引言

人工智能（AI）的進(jìn)步正為包括半導(dǎo)體制造在內(nèi)的多個(gè)行業(yè)帶來革命性變革。利用 AI 開展半導(dǎo)體檢測(cè)與診斷工作，已成為一種可能改變行業(yè)格局的策略，有助于提高生產(chǎn)效率、識(shí)別以往無法察覺的缺陷，并縮短產(chǎn)品上市周期。本文將探討人工智能與半導(dǎo)體設(shè)計(jì)信息相結(jié)合后，如何為更高效的檢測(cè)與診斷流程助力。

半導(dǎo)體檢測(cè)面臨的挑戰(zhàn)

半導(dǎo)體制造本身具有極高的復(fù)雜性，涉及微觀結(jié)構(gòu)和復(fù)雜設(shè)計(jì)，每個(gè)環(huán)節(jié)都對(duì)精度有嚴(yán)苛要求。其中最突出的挑戰(zhàn)是檢測(cè)傳統(tǒng)方法（如光學(xué)檢測(cè)）無法識(shí)別的缺陷，包括亞表面缺陷、微小過孔或隱蔽短路等。

傳統(tǒng)檢測(cè)方法（如光柵掃描電子束技術(shù)）的吞吐量較低，難以滿足現(xiàn)代生產(chǎn)周期的高速需求。這些挑戰(zhàn)亟需更智能、更快速、更可靠的解決方案，而這也為 AI 技術(shù)在半導(dǎo)體檢測(cè)領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。本文將探討幾個(gè)我們認(rèn)為AI 有望推動(dòng)檢測(cè)與測(cè)試工作實(shí)現(xiàn)提速增效、提升可靠性的領(lǐng)域。

推動(dòng) AI 應(yīng)用于檢測(cè)的基礎(chǔ)能力

人工智能驅(qū)動(dòng)的檢測(cè)流程將以多項(xiàng)基礎(chǔ)能力為支撐，每項(xiàng)能力都可能在優(yōu)化檢測(cè)結(jié)果中發(fā)揮關(guān)鍵作用。這些能力包括：

圖片來源：視頻資料

1、eProbe技術(shù)：與傳統(tǒng)光柵掃描電子束方法不同，eProbe采用點(diǎn)掃描方式，可直接跳轉(zhuǎn)至目標(biāo)區(qū)域。這種創(chuàng)新的掃描方法能使吞吐量實(shí)現(xiàn)數(shù)量級(jí)提升。

2、Fire AI 與模糊模式算法：Fire AI 平臺(tái)可匯總設(shè)計(jì)幾何特征和電氣性能，實(shí)現(xiàn)更精準(zhǔn)的缺陷檢測(cè)。其模糊模式算法能將布局模式歸類為失效模式家族，提高檢測(cè)的針對(duì)性。

3、引導(dǎo)式分析：通過將設(shè)計(jì)數(shù)據(jù)和掃描診斷數(shù)據(jù)整合到引導(dǎo)式分析工具中，工程師能更深入地掌握問題根源，從而更快速、準(zhǔn)確地開展診斷工作。

具備儀表盤功能的自動(dòng)化每日良率摘要；

可檢測(cè)以往無法識(shí)別的其他根本原因；

將掃描診斷得出的物理位置信息與布局模式分析相關(guān)聯(lián)；

識(shí)別良率問題中的布局敏感性；

4、與西門子EDA Tessent 的集成：西門子的 Tessent 平臺(tái)增強(qiáng)了掃描診斷功能，能提供失效單元和網(wǎng)絡(luò)的相關(guān)信息，并通過先進(jìn)的機(jī)器學(xué)習(xí)算法（根本原因解卷積）實(shí)現(xiàn)失效模式提取。這一合作體現(xiàn)了設(shè)計(jì)信息與人工智能驅(qū)動(dòng)的分析之間的協(xié)同效應(yīng)。

