晶圆厂与封装厂自动化迎来设备和方法论变革

参与座谈专家：《半导体工程》杂志邀科休公司数据分析高级产品营销经理迈克尔・洛曼、良率科技公司首席执行官阿夫塔哈尔・阿斯拉姆、昂图创新公司产品营销总监韩佑永、日月光半导体工程与技术营销高级总监曹丽红，共同探讨半导体晶圆厂和封装厂的变革趋势。以下为座谈内容节选，点击查看座谈第一部分。

问：随着工艺窗口不断收窄，需要何种在线计量与检测手段，才能尽早发现问题并通过自动化避免晶圆报废、高额返工或重新测试？

韩佑永：先进封装键合工艺中，大量工序需要对晶圆进行减薄处理，如今高带宽存储晶圆的减薄厚度已达 50 微米。做个对比，透明胶带的厚度为 60 至 70 微米，晶圆比胶带还薄，其易碎程度可想而知，极易产生大量裂纹。而键合过程中出现的空洞问题，是所有客户都面临的高频且高影响的难题。

曹丽红：我们在新型检测设备上投入巨资，涵盖在线检测和失效分析检测两类。微缩的器件特征、精细的重布线层，再加上薄晶圆，极易造成芯片开裂；重布线层还会因应力和翘曲，在界面处产生微裂纹和分层现象。2.5D 封装和扇出型封装需要堆叠多层结构，我们的扇出型封装还采用了嵌入式硅技术，不同材料界面形成了多层堆叠结构，因此芯片开裂和界面分层的问题尤为关键，且这类问题很难通过在线检测发现。有时只有在最终测试或可靠性测试后，这些问题才会暴露，进而引发一系列问题并造成良率损失。

这就要求我们开展微特征检测，尤其是针对超精细节距的检测 ——3D 封装的节距已小于 10 微米，扇出型封装的凸点节距也从 55 微米降至 45 微米，目前微凸点节距更是达到了 35 微米。这类超小凸点节距，对检测设备的分辨率要求极高。

传统光学检测已显局限，其灵敏度和分辨率均无法满足需求，我们需要采用高分辨率的 2D 和 3D 光学检测技术。红外成像技术近期也成为检测芯片开裂、崩边等内嵌缺陷的有效手段，3D X 射线和纳米级 X 射线技术同样表现出极高的实用价值。当前 3D X 射线的分辨率可达到亚微米级别，低于 500 纳米（0.5 微米），行业普遍标称的分辨率为 1 微米，红外成像的分辨率也为 1 微米。

检测设备对分辨率的要求持续提升，但检测吞吐量却成为一大瓶颈，这是我们面临的核心挑战。此外，部分高精度检测设备无法用于在线检测，因为在线检测对吞吐量有硬性要求，这类设备仅能在实验室中使用。因此，我们亟需设备供应商助力，研发出高分辨率与高吞吐量兼具的检测设备。

迈克尔・洛曼：我们确实面临诸多挑战，但在微裂纹在线检测方面，已拥有一套较为成熟的解决方案。微裂纹不仅难以检测，还极易出现误判剔除的情况，最终导致良率受损。如今越来越多的客户开始采用人工智能检测方案，通过识别裂纹的特征信号进行检测，而非单纯依靠光强分析，这一趋势愈发明显，也是我目前观察到的最突出的行业变化。

阿夫塔哈尔・阿斯拉姆：从软件应用的角度来看，迈克尔、丽红和佑永已经清晰阐述了行业面临的各类挑战 —— 微裂纹、底部填充缺陷、应力诱发翘曲等缺陷问题，这些都是引发隐性缺陷、潜在缺陷和干扰性缺陷的关键失效特征。

我们的核心工作，是对各类检测设备采集的图像数据进行分析，无论这些数据来自红外热成像设备还是先进散射测量设备。当前的核心挑战，是利用人工智能 / 机器学习技术构建模型，实现 “识别此类图像特征，即可定位问题根源”，并能追溯该缺陷对封装后的电性测试、最终测试结果的影响。

