核心要點

1. 采用硅通孔（TSV）和混合鍵合技術的多芯片集成封裝中，工藝偏差正成為愈發(fā)嚴峻的問題。

2. 此類器件的檢測需要多模態(tài)檢測方法相結合。

3. 人工智能在提升缺陷捕獲率、區(qū)分致命缺陷與假陽性缺陷方面發(fā)揮著重要作用。

堆疊芯片中采用硅通孔和混合鍵合的新型器件互連方式，呈現(xiàn)出高度的工藝偏差特性，這讓傳統(tǒng)的缺陷檢測流程變得復雜。由于這些先進封裝架構尚未成熟，相比以往，確定最優(yōu)的檢測方法也更具挑戰(zhàn)性。

封裝技術的多元化發(fā)展，使得需要表征的缺陷數(shù)量和類型不斷增加，包括空洞、殘留物、薄膜不連續(xù)以及圖形對準偏差等，而這些缺陷又會進一步影響 2.5D 和 3D 多芯粒集成封裝的長期可靠性。

工藝偏差是問題的核心所在，即便是最成熟、最可靠的光學檢測方法，也會因前期工藝及由此產(chǎn)生的偏差而難以實施。昂通創(chuàng)新（Onto Innovation）產(chǎn)品營銷總監(jiān)韓祐永表示：“采用硅中介層和扇出技術的芯粒封裝中，芯片間存在顯著的工藝偏差，這降低了傳統(tǒng)的黃金芯片對比法和芯片間對比檢測法的可靠性。” 盡管這兩種方法的檢測精度頗高，但受封裝工藝偏差的影響，想要找到一顆完美的 “黃金芯片” 難度極大。

盡管如此，目前已有新的檢測工具能夠更快得出檢測結果，且能更精準地區(qū)分實際缺陷與偽缺陷。韓祐永補充道：“由機器學習驅(qū)動的缺陷檢測與自動缺陷分類（ADC）技術，提升了檢測的穩(wěn)健性，能更精準地識別缺陷，同時減少假陽性檢測或偽缺陷誤判的情況?！?/p>

當下的解決方案

先進封裝中存在多種可能導致良率損失的缺陷，這些缺陷會影響器件的性能和可靠性，例如在焊錫凸點檢測中發(fā)現(xiàn)的開路、短路和不良凸點。在晶圓對晶圓、芯片對晶圓的銅 - 銅混合鍵合工藝中，晶圓上出現(xiàn)的空洞、氧化銅殘留物以及凸點 / 焊盤對準偏差等問題，也會對良率造成顯著影響。

紅外檢測技術可實現(xiàn)晶圓 100% 全覆蓋的芯片內(nèi)部裂紋檢測，其多分辨率成像設計能確保在多層結構中識別裂紋所需的對比度。

工程師們正采用基于光學 / 紅外自動檢測（AOI）、電子束、X 射線和聲學的多種檢測工具，對硅通孔結構進行無損檢測。光學 / 紅外自動檢測是速度最快的方法，部分企業(yè)還通過開發(fā)更強大的軟件、為單臺檢測工具配備多個傳感器的方式，進一步提升檢測效率。該技術能成功檢測出多種缺陷，國際電子制造業(yè)聯(lián)盟（iNEMI）針對基板供應商、外包半導體封裝測試廠（OSAT）、電子制造服務提供商（EMS）和檢測設備制造商開展的一項調(diào)研，列出了先進基板大規(guī)模生產(chǎn)中，光學 / 紅外自動檢測設備能捕獲的主要缺陷類型，包括層壓板 / ABF 基板的基材缺陷、短路、銅瘤、缺銅（針孔）、表面劃痕、銅線路寬度過寬 / 過窄以及通孔對準偏差等。

