缺陷，传统检测设备无法识别，而面向宏观缺陷检测的 AI 模型，能够精准捕捉这类边缘微小不良。

 

Onto Innovation产品营销总监Woo Young Han剖析了该场景的固有痛点：传统图形晶圆检测主要依靠标准裸片比对、重复图形参照完成识别，对晶圆边缘残缺裸片的检测效果较差。深度学习模型泛化性能更优，可适配各类不规则、不完整结构，大幅提升混合键合工艺边缘裸片的缺陷检出精度。

 

无害伪缺陷与真实工艺缺陷外观高度相似（左）；基于机器学习的自动缺陷分类（ADC）可过滤全部无害伪缺陷（右）。来源：Onto Innovation

 

目前行业普遍采用【机器学习+物理模型】的混合架构。Onto Innovation 高级应用工程师 Nick Keller 提到，纯机器学习模型存在样本外推演能力不足的短板；融合物理模型的复合方案稳定性更佳，即便面对训练集以外的工况也能有效推理，综合性能优于单一机器学习模型。

 

普迪飞（PDF Solutions）产品管理高级总监 Ken Harris 指出，海量检测数据是规模化数据分析的核心压力来源：单颗裸片就能产生数百万条测量数据，叠加多批次晶圆生产数据与多芯片封装检测信息，在先进封装制造场景中，全域规模化数据分析已成为企业刚需。

 

 

AI 两大应用场景：缺陷检测&精密量测

 

（一）缺陷检测：技术成熟，行业普及度高

 

诺信 Charlie Zhu 表示，AI 依托图像识别优势，可精准识别空洞、颗粒、线路桥接等缺陷。完成标注训练后能够自动分类缺陷，过滤 99% 无害伪缺陷，减少人工复检工作量，加快产线良率优化。

 

（二）精密量测：尚处发展阶段，侧重信号优化

 

量测以精准数值测算为核心，对物理计算要求高，AI 落地难度更高，多用于信号修复、轮廓提取、工艺建模。光学检测易受噪声干扰，AI 可依托残缺信号推算尺寸、套刻偏差，降低先进制程运算成本。

 

 

以焊球空洞 X 射线检测为例：

传统固定阈值算法易受射线强度波动影响，需人工持续调参；标准化通用 AI 模型可毫秒完成图像分析，准确率 90%，企业无需大量自有样本即可快速部署。

图 1：一款适配多家客户的通用 AI 模型，即便客户自有样本数据不足，仍可提升焊球空洞的 X 射线检测效果。来源：诺信测试与检测

 

 

真实缺陷样本稀缺，合成数据成为行业通用解法

 

晶圆制造工艺管控严苛，真实缺陷样本稀缺，很难收集足量标注数据训练机器学习模型，合成数据、数据增广成为行业通用解决方案。Errol Akomer表示：AI 缺陷检测、分类的前提是足量、精准标注缺陷样本；半导体缺陷天然稀有，实拍样本获取难度极大，仿真数据增广是搭建稳定检测模型的必要手段。

 

合成数据可提前支撑下一代制程设备研发，适配全新工艺参数：生成式 AI、仿真工具能够复刻真实缺陷形态、几何特征与工艺交互规律。针对全新制程节点、先进封装工艺、罕见缺陷机理，在真实缺陷样本积累完成前，企业即可依托仿真数据集完成检测系统训练与验证。在稀疏真实样本中叠加高仿真合成缺陷，能够提升模型稳定性、检测灵敏度与整体识别性能。

 

Charlie Zhu补充行业数据痛点：客户产线数据集普遍存在样本不均衡问题 —— 良品图像数量远多于缺陷图像，且缺陷类型繁杂。真实样本效果最优，但在样本缺失场景下，生成式仿真数据已成为主流替代方案。

 

 

AI规模化：破解试点瓶颈，八大体系全域赋能

 

普迪飞调研数据显示，超七成半导体 AI 项目走完试点阶段后，无法实现全厂规模化落地，核心阻碍包含数据孤岛、老旧产线设备系统不兼容、行业资深工程师短缺、企业缺乏标准化 AI 运营体系等。

 

普迪飞全球晶圆厂应用解决方案经理Marc Jacobs提出，企业需搭建完整落地支撑框架，才能将 AI 技术转化为贯穿全制造周期的稳定收益，并梳理出规模化落地八大核心支柱：

 

符合 SEMI 行业标准的实体设备与配套传感器；

故障检测与分类（FDC）、批次闭环管控系统；

对接MES、CIM 搭建适配 AI 运算的专用数据仓库；

支撑工厂排产、产能规划的数字孪生平台；

配套分级权限管理的企业知识中台；

统一企业级 AI 平台，覆盖模型训练、全产线批量部署全流程；

多智能体协同系统，融合 AI 自主运算与行业专家人工反馈；

人工监督模式下的自主化工程运维体系。

 

规模化推广核心难点：数据割裂、标准不统一

人工可手动修正残缺数据，但自动化 AI 无容错能力，元数据错乱会直接导致模型失效。

 

数据采集环节的原始数据质量最高，需对接 MES、ERP等基准数据，统一完成缺失、错误数据的校正补全。企业并购造成多厂区数据标准、命名规则不互通，跨产线数据对齐成本高昂。

 

数据工程平台的价值远超 AI 模型：它可实现全链路数据统一采集、对齐与标准化，并按需分发部署各类 AI 模型，是数据分析服务商的核心竞争力。

 

 

行业总结与发展趋势

 

各家企业 AI 落地进度参差不齐，但新一代 AI 模型大幅简化人工配置工作，无需针对硅通孔、焊球等检测对象分别搭建专用模型。

AI 两大核心产业价值

识别罕见微小工艺异常，提前预警设备漂移，降低误报；

打通缺陷、工艺、设备、电性测试数据，快速定位良率问题根源。

应用局限

AI 擅长图像识别，在缺陷检测场景优势显著；量测侧重数值计算，AI 仅作辅助优化。

 

当下行业发展的核心瓶颈不在于 AI 算法，而在于跨环节数据打通：需破除缺陷检测、精密量测、封装、成品测试之间的数据孤岛。理想落地模式下，工程师发现器件缺陷后，可一键追溯至对应 CMP 设备、生产批次与时间，快速完成工艺调优，这也是 AI 充分释放半导体产业价值的核心。

 

文章来源：SemiconductorEngineering  作者：Laura Peters