随后我们会为客户进行帕累托分析，告知客户：“我们已将您提供的图像数据输入人工智能 / 机器学习模型分析，梳理出了问题的帕累托排序、根源及对良率的潜在影响，您可据此确定优先解决的问题。” 并非所有问题都能同时解决，而我们的自动化方案正是为此而生 —— 采集数据、分析建模、帕累托排序，最终为客户指明方向：“优先解决这些问题，这是其可能造成的良率损失。”

问：数字孪生技术将如何应对这些挑战？能否提升问题的预判能力、分析能力，进而优化整个检测流程？

曹丽红：当然，数字孪生技术的助力作用非常显著，我们的应用范围也较为广泛。我们希望通过数字孪生将工艺、缺陷、良率分析、可靠性测试等所有环节的数据打通融合。在线检测中，我们利用机器学习进行模式识别，并通过人工智能对结果进行记录和分析。我们在生产中产生的海量数据，也为数字孪生技术的应用提供了良好基础。

目前我们仍处于全数字孪生落地的前期阶段，正在推进数据的打通、采集和模型搭建工作，但数字孪生技术已率先应用于设计环节，我们会根据生产中的实际经验优化设计方案，机器学习和模式识别技术也已在特定工艺步骤中落地应用。

我们还与中国台湾、美国的高校和研究机构展开合作，结合数据规模和缺陷类型搭建分析模型。例如，空洞和分层缺陷已能通过模型实现快速识别，机器学习技术的应用也切实推动了良率提升。我们还将这些成熟模型推广至其他客户，有效缩短了客户的良率分析周期和技术摸索路径，借助机器学习和数字孪生技术，客户能快速看到良率改善的效果。

但这只是整个生产流程的一部分，大量缺陷还会在可靠性测试中暴露。我们还发现，测试覆盖率的边界正变得越来越模糊：在单一芯片的简易封装时代，100% 或 98% 的测试覆盖率基本能捕捉到大部分缺陷；但如今芯片采用多芯粒集成方案，封装结构愈发复杂，晶圆测试、系统级测试、最终测试的覆盖率都在持续下降。

因此，我们需要借助数字孪生技术捕捉缺陷，辅助测试工作，实现缺陷的早期发现。结合可靠性测试采集的数据，数字孪生技术不仅能助力整体良率提升，还能为测试和工艺优化提供支撑。

迈克尔・洛曼：数字孪生无疑是当下的热门话题，过去一年多来热度更是持续攀升。从我们的角度来看，我们打造了一套工具无关的数字孪生平台，能够整合分析更广泛的数据源和工艺环节，针对性解决各类生产问题。

虽然我尚未直接看到该技术的大规模落地，但坚信这是未来的发展方向。我们已构思出多种应用场景，例如将其用于预测性维护等，且均基于工具无关的设计思路。当然，该技术也可拓展至良率问题分析，但前提是实现多源数据的融合采集。

一个值得关注的趋势是，行业正鼓励在数字孪生或仿真工具上开展测试程序开发，这一趋势已初具规模，与曹丽红提到的应用场景异曲同工。这种方式能减少对测试单元的占用，无需通过实际产线验证工艺，有效节省了设备时间和利用率。

阿夫塔哈尔・阿斯拉姆：对于设计工程师而言，在选择知识产权核时，希望能看到实际验证结果 ——“该知识产权核已在成熟产品中应用，并实现量产”。而数字孪生技术的应用不应仅局限于设计环节，还可延伸至探针卡设计、可测试性设计，乃至可制造性设计。

在产品生命周期管理等工具中进行仿真时，工程师能对制造工艺、产品可测试性进行全流程仿真，甚至能细化至元器件级别。数字孪生的核心并非仅打造设备的数字模型，而是构建制造、封装、设计全流程的数字孪生体系。

这就引出一个关键问题：如何将实际生产数据与作为数字孪生核心的工程物料清单融合？借助强大的仿真工具，再结合当前飞速发展的人工智能技术，工程师理论上能高度精准地预判制造、封装、测试环节中可能出现的问题，甚至能预测负载板、探针卡、测试设备等周边配套环节的问题。

这也是我们与产品生命周期管理供应商合作的核心方向 —— 为设计环节的闭环提供后端数据支撑。制造工程师、测试产品工程师、设计工程师三方必须协同合作，才能构建起完善的数字孪生体系，而我们的平台正是为三方提供了协同的纽带和通用的技术语言，推动数字孪生技术的落地。

