摘要
晶圓表面缺陷檢測在半導體制造中對控制產(chǎn)品質(zhì)量起著重要作用，已成為計算機視覺領(lǐng)域的研究熱點。然而，現(xiàn)有綜述文獻中對晶圓缺陷檢測方法的歸納和總結(jié)不夠透徹，缺乏對各種技術(shù)優(yōu)缺點的客觀分析和評價，不利于該研究領(lǐng)域的發(fā)展。本文系統(tǒng)分析了近年來國內(nèi)外學者在晶圓表面缺陷檢測領(lǐng)域的研究進展。首先，介紹了晶圓表面缺陷模式的分類及其成因。根據(jù)特征提取方法的不同，目前主流的方法分為三類：基于圖像信號處理的方法、基于機器學習的方法和基于深度學習的方法。此外，還簡要介紹了代表性算法的核心思想。然后，對每種方法的創(chuàng)新性進行了比較分析，并討論了它們的局限性。最后，總結(jié)了當前晶圓表面缺陷檢測任務(wù)中存在的問題和挑戰(zhàn)，以及該領(lǐng)域未來的研究趨勢以及新的研究思路。
1.引言
硅晶圓用于制造半導體芯片。所需的圖案是通過光刻等工藝在晶圓上形成的，是半導體芯片制造過程中非常重要的載體。在制造過程中，由于環(huán)境和工藝參數(shù)等因素的影響，晶圓表面會產(chǎn)生缺陷，從而影響晶圓生產(chǎn)的良率。晶圓表面缺陷的準確檢測，可以加速制造過程中異常故障的識別以及制造工藝的調(diào)整，提高生產(chǎn)效率，降低廢品率。
晶圓表面缺陷的早期檢測往往由經(jīng)驗豐富的檢測人員手動進行，存在效率低、精度差、成本高、主觀性強等問題，不足以滿足現(xiàn)代工業(yè)化產(chǎn)品的要求。目前，基于機器視覺的缺陷檢測方法[1]在晶圓檢測領(lǐng)域已經(jīng)取代了人工檢測。傳統(tǒng)的基于機器視覺的缺陷檢測方法往往采用手動特征提取，效率低下?；谟嬎銠C視覺的檢測方法[2]的出現(xiàn)，特別是卷積神經(jīng)網(wǎng)絡(luò)等神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，解決了數(shù)據(jù)預處理、特征表示和提取以及模型學習策略的局限性。神經(jīng)網(wǎng)絡(luò)以其高效率、高精度、低成本、客觀性強等特點，迅速發(fā)展，在半導體晶圓表面缺陷檢測領(lǐng)域得到廣泛應(yīng)用。
近年來，隨著智能終端和無線通信設(shè)施等電子集成電路的發(fā)展，以及摩爾定律的推廣，在全球?qū)π酒男枨笤黾拥耐瑫r，光刻工藝的精度也有所提高。隨著技術(shù)的進步，工藝精度已達到10納米以下[5]。因此，對每個工藝步驟的良率提出了更高的要求，對晶圓制造中的缺陷檢測技術(shù)提出了更大的挑戰(zhàn)。
本文主要總結(jié)了晶圓表面缺陷檢測算法的相關(guān)研究，包括傳統(tǒng)的圖像處理、機器學習和深度學習。根據(jù)算法的特點，對相關(guān)文獻進行了總結(jié)和整理，對晶圓缺陷檢測領(lǐng)域面臨的問題和挑戰(zhàn)進行了展望和未來發(fā)展。本文旨在幫助快速了解晶圓表面缺陷檢測領(lǐng)域的相關(guān)方法和技能。
2. 晶圓表面缺陷模式
在實際生產(chǎn)中，晶圓上的缺陷種類繁多，形狀不均勻，增加了晶圓缺陷檢測的難度。在晶圓缺陷的類型中，無圖案晶圓缺陷和圖案化晶圓缺陷是晶圓缺陷的兩種主要形式。這兩類缺陷是芯片故障的主要原因。無圖案晶圓缺陷多發(fā)生在晶圓生產(chǎn)的預光刻階段，即由機器故障引起的晶圓缺陷。劃痕缺陷如圖1a所示，顆粒污染缺陷如圖1b所示。圖案化晶圓缺陷多見于晶圓生產(chǎn)的中間工序。曝光時間、顯影時間和烘烤后時間不當會導致光刻線條出現(xiàn)缺陷。螺旋激勵線圈和叉形電極的微納制造過程中晶圓表面產(chǎn)生的缺陷如圖2所示。開路缺陷如圖2 a所示，短路缺陷如圖2 b所示，線路污染缺陷如圖2?c所示，咬合缺陷如圖2d所示。
圖2.（a）開路缺陷，（b）短路缺陷，（c）線路污染，以及（d）圖案化晶圓缺陷圖中的咬合缺陷。
