晶圓刻蝕殘留機器視覺檢測系統

晶圓刻蝕殘留檢測是半導體制造良率控制的關鍵環節。由于刻蝕殘留缺陷（如未刻透的氧化層、金屬殘留、聚合物殘留）尺寸極?。{米至微米級），且背景紋理復雜，傳統的基于規則或簡單模板匹配的機器視覺系統往往難以勝任。

檢測能力與缺陷類型：
可檢測的刻蝕相關缺陷
刻蝕殘留物（Etch Residuals）：反應生成物、金屬殘留
刻蝕不足/過度：圖案未完全刻蝕或刻蝕過深導致的短路/斷路
側壁垂直度偏差：影響電路性能的關鍵指標
腐蝕缺陷：刻蝕后的化學腐蝕痕跡
圖案缺陷：橋接、殘缺、缺失結構

技術參數：
檢測精度：可達亞微米級（<1μm），先進系統可達20μm分辨率（可選1.5μm）
檢測速度：50-180片晶圓/小時（wph），取決于應用需求
檢測范圍：晶圓正面、背面、邊緣全方位檢測

關鍵難點與對策：
在晶圓廠實際部署時，僅靠算法是不夠的，必須解決以下工程難題：

1. 小尺寸缺陷的檢測（亞像素精度）
難點：刻蝕殘留可能只有幾百納米，在光學圖像上僅占幾個像素甚至亞像素。

對策：

超分辨率重建：在預處理階段使用深度學習模型對 ROI（感興趣區域）進行超分重建。

多尺度特征融合：在檢測網絡中引入 FPN（特征金字塔），讓網絡同時關注全局紋理和局部微小異常。

2. 晶圓背景紋理干擾
難點：晶圓表面本身有電路圖形（如金屬線、溝槽），這些圖形在視覺上與“殘留”相似（都有明暗變化）。

對策：

設計規則檢查（DRC）融合：將視覺檢測與 CAD 設計數據對齊。算法通過導入 GDSII 設計圖，先“屏蔽”掉設計上的正常圖形區域，僅在“無圖形區域”或“圖形邊界”搜索殘留。例如，刻蝕殘留通常出現在深槽底部或大塊區域的邊緣，結合設計數據可以顯著降低誤報。

3. 實時性與吞吐量
難點：一片 300mm 晶圓的全檢數據量可達幾十到上百 GB，處理時間需控制在幾分鐘以內，以滿足 Fab 廠的產能要求（WPH，每小時晶圓處理數）。

對策：

GPU/NPU 加速：采用并行計算架構，將圖像分塊后送入多 GPU 集群處理。

先粗檢后精檢：采用級聯檢測策略。第一階段用輕量級網絡快速篩選出可疑坐標；第二階段針對可疑坐標，調用高精度模型或更高倍率的鏡頭進行復判。

技術發展趨勢：
AI驅動：深度學習自動識別罕見缺陷，降低人工標注依賴
電子束普及：利用電子束波長優勢（<0.1nm）實現原子級成像
多模態融合：光學+電子束+X射線數據融合，覆蓋全缺陷類型
原位檢測：刻蝕設備內嵌檢測模塊，縮短良率反饋周期

該系統作為半導體制造的"質量守門人"，通過高精度、高效率的非接觸式檢測，有效提升芯片良率，降低制造成本，是保障摩爾定律持續推進的關鍵技術之一。