先进工艺节点下的化学可变性检测

核心要点

• 良率损失越来越多地由薄膜、界面与污染带来的分子级波动导致，而非传统可见缺陷。

• 可靠性问题通常先表现为参数漂移或负载 / 热应力下的裕量衰减。

• 有效检测需要将分子级量测、嵌入式电学遥测与AI 驱动晶圆检测三者关联。

随着半导体制造迈向埃米级器件与异质集成，影响良率与可靠性的缺陷本质正在改变。在先进工艺与多芯片方案中，越来越多的良率损失源于材料内部的细微变化，而非肉眼可见的缺陷。

数十年来，行业依靠检测与电学测试策略识别结构失效，例如金属线间颗粒桥接、光刻缺陷或互连线开路。这类失效依然重要，但已不再是先进工艺中波动的唯一来源。

薄膜成分变化、界面键合异常、工艺残留物以及化学结构的微观偏移，都会影响器件性能。这些影响在传统检测系统中通常不可见，也不会立刻造成功能失效。相反，它们表现为渐进式参数漂移，随时间不断侵蚀电学裕量。这类退化可能在器件出厂很久之后，才在特定负载或热条件下显现。要检测它们，需要在三个不同层面运作的工具与策略：材料表面的分子表征、电路级的电学监测，以及晶圆级的AI 驱动关联分析。

proteanTecs 商务拓展高级总监 Nir Sever 表示：“传统缺陷检测聚焦明确的二元失效，比如固定故障、阻性开路、桥接短路或功能失效。但材料或界面不稳定性的表现不同，它会在变成永久缺陷之前很久，就以参数漂移、间歇性裕量不足或负载相关退化的形式出现。”

在接近功耗与热极限运行的高性能计算系统与 AI 加速器中，即使材料特性微小变化，也可能改变时序稳定性、信号完整性或长期可靠性。捕捉这些问题需要全新的分析方式。

材料复杂度持续上升

这类问题愈发突出的原因之一，是半导体制造与先进封装流程中所用材料的快速扩张。传统前道工艺主要依赖硅与少数几种成熟薄膜。

如今的异质集成方案引入了聚合物介电材料、键合金属、黏合剂、封装材料、重布线层与热界面材料。每一种都有独特的力学与化学特性，并与周边材料相互作用。但复杂性并非仅来自材料本身，而是来自它们在每一步工艺中的相互作用。流程早期化学键合的微小变化，可能要经过多道下游工序放大后才会显现。

Critical Manufacturing 项目与计划经理 Tiago Tavares 说：“很多这类缺陷你根本看不见，它们要么隐藏，要么是被忽略的微小偏差。但它们必须被捕捉。我们需要找到新的测量方式、早期检测方式，把它们纳入考量。”

与此同时，这些相互作用核心的薄膜本身正在收缩到尺度极限，其行为发生根本性改变。

ASM 首席执行官 Hichem M’Saad 表示：“沉积很厚的薄膜时，界面无关紧要。10 埃相对于微米级厚度可以忽略，但当你沉积只有 5 埃厚的 ALD 薄膜时，界面就成了大问题。”

在这样的尺寸下，前驱体化学、原子键合或表面处理的细微差异，会直接影响薄膜内原子排布。这些差异用传统检测方法可能太小而无法察觉，却会改变晶体管阈值电压、载流子迁移率或栅氧完整性。这些影响默默累积，直到器件出厂后才暴露。

不像缺陷的缺陷

化学可变性检测的难点在于：这些影响几乎不会产生可见缺陷，而是缓慢、统计性地改变电学特性。

薄膜成分微小变化可能偏移阈值电压或降低迁移率；界面键合波动会增加互连电阻或降低高速逻辑路径的信号传输；残留物则可能触发电迁移、偏置温度不稳定性（BTI）等老化机制。这些微小退化随时间累积，直到器件在现场工作时才表现为功能失效。

Sever 说：“参数漂移通常是硅片或封装内部物理变化的电学表现。制造过程中的污染与波动会在介电层或金属层引入陷阱或弱界面。随着时间推移，这些缺陷不会立刻失效，但会加速 BTI 或电迁移等老化机制。电学特征表现为渐进式裕量衰减，或与整体样本相比异常的退化斜率。”

所有情况都是物理先变，电学参数后变。这类影响尤其难以管控，因为它们通常只在特定负载、热负荷与供电条件组合下才出现，这正是量产 AI 系统与高性能计算集群的持续工作状态。

这些影响通常表现为一批器件分布曲线的细微偏移，体现为时序裕量离散度变大、不明泄漏或与特定负载相关的间歇性失效。这些波动难以分离的一个原因是：传统电学表征往往会把工程师需要找到的异常值平均掉。许多测试结构最初是为确认连通性或检测严重失效设计，而非解析单个互连或键合区域的细微变化。当成千上万个结构串连进行单次测量时，局部波动会被淹没在总结果中。

Modus Test 首席运营官 Jesse Ko 说：“传统数据链方法把数千个通孔连在一起。把链长除以一万，你根本找不到异常值。平均效应掩盖了波动。所以我们正尝试聚焦特定关键结构，让客户能更精准地表征这些区域。”

