文章來源：SMICONDUCTOR ENGINEERING

隨著半導體器件向更精密的封裝方案持續演進，傳統光學檢測技術正逐漸觸及物理與計算的雙重邊界。

對2.5D/3D集成、混合鍵合及晶圓級工藝的依賴日益加深，使得缺陷檢測的一致性與時效性面臨嚴峻挑戰 —— 若無法在早期精準識別缺陷，產品良率將難以保障。盡管光學檢測仍是工藝控制的核心環節，但其發展路徑已在悄然改寫，不斷顛覆著人們對其應用場景與方式的固有認知。

從 “分辨率競賽” 到 “可用性革命”

多年來，光學檢測的發展路徑遵循著可預測的模式 —— 通過提升靈敏度與分辨率，跟上幾何尺寸縮小的步伐。這些努力帶來了顯著進步，卻也引發了遠超單純縮放挑戰的新難題。

“當特征尺寸縮小一半，要在相同分辨率下覆蓋相同區域，傳感器像素數量需增至四倍。” 諾信測試與檢測公司研發總監約翰?霍夫曼表示，“這種縮放對相機技術和數據處理形成了持續壓力?！?/p>

此外，向 3D-IC 及其他先進封裝的轉型，催生了傳統檢測方法難以應對的場景：高分辨率光學系統與先進照明技術常產生海量無效檢測數據；而更薄的晶圓與更高的堆疊結構則會引發翹曲與景深問題，削弱測量穩定性。

“先進封裝的挑戰不止于分辨率。”Onto Innovation 檢測產品營銷主管 Damon Tsai 指出，“當多顆芯片堆疊時，有時真正的問題是能否看到關鍵結構本身。”

這些限制迫使檢測流程重新設計處理與夾具方案。設備供應商與研究機構已轉向多通道照明、紅外及激光傳感技術，結合更先進的信號處理，以破解下一代器件的可見性與測量難題。

過去二十余年，光學檢測技術的改進始終圍繞 “捕捉更精細細節” 展開。隨著制程節點縮小、特征尺寸逼近個位數微米，行業投入集中在提升橫向分辨率、縮小像素尺寸與拓展景深上。當時的共識是：更優異的光學系統與更精準的照明方案，自然能帶來更高效的缺陷檢測與更高良率。這一思路在諸多場景中收效顯著 —— 靈敏度閾值大幅提升，光學系統對微小特征的測量精度與重復性均實現質的飛躍。

然而，3D 集成、混合鍵合與晶圓級工藝的普及，卻揭示了更復雜的現實：在這些場景中，“看見更小細節” 往往只是起點。高分辨率光學系統可能放大無關背景紋理，或誤判無功能影響的干擾顆粒；當器件堆疊至 12 層以上、重分布層結構愈發復雜時，單晶圓的潛在缺陷信號可能飆升至數萬個。對如此海量數據的審核、分類與篩選，不僅會拖慢生產節奏，更會削弱先進封裝本應帶來的效率紅利。

“過度追求靈敏度，往往會同時放大背景噪聲、增加無效檢測量。”Onto Innovation 檢測產品營銷主管 Damon Tsai 補充道，“這種權衡之下，濾波與分類策略的重要性愈發凸顯。”

即便光學清晰度持續提升，技術的實際價值仍取決于數據解讀效率。問題的核心不僅是收集更多或更高分辨率的圖像，更在于精準判斷：哪些信息與工藝控制強相關？哪些信號可安全忽略？隨著檢測系統生成的數據集規模劇增，工作重心已從 “單純檢測” 轉向 “智能分類與關聯分析”。

“每顆芯片內部都包含數百萬個數據點。”普迪飛（PDF Solutions）解決方案架構高級總監Marc Jacobs) 表示：“個性化分析檢測數據的關鍵，不在于機械套用閾值，而在于將預期值與實測值動態比對 —— 這正是提升異常檢測能力的核心邏輯。”

