芯片缺陷检测

9月12日，2010全国妇幼保健热点论坛在广州举行。47岁的中国工程院院士程京欣然接受南方日报专访，畅谈生物芯片的研究进展与前景。他表示，针对广东“地方病”地中海贫血的基因检测芯片，预计明年面世。 　　一出生就做基因芯片检测，可预防“一针致聋” 　　从去年以来，程京已经自主研发了遗传性耳聋检测基因芯片、分枝杆菌菌种鉴定基因芯片、结核分枝杆菌耐药检测基因芯片、自身免疫性疾病检测蛋白芯片等4种新型疾病检测产品。目前均进入临床使用，广东省妇幼保健院等多家广东医院已可检测。 　　程京举例说，中国每年新增4万个遗传性耳聋患者，其中很大部分是药物致聋。像《千手观音》中美丽的聋哑演员邰丽华，就是因为两岁时高烧注射链霉素而失去了听力。“假如邰丽华在刚刚出生时做过基因芯片检测，得知自己是药物性耳聋基因的携带者，只要在今后不使用氨基糖甙类的抗生素药物，就可以避免药物性耳聋的发生。”甚至更早一步，如果她的母亲在怀孕前做检测，确定携带药物性致聋基因，由于这个基因是通过母系遗传的，孩子肯定也会有，可以更早知道，预防“一针致聋”。 　　与广东合作研制基因检测芯片，减少出生缺陷 　　近年我国新生儿出生缺陷率持续攀升，广东高达2.7%。程京透露，生物芯片北京国家工程研究中心出生缺陷领域分中心将落户广东省妇幼保健院，将与广东合作研发生物芯片。 　　广东是地中海贫血高发省份，约有10%—15%人群携带地贫基因。如果夫妇两人均携带地贫基因，所生孩子有1/4的几率是重型地贫患者，给家庭带来沉重负担。省妇幼保健院优生优育遗传与产前诊断中心副主任医师尹爱华透露，目前已和程京院士合作研制地贫基因检测芯片，预计在明年面世，减少新生儿出生缺陷。 　　据了解，目前地贫基因的试剂盒检测程序麻烦，有20多个步骤是人工操作，容易出现误诊，而且限于技术问题县级医院无法开展。如果地贫基因芯片研制成功，就可大批量做检测，医院一天检测量可从目前的100个标本上升到上万个，而且检测费用会便宜很多。

日前，中国科学技术大学中国科学院微观磁共振重点实验室杜江峰院士、王亚教授等人在量子精密测量领域取得重要进展，提出基于信号关联的新量子传感范式，实现对金刚石内点缺陷的高精度成像，并实时观测了点缺陷的电荷动力学。相关研究成果近日在线发表于《自然光子学》。此次工作中，研究团队提出了一种新的量子传感范式，即利用多个量子传感器之间的信号关联，提升对复杂对象的解析能力和重构精度。研究团队基于自主发展的氮-空位色心制备技术，可控制备出相距约200纳米的三个氮-空位色心作为量子传感系统，通过对随机电场探测展示了这种新的量子传感范式。金刚石是一种性能优异的宽禁带半导体材料，材料中点缺陷的电荷动力学会带来随机的电场噪声。研究团队成功对微米范围内16个点缺陷进行了定位，定位精度最高达到1.7纳米。基于这种关联分辨和精确定位的能力，他们还实现了对每个点缺陷电荷动力学的原位实时探测，为研究体材料内部点缺陷的性质提供了新的方法。研究人员介绍，这一成果展示了基于量子技术的超高灵敏度缺陷探测，甚至在一千亿个正常原子中出现一个缺陷也能探测到。这要比目前最灵敏方法的探测极限提升两个数量级以上，有望为当前十纳米以下芯片中的缺陷检测提供一种强有力的技术手段。

2023年10月18-20日，仪器信息网(www.instrument.com.cn) 与电子工业出版社将联合主办第四届“半导体材料与器件分析检测技术与应用”主题网络研讨会。iCSMD 2023会议围绕光电材料与器件、第三代半导体材料与器件、传感器与MEMS、半导体产业配套原材料等热点材料、器件的材料分析、失效分析、可靠性测试、缺陷检测和量测等热点分析检测技术，为国内广大半导体材料与器件研究、应用及检测的相关工作者提供一个突破时间地域限制的免费学习平台，让大家足不出户便能聆听到相关专家的精彩报告。本次大会分设：半导体材料分析技术新进展、可靠性测试和失效分析技术、可靠性测试和失效分析技术（赛宝实验室专场）、缺陷检测和量测技术4个主题专场，诚邀业界人士报名参会。主办单位：仪器信息网，电子工业出版社参会方式：本次会议免费参会，参会报名请点击会议官网：https://www.instrument.com.cn/webinar/meetings/icsmd2023/ 或扫描二维码报名“缺陷检测和量测技术”专场预告（注:最终日程以会议官网为准）时间报告题目演讲嘉宾专场：缺陷检测和量测技术（10月20日上午）9:30半导体芯片量检测技术及装备杨树明（西安交通大学 教授）10:00国家纳米计量体系与半导体产业应用施玉书（中国计量科学研究院纳米计量研究室主任 主任/副研究员）10:30面向集成电路微纳检测设备产业的自溯源纳米长度计量体系邓晓（同济大学 副教授）嘉宾简介及报告摘要（按分享顺序）杨树明 西安交通大学 教授【个人简介】杨树明，西安交通大学教授，博士生导师，国际纳米制造学会（ISNM）会士、国家杰出青年基金获得者、国家重点研发计划项目首席、教育部新世纪优秀人才、陕西省重点科技创新团队带头人等。承担国家及省部级重大重点项目20余项，发表学术论文200余篇，出版专著2部，授权/公开国际国内发明专利100多件，获科技奖励9项。被遴选为亚洲精密工程与纳米技术学会（ASPEN）理事、中国计量测试学会常务理事、中国微米纳米技术学会微纳米测量与仪器分会副理事长、中国计量测试学会几何量专业委员会副主任委员、中国计量测试学会计量仪器专业委员会常务理事、中国仪器仪表学会机械量测试仪器分会常务理事、中国机械工程学会微纳制造技术分会常务理事等。在国际国内学术会议应邀做大会报告和特邀报告50余次，担任JMS、IJPEM-GT、IJRAT、NMME、MST、PE、IJAMT、Photonics等国际期刊编委和客座编委以及多个国内期刊编委等。报告题目：半导体芯片量检测技术及装备【摘要】该报告将介绍半导体晶圆制造过程、图形化过程以及封装后关键尺寸和缺陷检测技术及其装备。施玉书 中国计量科学研究院纳米计量研究室主任 主任/副研究员【个人简介】施玉书，男，工学博士，博士生导师，中国计量科学研究院纳米计量研究室主任与微纳计量创新团队带头人，国际计量委员会长度咨询委员会国际互认与纳米工作组委员、ISO/TC213与ISO/TC201专家委员、SAC/TC240、SAC/TC279/WG11委员、东北亚标准合作会议WG11召集人、全国几何量长度计量技术委员会委员及纳米几何量计量工作组组长、国家重点研发计划项目负责人。致力于我国纳米量值的等效一致与国际互认，以实现我国纳米科技与产业高端精密仪器的量值准确可靠，先后承研了国家级项目/课题10余项，自主研制了多台套国家最高纳米计量标准装置与多结构纳米几何特征参量国家标准物质，建立了全链条国家纳米计量体系。主持和参与国家标准与计量技术规范制定20项，建立社会公用计量标准8项、获批国家标准物质29项，主导/参与国际比对5项，主导国内比对2项，在国内外刊物发表论文80余篇，授权专利20余项。作为第一和主要完成人先后获得省部级科技奖励6项，学会科技奖励3项。报告题目：国家纳米计量体系与半导体产业应用【摘要】国际权威的半导体技术蓝图（ITRS）明确指出，计量是集成电路的关键使能技术之一。我国半导体产业一直从国外溯源，使得关键尺寸量值长期受制于人。随着我国半导体产业能力的发展，迫切需要纳米级甚至亚纳米级准确度国家计量能力的技术支撑。面对溯源方式与测量原理双重极限的挑战，多年来中国计量科学研究院纳米计量团队开展了针对性的计量与应用技术研究，成功研制了用于量值溯源的基于不同测量原理的纳米计量国家标准装置与用于量值传递的多特征结构的国家标准物质，应用于我国半导体产业的纳米计量能力正在逐步的形成。随着研究的深入与产业需求的对接，相关计量能力与标准物质已在国内半导体产业广泛应用。 邓晓 同济大学 副教授【个人简介】邓晓，同济大学物理学院副教授，博士生导师，主要研究方向为纳米长度计量，具体包括原子光刻、光栅干涉仪、MOEMS加速度计与相对重力仪等。2021年入选中国科协“第六届青年人才托举工程”，2023年入选上海市“启明星”人才计划，是全国新材料与纳米计量技术委员会委员。作为项目负责人主持国家重点研发计划项目、基金委面上与青年项目多项。研究成果获批国家一级标准物质2项、国家二级标准物质2项，近五年共发表SCI论文15篇（含一作/通讯共10篇）；申请中国发明专利10项（授权4项）；申请美国发明专利2项；参与起草国家标准与国家计量技术规范各1项。报告：面向集成电路微纳检测设备产业的自溯源纳米长度计量体系【摘要】 集成电路微纳检测设备产业是把核心的原材料与零部件，结合技术和软件集成后开发微纳检测设备产品为芯片中的晶圆制造工艺服务。纳米长度计量体系是集成电路微纳检测设备量值溯源，误差控制与测量准确性的核心支撑。对自然界常数的物化、量传和复用是提升测量准确性的有效手段。自溯源标准物质是指物质的关键参数可以溯源到自然界常数的标准物质。汇报人将介绍基于铬原子光刻技术研制纳米长度标准物质、自溯源位移传感器及新型计量型AFM的研究思路与成果。系列光栅的准确性水平得到国际权威机构计量认可，并获批多项国家标准物质。系列可以溯源到铬原子跃迁频率的标准物质、位移传感器与计量仪器有望构建新型自溯源纳米长度计量体系。会议联系会议内容仪器信息网康编辑：15733280108，kangpc@instrument.com.cn会议赞助周经理，19801307421，zhouhh@instrument.com.cn

