化合物半導體產業面臨著一項持續存在的挑戰：在晶體生長與外延過程中產生的缺陷，往往要到最終測試或組裝階段才會顯現，屆時再想防止良率損失已為時已晚，且代價高昂。 對於從事碳化矽（SiC）、氮化鎵（GaN）和砷化鎵（GaAs）材料製造的廠商而言，問題不在於基板缺陷是否會影響良率，而在於如何在晶圓進入後續製程之前，預測並減輕這種影響。
複合半導體製造的挑戰
化合物半導體已成為矽無法應對的應用領域中不可或缺的元件。其高電子遷移率使 5G/6G 射頻晶片及驅動現代通訊的高速電子元件得以實現。其直接能帶隙特性使 LED、雷射二極體及紅外線感測器能夠高效發光。其高擊穿電壓，結合優異的熱導率，使其能在電動車電力電子設備、快速充電器及再生能源系統所需的極端條件下運作。
然而，這些性能優勢伴隨著製造上的複雜性，進而引發了三個關鍵問題：
源頭的材料缺陷。 晶體生長與外延是成本高昂的製程，缺陷往往源自於此，但這些缺陷通常要到後續的測試與組裝階段才會顯現。屆時，這些最終將被報廢或良率極低的晶圓，早已被賦予了可觀的附加價值。若缺乏整合的資料系統，要將這些失效問題追溯至其源頭——即基板或外延層——將十分困難。
分散於不同系統中的孤島式資料。 製造數據分散於多個廠區、晶圓廠及設備系統之中。若缺乏一個能將基板缺陷、生產線製程數據及最終電氣測試結果相互關聯的集中化視圖，根本原因分析便會淪為耗時的手動作業，而非系統化的工程流程。
干擾性缺陷淹沒了有效訊號。 晶圓缺陷圖被大量不影響良率的非關鍵「干擾缺陷」淹沒，導致真正關鍵的致命缺陷被掩蓋。再加上因返工和批次分割所造成的基板識別碼變更等資料品質問題，使得信噪比變得難以進行有意義的分析。
一種端對端資料整合方法
要應對這些挑戰，需要一個能夠整合整個製造流程中數據的平台——從晶錠生長、外延、晶圓前端製程，直至組裝與最終測試。Exensio® 平台將線上缺陷與量測數據、設備感測器數據、電氣測試結果以及組裝追溯性，整合成一個單一且連貫的層級結構。
這種統一的資料結構，能夠將故障晶片追溯至原料批次、所使用的特定製程工具與配方，甚至追溯至其生產時的製程條件。對於化合物半導體製造商而言，這種完整的可追溯性正是使預測性機器學習得以付諸實行的基礎。
該平台目前已部署於全球超過 100 家半導體公司，其中有超過 10 家化合物半導體製造商正運用該平台，針對整合式裝置製造商（IDM）、代工廠及無廠半導體企業等各類營運模式，實施全企業範圍的良率管理。
機器學習方法：從基板缺陷到良率預測
其核心創新之處在於，將製造流程最初期所產生的基板缺陷，與電氣測試的最終合格／不合格結果相互關聯。這使得我們能夠辨識哪些缺陷類型真正影響良率、在製程更早階段預測良率，甚至在基板進入後續工序之前即進行分級。
分析流程
機器學習的工作流程包含五個關鍵步驟：
- 資料蒐集與映射。 除電氣測試的分類圖資料外，還會同步收集基板缺陷資料（或來自後續製程步驟的線上缺陷資料）。透過 Python 腳本，將絕對缺陷座標映射至由分類圖配置所定義的晶粒座標系，從而能夠針對每個晶粒直接比較缺陷數量與電氣測試結果。
- 智慧型缺陷篩選。 並非所有缺陷都具有同等的重要性。此 Python 腳本會識別並篩選兩類特殊缺陷：
- 強效殺手：殺死率大於 0.9 的缺陷，幾乎總是會導致晶片失效。包含強力殺死缺陷的晶片會自動標記為失效。
- 負相關缺陷：這類缺陷奇怪地在合格晶片中出現的頻率高於不合格晶片，這表明它們並非限製良率的因素。
這兩類資料均已從訓練資料集中移除，以便模型僅專注於具有預測意義的訊號。
- 特徵降維。 將缺陷特徵進行標準化處理，並應用主成分分析（PCA），保留 95% 的變異量。這種維度縮減方法既能捕捉重要資訊，又能避免模型因冗餘或實用性較低的特徵而過度負載。