此外，先進封裝中的互連層級近期才從兩層增至五層（從芯片到基板），芯片制造與印刷電路板組裝之間原本清晰的界限正逐漸模糊 —— 硅通孔、混合鍵合這類前段工藝，不再專屬于晶圓廠或外包半導體封裝測試廠。目前，硅通孔的制備由臺積電等晶圓廠在前段潔凈室環(huán)境中完成，但隨著先進封裝的普及，這一情況在未來數(shù)年或迎來改變。

深入了解 2.5D 和 3D 器件的制造流程，有助于找到從封裝工藝中發(fā)現(xiàn)、表征并消除隨機缺陷和系統(tǒng)性缺陷的最佳方法。

圖1：高速紅外檢測可在芯片與晶圓混合結合過程中發(fā)現(xiàn)任何層的裂紋，包括挑選和芯片鋸切。來源：Onto Innovation

硅通孔（TSV）

實踐證明，硅通孔對于半導體封裝的微型化和多功能化至關重要。硅通孔工藝的目標，是穩(wěn)定實現(xiàn)低應力、無空洞的互連。該技術能實現(xiàn)芯片間的高密度垂直互連，大幅縮小終端器件的三維尺寸；與長引線鍵合相比，更短的互連長度還能提升數(shù)據(jù)傳輸速度，降低器件功耗，這也是硅通孔技術成為 3D 封裝技術發(fā)展關鍵的原因。

硅通孔的結構微小且復雜，由此產(chǎn)生了多種特有的缺陷類型，且在硅通孔的整個工藝環(huán)節(jié)中，均有可能產(chǎn)生缺陷，這些環(huán)節(jié)包括光刻圖形化、反應離子刻蝕（RIE）、氧化層襯底沉積、勢壘金屬沉積、銅籽晶沉積、銅電化學鍍、化學機械拋光（CMP）以及清洗。

反應離子刻蝕和金屬沉積工藝必須經(jīng)過全面優(yōu)化，才能制備出具有理想金屬臺階覆蓋率、整體電阻較低的光滑通孔。硅通孔腔體制備完成后，會通過等離子體增強化學氣相沉積（PECVD）在通孔側壁沉積一層保形氧化層，防止銅擴散至硅襯底中。

自動化工藝控制必須能捕捉到等離子體增強化學氣相沉積腔體內(nèi)的工況變化?？菩荩–ohu）軟件分析副總裁兼總經(jīng)理喬恩?赫洛克表示：“等離子體物理過程并非線性，通過對腔壁薄膜沉積等現(xiàn)象建立模型，以及對工藝和設備的長期演變規(guī)律建模，能實現(xiàn)更優(yōu)的工藝控制。每次向 PECVD 腔體送入一批晶圓進行加工，腔壁都會產(chǎn)生一定程度的薄膜沉積和其他變化，人工智能模型能預測出下一批晶圓加工時腔體的工況，因此工程師能在收到反饋前就完成工藝參數(shù)的調(diào)整?！?/p>

完成氧化層的 PECVD 沉積后，工程師會通過濺射或原子層沉積（ALD）技術，沉積一層鉭氮、鈦氮等薄金屬勢壘層，隨后進行銅填充。通孔內(nèi)部是否會形成空洞，取決于沉積工藝和硅通孔的深寬比（深度：開口寬度），沉積層必須薄且均勻，并能保形覆蓋硅通孔的開口處。

電鍍完成后，銅層內(nèi)部的任何空洞都可能導致器件電阻升高、機械強度下降，甚至直接造成器件失效。此外，若化學機械拋光后晶圓的靜置時間過長，且暴露在空氣中，銅表面還會形成氧化銅。這些結構缺陷不僅會降低芯片性能，還會帶來長期的可靠性風險。

昂通創(chuàng)新高級首席產(chǎn)品營銷經(jīng)理余飛格表示：“硅通孔技術是中介層和高帶寬存儲（HBM）制造中最關鍵的工藝，其最大的檢測難點包括通孔內(nèi)殘留的聚酰亞胺、光刻膠等有機殘留物；電鍍過程中銅層內(nèi)部可能形成的空洞；以及化學機械拋光過程中，銅焊盤邊緣出現(xiàn)的硅通孔凹陷。”