摘要晶圆表面缺陷检测在半导体制造中对控制产品质量起着重要作用，已成为计算机视觉领域的研究热点。然而，现有综述文献中对晶圆缺陷检测方法的归纳和总结不够透彻，缺乏对各种技术优缺点的客观分析和评价，不利于该研究领域的发展。本文系统分析了近年来国内外学者在晶圆表面缺陷检测领域的研究进展。首先，介绍了晶圆表面缺陷模式的分类及其成因。根据特征提取方法的不同，目前主流的方法分为三类：基于图像信号处理的方法、基于机器学习的方法和基于深度学习的方法。此外，还简要介绍了代表性算法的核心思想。然后，对每种方法的创新性进行了比较分析，并讨论了它们的局限性。最后，总结了当前晶圆表面缺陷检测任务中存在的问题和挑战，以及该领域未来的研究趋势以及新的研究思路。1.引言硅晶圆用于制造半导体芯片。所需的图案是通过光刻等工艺在晶圆上形成的，是半导体芯片制造过程中非常重要的载体。在制造过程中，由于环境和工艺参数等因素的影响，晶圆表面会产生缺陷，从而影响晶圆生产的良率。晶圆表面缺陷的准确检测，可以加速制造过程中异常故障的识别以及制造工艺的调整，提高生产效率，降低废品率。晶圆表面缺陷的早期检测往往由经验丰富的检测人员手动进行，存在效率低、精度差、成本高、主观性强等问题，不足以满足现代工业化产品的要求。目前，基于机器视觉的缺陷检测方法[1]在晶圆检测领域已经取代了人工检测。传统的基于机器视觉的缺陷检测方法往往采用手动特征提取，效率低下。基于计算机视觉的检测方法[2]的出现，特别是卷积神经网络等神经网络的出现，解决了数据预处理、特征表示和提取以及模型学习策略的局限性。神经网络以其高效率、高精度、低成本、客观性强等特点，迅速发展，在半导体晶圆表面缺陷检测领域得到广泛应用。近年来，随着智能终端和无线通信设施等电子集成电路的发展，以及摩尔定律的推广，在全球对芯片的需求增加的同时，光刻工艺的精度也有所提高。随着技术的进步，工艺精度已达到10纳米以下[5]。因此，对每个工艺步骤的良率提出了更高的要求，对晶圆制造中的缺陷检测技术提出了更大的挑战。本文主要总结了晶圆表面缺陷检测算法的相关研究，包括传统的图像处理、机器学习和深度学习。根据算法的特点，对相关文献进行了总结和整理，对晶圆缺陷检测领域面临的问题和挑战进行了展望和未来发展。本文旨在帮助快速了解晶圆表面缺陷检测领域的相关方法和技能。2. 晶圆表面缺陷模式在实际生产中，晶圆上的缺陷种类繁多，形状不均匀，增加了晶圆缺陷检测的难度。在晶圆缺陷的类型中，无图案晶圆缺陷和图案化晶圆缺陷是晶圆缺陷的两种主要形式。这两类缺陷是芯片故障的主要原因。无图案晶圆缺陷多发生在晶圆生产的预光刻阶段，即由机器故障引起的晶圆缺陷。划痕缺陷如图1a所示，颗粒污染缺陷如图1b所示。图案化晶圆缺陷多见于晶圆生产的中间工序。曝光时间、显影时间和烘烤后时间不当会导致光刻线条出现缺陷。螺旋激励线圈和叉形电极的微纳制造过程中晶圆表面产生的缺陷如图2所示。开路缺陷如图2 a所示，短路缺陷如图2 b所示，线路污染缺陷如图2 c所示，咬合缺陷如图2d所示。图1.（a）无图案晶圆的划痕缺陷；（b）无图案晶圆中的颗粒污染。图2.（a）开路缺陷，（b）短路缺陷，（c）线路污染，以及（d）图案化晶圆缺陷图中的咬合缺陷。由于上述晶圆缺陷的存在，在对晶圆上所有芯片进行功能完整性测试时，可能会发生芯片故障。芯片工程师用不同的颜色标记测试结果，以区分芯片的位置。在不同操作过程的影响下，晶圆上会产生相应的特定空间图案。晶圆图像数据，即晶圆图，由此生成。正如Hansen等在1997年指出的那样，缺陷芯片通常具有聚集现象或表现出一些系统模式，而这种缺陷模式通常包含有关工艺条件的必要信息。晶圆图不仅可以反映芯片的完整性，还可以准确描述缺陷数据对应的空间位置信息。晶圆图可能在整个晶圆上表现出空间依赖性，芯片工程师通常可以追踪缺陷的原因并根据缺陷类型解决问题。Mirza等将晶圆图缺陷模式分为一般类型和局部类型，即全局随机缺陷和局部缺陷。晶圆图缺陷模式图如图3所示，局部缺陷如图3 a所示，全局随机缺陷如图3b所示。全局随机缺陷是由不确定因素产生的，不确定因素是没有特定聚类现象的不可控因素，例如环境中的灰尘颗粒。只有通过长期的渐进式改进或昂贵的设备大修计划，才能减少全局随机缺陷。局部缺陷是系统固有的，在晶圆生产过程中受到可控因素的影响，如工艺参数、设备问题和操作不当。它们反复出现在晶圆上，并表现出一定程度的聚集。识别和分类局部缺陷，定位设备异常和不适当的工艺参数，对提高晶圆生产良率起着至关重要的作用。图3.（a）局部缺陷模式（b）全局缺陷模式。对于面积大、特征尺寸小、密度低、集成度低的晶圆图案，可以用电子显微镜观察光刻路径，并可直接进行痕量检测。随着芯片电路集成度的显著提高，进行芯片级检测变得越来越困难。这是因为随着集成度的提高，芯片上的元件变得更小、更复杂、更密集，从而导致更多的潜在缺陷。这些缺陷很难通过常规的检测方法进行检测和修复，需要更复杂、更先进的检测技术和工具。晶圆图研究是晶圆缺陷检测的热点。天津大学刘凤珍研究了光刻设备异常引起的晶圆图缺陷。针对晶圆实际生产过程中的缺陷，我们通过设备实验对光刻胶、晶圆粉尘颗粒、晶圆环、划痕、球形、线性等缺陷进行了深入研究，旨在找到缺陷原因，提高生产率。为了确定晶圆模式失效的原因，吴明菊等人从实际制造中收集了811,457张真实晶圆图，创建了WM-811K晶圆图数据集，这是目前应用最广泛的晶圆图。半导体领域专家为该数据集中大约 20% 的晶圆图谱注释了八种缺陷模式类型。八种类型的晶圆图缺陷模式如图4所示。本综述中引用的大多数文章都基于该数据集进行了测试。图4.八种类型的晶圆映射缺陷模式类型：（a）中心、（b）甜甜圈、（c）边缘位置、（d）边缘环、（e）局部、（f）接近满、（g）随机和（h）划痕。3. 基于图像信号处理的晶圆表面缺陷检测图像信号处理是将图像信号转换为数字信号，再通过计算机技术进行处理，实现图像变换、增强和检测。晶圆检测领域常用的有小波变换（WT）、空间滤波（spatial filtering）和模板匹配（template matching）。本节主要介绍这三种算法在晶圆表面缺陷检测中的应用。图像处理算法的比较如表1所示。表 1.图像处理算法的比较。模型算法创新局限小波变换 图像可以分解为多种分辨率，并呈现为具有不同空间频率的局部子图像。防谷物。阈值的选择依赖性很强，适应性差。空间滤波基于空间卷积，去除高频噪声，进行边缘增强。性能取决于阈值参数。模板匹配模板匹配算法抗噪能力强，计算速度快。对特征对象大小敏感。3.1. 小波变换小波变换（WT）是一种信号时频分析和处理技术。首先，通过滤波器将图像信号分解为不同的频率子带，进行小波分解 然后，通过计算小波系数的平均值、标准差或其他统计度量，分析每个系数以检测任何异常或缺陷。异常或缺陷可能表现为小波系数的突然变化或异常值。根据分析结果，使用预定义的阈值来确定信号中的缺陷和异常，并通过识别缺陷所在的时间和频率子带来确定缺陷的位置。小波分解原理图如图5所示，其中L表示低频信息，H表示高频信息。每次对图像进行分解时，图像都会分解为四个频段：LL、LH、HL 和 HH。下层分解重复上层LL带上的分解。小波变换在晶圆缺陷特征的边界处理和多尺度边缘检测中具有良好的性能。图5.小波分解示意图。Yeh等提出了一种基于二维小波变换（2DWT）的方法，该方法通过修正小波变换模量（WTMS）计算尺度系数之间的比值，用于晶圆缺陷像素的定位。通过选择合适的小波基和支撑长度，可以使用少量测试数据实现晶圆缺陷的准确检测。图像预处理阶段耗费大量时间，严重影响检测速度。Wen-Ren Yang等提出了一种基于短时离散小波变换的晶圆微裂纹在线检测系统。无需对晶圆图像进行预处理。通过向晶圆表面发射连续脉冲激光束，通过空间探针阵列采集反射信号，并通过离散小波变换进行分析，以确定微裂纹的反射特性。在加工的情况下，也可以对微裂纹有更好的检测效果。多晶太阳能硅片表面存在大量随机晶片颗粒，导致晶圆传感图像纹理不均匀。针对这一问题，Kim Y等提出了一种基于小波变换的表面检测方法，用于检测太阳能硅片缺陷。为了更好地区分缺陷边缘和晶粒边缘，使用两个连续分解层次的小波细节子图的能量差作为权重，以增强每个分解层次中提出的判别特征。实验结果表明，该方法对指纹和污渍有较好的检测效果，但对边缘锋利的严重微裂纹缺陷无效，不能适用于所有缺陷。3.2. 空间过滤空间滤波是一种成熟的图像增强技术，它是通过直接对灰度值施加空间卷积来实现的。图像处理中的主要作用是图像去噪，分为平滑滤镜和锐化滤镜，广泛应用于缺陷检测领域。图6显示了图像中中值滤波器和均值滤波器在增加噪声后的去噪效果。图6.滤波去噪效果图：（a）原始图像，（b）中值滤波去噪，（c）均值滤光片去噪。Ohshige等提出了一种基于空间频率滤波技术的表面缺陷检测系统。该方法可以有效地检测晶圆上的亚微米缺陷或异物颗粒。晶圆制造中随机缺陷的影响。C.H. Wang提出了一种基于空间滤波、熵模糊c均值和谱聚类的晶圆缺陷检测方法，该方法利用空间滤波对缺陷区域进行去噪和提取，通过熵模糊c均值和谱聚类获得缺陷区域。结合均值和谱聚类的混合算法用于缺陷分类。它解决了传统统计方法无法提取具有有意义的分类的缺陷模式的问题。针对晶圆中的成簇缺陷，Chen SH等开发了一种基于中值滤波和聚类方法的软件工具，所提算法有效地检测了缺陷成簇。通常，空间过滤器的性能与参数高度相关，并且通常很难选择其值。3.3. 模板匹配模板匹配检测是通过计算模板图像与被测图像之间的相似度来实现的，以检测被测图像与模板图像之间的差异区域。Han H等从晶圆图像本身获取的模板混入晶圆制造工艺的设计布局方案中，利用物理空间与像素空间的映射，设计了一种结合现有圆模板匹配检测新方法的晶圆图像检测技术。刘希峰结合SURF图像配准算法，实现了测试晶圆与标准晶圆图案的空间定位匹配。测试图像与标准图像之间的特征点匹配结果如图7所示。将模式识别的轮廓提取技术应用于晶圆缺陷检测。Khalaj等提出了一种新技术，该技术使用高分辨率光谱估计算法提取晶圆缺陷特征并将其与实际图像进行比较，以检测周期性2D信号或图像中不规则和缺陷的位置。图7.测试图像与标准图像之间的特征点匹配结果。下接：晶圆表面缺陷检测方法综述【下】