AI/ML 的深度應用，成為應對這一挑戰的重要突破口。但 AI 并非萬能解藥：不同封裝場景需匹配差異化的檢測閾值與策略 —— 在扇出型晶圓中至關重要的缺陷，在低密度組件中可能完全可接受，反之亦然。這些場景化因素要求工藝工程師與檢測團隊深度協作，共同定義 “影響良率的關鍵缺陷”。對眾多制造商而言，從 “追求極致分辨率” 到 “追求極致可用性” 的轉變，已成為檢測策略升級的核心命題。

破解物理難題：翹曲、薄晶圓與混合鍵合的挑戰

基板日益纖薄、器件堆疊不斷增高，帶來了一系列前端工藝罕見的機械挑戰，使光學檢測復雜度陡增。在先進封裝中，翹曲已非偶發干擾，而是持續存在的系統性問題 —— 它可能扭曲測量結果、掩蓋關鍵特征，甚至導致晶圓間的檢測重現性失效。隨著封裝密度提升與器件向 2.5D/3D 形態升級，晶圓（或面板）的機械穩定性已與檢測工具的光學性能同等重要。

檢測這些薄且柔性的結構，通常有兩種思路：要么將晶圓壓平，要么動態調整光學系統以適配不規則表面，但兩者皆有取舍。壓平可能引發機械應力或碎裂風險；動態聚焦跟蹤則需復雜的傳感與控制回路，可能犧牲吞吐量或測量一致性。在部分場景中，唯一可行的解決方案是將高精度機械夾具與先進圖像校正算法結合，以穩定數據采集質量。

Bruker應用開發主管 Samuel Lesko表示：“隨著封裝結構日益復雜，僅僅聚焦與測量已遠遠不夠。必須最大限度消除翹曲，創建可重復保持平整的參考狀態，否則計量結果將毫無意義。”

工程師們正通過新材料研發與真空吸盤設計創新優化處理方案。這類機械改進是抵御變形的第一道防線，尤其當晶圓薄至易因自重彎曲時：均勻的支撐面可減少局部應力點，避免測量誤差甚至晶圓破損。但即便設計再精密，翹曲仍是需持續監控與補償的動態變量。

“翹曲必須被實時追蹤。” John Hoffman解釋道，“通常需借助外部傳感器粗測表面變形，再動態調整檢測傳感器位置以確保測量準確性。”

以陶瓷真空吸盤為例，其能更均勻地分散薄襯底壓力、減少局部變形，但即便如此，單芯片范圍內的晶圓翹曲仍可能超過 100 微米 —— 遠超多數傳統光學系統的景深范圍，直接導致頻繁失焦、測量邊緣模糊與疊層數據不可靠。

將光學信號與物鏡的局限性分離，已成為活躍的研究領域。白光干涉測量等方法正在開發中，以幫助在表面不平整或傾斜時保持垂直分辨率。這些技術可通過分離地形信息與焦點變化補償特定類型的變形，但其有效性仍依賴可預測的基線形狀與已知邊界條件。

Lesko 表示：“白光干涉法可將景深壓縮至 2μm 以下，且與光學放大率無關，即便在透明、不平整或翹曲的表面，仍能保持垂直分辨率。這種分離能力讓系統能精準區分真實地形與光學偽影。”

混合鍵合則帶來了另一重挑戰：與傳統焊料凸點不同，其界面可能存在微小空洞或未鍵合區域，僅靠光學技術難以識別。這些空洞雖可能僅幾納米深，卻可能引發電連接失效或長期可靠性問題。因此，光學檢測常與聲學方法、原子力顯微鏡聯用驗證鍵合質量。對納米級表征的需求，正推動設備商開發 “混合計量平臺”—— 將多種傳感模式集成于同一系統。

“隨著鍵合間距縮小、界面需納米級表征，原子力顯微鏡與光學輪廓測量的聯用價值愈發凸顯。”Lesko 指出，“兩種技術的信息融合，既能高效篩選缺陷，又能深度解析缺陷焊盤與界面質量。”

圖 1：混合鍵合的常見工藝缺陷。來源：Onto Innovation

可以說，在先進封裝檢測中，物理平整度、光學清晰度與混合鍵合驗證的平衡，仍是最棘手的長期挑戰。夾具設計、信號處理與多模式傳感的哪怕微小進步，都可能顯著提升良率與可靠性 —— 這也是如今研發重心既關注分辨率提升，更重視測量環境穩定性的原因。