光學檢測在識別有機殘留物方面存在技術瓶頸，余飛格稱：“有機殘留物具有透明性，明場和暗場檢測均無法識別；傳統(tǒng)光學檢測方法也無法檢測銅層空洞，因為光線無法穿透金屬材料；而硅通孔凹陷往往伴隨顏色偏差，難以將其與偽缺陷區(qū)分，這就導致客戶不得不在缺陷捕獲率和偽缺陷率之間做出權衡?！?/p>

基于紅外光源的無損檢測技術，可穿透非金屬材料，實現(xiàn)亞微米級的埋層缺陷檢測。

電子束檢測工具具備亞微米級缺陷的檢測靈敏度，但由于其檢測原理為視線檢測，僅能識別表面缺陷和器件內(nèi)部極淺的缺陷。不過電子束檢測的缺陷對比度較高，且阿斯麥（ASML）等企業(yè)推出的多束電子束檢測設備，解決了傳統(tǒng)電子束檢測系統(tǒng)長期存在的檢測量低的問題。在量產(chǎn)晶圓廠中，電子束檢測工具多用于光學自動檢測完成后的晶圓級缺陷復核與分類環(huán)節(jié)。

3D 堆疊芯片中隱藏缺陷的檢測需求正持續(xù)增長，掃描聲學顯微鏡（SAM）是目前檢測埋層缺陷應用最廣泛的方法。余飛格表示：“掃描聲學顯微鏡的檢測靈敏度可達 10 微米，其主要缺點是檢測過程中需將晶圓浸入水中，存在潛在的污染風險?！?/p>

諾信測試與檢測事業(yè)部（Nordson Test & Inspection）采用了一種創(chuàng)新檢測方案：通過高速旋轉晶圓，配合瀑布式換能器實現(xiàn)非浸入式掃描，將污染風險和鍵合假陽性檢測的概率降至最低。該技術的檢測分辨率與換能器頻率相關 —— 頻率越高（最高可達 230 兆赫茲），分辨率越高，但晶圓穿透深度會相應縮短。

聲學晶圓檢測技術能有效檢測鍵合晶圓不同深度的空洞，對分層和裂紋的檢測效果尤為突出。諾信測試與測量事業(yè)部高級產(chǎn)品線經(jīng)理布萊恩?沙克穆斯表示：“當前檢測技術的一大變化趨勢，是對更高分辨率的需求。與傳統(tǒng)的光柵掃描相比，旋轉掃描能以更快的速度獲取大量檢測數(shù)據(jù)，而高分辨率對于缺陷檢測而言至關重要?！?/p>

晶圓邊緣缺陷是先進封裝中的一大突出問題，聲學檢測技術可精準聚焦晶圓邊緣區(qū)域進行缺陷檢測，同時提供更高的對比度和分辨率。干式進出料的多腔室設計，進一步提升了該檢測系統(tǒng)的檢測量。

此外，X 射線檢測技術可根據(jù)密度差異檢測器件內(nèi)部的隱藏缺陷，包括銅柱或凸點中的焊點缺陷。布魯克（Bruker）化合物半導體業(yè)務產(chǎn)品經(jīng)理約翰?沃爾表示：“該技術多用于全自動化的先進晶圓加工環(huán)節(jié)，這類環(huán)節(jié)的工藝要求更為嚴苛，生產(chǎn)中斷造成的損失也更為巨大。”

混合鍵合的技術難點

混合鍵合技術可實現(xiàn)兩片晶圓上金屬與介質(zhì)層的鍵合，能在功能相同或不同的芯片之間實現(xiàn)最短的垂直互連，同時帶來更優(yōu)的熱性能、電性能和可靠性，因此在先進封裝領域的應用正不斷擴大。