將 Tessent 的掃描診斷數(shù)據(jù)導(dǎo)入Exensio平臺(tái) ；

原始診斷報(bào)告包含失效網(wǎng)絡(luò)、單元及物理位置信息；

基于機(jī)器學(xué)習(xí)的“良率洞察”可分析芯片群體模式；

該集成解決方案能實(shí)現(xiàn)更高效的失效分析與診斷；

基于人工智能的智能檢測(cè)方案

人工智能與半導(dǎo)體檢測(cè)的融合將催生多項(xiàng)創(chuàng)新，同時(shí)提升檢測(cè)的速度與準(zhǔn)確性。借助半導(dǎo)體設(shè)計(jì)信息，AI 算法能夠生成針對(duì)性檢測(cè)方案、確定缺陷檢測(cè)的關(guān)鍵區(qū)域，并優(yōu)化診斷流程。以下是我們認(rèn)為人工智能將產(chǎn)生變革性影響的三個(gè)關(guān)鍵應(yīng)用領(lǐng)域。

圖片來源：視頻資料

1、隨機(jī)缺陷檢測(cè)

受時(shí)間限制，傳統(tǒng)隨機(jī)缺陷檢測(cè)通常僅分析極小比例的關(guān)鍵特征。而借助人工智能，這一過程的效率將大幅提升。通過利用設(shè)計(jì)信息，人工智能可優(yōu)化掃描位置，引導(dǎo)電子束檢測(cè)聚焦于最可能存在缺陷的區(qū)域。

新方法具體如下：

通過了解電子束在產(chǎn)品布局上的表現(xiàn)，優(yōu)化掃描位置選擇；

優(yōu)先檢測(cè)電子束可觀測(cè)的關(guān)鍵導(dǎo)線；

在相同時(shí)間預(yù)算內(nèi)，實(shí)現(xiàn)更高比例的關(guān)鍵區(qū)域檢測(cè)；

相比無人工智能支持的方案，可掃描的可觀測(cè)導(dǎo)線長度比例顯著提高；

選擇標(biāo)準(zhǔn)包括優(yōu)先考慮：

信噪比良好的金屬線；

長度足夠、能體現(xiàn)關(guān)鍵區(qū)域特征的導(dǎo)線；

接地特性適宜、可被電子束檢測(cè)的導(dǎo)線；

2、未知系統(tǒng)性缺陷檢測(cè)

半導(dǎo)體制造中的未知系統(tǒng)性失效模式是一大難題，若無合適的檢測(cè)算法，這類缺陷往往難以被發(fā)現(xiàn)。人工智能可通過分析設(shè)計(jì)模式，并依據(jù)歷史數(shù)據(jù)和性能數(shù)據(jù)確定潛在失效位點(diǎn)的優(yōu)先級(jí)，從而應(yīng)對(duì)這一挑戰(zhàn)。

在人工智能支持下，具體方法如下：

對(duì)整個(gè)布局進(jìn)行繪圖分析；

利用模糊模式算法將模式歸類為失效模式組；

為未知系統(tǒng)性模式優(yōu)先分配檢測(cè)資源；

目標(biāo)是大幅提高系統(tǒng)性失效模式的覆蓋率，捕捉高達(dá) 99% 的未知系統(tǒng)性模式位置。

3、掃描測(cè)試驅(qū)動(dòng)的檢測(cè)

將掃描測(cè)試數(shù)據(jù)與檢測(cè)過程相結(jié)合，能進(jìn)一步放大人工智能的作用。通過分析掃描向量并識(shí)別失效網(wǎng)絡(luò)，人工智能模型可生成針對(duì)性檢測(cè)方案，以定位系統(tǒng)性失效模式。這種融合能使工程師將物理設(shè)計(jì)屬性與觀測(cè)到的缺陷相關(guān)聯(lián)，顯著提高診斷準(zhǔn)確性。

例如，若某一掃描測(cè)試發(fā)現(xiàn)某一網(wǎng)絡(luò)失效，人工智能可分析布局并識(shí)別潛在失效位點(diǎn)（如過孔或交叉金屬線）。這種方法能實(shí)現(xiàn)針對(duì)性調(diào)查，減少時(shí)間和資源消耗，同時(shí)提升整體診斷水平。