标准测试流程旨在回答二元问题：器件是否能用？它们并非为把电学异常追溯到化学根源而设计，也无法区分沉积时成分漂移的薄膜与因表面污染形成弱界面的薄膜。要建立这种关联，需要在批次与时间维度上关联电学数据，并有足够分辨率把材料诱导退化与普通工艺分散区分开。

Sever 说：“经典缺陷检测回答‘它坏了吗’；深度遥测回答‘它是否正在变得不稳定，为什么’。当我们把时序裕量退化与电压噪声、负载应力、温度梯度及互连行为关联时，就能区分随机瞬时应力、本征老化、潜在生产缺陷以及材料或界面不稳定性。”

分子级检测

在化学可变性演变为电学问题前识别它，需要能在分子尺度解析材料差异的表征工具 —— 不仅要判断缺陷是否存在，还要确定是什么化学或键合条件导致了它。这一区别很重要，因为两个电学特征相同的缺陷可能根源完全不同，对应的纠正措施也不同。

传统元素分析技术（如 EDS / 能谱仪）对较重元素效果尚可，但难以检测先进介电材料与表面污染中占主导的轻元素。碳、氧、氮、氢是高 k / 低 k 介电薄膜、有机表面附着物与氟聚合物残留等波动问题的核心，但它们低于许多标准分析方法的可靠检测阈值。

布鲁克 nanoIR 产品经理 Cassandra Phillips 表示：“我们工具观测的窗口是轻元素领域。EDS 更适合 X 射线响应更强的重元素。说到碳、氧、氮、氢这些轻元素，传统技术就很吃力，而且它们只能给出元素识别，这往往不够。当你要检测表面附着物、少量油脂、润滑剂、氟聚合物、聚乙烯时，其他技术无法区分它们。”

键合状态与元素组成同等重要。例如二氧化硅，化学简单但结构复杂，可存在单晶、多晶或非晶形态，每种都有不同键合密度与表面成分。在表面，特定键合形式（如硅氢 vs 硅氧氢）会导致下游电学性能巨大差异，即使整体元素分析显示成分完全一致。

Phillips 说：“你不能只看直接、短程的化学键合，还要看材料周围的化学环境。这些氧与其他氧距离多近？这些硅与其他硅距离多近，即使没有直接成键？进入非晶区域后，问题呈指数级复杂化。你不再有已知表面成分与已知键合密度。红外响应能帮你从混乱中理出规律。”

纳米红外光谱（nano-IR） 让半导体相关尺度下的这种分析成为可能。该技术将原子级尖锐的 AFM 探针与可调红外光源结合。红外光照射样品表面时，吸收该波长的材料将能量转化为热，产生键半径级别的微小热膨胀。AFM 探针以悬臂机械力的形式检测这种膨胀。通过以悬臂共振频率脉冲激光，信号被进一步放大，可检测亚纳米厚度材料。

光热 AFM-IR 光谱结合了原子力显微镜（AFM）的高空间分辨率与红外光谱（IR）的化学识别能力，实现样品纳米级化学表征。

与传统红外显微镜相比，关键优势在于分辨率。标准红外技术受光学衍射限制，可分辨最小特征约为光波长的一半，下限在微米级。Nano-IR 以 AFM 探针为探测器，而非直接收集散射光，因此横向分辨率由探针几何形状决定，而非波长。结果是低于 10nm 横向分辨率，远超传统红外技术。

Phillips 说：“在检测更少量、更薄材料方面已取得显著进展。我们的 nano-IR 系统能以化学识别能力检测亚纳米厚度材料，横向分辨率低于 10 纳米，对应 material 质量可达阿克级。”

一个重要实际优势是 nano-IR无损。二次离子质谱与原子探针层析成像等技术可提供化学信息，但会消耗样品，不适用于在线监测或同一区域迭代分析。Nano-IR 可在工艺步骤前后使用，不牺牲被测材料，这对行业将这些能力从失效分析实验室转向在线或近线部署至关重要。

对于已知坐标的可见缺陷或颗粒附着物，成熟散射技术可定位目标并引导后续化学识别。更难的问题是薄膜不均匀性—— 波动分布在整个薄膜体中，而非集中在离散位置。没有可导航的坐标，波动就是薄膜本身。这正是 nano-IR 能提供局部化技术无法实现的检测能力之处。

“相同” 材料背后的隐藏差异

化学可变性最棘手的一点是：在标准工艺监测下看似相同的材料，在分子层面仍可能表现不同。表面键合网络的差异无法被整体分析捕捉，却会体现在下游电学性能中。

Phillips 说：“我们经常遇到这种情况：晶圆 1 电学正常，晶圆 2 不正常。两者唯一已知区别是材料供应商。理论上两个样品应该分子均匀，但分析后我们能找到失效的分子原因。”

供应链在此影响显著。供应商往往不知道或不愿披露自身工艺的细微变化，没有这些数据就难以建模。表征负担完全落在遇到失效的制造商身上，而根源往往出现在很早的上游工序。

分子表征识别化学状态。要在生产中、在其累积到失效前检测电学影响，则需要另一种方法。分布在裸片上的嵌入式监测电路可持续读取实际工作条件下的电学行为，实时捕捉材料不稳定性的参数特征。