作者朱金龙*、刘佳敏、徐田来、袁帅、张泽旭、江浩、谷洪刚、周仁杰、刘世元*单位华中科技大学哈尔滨工业大学香港中文大学原文链接：10 nm 及以下技术节点晶圆缺陷光学检测 - IOPscience文章导读伴随智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷（包括随机缺陷与系统缺陷）的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。近年来，越来越多的研究工作尝试将传统光学缺陷检测技术与纳米光子学、光学涡旋、计算成像、定量相位成像和深度学习等新兴技术相结合，以实现更高的缺陷检测灵敏度，这已为该领域提供了新的可能性。近期，华中科技大学机械科学与工程学院、数字制造装备与技术国家重点实验室的刘世元教授、朱金龙研究员、刘佳敏博士后、江浩教授、谷洪刚讲师，哈尔滨工业大学张泽旭教授、徐田来副教授、袁帅副教授，和香港中文大学周仁杰助理教授在SCIE期刊《极端制造》（International Journal of Extreme Manufacturing, IJEM）上共同发表了《10nm及以下技术节点晶圆缺陷光学检测》的综述，对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾，并重点评述了三个关键方面：（1）缺陷可检测性评估，（2）多样化的光学检测系统，以及（3）后处理算法。图1展示了该综述研究所总结的代表性晶圆缺陷检测新方法，包括明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。通过对上述研究工作进行透彻评述，从而阐明晶圆缺陷检测技术的可能发展趋势，并为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。光学缺陷检测方法；显微成像；纳米光子学；集成电路；深度学习亮点：● 透彻梳理了有望实现10nm及以下节点晶圆缺陷检测的各类光学新方法。● 建立了晶圆缺陷可检测性的评价方法，总结了缺陷可检测性的影响因素。● 简要评述了传统后处理算法、基于深度学习的后处理算法及其对缺陷检测性能的积极影响。▲图1能够应对图形化晶圆缺陷检测挑战的各类光学检测系统示意图。（a）明/暗场成像；（b）暗场成像与椭偏协同检测；（c）离焦扫描成像；（d）外延衍射相位显微成像；（e）包含逻辑芯片与存储芯片的图形化晶圆；（f）X射线叠层衍射成像；（g）太赫兹成像；（h）轨道角动量光学显微成像。研究背景伴随智能手机、平板电脑、数字电视、无线通信基础设施、网络硬件、计算机、电子医疗设备、物联网、智慧城市等行业的蓬勃发展，不断刺激全球对半导体芯片的需求。这些迫切需求，以及对降低每片晶圆成本与能耗的不懈追求，构成了持续微缩集成电路关键尺寸和增加集成电路复杂性的驱动力。目前，IC制造工艺技术已突破5nm，正朝向3nm节点发展，这将对工艺监控尤其是晶圆缺陷检测造成更严峻的考验：上述晶圆图案特征尺寸的微缩，将极大地限制当前晶圆缺陷检测方案在平衡灵敏度、适应性、效率、捕获率等方面的能力。随着双重图案化、三重图案化以及四重图案化紫外光刻技术的广泛使用，检测步骤的数量随着图案化步骤的增加而显著增加，这可能会降低产率并增加器件故障的风险，因为缺陷漏检事故的影响会被传递至最终的芯片制造流程中。更糟糕的是，当前业界采用极其复杂的鳍式场效应晶体管 (FinFET) 和环栅 (GAA) 纳米线 (NW) 器件来降低漏电流和提高器件的稳定性，这将使得三维 (3D) 架构中的关键缺陷通常是亚表面（尤其是空隙）缺陷、深埋缺陷或高纵横比结构中的残留物。总体上而言，伴随工业界开始大规模的10 纳米及以下节点工艺芯片规模化制造，制造缺陷对芯片产量和成本的影响变得越来越显著，晶圆缺陷检测所带来的挑战无疑会制约半导体制造产业的发展。鉴于此，IC芯片制造厂商对晶圆缺陷检测技术与设备的重视程度日渐加深。在本文中，朱金龙研究员等人对图形化晶圆缺陷光学检测方法的最新进展进行了详细介绍。最新进展晶圆缺陷光学检测方法面的最新进展包含三个方面：缺陷可检测性评估、光学缺陷检测方法、后处理算法。缺陷可检测性评估包含两个方面：材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响。图2展示了集成电路器件与芯片中所广泛采纳的典型体材料的复折射率N、法向反射率R和趋肤深度δ。针对被尺寸远小于光波长的背景图案所包围的晶圆缺陷，缺陷与背景图案在图像对比度差异主要是由材料光学特性的差异所主导的，也就是复折射率与法向反射率。具体而言，图2(c)所示的缺陷材料与图案材料的法向反射率曲线差异是优化缺陷检测光束光谱的基础之一。因此，寻找图像对比度和灵敏度足够高的最佳光束光谱范围比纯粹提高光学分辨率更重要一些，并且此规律在先进工艺节点下的晶圆缺陷检测应用中更具指导意义。▲图2集成电路中典型体材料的光学特性。（a）折射率n；（b）消光系数k；（c）法向反射率R；（d）趋肤深度δ。晶圆缺陷拓扑形貌对缺陷可检测性的影响也尤为重要。在图形化晶圆缺陷检测中，缺陷散射信号信噪比和图像对比度主要是受缺陷尺寸与缺陷类型影响的。图3展示了存储器件中常规周期线/空间纳米结构中的典型缺陷，依次为断线、边缘水平桥接和通孔、凹陷、之字形桥接、中心水平桥接、颗粒、突起、竖直桥接等缺陷。目前，拓扑形貌对缺陷可检测性的影响已被广泛研究，这通常与缺陷检测条件配置优化高度相关。例如，水平桥接与竖直桥接均对照明光束的偏振态相当敏感；在相同的缺陷检测条件配置下，桥接、断线、颗粒物等不同类型的缺陷会展现出不同的缺陷可检测性；同时，缺陷与背景图案的尺寸亦直接影响缺陷的可检测性，尺寸越小的缺陷越难以被检测。▲图3图形化晶圆上周期线/空间纳米结构中的典型缺陷（a）断线；（b）边缘水平桥接和通孔；（c）凹陷；（d）之字形桥接缺陷；（e）中心水平桥接；（f）颗粒物；（g）突起；（h）竖直桥接。丰富多彩的新兴光学检测方法。光是人眼或人造探测器所能感知的电磁波谱范围内的电磁辐射。任意光电场可采用四个基本物理量进行完整描述，即频率、振幅、相位和偏振态。晶圆缺陷光学检测通常是在线性光学系统中实施的，从而仅有频率不会伴随光与物质相互作用发生改变，振幅、相位、偏振态均会发生改变。那么，晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类，具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。图4展示了基于相位重构的光学缺陷检测系统，具体包括外延相位衍射显微成像系统、光学伪电动力学显微成像系统。在这两种显微镜成像系统中，缺陷引起的扰动波前信号展现了良好的信噪比，并且能够被精准地捕获。后处理算法。从最简单的图像差分算子到复杂的图像合成算法，后处理算法因其能显著改善缺陷散射信号的信噪比和缺陷-背景图案图像对比度而在光学缺陷检测系统中发挥关键作用。伴随着深度学习算法成为普遍使用的常规策略，后处理算法在缺陷检测图像分析场景中的价值更加明显。典型后处理算法如Die-to-Die检测方法是通过将无缺陷芯片的图像与有缺陷芯片的图像进行比较以识别逻辑芯片中的缺陷，其也被称为随机检测。Cell-to-Cell检测方法是通过比较将同一芯片中无缺陷单元的图像与有缺陷单元的图像进行比较以识别存储芯片中的缺陷，其也被称为阵列检测。至于Die-to-Database检测方法，其本质是通过将芯片的图像与基于芯片设计布局的模型图像进行比较以识别芯片的系统缺陷。而根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像（例如差分图像）中含缺陷区域的信号强度应明显大于预定义的阈值。基于深度学习的缺陷检测方法的实施流程非常简单：首先，捕获足够的电子束检测图像或晶圆光学检测图像（模拟图像或实验图像均可）；其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能；最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。然而，深度学习算法在实际IC生产线中没有被广泛地接收，尤其是在光学缺陷检测方面。其原因不仅包括“黑箱性质”和缺乏可解释性，还包括未经实证的根据纯光学图像来定位和分类深亚波长缺陷的能力。而要在IC制造产线上光学缺陷检测场景中推广深度学习技术的应用，还需开展更多研究工作，尤其是深度学习在光学缺陷检测场景中的灰色区域研究、深度学习与光学物理之间边界的探索等。▲图4代表性新兴晶圆缺陷光学检测系统。（a）外延相位衍射显微成像系统；（b）光学伪电动力学显微成像系统。（a）经许可转载。版权所有（2013）美国化学会。（b）经许可转载。版权所有（2019）美国化学会。未来展望伴随集成电路(IC)制造工艺继续向10nm及以下节点延拓，针对IC制造过程中的关键工序开展晶圆缺陷检测，从而实现IC制造的工艺质量监控与良率管理，这已成为半导体领域普遍达成的共识。尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。其前景主要包含以下方面：为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新；为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理；为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。

一、技术应用背景1.行业痛点在半导体制造过程中，需要对半导体进行微观缺陷的观察。所需要查看的缺陷不仅来自半导体器件的表面，也来自半导体内部。例如存储器件芯片领域，即我们常说的内存，当二维尺度存储单元的尺寸被降低至无法继续缩小，但芯片的存储容量仍然不能满足需求时，三维存储器工艺3D NAND应运而生（图1）。简单来说，该技术机理为将二维存储器堆叠成多层三维结构，相同面积芯片上存储单元被成倍增加，从而达到在不增加存储器面积的前提下增加存储容量的效果。在其它器件领域，此类立体布线的芯片制作技术和工艺也被广泛应用。图1 二维存储器和三维存储器示意图但这类工艺也增加了缺陷检查的难度。在二维器件时代，技术人员只需要对平面上存在的缺陷进行检查，但是当工艺迭代至三维空间，对芯片内部数十层甚至数百层线路进行缺陷检查就变成了一件很有挑战性的工作。X射线具有一定的穿透能力，但是分辨能力无法达到检查要求；电子束的分辨能力强，但是又难以穿透到芯片内部检查线路缺陷。 常规的直接检测手段效果不佳，这时就产生了一些间接检查的手段。由于内部线路缺陷检测主要关注内部线路的通断，而电子束作为一种成像介质，不仅可以用于获取显微影像，也可以向材料内部充入电子，而电子本身就是判断导电线路通断的关键手段。电子束缺陷检查设备EBI（E-Beam Inspection）就是一类专门用于快速分析此类缺陷的专用设备。 EBI设备源自于SEM，其工作原理同样基于电子束与物质相互作用产生的二次电子（主要）/背散射电子效应，这些二次电子/背散射电子的数量和能量分布与材料表面的物理和化学性质密切相关，特别是与表面的缺陷情况有关。通过收集和分析这些二次电子/背散射电子，可以构建出待测元件表面的电压反差影像，从而实现对缺陷的检测。2. EBI设备的详细工作机理介绍由电子束激发的二次电子产额δ（发射的二次电子数与入射电子数之比）与入射电子束能量Ep的关系如图2所示。δ曲线随能量快速递增至最大值，再缓慢递减。这是因为当能量较低时，激发的二次电子数目较少，随着能量的增加，激发的二次电子数目越来越多，但能量越大，入射电子进入到固体内部越深的地方，虽然产生大量的二次电子，但这些二次电子很难从固体内部深处运动到固体表面逸出。对于大多数材料来说，二次电子产额δ都符合这条曲线的规律。图2 二次电子产额δ与入射电子束能量Ep的关系示意图如图3所示，当EⅠ1，此时试样表面呈正电荷分布。发射的二次电子大部分小于10 eV，由于受到试样表面正电荷的吸引作用，二次电子的发射会受到阻碍。当Ep=EⅠ或Ep=EⅡ时，δ=1，此时试样表面呈电中性。当EpEⅡ时，δ图3试样表面电荷累计示意图以上就是电子束检测中的正电位模式（Positive model）和负电位模式（Negative model）。正电位模式常用于检测由于电子累积而导致的电性缺陷，如短路或漏电。在检测过程中，在特定试样下，亮点可能表示待测元件存在短路或漏电问题，因为这些区域会吸引并累积更多的电子，形成较高的电位，而暗点则表示断路。负电位模式则与正电位模式相反。 以6T SRAM中的接触孔缺陷成像分析为例，在正电荷模式下的接触孔影像和接触孔断路缺陷影像如图4所示。正电荷分布模式下接触孔断路缺陷的影像会受到表面正电荷异常增加，而导致的电子束缚能力增强，接收器接收到的电子数量变少，接触孔影像变暗而出现缺陷信号，如图4中右图所示。而在负电荷分布模式下的接触孔断路缺陷影像如图5所示，接触孔断路缺陷表面负电荷无法从基底流走，排斥更多的负电荷，使接触孔影像变亮而出现缺陷信号。图4 正电荷模式下的接触孔影像（左图）和接触孔断路缺陷影像（右图）图5 负电荷模式下的接触孔断路缺陷影像二、EBI设备的技术特点1. EBI设备电子枪技术策略芯片内部线路通断信号的判定通常不需要在较高的加速电压下进行，电子束的着陆能量调节范围也无需过大，通常0.2kV-5kV的着陆能量即可覆盖芯片样品的电荷积累极性，从而达到判断内部线路通断的目的。因此EBI设备通常采取额定电压的电子枪技术，这样一方面节省成本，另一方面降低了电子枪的制作和装调难度。 从应用角度举例，仍以6T SRAM接触孔缺陷检测为例（图6），当着陆能量为300 eV和500 eV时，试样表面呈正电荷分布；当着陆能量为1800 eV时，试样表面呈电中性；当着陆能量为2000 eV和3000 eV时，试样表面呈负电荷分布。对于这种特定试样来说，在电子束着陆能量较低时，产生的二次电子信号量太少，图像的衬度较差，接触孔缺陷较难判断；电子束着陆能量为2000 eV时，接触孔断路处由于负电荷迅速积累而变亮，此时接触孔缺陷清晰可见。图6 入射电子束不同着陆能量下接触孔缺陷检测图2. EBI设备着陆电压控制策略常规SEM通常使用在镜筒内部设置减速电极、减速套管等方式实现对着陆电压的精确控制，统称为镜筒内减速技术。该技术的核心思路是电子束在镜筒中一直维持着较高的能量，保持较低的像差，电子束在到达极靴出口之前恰好降低至目标电压，从而轰击样品。该技术的优势是在保证低电压高分辨能力的同时，不干扰各类仓室内探测器的使用。镜筒内减速技术综合考虑了各类材料的观测工况，适用性强，不存在明显的技术短板，代表了当代电子光学的较高水平，但其装配调试难度相对较高，故多搭载于成熟品牌SEM的高端机型。（镜筒内减速技术的发展和详解本篇文章不过多展开，请继续关注本公司后续技术文章）EBI设备则不同，由于该设备主要用于观测大尺寸平整晶圆，通常不需要考虑样品存在起伏的情况，在这种工况下为了精确控制电子束与晶圆发生碰撞瞬间的入射电压，EBI设备最常采用样品台减速的设计思路，即在样品台表面设置可调节的减速电位，这样晶圆表面也分布有处处均等的减速电势。当电子束下落至晶圆表面，电子的速度便恰好被降低到目标入射电压，以此达到精确控制晶圆表面电荷积累的极性的目的。例如：（图7）电子枪的发射电压为15 kV，电子束以15 keV的能量在镜筒内运动，在样品台上施加一个-14 kV的反向电场，这样电子束到达样品的瞬间着陆能量恰好被减速到1 keV。图7 样品台减速模式示意图样品台减速技术对样品的平整度要求很高，样品不平整会直接导致减速场分布的不均匀，从而直接影响成像质量和检测精准度。但是对于EBI设备，被检测对象单一且均匀，采用样品台减速的设计路线就极为合适。通常EBI厂商会采用固定电压的电子枪配合可调节电压的样品台减速，实现对着陆电压的精确控制，这种技术策略与常规SEM相比，一定程度上降低了设计和装配的难度，也节约了生产成本。3. EBI设备物镜的设计在常规的SEM中，物镜也被称为外镜物镜，如图8所示。它位于电子枪底部，用于汇聚初始电子束。常规SEM需要观测形状各异的样品，同时需要安插各类探测器来获取不同种类的信号以增加成像分析的维度，这种锥形物镜的设计允许样品在较大的范围内自由移动和倾斜旋转，也极大程度上便利了各类探测器的扩展性。图8 常规SEM物镜示意图然而在EBI设备的应用场景中，样品通常为平整的大尺寸完整晶圆，多数情况下仅做水平方向的移动观察，这就意味着样品与物镜发生碰撞的概率被大大减小。因此在设计EBI设备物镜时，就可以采用一些更小的工作距离的设计思路，从而突破使用传统物镜导致的分辨能力的极限。 半浸没物镜是EBI设备经常采用的一种类型，通过特殊设计的磁场分布（如图9所示），将强磁场“泄漏”到物镜空间下方的样品区域，这样相当于获得了无限短的工作距离，物镜对平整晶圆表面线路的分辨能力得到了大幅度提升。这种设计通常还会将电子探测器布置在物镜内部，以增加信号电子的收集效率。不过由于工作距离短，磁场外泄的设计，在此类型物镜基础上插入其它类型的信号探测器并不容易。例如，正光轴外置背散射电子探测器，通常无法在常规的使用工况中发挥作用，为了防止外露磁场的均一稳定，使用镜筒内二次电子检测器时，需要将该背散射检测器移出磁场；仓室内的二次电子探测器（ET）也会受到泄露磁场的影像导致无法收到信号。图9 半镜内物镜示意图三、EBI与SEM的区别和联系电子束检测设备EBI与扫描电子显微镜SEM在半导体检测领域各有侧重，但又相互关联、相互补充。EBI是针对单一应用场景特殊优化过的SEM设备，通常使用额定加速电压，样品台减速控制落点电压和半内透物镜技术策略，主要用于半导体晶圆的缺陷检查，特别是内部线路中的电性缺陷。其利用二次电子/背散射电子成像技术捕捉并分析缺陷，能够做到线上实时检测缺陷状况，无须借助接触式电极即可完成线路通断检查。SEM的适用领域则更广，不仅限于半导体领域，还广泛应用于材料科学、生命科学、能源化工、地址勘探等多种基础、前沿科学技术领域的微观研究。SEM具有更宽泛的电压调节能力，更灵活多变的工作高度，更大的成像景深，更多种探测器的部署方式，更灵活的采集模式，同时兼容各种类型的原位观察、原位加工附件。参考文献及专利[1] Scholtz, J. J., D. Dijkkamp, and R. W. A. Schmitz. "Secondary electron emission properties." Philips journal of research 50.3-4 (1996): 375-389.[2] Patterson, Oliver D., et al. "The merits of high landing energy for E-beam inspection." 2015 26th Annual SEMI Advanced Semiconductor Manufacturing Conference (ASMC). IEEE, 2015.[3]王恺.28纳米技术平台接触孔成型工艺的缺陷检测与优化研究.2019.上海交通大学,MA thesis.doi:10.27307/d.cnki.gsjtu.2019.004052.[4]常天海,and 郑俊荣."固体金属二次电子发射的Monte-Carlo模拟."物理学报 61.24(2012):149-156.[5]Xuedong Liu, et al."System and method to determine focus parameters during an electronbeam inspection."US7705298.2010-04-27.

