核心要点
采用硅通孔（TSV）和混合键合技术的多芯片集成封装中，工艺偏差正成为愈发严峻的问题。
此类器件的检测需要多模态检测方法相结合。
人工智能在提升缺陷捕获率、区分致命缺陷与假阳性缺陷方面发挥着重要作用。
堆叠芯片中采用硅通孔和混合键合的新型器件互连方式，呈现出高度的工艺偏差特性，这让传统的缺陷检测流程变得复杂。由于这些先进封装架构尚未成熟，相比以往，确定最优的检测方法也更具挑战性。
封装技术的多元化发展，使得需要表征的缺陷数量和类型不断增加，包括空洞、残留物、薄膜不连续以及图形对准偏差等，而这些缺陷又会进一步影响 2.5D 和 3D 多芯粒集成封装的长期可靠性。
工艺偏差是问题的核心所在，即便是最成熟、最可靠的光学检测方法，也会因前期工艺及由此产生的偏差而难以实施。昂通创新（Onto Innovation）产品营销总监韩祐永表示：“采用硅中介层和扇出技术的芯粒封装中，芯片间存在显著的工艺偏差，这降低了传统的黄金芯片对比法和芯片间对比检测法的可靠性。” 尽管这两种方法的检测精度颇高，但受封装工艺偏差的影响，想要找到一颗完美的 “黄金芯片” 难度极大。
尽管如此，目前已有新的检测工具能够更快得出检测结果，且能更精准地区分实际缺陷与伪缺陷。韩祐永补充道：“由机器学习驱动的缺陷检测与自动缺陷分类（ADC）技术，提升了检测的稳健性，能更精准地识别缺陷，同时减少假阳性检测或伪缺陷误判的情况。”
当下的解决方案
先进封装中存在多种可能导致良率损失的缺陷，这些缺陷会影响器件的性能和可靠性，例如在焊锡凸点检测中发现的开路、短路和不良凸点。在晶圆对晶圆、芯片对晶圆的铜 - 铜混合键合工艺中，晶圆上出现的空洞、氧化铜残留物以及凸点 / 焊盘对准偏差等问题，也会对良率造成显著影响。
红外检测技术可实现晶圆 100% 全覆盖的芯片内部裂纹检测，其多分辨率成像设计能确保在多层结构中识别裂纹所需的对比度。
工程师们正采用基于光学 / 红外自动检测（AOI）、电子束、X 射线和声学的多种检测工具，对硅通孔结构进行无损检测。光学 / 红外自动检测是速度最快的方法，部分企业还通过开发更强大的软件、为单台检测工具配备多个传感器的方式，进一步提升检测效率。该技术能成功检测出多种缺陷，国际电子制造业联盟（iNEMI）针对基板供应商、外包半导体封装测试厂（OSAT）、电子制造服务提供商（EMS）和检测设备制造商开展的一项调研，列出了先进基板大规模生产中，光学 / 红外自动检测设备能捕获的主要缺陷类型，包括层压板 / ABF 基板的基材缺陷、短路、铜瘤、缺铜（针孔）、表面划痕、铜线路宽度过宽 / 过窄以及通孔对准偏差等。
此外，先进封装中的互连层级近期才从两层增至五层（从芯片到基板），芯片制造与印刷电路板组装之间原本清晰的界限正逐渐模糊 —— 硅通孔、混合键合这类前段工艺，不再专属于晶圆厂或外包半导体封装测试厂。目前，硅通孔的制备由台积电等晶圆厂在前段洁净室环境中完成，但随着先进封装的普及，这一情况在未来数年或迎来改变。
深入了解 2.5D 和 3D 器件的制造流程，有助于找到从封装工艺中发现、表征并消除随机缺陷和系统性缺陷的最佳方法。
图1：高速红外检测可在芯片与晶圆混合结合过程中发现任何层的裂纹，包括挑选和芯片锯切。来源：Onto Innovation
硅通孔（TSV）