混合鍵合對污染極為敏感，由于二氧化硅或硅碳氮介質(zhì)層的硬度較高，任何微小顆粒都會破壞鍵合面的平面度，進而形成大面積的界面空洞。而采用有機介質(zhì)層的混合鍵合技術則能規(guī)避這一問題，有機介質(zhì)層比無機薄膜更柔軟，可吸附納米級顆粒，而非在顆粒處形成橋接；此外，有機介質(zhì)層混合鍵合對鍵合面粗糙度的容忍度，也高于氧化物 - 氧化物的直接鍵合。

布魯爾科學（Brewer Science）首席應用工程師艾麗斯?格雷羅表示：“要實現(xiàn)混合鍵合技術的大規(guī)模量產(chǎn)，必須解決缺陷控制、對準精度、熱管理、晶圓翹曲、材料兼容性和工藝吞吐量等方面的挑戰(zhàn)?！?/p>

晶圓制造的各道工序在不同溫度下進行，且會形成空間分布不均的器件圖形，這往往會在器件圖形周圍產(chǎn)生應力。而空洞、裂紋和表面粗糙度會產(chǎn)生局部應力，影響制成器件的性能和使用壽命。

堆疊芯片與封裝中的缺陷檢測

光學檢測仍是檢測表面缺陷的主流技術。余飛格表示：“鍵合前，采用高靈敏度的光學自動檢測技術檢測亞微米級表面缺陷，這類缺陷可能會導致鍵合空洞和分層；鍵合后，配備高速紅外技術的光學自動檢測設備，可借助紅外光穿透硅和介質(zhì)材料的特性，檢測介質(zhì)層之間的空洞、裂紋和分層?！?/p>

在 2.5D 和 3D 集成電路中，檢測不同界面處隱藏缺陷的需求始終存在，因此需要將 X 射線、聲學和紅外檢測技術相結合，并配合采用電壓 / 熱對比度的電學測試。這種物理檢測與電學測試相結合的方式十分必要，因為最具破壞性的缺陷可能具有電活性，但其物理特征的差異卻十分細微。

每種檢測方法都有其優(yōu)勢和局限性：X 射線計量和 X 射線計算機斷層掃描技術，是觀測 50 納米及以下尺度缺陷的關鍵手段，X 射線可穿透器件，能檢測完全堆疊或封裝后的器件內(nèi)部缺陷，也能識別鍵合界面處的銅 - 銅分布不均問題，但高帶寬存儲這類高靈敏度器件，極易受到輻射損傷。

X 射線缺陷檢測不僅能獲取缺陷的物理特征，約翰?沃爾表示：“X 射線缺陷檢測技術對應力場和堆疊偏差具有高靈敏度，能精準測量出缺陷的應力、成分和厚度數(shù)值?！?與紅外檢測不同，X 射線可對金屬結構成像，而局部分層和空洞正是材料熱膨脹系數(shù)不匹配產(chǎn)生的應力所導致的，這類應力同時也會引發(fā)晶圓翹曲。

布萊恩?沙克穆斯表示：“X 射線檢測技術非常適合檢測密度變化，以及焊球和金屬走線的缺陷，而聲學檢測技術與 X 射線檢測技術能形成極佳的互補?！?如前文所述，聲學檢測工具正不斷優(yōu)化，以解決傳統(tǒng)水浸式檢測帶來的潛在污染問題，“傳統(tǒng)的水浸式檢測中，水分可能會滲入晶圓的各層結構中?！?通過晶圓旋轉和瀑布式換能器實現(xiàn)的連續(xù)掃描技術，能在減少晶圓暴露的同時，滿足大規(guī)模量產(chǎn)對高檢測量的需求。

聲學晶圓檢測技術可應用于多個工藝環(huán)節(jié)，臨時鍵合就是其中一例 —— 在晶圓超薄片減薄等工藝中，需將晶圓鍵合至載體晶圓上。沙克穆斯表示：“我們需要對臨時鍵合層進行檢測，因為該層無缺陷是后續(xù)工藝順利進行的關鍵?；迮c晶圓之間的分層，會導致晶圓出現(xiàn)鼓包或凸起，若此時進行機械加工，這些凸起處極易發(fā)生崩裂，進而造成晶圓碎裂。當臨時鍵合層去除，晶圓與另一基板完成鍵合后，還需要再次進行聲學檢測?！?/p>