p 2020年7月20日KLA公司宣布推出革命性的eSL10& #8482 电子束图案化晶圆缺陷检查系统。该系统具有独特的检测能力，能够检测出常规光学或其他电子束检测平台无法捕获的缺陷，从而加速了高性能逻辑和存储芯片的上市时间（包括那些依赖于极端紫外线（EUV）光刻技术的芯片）。eSL10的研发是始于最基本的构架，针对研发生产存在多年的问题而开发出了多项突破性技术，可提供高分辨率，高速检测功能，这是市场上任何其他电子束系统都难以比拟的。 /p p KLA电子束部门总经理Amir Azordegan表示：“利用单一的高能量电子束，eSL10系统将电子束检测性能提升到了一个新水平。在此之前，电子束检测系统不能兼顾灵敏度和产能，严重限制了实际的应用。我们优秀的研发工程团队采用了全新的方法来设计电子束架构以及算法，研制出的新系统可以解决现有设备无法解决的问题。目前，KLA将电子束检测列入对制造尖端产品至关重要的设备清单。” /p p img style=" max-width:100% max-height:100% " src=" https://www.semi.org.cn/img/news/sdfffdsffsd.jpg" / /p p 图：针对先进的逻辑、DRAM和3D NAND器件，KLA革命性的eSL10& #8482 电子束图案化晶圆缺陷检测系统利用独特的技术发现甄别产品中的关键缺陷。 /p p eSL10电子束检测系统具有多项革命性技术，能够弥补对关键缺陷检测能力的差距。独特的电子光学设计提供了在业界相对比较广泛的操作运行范围，能够捕获各种不同制程层和器件类型中的缺陷。Yellowstone& #8482 扫描模式每次可以扫描收集100亿像素的信息，支持高速运行的同时不会影响分辨率，以在较大区域内也能高效地研究潜在弱点，实现缺陷发现。Simul-6& #8482 传感器技术可以通过一次扫描同时收集表面、形貌、材料对比度和深沟槽信息，从而减少了在具有挑战性的器件结构和材料中识别不同缺陷类型所需的时间。凭借其先进的人工智能（AI）系统，eSL10运用了深度学习算法，能满足IC制造商不断发展的检测要求，杜绝了对器件性能影响最关键的缺陷。 /p p 三维器件结构，例如用于内存应用的3D NAND和DRAM，以及用于逻辑器件的FinFET和GAA（Gate-All-Around）结构，都要求晶圆厂重新考虑传统的缺陷控制策略。eSL10与KLA的旗舰39xx（“ Gen5”）和29xx（“ Gen4”）宽光谱晶圆缺陷检测系统的结合，为先进的IC技术提供了强大的缺陷发现和监测解决方案。这些系统共同合作，提高了产品的良率和可靠性，将更快地发现关键缺陷，并能够更快地解决从研发到生产的缺陷问题。 /p p 新推出的eSL10系统平台具有独特的扩展性，可以延申到整个电子束检测和量测应用中。全球范围内先进的逻辑器件、存储器和制程设备制造商都在使用eSL10系统，利用该系统帮助研发生产过程，提升和监测下一代产品制程和器件的制造。为了保持其高性能和生产力表现，eSL10系统拥有KLA全球综合服务网络的支持。更多关于全新电子束缺陷检测系统的其他信息，请参见eSL10产品页面。 /p