实践证明，硅通孔对于半导体封装的微型化和多功能化至关重要。硅通孔工艺的目标，是稳定实现低应力、无空洞的互连。该技术能实现芯片间的高密度垂直互连，大幅缩小终端器件的三维尺寸；与长引线键合相比，更短的互连长度还能提升数据传输速度，降低器件功耗，这也是硅通孔技术成为 3D 封装技术发展关键的原因。
硅通孔的结构微小且复杂，由此产生了多种特有的缺陷类型，且在硅通孔的整个工艺环节中，均有可能产生缺陷，这些环节包括光刻图形化、反应离子刻蚀（RIE）、氧化层衬底沉积、势垒金属沉积、铜籽晶沉积、铜电化学镀、化学机械抛光（CMP）以及清洗。
反应离子刻蚀和金属沉积工艺必须经过全面优化，才能制备出具有理想金属台阶覆盖率、整体电阻较低的光滑通孔。硅通孔腔体制备完成后，会通过等离子体增强化学气相沉积（PECVD）在通孔侧壁沉积一层保形氧化层，防止铜扩散至硅衬底中。
自动化工艺控制必须能捕捉到等离子体增强化学气相沉积腔体内的工况变化。科休（Cohu）软件分析副总裁兼总经理乔恩・赫洛克表示：“等离子体物理过程并非线性，通过对腔壁薄膜沉积等现象建立模型，以及对工艺和设备的长期演变规律建模，能实现更优的工艺控制。每次向 PECVD 腔体送入一批晶圆进行加工，腔壁都会产生一定程度的薄膜沉积和其他变化，人工智能模型能预测出下一批晶圆加工时腔体的工况，因此工程师能在收到反馈前就完成工艺参数的调整。”
完成氧化层的 PECVD 沉积后，工程师会通过溅射或原子层沉积（ALD）技术，沉积一层钽氮、钛氮等薄金属势垒层，随后进行铜填充。通孔内部是否会形成空洞，取决于沉积工艺和硅通孔的深宽比（深度：开口宽度），沉积层必须薄且均匀，并能保形覆盖硅通孔的开口处。
电镀完成后，铜层内部的任何空洞都可能导致器件电阻升高、机械强度下降，甚至直接造成器件失效。此外，若化学机械抛光后晶圆的静置时间过长，且暴露在空气中，铜表面还会形成氧化铜。这些结构缺陷不仅会降低芯片性能，还会带来长期的可靠性风险。
昂通创新高级首席产品营销经理余飞格表示：“硅通孔技术是中介层和高带宽存储（HBM）制造中最关键的工艺，其最大的检测难点包括通孔内残留的聚酰亚胺、光刻胶等有机残留物；电镀过程中铜层内部可能形成的空洞；以及化学机械抛光过程中，铜焊盘边缘出现的硅通孔凹陷。”
光学检测在识别有机残留物方面存在技术瓶颈，余飞格称：“有机残留物具有透明性，明场和暗场检测均无法识别；传统光学检测方法也无法检测铜层空洞，因为光线无法穿透金属材料；而硅通孔凹陷往往伴随颜色偏差，难以将其与伪缺陷区分，这就导致客户不得不在缺陷捕获率和伪缺陷率之间做出权衡。”
基于红外光源的无损检测技术，可穿透非金属材料，实现亚微米级的埋层缺陷检测。
电子束检测工具具备亚微米级缺陷的检测灵敏度，但由于其检测原理为视线检测，仅能识别表面缺陷和器件内部极浅的缺陷。不过电子束检测的缺陷对比度较高，且阿斯麦（ASML）等企业推出的多束电子束检测设备，解决了传统电子束检测系统长期存在的检测量低的问题。在量产晶圆厂中，电子束检测工具多用于光学自动检测完成后的晶圆级缺陷复核与分类环节。
3D 堆叠芯片中隐藏缺陷的检测需求正持续增长，扫描声学显微镜（SAM）是目前检测埋层缺陷应用最广泛的方法。余飞格表示：“扫描声学显微镜的检测灵敏度可达 10 微米，其主要缺点是检测过程中需将晶圆浸入水中，存在潜在的污染风险。”
诺信测试与检测事业部（Nordson Test & Inspection）采用了一种创新检测方案：通过高速旋转晶圆，配合瀑布式换能器实现非浸入式扫描，将污染风险和键合假阳性检测的概率降至最低。该技术的检测分辨率与换能器频率相关 —— 频率越高（最高可达 230 兆赫兹），分辨率越高，但晶圆穿透深度会相应缩短。