- 模型訓練。 XGBoost 分類器是針對經過篩選與縮減的特徵集進行訓練，並採用 10 折交叉驗證，同時保持類別平衡，以避免對單一結果產生偏誤。該模型會根據缺陷特徵，學習預測模具層級的合格／不合格機率。
- 預測與評估。 經訓練的模型會預測每個晶粒是否能通過或未能通過電氣測試。一套覆寫規則確保任何具有嚴重致命缺陷的晶粒，無論模型的機率輸出結果為何，都會自動判定為「未通過」。結果包含混淆矩陣、分類指標（精確率、召回率、F1 分數），以及最關鍵的——預測晶圓良率與實際晶圓良率的比較。
在「火力不足」與「火力過剩」之間取得平衡
一項關鍵功能是可調整的機率閾值，讓使用者能根據業務優先順序來微調模型的運作行為。較低的閾值會增加「判定過寬」的風險（讓瑕疵晶片漏過），但可能減少「判定過嚴」的情況（將良品晶片淘汰）。較高的閾值則會產生相反的效果。這種靈活性讓工程師能根據其特定的經濟限制，在良率損失與製造成本之間取得平衡。
適用於生產環境的互動式使用者介面
只有當工程師能夠在日常工作中實際運用這些分析工具時，它們才具有價值。該實作包含一個專為直觀導航而設計的互動式使用者介面：
- A 著陸頁 提供概覽及側邊欄導覽
- 一則 簡介頁面 列出輸入要求及資料匯入程序
- A 使用說明頁面 引導使用者完成輸入設定，並展示如何以自訂的 Python 腳本取代預設模型
- 該 預測頁面 才是實際進行分析的場所，此處設有輸入欄位，用於選取分組欄位、執行缺陷座標映射、設定通過／失敗閾值，以及執行預測
- 結果部分 呈現特殊缺陷類別、分類效能指標、三向晶圓圖比較（實際、預測及顯示假陰性與假陽性的差異圖），以及按晶圓與批次劃分的實際與預測良率對比表格／散點圖
- 附錄 附錄頁面 彙整了支持該範本的背景知識
關鍵的是，使用者可以直接在範本中開啟並修改 Python 腳本，藉此將模型調整為符合其自身的流程知識與需求。
實際應用：碳化矽案例研究
此方法已透過碳化矽（一種對電動車及高功率應用至關重要的寬禁帶材料）進行驗證。在此案例研究中，研究人員將基板缺陷與電氣測試結果進行對應，對缺陷進行過濾與分類，並訓練 XGBoost 模型以預測晶粒層級的良率。
研究結果展現了幾項實用功能：
- 早期產量預測 基於基板缺陷，在產生顯著附加價值之前進行預測
- 識別會對產量造成實質影響的致命缺陷類型 以區分哪些缺陷會真正影響產量，哪些則是無害的干擾性缺陷
- 基板分級 在晶圓進入昂貴的後續製程之前評估其潛力
- 視覺證據 透過二進位圖比較所獲得的視覺證據，工程師可據此作為決策依據
- 定量指標 用於評估模型效能與產量預測精準度
解決製造業的核心挑戰
這種整合式方法直接應對了化合物半導體製造中的三大根本挑戰：
遲發性材料缺陷： 透過端對端資料整合與機器學習，製造商能在製程中更早階段預測缺陷的影響、識別致命缺陷，並在晶圓進入下游工序前完成基板分級。
孤立且互不連通的数据： 該平台將來自多個據點及既有系統的資料整合至單一環境中，提供完整的可追溯性，以利進行根本原因分析，並提供更有效的供應商回饋。
無害缺陷與變異性： 智慧型缺陷篩選與相關性分析能將無害缺陷與真正重要的缺陷區分開來，而具備可調整閾值的預測性機器學習模型，則讓使用者能根據其特定的風險與成本優先順序，在「篩查不足」與「篩查過度」之間取得平衡。
前行的道路
隨著化合物半導體在下一代應用中扮演日益關鍵的角色——從 5G/6G 通訊到電動車，再到再生能源——製造商需要能夠跟上其複雜性發展步伐的工具。透過整合統一的資料整合、智慧篩選與機器學習預測，可為更早的介入、更明智的決策，以及最終更高的良率，開闢出一條道路。
Exensio 平台已獲得實證，目前已有超過 10 家化合物半導體製造商在量產過程中採用該平台。隨著產業持續擴大規模，預測並預防因源極缺陷所導致的良率損失的能力，將不僅是一項優勢，更將成為具競爭力製造的必要條件。