MicHael Yu、Thomas Zanon、里希 班布 – PDF 解決方案
引言
人工智慧（AI）的進展正為各產業帶來革命性變革，其中也包括半導體製造業。運用 AI 進行檢測與診斷的能力，已成為一項可能改變遊戲規則的策略，有助於提升生產效率、偵測以往無法察覺的缺陷，並縮短產品上市時間。這篇部落格文章將探討，當 AI 與半導體設計資訊整合時，如何有助於建立更有效的檢測與診斷流程。
這篇部落格文章是根據 Michael Yu 於 2024 年 12 月所發表的 ，該演講由 Michael Yu 於 2024 年 12 月舉行的 PDF Solutions AI 高階主管會議
了解半導體檢測的挑戰
半導體製造本質上極為複雜，涉及微觀結構與精密設計，每個階段都必須具備高度精準度。其中一項最重大的挑戰，在於檢測傳統方法（例如光學檢測）無法偵測到的缺陷，包括次表面缺陷、微小過孔或隱蔽的短路。
諸如光柵掃描電子束技術等傳統檢測方法，因其處理速度緩慢而廣為人知，這使得它們無法滿足現代生產週期對高速處理的需求。這些挑戰需要更智慧、更快速且更可靠的解決方案，這將為在半導體檢測中應用人工智慧技術鋪平道路。這篇部落格文章將探討幾個我們預期人工智慧能協助實現此類更快、更可靠測試與檢測的領域。
推動 AI 檢測技術的基礎能力
幾項基礎能力將成為人工智慧驅動檢測流程的支柱，每項能力都可能在優化結果方面發揮關鍵作用。這些能力包括：
- eProbe® 技術：與傳統的掃描式電子束方法不同，eProbe 採用點掃描方式，可直接跳轉至感興趣的區域。這種創新的掃描方法能大幅提升產能。
- Fire™ AI 與模糊模式演算法：Fire AI 平台可彙整設計幾何形狀與電氣行為，從而實現更精確的缺陷檢測。其模糊模式演算法能將佈局模式歸類為故障模式族，進而提升檢測的精準度。
- Exensio® 引導式分析: 透過將設計與掃描診斷資料整合至引導式分析工具中，工程師能對根本原因獲得更深入的洞察，從而促進更快且更精準的診斷。
- 透過儀表板自動生成每日產量摘要
- 偵測先前無法查明之其他根本原因
- 將掃描診斷所得的物理位置資訊與佈局模式分析相互關聯
- 釐清良率問題中的佈局敏感性
- 與西門子 EDA Tessent 的整合: 西門子的 Tessent 平台可強化掃描診斷功能，不僅能深入分析故障的電細胞與電網，更能透過先進的機器學習演算法（根本原因解卷積）進行故障模式提取。此項合作充分展現了設計資訊與人工智慧驅動分析之間的協同效應。
- 將來自 Tessent 的掃描診斷資料匯入 Exensio
- 原始診斷報告提供有關故障網路、儲存單元及實體位置的資訊
- 基於機器學習的「Yield Insight」分析晶粒分布模式
此整合式解決方案可實現更有效的故障分析與診斷
運用人工智慧的智慧型檢驗配方
人工智慧（AI）融入半導體檢測領域，將帶來多項創新，進而提升檢測速度與精準度。透過運用半導體設計資料，AI 演算法將能夠生成針對性的檢測配方、識別缺陷檢測的關鍵區域，並優化診斷流程。以下，我們將概述三項關鍵應用領域，預期 AI 將在這些領域帶來顛覆性的影響。
-
隨機缺陷率檢驗
傳統上，隨機缺陷檢測因時間限制，通常僅會分析極小比例的關鍵特徵。然而，透過人工智慧，此流程的效率將能大幅提升。藉由運用設計資訊，人工智慧可優化掃描位置，並引導電子束檢測聚焦於缺陷發生機率最高的區域。
新的做法將是：
- 透過學習電子束在產品佈局中的行為，來優化掃描位置的選擇
- 優先檢查可透過電子束觀察到的關鍵導線
- 在相同的時限內，能達到遠高於以往的關鍵區域檢查率
- 與未採用人工智慧的解決方案相比，其掃描的可觀測導線長度所佔比例顯著更高