人工智能 / 機器學習的應用價值

事實證明，人工智能在區(qū)分實際缺陷與偽缺陷方面的作用尤為顯著。余飛格表示：“人工智能算法可基于標準圖形生成合成缺陷庫，還能消除顏色偏差的影響，實現(xiàn)更精準的缺陷分類；借助人工智能算法，檢測系統(tǒng)能在提升實際缺陷捕獲率的同時，降低偽缺陷率?！?/p>

隨著檢測技術的分辨率不斷提升，假陽性缺陷和偽缺陷的識別問題需要采用多維度解決方案，包括將傳統(tǒng)的自動缺陷分類器與基于人工智能 / 機器學習的自動缺陷分類技術相結合。目前有多種區(qū)分偽缺陷與實際缺陷的方法，余飛格稱：“一種常用方法是選擇最優(yōu)的光學檢測模式，強化實際缺陷的信號，同時抑制偽缺陷信號；而利用缺陷特征的傳統(tǒng)自動缺陷分類器，也能實現(xiàn)有效的缺陷區(qū)分。”

他補充道：“晶圓翹曲會導致相鄰芯片之間出現(xiàn)高度差，使得晶圓部分區(qū)域超出檢測系統(tǒng)的光學焦深，這會在檢測過程中產(chǎn)生與離焦相關的偽缺陷，進而導致偽缺陷率上升。最新的光學自動檢測系統(tǒng)通過采用輪廓映射和實時高度跟蹤功能，能在整個檢測過程中讓晶圓始終處于目標聚焦位置，從而解決這一問題?！?/p>

相比早期技術，基于人工智能 / 機器學習的自動缺陷分類技術的性能更為強大，尤其在滿足高檢測精度要求、縮短工程分析時間方面表現(xiàn)突出。

人工智能技術的落地應用仍存在局限性，包括需要為模型準備充足的訓練數(shù)據(jù)，且當工藝發(fā)生變化時，需要對模型進行頻繁的重新訓練。

此外，產(chǎn)品的復雜度也在持續(xù)提升。沙克穆斯表示：“我們會采集檢測圖像，傳統(tǒng)方法是通過設定閾值來分析這些圖像，例如當某個像素的亮度超過特定閾值時，就判定為缺陷。但面對如今結構復雜的器件，這種簡單的閾值分析方法已無法有效捕獲缺陷。” 為解決這一問題，人工智能 / 機器學習技術可對晶圓上同一檢測點、不同工藝環(huán)節(jié)的檢測數(shù)據(jù)進行融合分析，但這需要基于實際缺陷開展模型訓練。他表示：“我們可通過學習過程讓模型識別實際缺陷，并基于此建立分析模型，用于后續(xù)的缺陷檢測分析?！?/p>

結論

隨著硅通孔、混合鍵合和芯片堆疊相關的 3D 工藝不斷發(fā)展，檢測技術也在快速迭代升級，借助光學 / 紅外、聲學、電子束和 X 射線檢測技術，能更精準地區(qū)分硅通孔與堆疊芯片中的偽缺陷和實際缺陷。紅外檢測技術能實現(xiàn)介質(zhì)薄膜中亞微米級缺陷的檢測，但對金屬缺陷無效；針對深層缺陷和界面缺陷，X 射線和聲學檢測技術的應用正不斷擴大，不過用戶會對輻射損傷和污染風險保持謹慎。各類檢測工具均在分辨率方面持續(xù)升級，而人工智能 / 機器學習技術不僅能實現(xiàn)更快速、更精準的缺陷分類和工藝控制，還能有效縮短工程分析時間。