由于上述晶圓缺陷的存在，在對晶圓上所有芯片進行功能完整性測試時，可能會發(fā)生芯片故障。芯片工程師用不同的顏色標記測試結(jié)果，以區(qū)分芯片的位置。在不同操作過程的影響下，晶圓上會產(chǎn)生相應(yīng)的特定空間圖案。晶圓圖像數(shù)據(jù)，即晶圓圖，由此生成。正如Hansen等在1997年指出的那樣，缺陷芯片通常具有聚集現(xiàn)象或表現(xiàn)出一些系統(tǒng)模式，而這種缺陷模式通常包含有關(guān)工藝條件的必要信息。晶圓圖不僅可以反映芯片的完整性，還可以準確描述缺陷數(shù)據(jù)對應(yīng)的空間位置信息。晶圓圖可能在整個晶圓上表現(xiàn)出空間依賴性，芯片工程師通?？梢宰粉櫲毕莸脑虿⒏鶕?jù)缺陷類型解決問題。Mirza等將晶圓圖缺陷模式分為一般類型和局部類型，即全局隨機缺陷和局部缺陷。晶圓圖缺陷模式圖如圖3所示，局部缺陷如圖3 a所示，全局隨機缺陷如圖3b所示。全局隨機缺陷是由不確定因素產(chǎn)生的，不確定因素是沒有特定聚類現(xiàn)象的不可控因素，例如環(huán)境中的灰塵顆粒。只有通過長期的漸進式改進或昂貴的設(shè)備大修計劃，才能減少全局隨機缺陷。局部缺陷是系統(tǒng)固有的，在晶圓生產(chǎn)過程中受到可控因素的影響，如工藝參數(shù)、設(shè)備問題和操作不當。它們反復出現(xiàn)在晶圓上，并表現(xiàn)出一定程度的聚集。識別和分類局部缺陷，定位設(shè)備異常和不適當?shù)墓に噮?shù)，對提高晶圓生產(chǎn)良率起著至關(guān)重要的作用。
對于面積大、特征尺寸小、密度低、集成度低的晶圓圖案，可以用電子顯微鏡觀察光刻路徑，并可直接進行痕量檢測。隨著芯片電路集成度的顯著提高，進行芯片級檢測變得越來越困難。這是因為隨著集成度的提高，芯片上的元件變得更小、更復雜、更密集，從而導致更多的潛在缺陷。這些缺陷很難通過常規(guī)的檢測方法進行檢測和修復，需要更復雜、更先進的檢測技術(shù)和工具。
晶圓圖研究是晶圓缺陷檢測的熱點。天津大學劉鳳珍研究了光刻設(shè)備異常引起的晶圓圖缺陷。針對晶圓實際生產(chǎn)過程中的缺陷，我們通過設(shè)備實驗對光刻膠、晶圓粉塵顆粒、晶圓環(huán)、劃痕、球形、線性等缺陷進行了深入研究，旨在找到缺陷原因，提高生產(chǎn)率。為了確定晶圓模式失效的原因，吳明菊等人從實際制造中收集了811,457張真實晶圓圖，創(chuàng)建了WM-811K晶圓圖數(shù)據(jù)集，這是目前應(yīng)用最廣泛的晶圓圖。半導體領(lǐng)域?qū)＜覟樵摂?shù)據(jù)集中大約 20% 的晶圓圖譜注釋了八種缺陷模式類型。八種類型的晶圓圖缺陷模式如圖4所示。本綜述中引用的大多數(shù)文章都基于該數(shù)據(jù)集進行了測試。
圖4.八種類型的晶圓映射缺陷模式類型：（a）中心、（b）甜甜圈、（c）邊緣位置、（d）邊緣環(huán)、（e）局部、（f）接近滿、（g）隨機和（h）劃痕。
3. 基于圖像信號處理的晶圓表面缺陷檢測
圖像信號處理是將圖像信號轉(zhuǎn)換為數(shù)字信號，再通過計算機技術(shù)進行處理，實現(xiàn)圖像變換、增強和檢測。晶圓檢測領(lǐng)域常用的有小波變換（WT）、空間濾波（spatial filtering）和模板匹配（template matching）。本節(jié)主要介紹這三種算法在晶圓表面缺陷檢測中的應(yīng)用。圖像處理算法的比較如表1所示。
表 1.圖像處理算法的比較。
| 模型算法 | 創(chuàng)新 | 局限 |
|---|---|---|
| 小波變換? | 圖像可以分解為多種分辨率，并呈現(xiàn)為具有不同空間頻率的局部子圖像。防谷物。 | 閾值的選擇依賴性很強，適應(yīng)性差。 |
| 空間濾波 | 基于空間卷積，去除高頻噪聲，進行邊緣增強。 | 性能取決于閾值參數(shù)。 |
| 模板匹配 | 模板匹配算法抗噪能力強，計算速度快。 | 對特征對象大小敏感。 |