遴選標準包括優先考慮：
- 信噪比良好的金屬線路
- 長度足以呈現具實質意義的臨界區域的線段
- 具有適當接地特性的線路，須能透過電子束檢測加以觀察。
-
未知系統性缺陷檢測
半導體製造過程中那些未知的系統性失效模式構成了重大挑戰，因為若缺乏適當的檢測演算法，這些失效模式往往難以被察覺。人工智慧可透過分析設計模式，並依據歷史資料與行為資料來評估潛在失效點的優先順序，從而解決此一挑戰。
在人工智慧的支援下，其做法將是：
- 繪製整體佈局的圖示圖
- 運用模糊模式演算法，將模式分類至故障模式群組中
- 應優先編列預算，用於檢查未知系統性模式
- 目標是大幅提升系統性失效模式的覆蓋率，並捕捉高達 99% 的未知系統性模式位置
-
掃描測試驅動的檢驗
透過將掃描測試資料與檢測流程整合，人工智慧的影響力將能進一步放大。藉由分析掃描向量並識別失效網路，我們預期人工智慧模型將能建立針對性的檢測方案，以找出系統性的失效模式。此項整合將使工程師能夠將物理設計屬性與觀察到的缺陷建立關聯，從而顯著提升診斷準確度。
舉例來說，若某項掃描測試指出某個網路出現故障，人工智慧應能分析佈局並找出潛在的故障點，例如過孔或相交的金屬線。這種做法將有助於進行針對性的調查，既能節省時間與資源，又能提升整體診斷效果。
此方法將利用掃描測試結果來指導檢驗：
- 識別與掃描測試失敗相關的特定網路
- 分析這些網內及周邊可能出現的系統性故障模式
- 針對這些特定圖案，優化電子束檢測配方
- 即使系統性故障對良率的影響比隨機缺陷小 100 倍，仍能成功識別出這些故障
導入人工智慧的戰略優勢
將人工智慧整合至半導體檢測工作流程中，可帶來多項整體效益：
- 提升產能：像 eProbe 這樣的 AI 驅動工具會優先處理關鍵區域，在大幅縮短檢測時間的同時提升檢測覆蓋率。這使製造商能夠在確保瑕疵檢測精準度的前提下，如期完成緊湊的生產時程。
- 降低成本：透過鎖定高優先級領域並減少不必要的檢查，人工智慧能將資源支出降至最低。加上其提升診斷精準度的能力，這將帶來具成本效益的運作。
- 精準度提升：人工智慧分析設計資料與行為模式的能力，能實現更精確的缺陷檢測與診斷，從而確保更高的良率，並降低每十億個缺陷（DPB）的指標。
- 面向未來：隨著半導體驅動 5G 等新興技術的發展，人工智慧驅動的檢測能力提供了滿足不斷演變需求所需的適應性與精準度。
半導體檢測的未來發展方向
運用人工智慧將設計資料與檢測及診斷整合，可能會帶來一場範式轉移。從優化隨機缺陷檢測，到偵測未知的系統性故障並強化診斷能力，人工智慧為重新定義半導體製造的可能開闢了新途徑。
為了充分發揮人工智慧的潛力，半導體製造商應考慮採取以下下一步措施：
- 投資人工智慧平台：像 Fire AI 和 Siemens Tessent 這樣的平台，提供了經過實證的能力，可將設計與掃描測試資料整合至檢測工作流程中。
- 聚焦技能發展：為團隊提供有效運作人工智慧驅動系統所需的知識與工具。
- 採取協作式方法：設計、測試與分析平台之間的合作夥伴關係，能釋放協同效應，從而將人工智慧的影響力發揮到極致。
透過這些策略，製造商不僅能解決當前的檢驗挑戰，更能為未來建立競爭優勢。
結論
透過將設計資訊與檢測及診斷整合，半導體製造商將能大幅提升缺陷檢測與良率管理效能，而無需等待大量訓練資料。此方法預期能在檢測效率與系統性缺陷檢測方面實現數個數量級的提升，為在半導體製造中實施有效的人工智慧模型開闢了一條途徑。
設計、測試與良率資訊的整合，將代表半導體檢測與診斷能力的一項重大進展，特別是在處理難以偵測的過孔與接點等棘手缺陷的同時，還能有效應對傳統檢測方法在吞吐量方面的限制。