声学晶圆检测技术能有效检测键合晶圆不同深度的空洞，对分层和裂纹的检测效果尤为突出。诺信测试与测量事业部高级产品线经理布莱恩・沙克穆斯表示：“当前检测技术的一大变化趋势，是对更高分辨率的需求。与传统的光栅扫描相比，旋转扫描能以更快的速度获取大量检测数据，而高分辨率对于缺陷检测而言至关重要。”
晶圆边缘缺陷是先进封装中的一大突出问题，声学检测技术可精准聚焦晶圆边缘区域进行缺陷检测，同时提供更高的对比度和分辨率。干式进出料的多腔室设计，进一步提升了该检测系统的检测量。
此外，X 射线检测技术可根据密度差异检测器件内部的隐藏缺陷，包括铜柱或凸点中的焊点缺陷。布鲁克（Bruker）化合物半导体业务产品经理约翰・沃尔表示：“该技术多用于全自动化的先进晶圆加工环节，这类环节的工艺要求更为严苛，生产中断造成的损失也更为巨大。”
混合键合的技术难点
混合键合技术可实现两片晶圆上金属与介质层的键合，能在功能相同或不同的芯片之间实现最短的垂直互连，同时带来更优的热性能、电性能和可靠性，因此在先进封装领域的应用正不断扩大。
混合键合对污染极为敏感，由于二氧化硅或硅碳氮介质层的硬度较高，任何微小颗粒都会破坏键合面的平面度，进而形成大面积的界面空洞。而采用有机介质层的混合键合技术则能规避这一问题，有机介质层比无机薄膜更柔软，可吸附纳米级颗粒，而非在颗粒处形成桥接；此外，有机介质层混合键合对键合面粗糙度的容忍度，也高于氧化物 - 氧化物的直接键合。
布鲁尔科学（Brewer Science）首席应用工程师艾丽斯・格雷罗表示：“要实现混合键合技术的大规模量产，必须解决缺陷控制、对准精度、热管理、晶圆翘曲、材料兼容性和工艺吞吐量等方面的挑战。”
晶圆制造的各道工序在不同温度下进行，且会形成空间分布不均的器件图形，这往往会在器件图形周围产生应力。而空洞、裂纹和表面粗糙度会产生局部应力，影响制成器件的性能和使用寿命。
堆叠芯片与封装中的缺陷检测
光学检测仍是检测表面缺陷的主流技术。余飞格表示：“键合前，采用高灵敏度的光学自动检测技术检测亚微米级表面缺陷，这类缺陷可能会导致键合空洞和分层；键合后，配备高速红外技术的光学自动检测设备，可借助红外光穿透硅和介质材料的特性，检测介质层之间的空洞、裂纹和分层。”
在 2.5D 和 3D 集成电路中，检测不同界面处隐藏缺陷的需求始终存在，因此需要将 X 射线、声学和红外检测技术相结合，并配合采用电压 / 热对比度的电学测试。这种物理检测与电学测试相结合的方式十分必要，因为最具破坏性的缺陷可能具有电活性，但其物理特征的差异却十分细微。
每种检测方法都有其优势和局限性：X 射线计量和 X 射线计算机断层扫描技术，是观测 50 纳米及以下尺度缺陷的关键手段，X 射线可穿透器件，能检测完全堆叠或封装后的器件内部缺陷，也能识别键合界面处的铜 - 铜分布不均问题，但高带宽存储这类高灵敏度器件，极易受到辐射损伤。
X 射线缺陷检测不仅能获取缺陷的物理特征，约翰・沃尔表示：“X 射线缺陷检测技术对应力场和堆叠偏差具有高灵敏度，能精准测量出缺陷的应力、成分和厚度数值。” 与红外检测不同，X 射线可对金属结构成像，而局部分层和空洞正是材料热膨胀系数不匹配产生的应力所导致的，这类应力同时也会引发晶圆翘曲。