上接：晶圆表面缺陷检测方法综述【上】4. 基于机器学习的晶圆表面缺陷检测机器学习主要是将一个具体的问题抽象成一个数学模型，通过数学方法求解模型，求解该问题，然后评估该模型对该问题的影响。根据训练数据的特点，分为监督学习、无监督学习和半监督学习。本文主要讨论这三种机器学习方法在晶圆表面缺陷检测中的应用。机器学习模型比较如表2所示。表 2.机器学习算法的比较。分类算法创新局限监督学习KNN系列对异常数据不敏感，准确率高。复杂度高，计算强度高。决策树-Radon应用Radon以形成新的缺陷特征。过拟合非常熟练。SVMSVM 可对多变量、多模态和不可分割的数据点进行高效分类。它对多个样本不友好，内核函数难以定位。无监督学习多层感知器聚类算法采用多层感知器增强特征提取能力。取决于激活函数的选择。DBSCAN可以根据缺陷模式特征有选择地去除异常值。样本密度不均匀或样本过大，收敛时间长，聚类效果差。SOM高维数据可以映射到低维空间，保持高维空间的结构。目标函数不容易确定。半监督学习用于增强标记的半监督框架将监督集成学习与无监督SOM相结合，构建了半监督模型。培训既费时又费时。半监督增量建模框架通过主动学习和标记样本来增强模型性能，从而提高模型性能。性能取决于标记的数据量。4.1. 监督学习监督学习是一种学习模型，它基于该模型对所需的新数据样本进行预测。监督学习是目前晶圆表面缺陷检测中广泛使用的机器学习算法，在目标检测领域具有较高的鲁棒性。Yuan，T等提出了一种基于k-最近邻（KNN）的噪声去除技术，该技术利用k-最近邻算法将全局缺陷和局部缺陷分离，提供晶圆信息中所有聚合的局部缺陷信息，通过相似聚类技术将缺陷分类为簇，并利用聚类缺陷的参数化模型识别缺陷簇的空间模式。Piao M等提出了一种基于决策树的晶圆缺陷模式识别方法。利用Radon变换提取缺陷模式特征，采用相关性分析法测度特征之间的相关性，将缺陷特征划分为特征子集，每个特征子集根据C4.5机制构建决策树。对决策树置信度求和，并选择总体置信度最高的类别。决策树在特定类别的晶圆缺陷检测中表现出更好的性能，但投影的最大值、最小值、平均值和标准差不足以代表晶圆缺陷的所有空间信息，因此边缘缺陷检测性能较差。支持向量机（SVM）在监督学习中也是缺陷检测的成熟应用。当样本不平衡时，k-最近邻算法分类效果较差，计算量大。决策树也有类似的问题，容易出现过度拟合。支持向量机在小样本和高维特征的分类中仍然具有良好的性能，并且支持向量机的计算复杂度不依赖于输入空间的维度，并且多类支持向量机对过拟合问题具有鲁棒性，因此常被用作分类器。R. Baly等使用支持向量机（SVM）分类器将1150张晶圆图像分为高良率和低良率两类，然后通过对比实验证明，相对于决策树，k-最近邻（KNN）、偏最小二乘回归（PLS回归）和广义回归神经网络（GRNN），非线性支持向量机模型优于上述四种晶圆分类方法。多类支持向量机在晶圆缺陷模式分类中具有更好的分类精度。L. Xie等提出了一种基于支持向量机算法的晶圆缺陷图案检测方案。采用线性核、高斯核和多项式核进行选择性测试，通过交叉验证选择测试误差最小的核进行下一步的支持向量机训练。支持向量机方法可以处理图像平移或旋转引起的误报问题。与神经网络相比，支持向量机不需要大量的训练样本，因此不需要花费大量时间训练数据样本进行分类。为复合或多样化数据集提供更强大的性能。4.2. 无监督学习在监督学习中，研究人员需要提前将缺陷样本类型分类为训练的先验知识。在实际工业生产中，存在大量未知缺陷，缺陷特征模糊不清，研究者难以通过经验进行判断和分类。在工艺开发的早期阶段，样品注释也受到限制。针对这些问题，无监督学习开辟了新的解决方案，不需要大量的人力来标记数据样本，并根据样本之间的特征关系进行聚类。当添加新的缺陷模式时，无监督学习也具有优势。近年来，无监督学习已成为工业缺陷检测的重要研究方向之一。晶圆图案上的缺陷图案分类不均匀，特征不规则，无监督聚类算法对这种情况具有很强的鲁棒性，广泛用于检测复杂的晶圆缺陷图案。由于簇状缺陷（如划痕、污渍或局部失效模式）导致难以检测，黄振提出了一种解决该问题的新方法。提出了一种利用自监督多层感知器检测缺陷并标记所有缺陷芯片的自动晶圆缺陷聚类算法（k-means聚类）。Jin C H等提出了一种基于密度的噪声应用空间聚类（DBSCAN）的晶圆图案检测与分类框架，该框架根据缺陷图案特征选择性地去除异常值，然后提取的缺陷特征可以同时完成异常点和缺陷图案的检测。Yuan， T等提出了一种多步晶圆分析方法，该方法基于相似聚类技术提供不同精度的聚类结果，根据局部缺陷模式的空间位置识别出种混合型缺陷模式。利用位置信息来区分缺陷簇有一定的局限性，当多个簇彼此靠近或重叠时，分类效果会受到影响。Di Palma，F等采用无监督自组织映射（SOM）和自适应共振理论（ART1）作为晶圆分类器，对1种不同类别的晶圆进行了模拟数据集测试。SOM 和 ART1 都依靠神经元之间的竞争来逐步优化网络以进行无监督分类。由于ART是通过“AND”逻辑推送到参考向量的，因此在处理大量数据集时，计算次数增加，无法获得缺陷类别的实际数量。调整网络标识阈值不会带来任何改进。SOM算法可以将高维输入数据映射到低维空间，同时保持输入数据在高维空间中的拓扑结构。首先，确定神经元的类别和数量，并通过几次对比实验确定其他参数。确定参数后，经过几个学习周期后，数据达到渐近值，并且在模拟数据集和真实数据集上都表现良好。4.3. 半监督学习半监督学习是一种结合了监督学习和无监督学习的机器学习方法。半监督学习可以使用少量的标记数据和大量的未标记数据来解决问题。基于集成的半监督学习过程如图 8 所示。避免了完全标记样品的成本消耗和错误标记。半监督学习已成为近年来的研究热点。图8.基于集成的半监督学习监督学习通常能获得良好的识别结果，但依赖于样本标记的准确性。晶圆数据样本可能存在以下问题。首先是晶圆样品数据需要专业人员手动标记。手动打标过程是主观的，一些混合缺陷模式可能会被错误标记。二是某些缺陷模式的样本不足。第三，一些缺陷模式一开始就没有被标记出来。因此，无监督学习方法无法发挥其性能。针对这一问题，Katherine Shu-Min Li等人提出了一种基于集成的半监督框架，以实现缺陷模式的自动分类。首先，在标记数据上训练监督集成学习模型，然后通过该模型训练未标记的数据。最后，利用无监督学习算法对无法正确分类的样本进行处理，以达到增强的标记效果，提高晶圆缺陷图案分类的准确性。Yuting Kong和Dong Ni提出了一种用于晶圆图分析的半监督增量建模框架。利用梯形网络改进的半监督增量模型和SVAE模型对晶圆图进行分类，然后通过主动学习和伪标注提高模型性能。实验表明，它比CNN模型具有更好的性能。5. 基于深度学习的晶圆表面缺陷检测近年来，随着深度学习算法的发展、GPU算力的提高以及卷积神经网络的出现，计算机视觉领域得到了定性的发展，在表面缺陷检测领域也得到了广泛的应用。在深度学习之前，相关人员需要具备广泛的特征映射和特征描述知识，才能手动绘制特征。深度学习使多层神经网络能够通过抽象层自动提取和学习目标特征，并从图像中检测目标对象。Cheng KCC等分别使用机器学习算法和深度学习算法进行晶圆缺陷检测。他们使用逻辑回归、支持向量机（SVM）、自适应提升决策树（ADBT）和深度神经网络来检测晶圆缺陷。实验证明，深度神经网络的平均准确率优于上述机器学习算法，基于深度学习的晶圆检测算法具有更好的性能。根据不同的应用场景和任务需求，将深度学习模型分为分类网络、检测网络和分割网络。本节讨论创新并比较每个深度学习网络模型的性能。5.1. 分类网络分类网络是较老的深度学习算法之一。分类网络通过卷积、池化等一系列操作，提取输入图像中目标物体的特征信息，然后通过全连接层，根据预设的标签类别进行分类。网络模型如图 9 所示。近年来，出现了许多针对特定问题的分类网络。在晶圆缺陷检测领域，聚焦缺陷特征，增强特征提取能力，推动了晶圆检测的发展。图 9.分类网络模型结构图在晶圆制造过程中，几种不同类型的缺陷耦合在晶圆中，称为混合缺陷。这些类型的缺陷复杂多变且随机性强，已成为半导体公司面临的主要挑战。针对这一问题，Wang J等提出了一种用于晶圆缺陷分类的混合DPR（MDPR）可变形卷积网络（DC-Net）。他们设计了可变形卷积的多标签输出和一热编码机制层，将采样区域聚焦在缺陷特征区域，有效提取缺陷特征，对混合缺陷进行分类，输出单个缺陷，提高混合缺陷的分类精度。Kyeong和Kim为混合缺陷模式的晶圆图像中的每种缺陷设计了单独的分类模型，并通过组合分类器网络检测了晶圆的缺陷模式。作者使用MPL、SVM和CNN组合分类器测试了六种不同模式的晶圆映射数据库，只有作者提出的算法被正确分类。Takeshi Nakazawa和Deepak V. Kulkarni使用CNN对晶圆缺陷图案进行分类。他们使用合成生成的晶圆图像训练和验证了他们的CNN模型。此外，提出了一种利用模拟生成数据的方法，以解决制造中真实缺陷类别数据不平衡的问题，并达到合理的分类精度。这有效解决了晶圆数据采集困难、可用样品少的问题。分类网络模型对比如表3所示。表3. 分类网络模型比较算法创新Acc直流网络采样区域集中在缺陷特征区域，该区域对混合缺陷具有非常强的鲁棒性。93.2%基于CNN的组合分类器针对每个缺陷单独设计分类器，对新缺陷模式适应性强。97.4%基于CNN的分类检索方法可以生成模拟数据集来解释数据不平衡。98.2%5.2. 目标检测网络目标检测网络不仅可以对目标物体进行分类，还可以识别其位置。目标检测网络主要分为两种类型。第一种类型是两级网络，如图10所示。基于区域提案网络生成候选框，然后对候选框进行分类和回归。第二类是一级网络，如图11所示，即端到端目标检测，直接生成目标对象的分类和回归信息，而不生成候选框。相对而言，两级网络检测精度更高，单级网络检测速度更快。检测网络模型的比较如表4所示。图 10.两级检测网络模型结构示意图图 11.一级检测网络模型结构示意图表4. 检测网络模型比较算法创新AccApPCACAE基于二维主成分分析的级联辊类型自动编码。97.27%\YOLOv3-GANGAN增强了缺陷模式的多样性，提高了YOLOv3的通用性。\88.72%YOLOv4更新了骨干网络，增强了 CutMix 和 Mosaic 数据。94.0%75.8%Yu J等提出了一种基于二维主成分分析的卷积自编码器的深度神经网络PCACAE，并设计了一种新的卷积核来提取晶圆缺陷特征。产品自动编码器级联，进一步提高特征提取的性能。针对晶圆数据采集困难、公开数据集少等问题，Ssu-Han Chen等首次采用生成对抗网络和目标检测算法YOLOv3相结合的方法，对小样本中的晶圆缺陷进行检测。GAN增强了缺陷的多样性，提高了YOLOv3的泛化能力。Prashant P. SHINDE等提出使用先进的YOLOv4来检测和定位晶圆缺陷。与YOLOv3相比，骨干提取网络从Darknet-19改进为Darknet-53，并利用mish激活函数使网络鲁棒性。粘性增强，检测能力大大提高，复杂晶圆缺陷模式的检测定位性能更加高效。5.3. 分段网络分割网络对输入图像中的感兴趣区域进行像素级分割。大部分的分割网络都是基于编码器和解码器的结构，如图12所示是分割网络模型结构示意图。通过编码器和解码器，提高了对目标物体特征的提取能力，加强了后续分类网络对图像的分析和理解。在晶圆表面缺陷检测中具有良好的应用前景。图 12.分割网络模型结构示意图。Takeshi Nakazawa等提出了一种深度卷积编码器-解码器神经网络结构，用于晶圆缺陷图案的异常检测和分割。作者设计了基于FCN、U-Net和SegNet的三种编码器-解码器晶圆缺陷模式分割网络，对晶圆局部缺陷模型进行分割。晶圆中的全局随机缺陷通常会导致提取的特征出现噪声。分割后，忽略了全局缺陷对局部缺陷的影响，而有关缺陷聚类的更多信息有助于进一步分析其原因。针对晶圆缺陷像素类别不平衡和样本不足的问题，Han Hui等设计了一种基于U-net网络的改进分割系统。在原有UNet网络的基础上，加入RPN网络，获取缺陷区域建议，然后输入到单元网络进行分割。所设计的两级网络对晶圆缺陷具有准确的分割效果。Subhrajit Nag等人提出了一种新的网络结构 WaferSegClassNet，采用解码器-编码器架构。编码器通过一系列卷积块提取更好的多尺度局部细节，并使用解码器进行分类和生成。分割掩模是第一个可以同时进行分类和分割的晶圆缺陷检测模型，对混合晶圆缺陷具有良好的分割和分类效果。分段网络模型比较如表5所示。表 5.分割网络模型比较算法创新AccFCN将全连接层替换为卷积层以输出 2D 热图。97.8%SegNe结合编码器-解码器和像素级分类层。99.0%U-net将每个编码器层中的特征图复制并裁剪到相应的解码器层。98.9%WaferSegClassNet使用共享编码器同时进行分类和分割。98.2%第6章 结论与展望随着电子信息技术的不断发展和光刻技术的不断完善，晶圆表面缺陷检测在半导体行业中占有重要地位，越来越受到该领域学者的关注。本文对晶圆表面缺陷检测相关的图像信号处理、机器学习和深度学习等方面的研究进行了分析和总结。早期主要采用图像信号处理方法，其中小波变换方法和空间滤波方法应用较多。机器学习在晶圆缺陷检测方面非常强大。k-最近邻（KNN）、决策树（Decision Tree）、支持向量机（SVM）等算法在该领域得到广泛应用，并取得了良好的效果。深度学习以其强大的特征提取能力为晶圆检测领域注入了活力。最新的集成电路制造技术已经发展到4 nm，预测表明它将继续朝着更小的规模发展。然而，随着这些趋势的出现，晶圆上表面缺陷的复杂性也将增加，对模型的可靠性和鲁棒性提出了更严格的挑战。因此，对这些缺陷的分析和处理对于确保集成电路的高质量制造变得越来越重要。虽然在晶圆表面缺陷分析领域取得了一些成果，但仍存在许多问题和挑战。1、晶圆缺陷的公开数据集很少。由于晶圆生产和贴标成本高昂，高质量的公开数据集很少，为数不多的数据集不足以支撑训练。可以考虑创建一个合成晶圆缺陷数据库，并在现有数据集上进行数据增强，为神经网络提供更准确、更全面的数据样本。由于梯度特征中缺陷类型的多功能性，可以使用迁移学习来解决此类问题，主要是为了解决迁移学习中的负迁移和模型不适用性等问题。目前尚不存在灵活高效的迁移模型。利用迁移学习解决晶圆表面缺陷检测中几个样品的问题，是未来研究的难题。2、在晶圆制造过程中，不断产生新的缺陷，缺陷样本的数量和类型不断积累。使用增量学习可以提高网络模型对新缺陷的识别准确率和保持旧缺陷分类的能力。也可作为扩展样本法的研究方向。3、随着技术进步的飞速发展，芯片特征尺寸越来越小、越来越复杂，导致晶圆中存在多种缺陷类型，缺陷相互折叠，导致缺陷特征不均匀、不明显。增加检测难度。多步骤、多方法混合模型已成为检测混合缺陷的主流方法。如何优化深度网络模型的性能，保持较高的检测效率，是一个亟待进一步解决的问题。4、在晶圆制造过程中，不同用途的晶圆图案会产生不同的缺陷。目前，在单个数据集上训练的网络模型不足以识别所有晶圆中用于不同目的的缺陷。如何设计一个通用的网络模型来检测所有缺陷，从而避免为所有晶圆缺陷数据集单独设计训练模型造成的资源浪费，是未来值得思考的方向。5、缺陷检测模型大多为离线模型，无法满足工业生产的实时性要求。为了解决这个问题，需要建立一个自主学习模型系统，使模型能够快速学习和适应新的生产环境，从而实现更高效、更准确的缺陷检测。原文链接:Electronics | Free Full-Text | Review of Wafer Surface Defect Detection Methods (mdpi.com)