3.1. 小波變換
小波變換（WT）是一種信號時頻分析和處理技術(shù)。首先，通過濾波器將圖像信號分解為不同的頻率子帶，進行小波分解;然后，通過計算小波系數(shù)的平均值、標準差或其他統(tǒng)計度量，分析每個系數(shù)以檢測任何異?；蛉毕荨．惓；蛉毕菘赡鼙憩F(xiàn)為小波系數(shù)的突然變化或異常值。根據(jù)分析結(jié)果，使用預定義的閾值來確定信號中的缺陷和異常，并通過識別缺陷所在的時間和頻率子帶來確定缺陷的位置。小波分解原理圖如圖5所示，其中L表示低頻信息，H表示高頻信息。每次對圖像進行分解時，圖像都會分解為四個頻段：LL、LH、HL 和 HH。下層分解重復上層LL帶上的分解。小波變換在晶圓缺陷特征的邊界處理和多尺度邊緣檢測中具有良好的性能。
Yeh等提出了一種基于二維小波變換（2DWT）的方法，該方法通過修正小波變換模量（WTMS）計算尺度系數(shù)之間的比值，用于晶圓缺陷像素的定位。通過選擇合適的小波基和支撐長度，可以使用少量測試數(shù)據(jù)實現(xiàn)晶圓缺陷的準確檢測。圖像預處理階段耗費大量時間，嚴重影響檢測速度。Wen-Ren Yang等提出了一種基于短時離散小波變換的晶圓微裂紋在線檢測系統(tǒng)。無需對晶圓圖像進行預處理。通過向晶圓表面發(fā)射連續(xù)脈沖激光束，通過空間探針陣列采集反射信號，并通過離散小波變換進行分析，以確定微裂紋的反射特性。在加工的情況下，也可以對微裂紋有更好的檢測效果。多晶太陽能硅片表面存在大量隨機晶片顆粒，導致晶圓傳感圖像紋理不均勻。針對這一問題，Kim Y等提出了一種基于小波變換的表面檢測方法，用于檢測太陽能硅片缺陷。為了更好地區(qū)分缺陷邊緣和晶粒邊緣，使用兩個連續(xù)分解層次的小波細節(jié)子圖的能量差作為權(quán)重，以增強每個分解層次中提出的判別特征。實驗結(jié)果表明，該方法對指紋和污漬有較好的檢測效果，但對邊緣鋒利的嚴重微裂紋缺陷無效，不能適用于所有缺陷。
3.2. 空間過濾
空間濾波是一種成熟的圖像增強技術(shù)，它是通過直接對灰度值施加空間卷積來實現(xiàn)的。圖像處理中的主要作用是圖像去噪，分為平滑濾鏡和銳化濾鏡，廣泛應(yīng)用于缺陷檢測領(lǐng)域。圖6顯示了圖像中中值濾波器和均值濾波器在增加噪聲后的去噪效果。
Ohshige等提出了一種基于空間頻率濾波技術(shù)的表面缺陷檢測系統(tǒng)。該方法可以有效地檢測晶圓上的亞微米缺陷或異物顆粒。晶圓制造中隨機缺陷的影響。C.H. Wang提出了一種基于空間濾波、熵模糊c均值和譜聚類的晶圓缺陷檢測方法，該方法利用空間濾波對缺陷區(qū)域進行去噪和提取，通過熵模糊c均值和譜聚類獲得缺陷區(qū)域。結(jié)合均值和譜聚類的混合算法用于缺陷分類。它解決了傳統(tǒng)統(tǒng)計方法無法提取具有有意義的分類的缺陷模式的問題。針對晶圓中的成簇缺陷，Chen SH等開發(fā)了一種基于中值濾波和聚類方法的軟件工具，所提算法有效地檢測了缺陷成簇。通常，空間過濾器的性能與參數(shù)高度相關(guān)，并且通常很難選擇其值。
3.3. 模板匹配
模板匹配檢測是通過計算模板圖像與被測圖像之間的相似度來實現(xiàn)的，以檢測被測圖像與模板圖像之間的差異區(qū)域。
Han H等從晶圓圖像本身獲取的模板混入晶圓制造工藝的設(shè)計布局方案中，利用物理空間與像素空間的映射，設(shè)計了一種結(jié)合現(xiàn)有圓模板匹配檢測新方法的晶圓圖像檢測技術(shù)。劉希峰結(jié)合SURF圖像配準算法，實現(xiàn)了測試晶圓與標準晶圓圖案的空間定位匹配。測試圖像與標準圖像之間的特征點匹配結(jié)果如圖7所示。將模式識別的輪廓提取技術(shù)應(yīng)用于晶圓缺陷檢測。Khalaj等提出了一種新技術(shù)，該技術(shù)使用高分辨率光譜估計算法提取晶圓缺陷特征并將其與實際圖像進行比較，以檢測周期性2D信號或圖像中不規(guī)則和缺陷的位置。