韩佑永：我们发现，大型量产工厂通常配备多达 100 台同类型检测设备，客户亟需更高效的设备管理和校准匹配方案，这也是我们与客户合作的重点方向。如何确保同一晶圆厂内大量同类型设备的稳定运行和精准匹配，是行业面临的又一难题。

问：展望未来 3-5 年，哪些自动化技术将对先进封装产生更大影响？行业目前仍缺失哪些关键技术？又有哪些在研技术有望带来颠覆性变革？

迈克尔・洛曼：从自动化角度来看，热管理技术是我们能提供的核心解决方案之一，也将产生深远的行业影响。利用机器学习实现问题的预测性分析，将非计划停机转化为计划停机，这些都是打造 “熄灯工厂” 的核心要求。

目前众多客户正持续扩大自动化应用范围，不少企业在东南亚建厂以提升产能，且多数工厂都以全自动化为建设目标，自动化需求也推动了各类技术要求的升级。这一趋势不仅体现在先进封装领域，而是贯穿整个半导体自动化产业。

阿夫塔哈尔・阿斯拉姆：我们认为，未来的核心发展方向是更智能的设备与更智能的数据分析相结合，不存在能解决所有问题的 “万能设备”。

硬件层面，行业需要更高分辨率、更高吞吐量的检测设备 —— 能实现高精度 X 射线检测、混合键合缺陷检测、超精细节距检测，以及更完善的原位缺陷监测、翘曲监测等，这些都是我们此前提及的核心需求。

而同样重要的是芯片级监测的内容与指标：我们需要监测哪些芯片级参数？核心关键绩效指标是什么？是否采用遥测技术？尤其是进入芯粒时代后，产品复杂度持续提升，行业目前尚未形成统一的数据采集标准。

如今我们能实现芯片级的数据采集，标注出晶圆上芯片的 XY 坐标位置，但芯粒级的数据采集标准仍处于空白状态。光子学产品和量子计算产品中，涉及光学端口、多层结构、宏单元和芯粒间互连的分片设计，相关的数据采集标准也未得到定义，行业正处于 “野蛮生长” 阶段，各企业均在制定自己的格式和标准。

未来 3-5 年，行业的核心工作之一，就是为这种无序的状态建立统一标准，实现多源数据的融合分析。唯有如此，人工智能 / 机器学习技术才能发挥真正的价值，避免对无效数据进行分析，进而制定出切实可行的解决方案，例如多变量功率平均测试、自适应探针测试等，再将这些方案反哺至晶圆厂生产和产品设计环节。

韩佑永：我们的头部客户都提出了一个共同需求 ——摒弃定制化检测配方，实现无配方检测或通用配方检测。随着人工智能和机器学习技术的发展，客户纷纷询问：“能否借助机器学习技术，让工程师无需花费时间开发定制化检测配方？” 我们正在该领域投入巨资，全力推进无配方检测和通用配方检测技术的研发。

曹丽红：未来行业亟需更快的检测速度、更高的分辨率、更强的检测能力，且能兼顾吞吐量的设备，这是实现高良率的核心关键，也是我们未来 3-5 年的研发目标。要实现这一目标，自动化是必由之路，我们需要推动多技术融合的计量设备实现自动化集成，这也是技术成熟的重要标志。

例如，将光学显微镜、各类检测方案、X 射线、声学检测、原子力显微镜技术集成，实现多种缺陷的一次性检测，这是我们的研发方向之一。而这类复杂的集成工作无法通过人工完成，因此需要借助人工智能技术，尤其是在检测设备中搭载人工智能推理引擎，为检测工作提供支撑。

数字孪生技术也是行业关注的重点，虽然打造全流程数字孪生是一项庞大的工程，但我们可先通过局部数字孪生技术融合多源数据，在产品进入最终测试和可靠性测试前，从设计和工艺环节提前进行物理特性分析和问题预判，实现问题的前置解决，这也是我们未来 3-5 年的重点研究方向。

此外，我们还在打造涵盖供应链的混合生态体系，推动上下游在数据格式、工艺设计、测试标准等方面的统一化。整个产业生态的标准化建设，将成为日月光半导体未来 3-5 年的重要发展助力。