引言

人工智能（AI）的進步正為包括半導體制造在內的多個行業帶來革命性變革。利用 AI 開展半導體檢測與診斷工作，已成為一種可能改變行業格局的策略，有助于提高生產效率、識別以往無法察覺的缺陷，并縮短產品上市周期。本文將探討人工智能與半導體設計信息相結合后，如何為更高效的檢測與診斷流程助力。

半導體檢測面臨的挑戰

半導體制造本身具有極高的復雜性，涉及微觀結構和復雜設計，每個環節都對精度有嚴苛要求。其中最突出的挑戰是檢測傳統方法（如光學檢測）無法識別的缺陷，包括亞表面缺陷、微小過孔或隱蔽短路等。

傳統檢測方法（如光柵掃描電子束技術）的吞吐量較低，難以滿足現代生產周期的高速需求。這些挑戰亟需更智能、更快速、更可靠的解決方案，而這也為 AI 技術在半導體檢測領域的應用奠定了基礎。本文將探討幾個我們認為AI 有望推動檢測與測試工作實現提速增效、提升可靠性的領域。

推動 AI 應用于檢測的基礎能力

人工智能驅動的檢測流程將以多項基礎能力為支撐，每項能力都可能在優化檢測結果中發揮關鍵作用。這些能力包括：

圖片來源：視頻資料

1、eProbe技術：與傳統光柵掃描電子束方法不同，eProbe采用點掃描方式，可直接跳轉至目標區域。這種創新的掃描方法能使吞吐量實現數量級提升。

2、Fire AI 與模糊模式算法：Fire AI 平臺可匯總設計幾何特征和電氣性能，實現更精準的缺陷檢測。其模糊模式算法能將布局模式歸類為失效模式家族，提高檢測的針對性。

3、引導式分析：通過將設計數據和掃描診斷數據整合到引導式分析工具中，工程師能更深入地掌握問題根源，從而更快速、準確地開展診斷工作。

具備儀表盤功能的自動化每日良率摘要；

可檢測以往無法識別的其他根本原因；

將掃描診斷得出的物理位置信息與布局模式分析相關聯；

識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 平臺增強了掃描診斷功能，能提供失效單元和網絡的相關信息，并通過先進的機器學習算法（根本原因解卷積）實現失效模式提取。這一合作體現了設計信息與人工智能驅動的分析之間的協同效應。

將 Tessent 的掃描診斷數據導入Exensio平臺 ；

原始診斷報告包含失效網絡、單元及物理位置信息；

基于機器學習的“良率洞察”可分析芯片群體模式；

該集成解決方案能實現更高效的失效分析與診斷；

基于人工智能的智能檢測方案

人工智能與半導體檢測的融合將催生多項創新，同時提升檢測的速度與準確性。借助半導體設計信息，AI 算法能夠生成針對性檢測方案、確定缺陷檢測的關鍵區域，并優化診斷流程。以下是我們認為人工智能將產生變革性影響的三個關鍵應用領域。

圖片來源：視頻資料

1、隨機缺陷檢測

受時間限制，傳統隨機缺陷檢測通常僅分析極小比例的關鍵特征。而借助人工智能，這一過程的效率將大幅提升。通過利用設計信息，人工智能可優化掃描位置，引導電子束檢測聚焦于最可能存在缺陷的區域。

新方法具體如下：

通過了解電子束在產品布局上的表現，優化掃描位置選擇；

優先檢測電子束可觀測的關鍵導線；

在相同時間預算內，實現更高比例的關鍵區域檢測；

相比無人工智能支持的方案，可掃描的可觀測導線長度比例顯著提高；

選擇標準包括優先考慮：

信噪比良好的金屬線；

長度足夠、能體現關鍵區域特征的導線；

接地特性適宜、可被電子束檢測的導線；

2、未知系統性缺陷檢測

半導體制造中的未知系統性失效模式是一大難題，若無合適的檢測算法，這類缺陷往往難以被發現。人工智能可通過分析設計模式，并依據歷史數據和性能數據確定潛在失效位點的優先級，從而應對這一挑戰。

在人工智能支持下，具體方法如下：

對整個布局進行繪圖分析；

利用模糊模式算法將模式歸類為失效模式組；

為未知系統性模式優先分配檢測資源；

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

3、掃描測試驅動的檢測

將掃描測試數據與檢測過程相結合，能進一步放大人工智能的作用。通過分析掃描向量并識別失效網絡，人工智能模型可生成針對性檢測方案，以定位系統性失效模式。這種融合能使工程師將物理設計屬性與觀測到的缺陷相關聯，顯著提高診斷準確性。

例如，若某一掃描測試發現某一網絡失效，人工智能可分析布局并識別潛在失效位點（如過孔或交叉金屬線）。這種方法能實現針對性調查，減少時間和資源消耗，同時提升整體診斷水平。

該方法將利用掃描測試結果指導檢測：

識別與掃描測試失效相關的特定網絡；

分析這些網絡內部及周邊潛在的系統性失效模式；

優化電子束檢測方案，聚焦這些特定模式；

即便系統性失效對良率的影響比隨機缺陷小100倍，也能成功識別；

人工智能應用的戰略優勢

將人工智能整合到半導體檢測流程中，可帶來多方面的顯著優勢：

提高吞吐量：eProbe 等人工智能驅動工具可優先處理關鍵區域，在減少檢測時間的同時擴大覆蓋范圍。這使制造商能滿足緊張的生產進度要求，同時不影響缺陷檢測效果。

降低成本：通過聚焦高優先級區域、減少不必要的檢測，人工智能可最大限度降低資源消耗。再加上其增強診斷的能力，能實現更具成本效益的運營。

提升準確性：人工智能具備分析設計數據和性能模式的能力，可使缺陷檢測和診斷更精準，確保更高的良率和更低的每十億缺陷數（DPB）。

面向未來：隨著半導體為5G 等新興技術提供支持，人工智能驅動的檢測能力可提供滿足不斷變化的需求所需的適應性和精度。

半導體檢測的發展方向

利用人工智能將設計數據與檢測、診斷相結合，可能是一場范式轉變。從優化隨機缺陷檢測到發現未知系統性失效，再到增強診斷能力，人工智能為重新定義半導體制造的可能性開辟了道路。

為充分發揮人工智能的潛力，半導體制造商應考慮以下后續步驟：

投資人工智能平臺：Fire AI 和西門子Tessent 等平臺在整合設計、掃描測試數據與檢測流程方面具備成熟能力。

加強技能培養：為團隊配備有效操作人工智能驅動系統所需的知識和工具。

采用協作模式：設計、測試和分析平臺之間的合作可釋放協同效應，最大限度發揮人工智能的作用。

通過這些策略，制造商不僅能解決當前的檢測挑戰，還能為未來構建競爭優勢。

結論

通過將設計信息與檢測、診斷相結合，半導體制造商無需等待大量訓練數據，就能顯著改進缺陷檢測和良率管理工作。這種方法有望在檢測效率和系統性缺陷檢測方面實現數量級提升，為在半導體制造中應用有效的人工智能模型提供了途徑。

設計、測試和良率信息的這種融合，將是半導體檢測與診斷能力的重大進步，尤其在解決過孔和接觸等難以檢測的缺陷，以及應對傳統檢測方法的吞吐量限制方面效果顯著。