多維度創新：從照明技術到智能算法

隨著檢測場景日趨復雜，單一照明源已難以滿足先進封裝需求。傳統明場 / 暗場照明在多層堆疊中，常難以區分污染物、結構缺陷與背景粗糙度，易導致檢測不一致或誤報率飆升 —— 尤其當工藝中存在有機殘留物、薄膜空洞與表面反射率差異時。

為此，設備商推出多通道照明策略：融合不同波長、角度與偏振態的光源。例如，紅外成像可穿透硅片識別隱藏界面（盡管對金屬仍有局限）；激光照明則能凸顯傳統光源下 “隱身” 的殘留物 —— 如銅 - 銅鍵合中殘留的有機薄膜，在特定窄帶激光下可通過對比度提升被精準捕捉。

Onto 的 Tsai 表示：“傳統明場照明從頂部直射，會‘穿透’所有結構；而多角度照明能減少前層噪聲，讓目標特征更突出。”

除波長外，照明角度對減少干擾信號至關重要。傾斜或多角度照明可抑制深層反射、增強特定表面對比度，但需精細校準以避免引入偽影或降低測量一致性 —— 不同照明通道還需與對應檢測光學系統、濾波器匹配，才能保證信號質量。

硬件升級雖拓展了可成像范圍，卻也帶來了數據集復雜度激增的問題：多通道檢測生成的原始數據量，常為傳統明場檢測的數倍。這使得嵌入式信號處理與機器學習成為剛需 —— 唯有如此，才能從海量信息中精準提取關鍵缺陷特征。

當然，“增加更多照明模式是否會產生邊際效益遞減” 仍是行業爭議點：額外通道會增加成本、延長校準時間，還可能增加系統間結果不一致的風險。但在混合鍵合與高密度封裝領域，多照明模式已從 “可選配置” 變為 “必選項”，其價值遠超過權衡成本。

“這就像算法 —— 有些能解決問題，卻因算力需求過高難以規模化應用?！?strong>Nordson’s Hoffman類比道，“照明通道也是如此：越多，越需關注數據量與一致性的平衡。”

AI 賦能：從 “數據洪流” 到 “決策閉環”

多通道檢測的普及帶來了新挑戰：數據量已遠超人工審核極限。即便是靈敏度或照明復雜度的小幅提升，都可能導致待分類的原始圖像與特征圖數量呈數量級增長。在此背景下，機器學習已從 “錦上添花” 變為 “不可或缺”—— 它是將高分辨率光學信號轉化為可執行信息的核心引擎。

早期 AI 在檢測中的應用集中于圖像分類：通過訓練模型識別已知缺陷類型并歸類，減少無效檢測量，加速缺陷相關性驗證。如今，這些模型已進化到能理解“缺陷在不同工藝步驟與材料堆疊中的表現規律”。

“過去，檢測流程需大量手動設置配方、轉換 CAD 數據；現在，AI 可自動生成配方，大幅縮短設置時間、降低誤差。”Charlie Zhu 表示。

越來越多的檢測系統正告別 “數據采集后傳至外部集群分析” 的模式，轉而在本地嵌入 AI 模型，實現實時分類與過濾。這種硬件加速方案能通過消除數據傳輸延遲提升吞吐量，但也引發了 “透明度與可重復性” 的擔憂 —— 神經網絡的 “黑箱特性” 讓部分工程師對其決策邏輯存疑。

“在某些精密測量場景，傳統算法仍更可靠 —— 它們在原生分辨率下運行，而深度學習模型的‘縮放 - 還原’過程可能損失位置精度。”Charlie Zhu 補充道。

AI 的另一挑戰是模型過度擬合特定產品類型或工藝條件的風險：當引入新材料或結構時，訓練數據可能無法覆蓋生產變量?！皼]有放之四海而皆準的模型?！?strong>Hoffman 坦言，“即便用海量數據訓練，當產品組合變化或出現未知場景時，仍可能失效。”