布莱恩・沙克穆斯表示：“X 射线检测技术非常适合检测密度变化，以及焊球和金属走线的缺陷，而声学检测技术与 X 射线检测技术能形成极佳的互补。” 如前文所述，声学检测工具正不断优化，以解决传统水浸式检测带来的潜在污染问题，“传统的水浸式检测中，水分可能会渗入晶圆的各层结构中。” 通过晶圆旋转和瀑布式换能器实现的连续扫描技术，能在减少晶圆暴露的同时，满足大规模量产对高检测量的需求。
声学晶圆检测技术可应用于多个工艺环节，临时键合就是其中一例 —— 在晶圆超薄片减薄等工艺中，需将晶圆键合至载体晶圆上。沙克穆斯表示：“我们需要对临时键合层进行检测，因为该层无缺陷是后续工艺顺利进行的关键。基板与晶圆之间的分层，会导致晶圆出现鼓包或凸起，若此时进行机械加工，这些凸起处极易发生崩裂，进而造成晶圆碎裂。当临时键合层去除，晶圆与另一基板完成键合后，还需要再次进行声学检测。”
人工智能 / 机器学习的应用价值
事实证明，人工智能在区分实际缺陷与伪缺陷方面的作用尤为显著。余飞格表示：“人工智能算法可基于标准图形生成合成缺陷库，还能消除颜色偏差的影响，实现更精准的缺陷分类；借助人工智能算法，检测系统能在提升实际缺陷捕获率的同时，降低伪缺陷率。”
随着检测技术的分辨率不断提升，假阳性缺陷和伪缺陷的识别问题需要采用多维度解决方案，包括将传统的自动缺陷分类器与基于人工智能 / 机器学习的自动缺陷分类技术相结合。目前有多种区分伪缺陷与实际缺陷的方法，余飞格称：“一种常用方法是选择最优的光学检测模式，强化实际缺陷的信号，同时抑制伪缺陷信号；而利用缺陷特征的传统自动缺陷分类器，也能实现有效的缺陷区分。”
他补充道：“晶圆翘曲会导致相邻芯片之间出现高度差，使得晶圆部分区域超出检测系统的光学焦深，这会在检测过程中产生与离焦相关的伪缺陷，进而导致伪缺陷率上升。最新的光学自动检测系统通过采用轮廓映射和实时高度跟踪功能，能在整个检测过程中让晶圆始终处于目标聚焦位置，从而解决这一问题。”
相比早期技术，基于人工智能 / 机器学习的自动缺陷分类技术的性能更为强大，尤其在满足高检测精度要求、缩短工程分析时间方面表现突出。
人工智能技术的落地应用仍存在局限性，包括需要为模型准备充足的训练数据，且当工艺发生变化时，需要对模型进行频繁的重新训练。
此外，产品的复杂度也在持续提升。沙克穆斯表示：“我们会采集检测图像，传统方法是通过设定阈值来分析这些图像，例如当某个像素的亮度超过特定阈值时，就判定为缺陷。但面对如今结构复杂的器件，这种简单的阈值分析方法已无法有效捕获缺陷。” 为解决这一问题，人工智能 / 机器学习技术可对晶圆上同一检测点、不同工艺环节的检测数据进行融合分析，但这需要基于实际缺陷开展模型训练。他表示：“我们可通过学习过程让模型识别实际缺陷，并基于此建立分析模型，用于后续的缺陷检测分析。”
结论
随着硅通孔、混合键合和芯片堆叠相关的 3D 工艺不断发展，检测技术也在快速迭代升级，借助光学 / 红外、声学、电子束和 X 射线检测技术，能更精准地区分硅通孔与堆叠芯片中的伪缺陷和实际缺陷。红外检测技术能实现介质薄膜中亚微米级缺陷的检测，但对金属缺陷无效；针对深层缺陷和界面缺陷，X 射线和声学检测技术的应用正不断扩大，不过用户会对辐射损伤和污染风险保持谨慎。各类检测工具均在分辨率方面持续升级，而人工智能 / 机器学习技术不仅能实现更快速、更精准的缺陷分类和工艺控制，还能有效缩短工程分析时间。