本文将为您介绍何谓量子效率光谱，以及CIS影像晶片常见的4种制程缺陷。SG-A_CMOS 商用级图像传感器测试仪相较于传统光学检测设备可以提供更精细的缺陷检测资讯，有助于使用者全面了解CIS影像晶片的性能表现。量子效率光谱是CIS影像晶片的关键参数之一，可以反映CIS影像晶片对不同波长下的感光能力，进而影响影像的成像质量。1. 什么是CIS影像晶片的量子效率光谱？CIS影像晶片的量子效率光谱是指在不同波长下，CIS晶片对光的响应效率。物理上，光子的能量与其波长成反比，因此，不同波长的光子对CIS影像晶片产生的响应效率也不同。量子效率光谱可以反映传感器在不同波长下的响应能力，帮助人们理解传感器的灵敏度和色彩还原能力等特性。通常，传感器的量子效率光谱会在可见光波段范围内呈现出不同的特征，如波峰和波谷，这些特征也直接影响着传感器的成像质量。2. Quantum Efficiency Spectrum 量子效率光谱可以解析CIS影像晶片内部的缺陷，常见的有下四种：BSI processing designOptical Crosstalk inspectionColor filter quality and performanceSi wafer THK condition in BSI processing3. 透过量子效率光谱解析常见的4种制程缺陷A. 什么是BSI制程？(1) BSI的运作方式BSI全名是Back-Side Illumination．是指"背照式"影像传感器的制造工艺，它相对于传统的"正面照射"(FSI, Front-Side Illumination)影像传感器，能够提高影像传感器的光学性能，特别是在各波长的感光效率的大幅提升。在BSI制程中，像素置于矽基板的背面，光通过矽基板进入感光像素，减少了前面的传输层和金属线路的干扰，提高了光的利用率和绕射效应，进而提高了影像传感器的解析度和灵敏度。(2) 传统的"正面照射"(FSI, Front-Side Illumination)图像传感器的工作方式FSI 是一种传统的图像传感器制程技术,光线透过透镜后,从图像传感器的正面照射到图像传感器的感光面,因此需要在感光面(黄色方框, Silicon)的上方放置一些电路和金属线,这些元件会遮挡一部分光线,降低图像传感器的光量利用率,影响图像的品质。相对地,BSI 技术是在感光面的背面,也就是基板反面制作出感光元件,让光线可以直接进入到感光面,这样就可以最大限度地提高光量利用率,提高图像的品质,并且不需要额外的电路和金属线的遮挡,因此也可以实现更高的像素密度和更快的图像读取速度。(3) 为什么BSI工艺重要?BSI工艺是重要的制造技术之一,可以大幅提升CIS图像传感器的感光度和量子效率,因此对于低光照环境下的图像采集有很大的帮助。BSI工艺还可以提高图像传感器的分辨率、动态范围和信噪比等性能,使得图像质量更加优良。由于现今图像应用日益广泛,对图像质量和性能要求也越来越高,因此BSI工艺在现代图像传感器的制造中扮演着重要的角色。目前,BSI 技术已成为图像传感器的主流工艺技术之一,被广泛应用于各种高阶图像产品中。(4) 量子效率光谱如何评估BSI工艺的好坏如前述,在CIS图像芯片的制造过程中,不同波长的光子对于图像芯片的感光能力有所不同。因此,量子效率光谱是一种可以检测图像芯片感光能力的方法。利用量子效率光谱,可以评估BSI工艺的好坏。Example-1如图,TSMC使用量子效率光谱分析了前照式FSI和背照式BSI两种工艺对RGB三原色的像素感光表现的差异。结果表明,BSI工艺可以大幅提高像素的感光度,将原本FSI的40%左右提高到将近60%的量子效率。上图 TSMC利用Wafer Level Quantum Efficiency Spectrum(量子效率光谱)分析1.75μm的前照式FSI与背照式BSI两种工艺对RGB三原色的像素在不同波长下的感光表现差异。由量子效率光谱的结果显示,BSI工艺可以大幅提升像素的感光度,将原本FSI的40%左右提高到将近60%的量子效率。(Reference: tsmc CIS)。量子效率光谱的分析可以帮助工程师判断不同工艺对感光能力的影响,并且确定BSI工艺的优势。(5) 利用量子效率光谱分析不同BSI工艺工艺对CIS图像芯片感光能力的影响Example-2 如上图。Omnivision 采用Wafer Level Quantum Efficiency Spectrum量子效率光谱分析采用TSMC 65nm工艺进行量产时,不同工艺工艺,对CIS图像芯片感光能力的影响。在1.4um像素尺寸使用BSI-1工艺与BSI-2的量子效率光谱比较下,可以显著的判断,BSI-2的量子效率较BSI-1有着将近10%的量子效率提升。代表着BSI-2的工艺可以让CIS图像芯片内部绝对感光能力可以提升10%((a)表)。此外,量子效率光谱是优化CIS图像芯片制造的重要工具。例如,在将BSI-2用于1.1um像素的工艺中,与1.4um像素的比较表明,在蓝光像素方面,BSI-2可以提供更高的感光效率,而在绿光和红光像素的感光能力方面,BSI-2的效果与1.4um像素相似。另外,Omnivision也利用量子效率光谱分析了TSMC 65nm工艺中不同BSI工艺工艺对CIS图像芯片感光能力的影响,发现BSI-2可以提高近10%的量子效率,从而使CIS图像芯片的感光能力提高10%。将BSI-2工艺用于1.1um像素的制造,并以量子效率光谱比较1.4um和1.1um像素。结果显示,使用BSI-2工艺的1.1um像素,在蓝色像素方面具有更高的感光效率,而在绿色和红色像素的感光能力方面与1.4um像素相近。这个结果显示,BSI-2工艺可以在保持像素尺寸的前提下提高CIS图像芯片的感光能力,进而提高图像质量。因此,利用量子效率光谱比较不同工艺工艺对CIS图像芯片的影响,可以为CIS制造优化提供重要参考。上图 Omnivision采用了Wafer Level Quantum Efficiency Spectrum量子效率光谱,以分析TSMC 65nm工艺在量产时,不同工艺工艺对CIS图像芯片感光能力的影响。通过这种光谱分析技术,Omnivision能够精确地判断不同工艺工艺所产生的量子效率差异,并进一步分析出如何优化CIS图像芯片的感光能力。因此,Wafer Level Quantum Efficiency Spectrum量子效率光谱分析是CIS工艺中一项重要的技术,可用于协助提高CIS图像芯片的质量和性能。(Reference: Omnivision BSI Technology.)B. Optical Crosstalk Inspection(1) 什么是Optical Crosstalk?CIS的optical cross-talk是指光线在图像芯片中行进时,由于折射、反射等原因,导致相邻像素之间的光相互干扰而产生的一种影响。(2) 为什么Optical Crosstalk的检测重要?在CIS图像芯片中,optical crosstalk是一个重要的问题,因为它会影响图像的品质和精度。optical crosstalk是由于像素之间的光学相互作用而产生的,导致相邻像素的光信号互相干扰,进而影响到像素之间的区别度和对比度。因此,降低optical cross-talk是提高CIS图像芯片品质的重要目标之一。(3) 如何利用QE光谱来检测CIS 的Crosstalk?量子效率(QE)光谱可用于检测CMOS图像传感器(CIS)的串音问题。通过测量CIS在不同波长下的QE,可以检测CIS中是否存在串音问题。当CIS中存在串音问题时,在某些波长下可能会观察到QE异常。在这种情况下,可以采取相应的措施来降低串音,例如优化CIS设计或改进工艺。缩小像素尺寸对于高分辨率成像和量子图像传感器是绝对必要的。如上图,TSMC利用45nm 先进CMOS工艺,来制作0.9um 像素用于堆叠式CIS。而optical crosstalk光学串扰对于SNR与成像品质有着显著的影响。因此,TSMC采用了一种像素工艺,来改善这种optical crosstalk光学串扰。结构如下图。结构(a)是控制像素。光的路径线为ML(Microlens)、CF (Color Filter)、PD(Photodiode, 感光层)。而在optical crosstalk影响的示意图,如绿色线的轨迹。光子由相邻的像素单元进入后,因为多层结构的折射,入射到中间的PD感光区,造成串扰讯号。TSMC设计结构(b) “深沟槽隔离(DTI)" 技术是为了在不牺牲并行暗性能的情况下抑制光学串扰。由(b)可以发现,DTI所形成的沟槽可以隔离原本会产生光学串扰的光子入射到中间的感光Photodiode区,抑制了串扰并提高了SNR。像素的横截面示意图 (a) 控制像素 (b)串扰改善像素。Wafer Level Quantum Efficiency Spectrum of two different structure CISs. 在该图中,展示了0.9um像素的量子效率光谱,其中虚线代表控制的0.9um像素(a),实线代表改进的0.9um像素(b)。由于栅格结构的光学孔径面积略微变小,因此光学串扰得到了极大的抑制。光学串扰抑制的直接证据,在量子效率光谱上得到体现。图中三个黄色箭头指出了R、G、B通道的串扰抑制证据。蓝光通道和红光通道反应略微下降,但是通过新开发的颜色滤光片材料,绿光通道的量子效率得到了提升。利用Wafer Level Quantum Efficiency Spectrum技术可以直接证明光学串扰的抑制现象。对于不同的CIS图像芯片,可以通过量子效率光谱测试来比较它们在不同波长下的量子效率响应,进而分辨optical crosstalk是否得到抑制。上图展示了0.9um像素的量子效率光谱,其中虚线代表控制的0.9um像素(a),实线代表改进的0.9um像素(b)。由于栅格结构的光学孔径面积略微变小,因此光学串扰得到了极大的抑制。光学串扰抑制的直接证据,在量子效率光谱上得到体现。图中三个黄色箭头指出了R、G、B通道的串扰抑制证据。C. Color filter quality inspection(1) 什么是CIS 的Color filter？CIS的Color filter是一种用于CIS图像芯片的光学滤光片。它被用于调整图像传感器中各个像素的光谱响应,以便使得CIS图像芯片可以感测和分离不同颜色的光,并将其转换为数字信号。Color filter通常包括红、绿、蓝三种基本的色彩滤光片。而对于各种不同filter排列而成的color filter array (CFA),可以参考下面的资料。最常见的CFA就是Bayer filter的排列,也就是每个单元会有一个B、一个R、与两个G的filter排列。Color filter在CIS图像芯片中扮演着非常重要的角色,其质量直接影响着图像的色彩再现效果。为了确保Color filter的性能符合设计要求,需要进行精确的光谱分析和质量检测。透过率光谱可以评估不同Color filter的光学性能 量子效率光谱可以检测Color filter与光电二极管的匹配程度。只有通过严格的质量检测,才能保证CIS芯片输出优质的图像。图 Color filter 如何组合在“Pixel"传感器中。一个像素单位会是由Micro Lens + CFA + Photodiode等三个主要部件构成。Color filter的主要作用是将入射的白光分解成不同的色光,并且选择性地遮挡某些色光,从而实现对不同波长光的选择性感光。(2) 为什么Color filter的检测重要?在CIS图像芯片中,每个像素上都会有一个color filter,用来选择性地感光RGB三种颜色的光线,从而实现对彩色图像的捕捉和处理。如果color filter的性能不好,会影响像素的感光度和光谱响应,进而影响图像的品质和精度。因此,优化color filter的性能对于提高CIS图像芯片的品质至关重要。Color filter 的检测是十分重要的,因为color filter 的品质和稳定性会直接影响到CIS 图像芯片的色彩精确度和对比度,进而影响整个图像的品质和清晰度。如果color filter 存在缺陷或不均匀的情况,就会导致图像中某些颜色的偏移、失真、色彩不均等问题。因此,对color filter 进行严格的检测,可以帮助制造商确保其性能和品质符合设计要求,从而提高CIS 图像芯片的生产效率和产品的可靠性。(3) 如何利用QE光谱来检测CIS 的Color filter quality?CIS的Color filter通常是由一种称为“有机色料"(organic dyes or pigments)的物质制成,这些有机色料能够选择性地吸收特定波长的光,以产生所需的颜色滤波效果。这些有机色料通常是透过涂布技术将它们沉积在玻璃或硅基板上形成彩色滤光片。量子效率(QE)光谱可以测量CIS在不同波长下的感光度,从而确定Color filter的品质和性能。正常情况下,Color filter应该能够适当地分离不同波长的光,并且在光学过程中产生较小的串扰。因此,如果在特定波长下的量子效率比预期值低,可能是由于Color filter的品质或性能问题引起的。通过对量子效率 (QE)光谱的分析,可以确定Color filter的性能是否符合设计要求,并提前进行相应的调整和优化。TSMC利用Wafer Level Quantum Efficiency Spectrum晶片级量子效率光谱技术,对不同的绿色滤光片材料进行检测,以评估其对CIS图像芯片的感光能力和光学串扰的影响。如上图,TSMC的CIS工艺流程利用Wafer Level Quantum Efficiency Spectrum的光谱技术,针对不同的绿色滤光片材料进行检测,以评估其对CIS图像芯片的感光能力和光学串扰的影响。晶圆级量子效率光谱显示了三种不同Color filter材料(Green_1, Green_2和Green_3)的特性。透过比较这三种材料,可以发现:(1) 主要绿色峰值位置偏移至550nm(2) 绿光和蓝光通道的optical crosstalk现象显著降低(3) 绿光和红光通道的optical crosstalk现象显著增加。通过对量子效率(QE)光谱的分析,可以确定Color filter的性能是否符合设计要求,并提前进行相应的调整和优化。以确保滤光片材料的特性符合设计要求,并且保证图像的品质和精度,提高CIS图像芯片的可靠性和稳定性。D. Si 晶圆厚度控制(1) 什么是Si 晶圆厚度控制?当我们在制造BSI CIS图像芯片时,需要使用一种称为"减薄(thin down)"的工艺来将晶圆变得更薄。这减薄后的晶圆厚度会直接影响CIS芯片的感光度,因此晶圆的厚度对图像芯片的感光性能和质量都有很大的影响。为了确保图像芯片能够正常工作,我们需要使用"Si 晶圆厚度控制"工艺来精确地控制晶圆的厚度。这样可以确保我们减薄出来的晶圆厚度能够符合设计要求,同时也可以提高图像芯片的产品良率。BSI的流程图。采用BSI工艺的CIS图像芯片,会有一道重要的工艺“减薄"(Thin down), 也就是将晶圆的厚度减少到一定的程度。(2) Si 晶圆厚度控制工艺监控中的量子效率检测非常重要在制造CIS芯片时,Si 晶圆厚度控制工艺的控制对于芯片的感光度有着直接的影响。这种影响可以透过量子效率光谱来观察,确保减薄后的CIS芯片拥有相当的光电转换量子效率。减薄后的晶圆会有一个最佳的厚度值,可以确保CIS芯片拥有最佳的光电转换量子效率。使用450nm、530nm和600nm三种波长,可以测试红色、绿色和蓝色通道的量子效率。实验结果显示了不同减薄厚度的CIS在蓝光、绿光、红光通道的量子效率值的变化。减薄厚度的偏差会对CIS的感光度产生直接的影响,进而影响量子效率的值。因此,量子效率的检测对于Si 晶圆厚度控制工艺的监控至关重要,以确保制造的CIS芯片具有稳定和一致的质量。下图显示了在不同减薄厚度下CIS图像芯片在蓝、绿、红三个光通道的量子效率值变化。蓝光通道的量子效率值是利用450nm波长测量的,当减薄后的厚度比标准厚度多0.3um时,其量子效率值会由52%下降至49% 当减薄后的厚度比标准厚度少0.3um时,蓝光通道的量子效率只略微低于52%。红光通道的量子效率值是利用600nm波长测量的,发现红光通道的表现在不同厚度下与蓝光通道相反,当减薄后的厚度比标准厚度少0.3um时,红光通道的量子效率显著地由44%下降至41%。在较厚的条件(+0.3um)下,红光通道的量子效率并没有显著的变化。绿光通道的量子效率值是以530nm波长测量的,在三种厚度条件下(STD THK ± 0.3um),绿光通道的量子效率没有显著的变化。利用不同的Si晶圆厚度(THK)对CIS图像芯片的量子效率进行测试,测试波长分别为600nm、530nm和450nm,并且针对红色、绿色和蓝色通道的量子效率进行评估。结果显示,在绿光通道方面,Si晶圆厚度的变化在±0.3um范围内,530nm波段的量子效率并未有明显变化。但是,在红光通道方面,随着Si晶圆厚度的下降,量子效率会有显著的下降。而在蓝光通道450nm的情况下,量子效率会随着Si晶圆厚度的下降而有显著的下降。这些结果表明,Si晶圆厚度对于CIS图像芯片的量子效率有重要的影响,且不同通道的影响程度不同。因此,在制造CIS图像芯片时需要精确地控制Si晶圆厚度,以确保产品的质量和性能。