該方法將利用掃描測(cè)試結(jié)果指導(dǎo)檢測(cè)：

識(shí)別與掃描測(cè)試失效相關(guān)的特定網(wǎng)絡(luò)；

分析這些網(wǎng)絡(luò)內(nèi)部及周邊潛在的系統(tǒng)性失效模式；

優(yōu)化電子束檢測(cè)方案，聚焦這些特定模式；

即便系統(tǒng)性失效對(duì)良率的影響比隨機(jī)缺陷小100倍，也能成功識(shí)別；

人工智能應(yīng)用的戰(zhàn)略優(yōu)勢(shì)

將人工智能整合到半導(dǎo)體檢測(cè)流程中，可帶來多方面的顯著優(yōu)勢(shì)：

提高吞吐量：eProbe 等人工智能驅(qū)動(dòng)工具可優(yōu)先處理關(guān)鍵區(qū)域，在減少檢測(cè)時(shí)間的同時(shí)擴(kuò)大覆蓋范圍。這使制造商能滿足緊張的生產(chǎn)進(jìn)度要求，同時(shí)不影響缺陷檢測(cè)效果。

降低成本：通過聚焦高優(yōu)先級(jí)區(qū)域、減少不必要的檢測(cè)，人工智能可最大限度降低資源消耗。再加上其增強(qiáng)診斷的能力，能實(shí)現(xiàn)更具成本效益的運(yùn)營。

提升準(zhǔn)確性：人工智能具備分析設(shè)計(jì)數(shù)據(jù)和性能模式的能力，可使缺陷檢測(cè)和診斷更精準(zhǔn)，確保更高的良率和更低的每十億缺陷數(shù)（DPB）。

面向未來：隨著半導(dǎo)體為5G 等新興技術(shù)提供支持，人工智能驅(qū)動(dòng)的檢測(cè)能力可提供滿足不斷變化的需求所需的適應(yīng)性和精度。

半導(dǎo)體檢測(cè)的發(fā)展方向

利用人工智能將設(shè)計(jì)數(shù)據(jù)與檢測(cè)、診斷相結(jié)合，可能是一場(chǎng)范式轉(zhuǎn)變。從優(yōu)化隨機(jī)缺陷檢測(cè)到發(fā)現(xiàn)未知系統(tǒng)性失效，再到增強(qiáng)診斷能力，人工智能為重新定義半導(dǎo)體制造的可能性開辟了道路。

為充分發(fā)揮人工智能的潛力，半導(dǎo)體制造商應(yīng)考慮以下后續(xù)步驟：

投資人工智能平臺(tái)：Fire AI 和西門子Tessent 等平臺(tái)在整合設(shè)計(jì)、掃描測(cè)試數(shù)據(jù)與檢測(cè)流程方面具備成熟能力。

加強(qiáng)技能培養(yǎng)：為團(tuán)隊(duì)配備有效操作人工智能驅(qū)動(dòng)系統(tǒng)所需的知識(shí)和工具。

采用協(xié)作模式：設(shè)計(jì)、測(cè)試和分析平臺(tái)之間的合作可釋放協(xié)同效應(yīng)，最大限度發(fā)揮人工智能的作用。

通過這些策略，制造商不僅能解決當(dāng)前的檢測(cè)挑戰(zhàn)，還能為未來構(gòu)建競(jìng)爭優(yōu)勢(shì)。

結(jié)論

通過將設(shè)計(jì)信息與檢測(cè)、診斷相結(jié)合，半導(dǎo)體制造商無需等待大量訓(xùn)練數(shù)據(jù)，就能顯著改進(jìn)缺陷檢測(cè)和良率管理工作。這種方法有望在檢測(cè)效率和系統(tǒng)性缺陷檢測(cè)方面實(shí)現(xiàn)數(shù)量級(jí)提升，為在半導(dǎo)體制造中應(yīng)用有效的人工智能模型提供了途徑。

設(shè)計(jì)、測(cè)試和良率信息的這種融合，將是半導(dǎo)體檢測(cè)與診斷能力的重大進(jìn)步，尤其在解決過孔和接觸等難以檢測(cè)的缺陷，以及應(yīng)對(duì)傳統(tǒng)檢測(cè)方法的吞吐量限制方面效果顯著。