在纳米尺度上,一个肉眼不可见的缺陷就可能报废整片晶圆。半导体良率因此成为制造业中数据密度最高、也最有价值的数据资产之一。AI 在这里的应用不是「炫技」,而是直接换算成钱。

一、1990-2000 年代:统计过程控制与缺陷密度
1990 年代的良率管理核心是统计过程控制:监控关键工艺参数,识别导致缺陷密度上升的偏移。同一时期出现了基于光学检测的缺陷分类设备,用模式匹配把缺陷颗粒归类,这是机器视觉的早期工业应用。这一阶段的数据是结构化的:每个颗粒有位置、大小与类型,但「哪些颗粒会致命」需要专家经验判断。一个始终存在的成本结构是:先进制程的每次光刻与检测环节都极其昂贵,良率提升一个百分点对应巨额利润。同期光学检测设备用模式匹配把缺陷颗粒归类,这是机器视觉在工业领域的早期成功应用。
这一时期的数据是结构化的,每个颗粒有位置、大小与类型,但「哪些颗粒会致命」需要专家经验。一个始终存在的成本结构是:先进制程每次光刻与检测都极其昂贵,良率提升一个百分点对应巨额利润。
二、2000-2012:设备数据与虚拟量测
2000 年代中后期,晶圆厂开始为每台设备记录完整的过程数据,为良率分析提供了新的数据源。虚拟量测成为一项实用技术:用设备传感数据预测尚未测量的量,减少昂贵的物理测量次数。同期也出现了把良率数据与设备数据关联以定位根因的尝试,把「哪里坏了」推进到「哪个参数导致的」。这一阶段的核心瓶颈是数据整合:不同厂商的设备数据格式各异,跨设备关联分析极为困难。2004 年后晶圆厂开始为每台设备记录完整过程数据,为良率分析提供了新数据源。虚拟量测成为实用技术:用设备传感数据预测尚未测量的量,减少昂贵的物理测量次数。数据整合是这一阶段的核心瓶颈:不同厂商的设备数据格式各异,跨设备关联分析极为困难。
三、2013-2020:深度学习用于缺陷分类与根因定位
2013 年后,深度学习被用于光学缺陷分类,相较传统方法显著提升了微小缺陷的识别率。同期出现了利用设备时间序列数据做异常检测的做法,提前发现可能产生缺陷的过程偏移。2018 年前后,学习型根因定位成为独立研究方向,目标是直接从缺陷数据反推最可能的工艺参数组合。一个被反复提及的挑战是标签稀缺:致命缺陷需要完整的晶圆级标签才能识别,而这类数据获取成本极高。2014 年后深度学习被用于光学缺陷分类,对微小缺陷的识别率显著提升。
同期利用设备时间序列做异常检测的做法,可提前发现可能产生缺陷的过程偏移。2018 年前后学习型根因定位成为独立方向,直接从缺陷数据反推最可能的工艺参数组合。标签稀缺是核心挑战:致命缺陷需要晶圆级完整标签,而这类数据获取成本极高。
四、2021-2025:工艺窗口与先进封装的良率挑战
2021 年后,先进制程的良率学习转向工艺窗口优化:模型不只预测良率,更反推哪些参数组合能最大化良率空间。同期先进封装带来了新的良率问题:多个裸片的集成、互连密度与热应力,使缺陷模式更加复杂。2023 至 2025 年间,芯片设计侧的良率预测被纳入 EDA 工具链,在流片前估计设计缺陷导致的良率损失。整个领域的走向是数据资产化:先进制程的良率经验无法完全复制到下一代节点,工艺数据的积累本身就是壁垒。
2021 年后先进制程的良率学习转向工艺窗口优化,模型不只预测良率,更反推最大化良率空间的参数组合。同期先进封装带来新的良率问题:多裸片集成、互连密度与热应力让缺陷模式更复杂。2023 年后芯片设计侧的良率预测被纳入 EDA 工具链,在流片前估计设计缺陷带来的损失。整个领域的走向是数据资产化:先进节点的良率经验无法完全复制到下一代,工艺数据积累本身就是壁垒。
资料来源
- SEMI 与各晶圆厂公开的良率管理与设备数据分析论文
- IEEE Transactions on Semiconductor Manufacturing 关于缺陷分类与根因定位的论文
- KLA / Applied Materials 关于机器视觉检测的公开技术资料
- IEDM 与 VLSI 技术会议关于先进节点良率的公开报告