这种方法能回答终测无法回答的问题。一颗通过功能测试的器件，仍可能在特定时钟域或互连区域以衰减裕量运行，接近极限，持续负载会使其崩溃。如果不持续监测这些裕量，退化在变成失效前始终不可见。

Sever 说：“通过分析器件、位置、负载与时间的模式，你可以把系统性设计裕量限制与物理不稳定性机制区分开。设计裕量问题立刻存在且相对稳定；材料相关波动通常是演变的。你可能观察到异常老化加速、对电压或负载应力敏感度增加，或表征阶段不可见的渐进式时序压缩。”

在先进封装环境中，微凸点、TSV 与混合键合界面在紧密热与力学邻近下连接裸片，参数监测尤其有价值。任一界面的波动都可能在整个组装件中传播影响，例如互连电阻上升、通道间不对称或局部时序裕量压缩，却不会产生结构测试旨在捕捉的清晰二元失效。

仿真与建模缺口

弥合材料级波动与其电学影响之间的缺口，还需要能建模分子级变化如何传导到器件电学行为的能力。当前仿真方法在此存在结构性限制：模型精度取决于材料属性输入精度。当两个名义相同的薄膜在键合状态、界面化学或前驱体纯度上存在分子级差异时，这些差异很少被模型依赖的参数捕获。

新思科技产品营销总监 Marc Swinnen 说：“可变性包含温度、工艺、电压、压力与材料属性的实际范围与组合。这些可变因素数百万种可能组合难以全面验证。”

更深层的挑战是：单个效应并非独立。机械应力改变电学参数；温度梯度改变材料属性；界面化学变化改变电子穿过方式。单独仿真任一效应，得到的结果都会与其他效应同时激活（量产中永远如此）的现实存在偏差。

Swinnen 说：“各个效应相互关联，需要多物理场方法才能精准仿真。仿真器通常分开仿真各个效应，无法捕捉一个量如何影响其他量。机械应力不仅影响可靠性，还会改变受应力器件的电学参数，但力学与电学很少被一起考虑。”

这种脱节对化学可变性影响尤其重大，因为被建模的效应本身表征就很差。工程师无法仿真尚未检测到的键合异常影响，也无法为现有检测工具未标记的污染层建模电学行为。仿真与量测必须同步进步，互相指引方向。

规模化良率影响

投资分子、电学、晶圆级三层检测的最终理由是经济性。尽管化学与分子变化看似微小，但其后果在大规模量产中会急剧放大。先进工艺半导体器件单价可达数万美元。在这个价格点，即使微小的良率提升也直接转化为巨额收益。

Phillips 说：“这是当前半导体量测与失效分析的核心问题之一。即使良率提升几个百分点，也会直接带来数百万乃至数十亿美元的盈亏差异。”

在晶圆级，AI 驱动检测正开始弥合检测工具所见与实际影响良率之间的关联缺口。晶圆检测历来的弱点是：大量标记缺陷与电学性能关联差，这正是导致化学可变性难以从信号中提取的噪声问题。

Onto Innovation 产品营销总监 Woo Young Han 表示：“传统检测工具产生大量与良率损失关联很小的干扰缺陷。借助 AI 驱动图像识别，检测结果现在能与电学测试结果更紧密对齐。除了固定缺陷检测阈值，AI 还能根据缺陷类型、晶圆位置与历史批次动态调整灵敏度，提升对良率相关缺陷的捕获率，同时过滤噪声。”

结论

如今针对问题的每个层面都已有检测工具。纳米红外光谱能以亚 10nm 分辨率解析键合状态与表面化学，识别看似相同但性能不同的薄膜之间的分子差异。嵌入式参数监测器可实时跟踪一批器件的时序裕量退化、互连电阻漂移与负载相关不稳定性，把材料诱导效应与设计裕量限制区分开。晶圆级 AI 驱动检测正在缩小检测工具标记项与实际影响电学性能之间的缺口，过滤噪声同时提升关键波动捕获率。这些能力每一项都相对于五年前行业水平实现了真正进步。

尚未完成的是它们之间的整合。分子表征产生键合状态与表面化学数据；电学监测产生参数行为数据；晶圆级检测产生缺陷群体数据。这些数据集孤立使用时效果有限。Nano-IR 在特定表面位置识别的键合异常，如果没有电学历史告诉工程师该条件是否造成过良率损失，就意义不大；嵌入式监测器检测到的时序裕量退化，如果没有材料表征追溯到特定界面条件或薄膜成分，也意义不大。闭环不仅需要每一层更好的工具，还需要一个共享分析框架，让三者数据互相赋能。

经济因素让紧迫性显而易见。在先进工艺节点，百分之零点几的良率损失在整个生产项目中就相当于数亿美元。造成这些损失的波动越来越多地源于分子级，对结构检测不可见，且越来越能躲过终测，直到以现场失效形式出现。检测它们已不再是可选项。问题在于制造商能否足够快地构建连通数据基础设施，以领先于他们同时引入的复杂度。