将更智能、更强大的电子元件塞进不断缩小的设备中的一个挑战是开发工具和技术，以越来越高的精度分析构成它们的材料。密歇根州立大学的物理学家在这方面迈出了期待已久的一步，采用了一种结合高分辨率显微镜和超快激光的方法。这项技术在《自然光子学》杂志上进行了描述，使研究人员能够以无与伦比的精度发现半导体中的失配原子。半导体物理学将这些原子称为“缺陷”，听起来像是负面的，但它们通常是故意添加到材料中的，对于当今和未来的半导体性能至关重要。“这对于具有纳米级结构的组件特别相关，”密歇根州立大学的实验物理学杰里科文讲席教授兼新研究的负责人泰勒科克说。这包括像计算机芯片这样的东西，它们通常使用具有纳米级特征的半导体。而且，研究人员正致力于通过工程材料将纳米级架构发挥到极致，这些材料的厚度只有一个原子。“这些纳米材料是半导体的未来，”科克说，他也是密歇根州立大学物理与天文学系的超快太赫兹纳米显微镜实验室的负责人。“当你有纳米级电子产品时，确保电子能够按照你希望的方式移动非常重要。”缺陷在电子运动中起着重要作用，这就是为什么像科克这样的科学家渴望准确了解它们的位置和行为。科克的同行们很高兴得知，他团队的新技术将让他们轻松获取这些信息。“我的一位同事说，‘我希望你们出去庆祝了，’”科克说。主导这一项目的Vedran Jelic是科克团队的一名博士后研究员，现在在加拿大国家研究委员会工作，是这份新报告的第一作者。研究团队还包括博士生Stefanie Adams、Eve Ammerman和Mohamed Hassan，以及本科生研究员Kaedon Cleland-Host。科克补充说，使用适当的设备，这项技术实施起来很简单，他的团队已经在将其应用于像石墨烯纳米带这样厚度仅一个原子的材料上。“我们有许多开放的项目，正在使用这项技术研究更多的材料和更具异国情调的材料，”科克说。“我们基本上将其纳入我们所做的一切，作为一种标准技术使用。”轻触目前已经有工具，特别是扫描隧道显微镜（STM），可以帮助科学家发现单原子缺陷。与许多人从高中科学课上认出的显微镜不同，STM不使用镜头和灯泡来放大物体。相反，STM使用原子级尖端扫描样品表面，类似于唱片播放器上的唱针。但STM的尖端不会触及样品表面，只是足够接近，使电子可以在尖端和样品之间跳跃或隧穿。STM记录电子跳跃的数量和位置，以及其他信息，以提供关于样品的原子级信息（因此，科克的实验室称之为纳米显微镜而非显微镜）。但仅靠STM数据并不足以清晰地解析样品中的缺陷，尤其是在镓砷这种在雷达系统、高效太阳能电池和现代电信设备中应用的重要半导体材料中。在他们的最新出版物中，科克和他的团队专注于镓砷样品，这些样品故意掺入了硅缺陷原子，以调整电子在半导体中的运动方式。“硅原子对电子来说基本上就像一个深坑，”科克说。尽管理论家们已经研究了这种类型的缺陷几十年，但实验者直到现在还无法直接检测到这些单个原子。科克和他团队的新技术仍然使用STM，但研究人员还直接在STM的尖端照射激光脉冲。这些脉冲由太赫兹频率的光波组成，意味着它们每秒钟振动一万亿次。最近，理论家们表明，这与硅原子缺陷在镓砷样品中来回振动的频率相同。通过结合STM和太赫兹光，密歇根州立大学团队创造了一种对缺陷具有无与伦比灵敏度的探针。当STM尖端接触到镓砷表面上的硅缺陷时，团队的测量数据中出现了一个突然、强烈的信号。当研究人员将尖端移到离缺陷一个原子远的地方时，信号消失了。“这里有一个人们已经追寻了四十多年的缺陷，我们看到它像钟一样响，”科克说。“起初，这很难相信，因为它如此明显，”他继续说。“我们不得不以各种方式测量它，以确定这是真实的。”一旦他们确信信号是真实的，就很容易解释，因为已经有数十年的理论研究对其进行了彻底的表征。“当你发现这样的东西时，已经有数十年的理论研究详细描述它，这真的很有帮助，”Jelic说，他与科克一样，也是这篇新论文的通讯作者。尽管科克的实验室在这一领域处于前沿，但世界各地的研究小组目前也在将STM和太赫兹光结合起来。还有各种其他材料可以从这种技术中受益，用于超出检测缺陷的应用。现在他的团队已经与社区分享了他们的方法，科克对未来的发现感到兴奋。

近日，中导光电设备股份有限公司（简称“中导光电”）纳米级图形晶圆缺陷光学检测设备（NanoPro-150）再次交付客户，标志着中导光电在半导体前道图形晶圆检测设备市场化道路上阔步前行。 前道图形晶圆检测设备是半导体芯片制造过程中的核心设备之一，技术门槛高，难度大，是检测设备的主战场。此次交付用户的NanoPro-150产品灵敏度系纳米级序列，充分满足半导体芯片90nm及以上产线制造工艺需求。本次交付的设备将用于国内功率半导体头部公司的量产线，加之前期该型号设备已在功率半导体知名企业产线长期量产使用，表明该产品尤为受到功率半导体公司的青睐和欢迎。NanoPro-150是NanoPro-1XX系列中的高端产品，除与国际顶尖公司同类产品在灵敏度、检出速度等主要性能参数相近外，还开发和引入了许多先进的AI算法和软件，进一步提高了信噪比，显著提升了设备在关键制程的缺陷检测灵敏度和检出率。同时，该产品实现了精密光机电关键核心部件的国产化和自主可控，为产品的量产和稳产奠定了坚实基础。 中导光电是国内半导体及泛半导体前道图形缺陷检测设备的领军企业，也是国家专精特新 “小巨人” 企业、国家知识产权优势企业，有着丰富的技术积累和完全的自主产权。在过去十多年的经营中，公司的亚微米级和微米级设备累计销售逾350台，长期稳定地运行在众多量产线中。公司目前进入销售和量产的NanoPro-1XX系列产品和MDI亚微米检测设备，加上NanoPro-2XX和NanoPro-3XX即将先后进入市场，可望覆盖国内半导体前道检测设备需求市场的90%以上，给中国半导体工业检测设备的国产化描绘出一片光明前景。

以碳化硅（SiC）基板为基础的高功率及高频元件的需求随着电动车、资料中心与高频通讯市场的成长出现供不应求的状况。其中SiC基板质量决定下游元件的可靠度及性能优劣，但SiC长晶速度较慢，且目前关键的晶体缺陷只能以破坏性的KOH蚀刻方式进行抽样检测，使得SiC芯片制程成本居高不下。因此，基板厂与元件厂若能在制程中对材料做全面非破坏性检测，不仅可及早发现问题，进而有效改善制程、提升良率，进而在化合物半导体市场中展现绝佳竞争优势。现行的破坏性检测方式除了造成巨额的成本消耗之外，也无法提供足够的信息对整个制程进行完整的研究与追踪。而近来的文献显示现有的光学检测技术虽然可以准确地找出表面的缺陷（Ref.1），然而对找出晶圆内部的晶体缺陷依然力有未逮。因此，蔚华科技携手南方科技推出非破坏性的SiC缺陷检测系统，首创将非线性光学技术导入半导体检测领域，可对全片基板表面到特定深度进行扫描，反应晶体结构信息，提供晶体缺陷密度及其分布状况，让客户有效掌握基板质量，未来生产出的元件质量与效能也能更加稳定。通过非线性光学影像与AI影像辨识结合（Ref.2），更能辨识晶圆内部的致命性晶体缺陷，除了能够节省巨额的成本支出，并且提高产出之外，更能对基板的质量控制做出完整的追踪与回溯。有别于目前市场上的光学技术仅能检测表面的非晶体缺陷，南方科技针对市场需求推出了JadeSiC-NK （型号 SP3055），专注在稳定且有效地找出基板中关键的晶体缺陷（Micropipe, BPD, TSD, Stacking fault），相较现行将SiC晶锭切片后取上下二片基板进行检测的KOH蚀刻方式，可大幅节省检测时间与基板成本。以每个长晶炉每月产出四个晶锭为例，采用JadeSiC-NK后，每个晶锭可省下二片基板成本（每片6英寸基板以800美元计），因此可推估一个长晶炉每年可省下新台币250万元，若是具有100个长晶炉的基板厂，一年即可省下新台币2.5亿元。此外，JadeSiC-NK也可针对同一个晶锭进行100%的晶圆检查，进行详细的晶锭分析和批次追踨分析，协助客户在高技术门槛的化合物半导体市场加速制程及产量优化。Ref1: Chen, PC., Miao, WC., Ahmed, T. and Kuo, HC, Defect Inspection Techniques in SiC.Nanoscale Res Lett17, 30 （2022）. https://doi.org/10.1186/s11671-022-03672-w, https://link.springer.com/article/10.1186/s11671-022-03672-wRef2: Kuo, HC, Huang, C , 乐达科技 NYCU 产学计划 report （2023）图一：（上）JadeSiC-NK以非破坏性方式检测出的BPD缺陷分布（下）相同晶圆以KOH破坏性蚀刻方式检测出的BPD缺陷分布图二：（左） JadeSiC-NK以非破坏性方式检测出的TSD缺陷分布（右）相同晶圆以KOH破坏性蚀刻方式检测出的TSD缺陷分布