因此，許多企業采用 “混合工作流”：將確定性算法與機器學習過濾器結合。這種分層方案既能保留高置信度測量結果，又能借助 AI 捕捉意外異?；蚣毼⑷毕菽Ｊ?。

盡管存在局限，AI 驅動的檢測已成為高容量先進封裝場景的剛需 —— 僅靠傳統規則邏輯，根本無法應對數據分類的速度與規模要求。工程師們普遍認為，隨著工藝演進，確定性檢測與數據驅動檢測的平衡，將始終是動態調整的課題。

從 “孤立檢測” 到 “閉環智能”

光學與機器學習的進步拓展了檢測邊界，但 “識別缺陷” 與 “理解缺陷影響” 之間仍存在鴻溝。尤其在多品種生產中，工藝窗口頻繁變動，僅靠檢測數據往往難以判斷偏差是否影響器件可靠性。因此，企業正大力推進 “檢測系統 - 工藝控制 - 設計數據” 的聯動，構建更具預測性的良率模型。

“將 AI 直接嵌入檢測工具，可減少海量數據向外部服務器的傳輸需求。”Tsai 表示，“這種方式既能保證吞吐量，又能為工藝控制系統提供足夠的反饋信息。”

傳統模式中，檢測結果多作為追溯檔案或用于事后失效分析；如今，制造商更期待檢測數據直接驅動閉環工藝調整 —— 通過對比測量結果與統計過程控制（SPC）模型、設計意圖，實時優化沉積速率、蝕刻輪廓或鍵合參數。在部分先進流程中，檢測數據還能動態生成新的工藝配方，實現參數的自適應調整。

“機器學習已能實現‘知識遷移’—— 即便客戶在不同工藝節點間快速切換，模型也能借鑒早期設計經驗。”普迪飛的 Jacobs指出，“這有助于減少樣本量需求、縮短工藝學習周期。”

“機器學習無疑能大幅降低生產中的誤報率。”Tignis 營銷副總裁 David Park 補充道，“雖無法完全消除，但能顯著減少無效排查時間，加速根因分析。”

這種聯動在先進封裝中尤為關鍵：“已知良好芯片” 策略的有效性，取決于 “良好” 定義能否隨工藝演進更新。當新材料、新互連結構出現時，基于舊工藝的參考庫可能失效。因此，許多企業采用 “混合策略”：將確定性 SPC 模型與自適應學習系統結合，以應對工藝的細微波動。

檢測數據與設計信息的融合，還優化了采樣策略 —— 不再依賴隨機抽樣或固定間隔檢測，而是瞄準仿真預測的高風險區域。這種 “靶向檢測” 能在不降低靈敏度的前提下減少開銷，但需設計、計量與生產流程深度協同，這也是多數企業尚未實現全自動化反饋的核心原因。

即便在該領域領先的企業，仍面臨數據治理與模型透明度的挑戰：基于專有工藝數據訓練的 AI 模型難以審計，多供應商數據集的整合也存在兼容性與安全風險。因此，模塊化系統成為主流選擇 —— 讓確定性規則與機器學習輸出共存，避免對單一技術的過度依賴。

結語：邁向 “動態感知” 的未來

先進封裝的持續演進，將推動光學檢測面臨更復雜的技術與運營挑戰。晶圓對晶圓混合鍵合、背面功率傳輸、雙面處理、異質材料集成等新工藝，正不斷突破傳統檢測架構的極限；而基板更薄、堆疊更多等趨勢只會加劇這些壓力。

隨著線寬縮小和互連密度增加，翹曲、表面變形與反射率不一致預計將變得更難控制。同時，隨著 AI 在更多缺陷場景中應用，模型驗證與治理框架的清晰度將愈發重要；當檢測從 “被動識別” 走向 “主動預測” 時，過度擬合、模型漂移與透明度不足仍將是持續存在的風險。

但挑戰背后，是更廣闊的創新空間。多通道成像、嵌入式機器學習與設計流程的深度融合，正將檢測從 “靜態檢查點” 重塑為 “動態良率優化工具”。未來十年，光學檢測的核心將不再是 “孤立觀察最小特征”，而是 “聯動多源數據，構建全流程的清晰認知”—— 這正是先進封裝時代賦予檢測技術的新使命。