近日，天准科技参股的苏州矽行半导体技术有限公司（下文简称“矽行半导体”）宣布，公司面向40nm技术节点的明场纳米图形晶圆缺陷检测设备TB1500已完成厂内验证，标志着国产半导体高端检测设备实现了新的突破。这是继去年8月，天准科技正式交付面向12英寸晶圆65~90nm技术节点的宽波段明场缺陷检测设备TB1000不到一年后，再次取得的阶段性新进展。高精度明场缺陷检测设备的重要性从整片晶圆到单颗芯片，除了需要耳熟能详的光刻机外，还需要扩散炉、刻蚀机、离子注入机、薄膜沉积设备、化学机械抛光机和清洗机等一系列必备生产型设备。而缺陷检测设备作为保证芯片质量、降低生产成本，推进工艺迭代的重要工具，在芯片生产流程中不可或缺。特别是随着工艺制程不断演进，制造芯片的成本越来越高，检测设备的重要性与日俱增。其中，拥有更高检测精度、更全缺陷类型覆盖率的明场缺陷检测设备备受行业青睐。作为国产半导体设备厂商的代表，成立于2021年11月的矽行半导体，汇聚了来自国内外知名半导体设备公司、晶圆代工厂、上市公司和研究机构的顶尖人才，专注于高端晶圆缺陷检测设备及零部件的研发、生产和销售，努力填补国产缺陷检测设备市场的空白。依托卓越的技术团队和先进的技术实力，逐步打破了KLA等外商对缺陷检测市场的垄断，为国内半导体产业的发展注入了新的活力。TB1500是矽行半导体最新的研发成果，核心关键部件全部实现自主可控，同时采用了先进的信号处理算法，有效提高信噪比和检测灵敏度。为了满足40nm技术节点的工艺制程需求，TB1500提升了光源亮度和感度，增大了物镜视野和速度，能够捕捉更小缺陷尺寸。天准科技半导体设备深布局，助推国产半导体行业突破此外，天准科技在半导体设备领域持续发力。全资子公司MueTec研发的面向12英寸40nm技术节点的DaVinci G5设备，经过大量的晶圆实测数据验证，表现优异。与前两代产品相比，该设备提升了重复性、吞吐量和高深宽比套刻标记识别能力，将在满足大规模生产的需求下，使复杂芯片图案的套刻精度检测成为可能，极大地提高制造效率。天准科技致力打造卓越视觉装备平台企业，通过自主研发、海外并购德国MueTec和战略投资成立矽行公司等多种途径，强化在半导体检测设备领域的布局。据悉，矽行半导体面向28nm技术节点的TB2000设备当前进展顺利，各核心零部件均已完成开发，计划于2024年底发布样机。随着人工智能、大数据等技术的融合与发展，半导体检测设备将趋向更高精度、更高效率和更高智能化的方向演进。未来，天准科技将凭借其技术创新和战略布局，继续推动技术和产品升级，力争在半导体领域成为一流的半导体量测与检测设备公司，助力国产半导体行业突破。

记者从天准科技(688003)了解到，由该公司参股的苏州矽行半导体技术有限公司（以下简称“矽行半导体”）宣布，公司面向40nm技术节点的明场纳米图形晶圆缺陷检测设备TB1500已完成厂内验证，标志着国产半导体高端检测设备实现了新的突破。这是继去年8月，天准科技交付面向12英寸晶圆65nm至90nm技术节点的宽波段明场缺陷检测设备TB1000不到一年后，公司再次取得阶段性新进展。从整片晶圆到单颗芯片，除了大家所熟知的光刻机外，还有扩散炉、刻蚀机、离子注入机、薄膜沉积设备、化学机械抛光机和清洗机等一系列设备。缺陷检测设备作为保证芯片质量、降低生产成本，推进工艺迭代的重要工具，在芯片生产流程中不可或缺。特别是随着工艺制程不断演进，制造芯片的成本越来越高，检测设备的重要性与日俱增。拥有更高检测精度、更全缺陷类型覆盖率的明场缺陷检测设备备受行业青睐。成立于2021年11月的矽行半导体，专注于高端晶圆缺陷检测设备及零部件的研发、生产和销售，并逐步打破KLA等外商对缺陷检测市场的垄断，为国内半导体产业的发展注入了新的活力。据了解，TB1500是矽行半导体最新的研发成果，核心关键部件全部实现自主可控，同时采用了先进的信号处理算法，有效提高信噪比和检测灵敏度。为了满足40nm技术节点的工艺制程需求，TB1500提升了光源亮度和感度，增大了物镜视野和速度，能够捕捉更小缺陷尺寸。值得关注的是，天准科技在半导体设备领域持续发力。全资子公司MueTec研发的面向12英寸40nm技术节点的DaVinci G5设备，经过大量的晶圆实测数据验证，表现优异。与前两代产品相比，该设备提升了重复性、吞吐量和高深宽比套刻标记识别能力，将在满足大规模生产的需求下，使复杂芯片图案的套刻精度检测成为可能，极大地提高制造效率。天准科技致力打造卓越视觉装备平台企业，通过自主研发、海外并购德国MueTec和战略投资成立矽行公司等多种途径，强化在半导体检测设备领域的布局。据悉，矽行半导体面向28nm技术节点的TB2000设备当前进展顺利，各核心零部件均已完成开发，计划于2024年年底发布样机。

今年3.15期间，中国汽研旗下油耗检测中心被央视曝光，旗下长春与天津两家汽车检测机构存在油耗造假的现状。而涉及方之一的海马汽车，之前便发布公告称否认造假，称所有上市车型均达到国家相关技术标准，公司所有车型的油耗检测均按照《轻型汽车燃料消耗量试验方法》(GB/T19233-2008)的相关规定委托第三方检测机构进行检测 公司所有上市车型油耗均符合《乘用车燃料消耗量限值》(GB19578-2004)标准要求。 　　5月23日，中国汽研发布公告称，已经收到了工信部的责令整改通知书，对检测中心油耗检测质量控制存在的严重缺陷，责令检测中心自2014年6月1日起进行为期六个月的整改。整改期间，工信部将暂停受理检测中心有关检测报告。 　　自2009年起，工信部陆续出台了多项政策，强化对汽车油耗的管理，要求上市销售车型必须通过国家指定的第三方检测机构确认，其中《轻型汽车燃料消耗量标示管理规定》明确指出，要求车辆模拟市区、高速、市郊(包括公路)三种行驶工况油耗，在车辆中明确标示，以引导消费者购买。而中国汽研旗下的油耗检测中则处于该项检测的垄断地位。 　　中国汽研方面表示，由于公司所属检测中心个别部门管理不善，导致在本次油耗检测检查中出现质量控制缺陷，暴露出公司检测中心在内控管理方面存在问题。公司管理层对由此造成的影响深表歉意。而此次责令整改是由于公司所属检测中心个别部门管理不善造成，预计会对公司一定时期的相关业务产生影响。 　　瑞银证券方面表示，中国汽研在短期内可能面临下行风险，由于公司部分核心检测业务被勒令整改，这导致技术服务业务的估值和今年盈利都将面临向下调整的风险。虽然新订单应能弥补部分技术服务业务的下滑，但是程度可能有限。

摘要随着对性能优于硅基器件的碳化硅（SiC）功率器件的需求不断增长，碳化硅制造工艺的高成本和低良率是尚待解决的最紧迫问题。研究表明，SiC器件的性能很大程度上受到晶体生长过程中形成的所谓杀手缺陷（影响良率的缺陷）的影响。在改进降低缺陷密度的生长技术的同时，能够识别和定位缺陷的生长后检测技术已成为制造过程的关键必要条件。在这篇综述文章中，我们对碳化硅缺陷检测技术以及缺陷对碳化硅器件的影响进行了展望。本文还讨论了改进现有检测技术和降低缺陷密度的方法的潜在解决方案，这些解决方案有利于高质量SiC器件的大规模生产。前言由于电力电子市场的快速增长，碳化硅（SiC，一种宽禁带半导体）成为开发用于电动汽车、航空航天和功率转换器的下一代功率器件的有前途的候选者。与由硅或砷化镓（GaAs）制成的传统器件相比，基于碳化硅的电力电子器件具有多项优势。表1显示了SiC、Si、GaAs以及其他宽禁带材料（如GaN和金刚石）的物理性能的比较。由于具有宽禁带（4H-SiC为~3.26eV），基于SiC器件可以在更高的电场和更高的温度下工作，并且比基于Si的电力电子器件具有更好的可靠性。SiC还具有优异的导热性（约为Si的三倍），这使得SiC器件具有更高的功率密度封装，具有更好的散热性。与硅基功率器件相比，其优异的饱和电子速度（约为硅的两倍）允许更高的工作频率和更低的开关损耗。SiC优异的物理特性使其非常有前途地用于开发各种电子设备，例如具有高阻断电压和低导通电阻的功率MOSFET，以及可以承受大击穿场和小反向漏电流的肖特基势垒二极管（SBD）。性质Si3C-SiC4H-SiCGaAsGaN金刚石带隙能量（eV）1.12.23.261.433.455.45击穿场（106Vcm−1)0.31.33.20.43.05.7导热系数（Wcm−1K−1)1.54.94.90.461.322饱和电子速度（107cms−1)1.02.22.01.02.22.7电子迁移率（cm2V−1s−1)150010001140850012502200熔点（°C）142028302830124025004000表1电力电子用宽禁带半导体与传统半导体材料的物理特性（室温值）对比提高碳化硅晶圆质量对制造商来说很重要，因为它直接决定了碳化硅器件的性能，从而决定了生产成本。然而，低缺陷密度的SiC晶圆的生长仍然非常具有挑战性。最近，碳化硅晶圆制造的发展已经完成了从100mm（4英寸）到150mm（6英寸）晶圆的艰难过渡。SiC需要在高温环境中生长，同时具有高刚性和化学稳定性，这导致生长的SiC晶片中存在高密度的晶体和表面缺陷，导致衬底和随后制造的外延层质量差。图1总结了SiC中的各种缺陷以及这些缺陷的工艺步骤，下一节将进一步讨论。图1SiC生长过程示意图及各步骤引起的各种缺陷各种类型的缺陷会导致设备性能不同程度的劣化，甚至可能导致设备完全失效。为了提高良率和性能，在设备制造之前检测缺陷的技术变得非常重要。因此，快速、高精度、无损的检测技术在碳化硅生产线中发挥着重要作用。在本文中，我们将说明每种类型的缺陷及其对设备性能的影响。我们还对不同检测技术的优缺点进行了深入的讨论。这篇综述文章中的分析不仅概述了可用于SiC的各种缺陷检测技术，还帮助研究人员在工业应用中在这些技术中做出明智的选择（图2）。表2列出了图2中检测技术和缺陷的首字母缩写。图2可用于碳化硅的缺陷检测技术表2检测技术和缺陷的首字母缩写见图SEM：扫描电子显微镜OM：光学显微镜BPD：基面位错DIC：微分干涉对比PL：光致发光TED：螺纹刃位错OCT：光学相干断层扫描CL：阴极发光TSD：螺纹位错XRT：X射线形貌术拉曼：拉曼光谱SF：堆垛层错碳化硅的缺陷碳化硅晶圆中的缺陷通常分为两大类：（1）晶圆内的晶体缺陷和（2）晶圆表面处或附近的表面缺陷。正如我们在本节中进一步讨论的那样，晶体学缺陷包括基面位错（BPDs）、堆垛层错（SFs）、螺纹刃位错（TEDs）、螺纹位错（TSDs）、微管和晶界等，横截面示意图如图3（a）所示。SiC的外延层生长参数对晶圆的质量至关重要。生长过程中的晶体缺陷和污染可能会延伸到外延层和晶圆表面，形成各种表面缺陷，包括胡萝卜缺陷、多型夹杂物、划痕等，甚至转化为产生其他缺陷，从而对器件性能产生不利影响。图3SiC晶圆中出现的各种缺陷。（a）碳化硅缺陷的横截面示意图和（b）TEDs和TSDs、（c）BPDs、（d）微管、（e）SFs、（f）胡萝卜缺陷、（g）多型夹杂物、（h）划痕的图像生长在4°偏角4H-SiC衬底上的SiC外延层是当今用于各种器件应用的最常见的晶片类型。在4°偏角4H-SiC衬底上生长的SiC外延层是当今各种器件应用中最常用的晶圆类型。众所周知，大多数缺陷的取向与生长方向平行，因此，SiC在SiC衬底上以4°偏角外延生长不仅保留了下面的4H-SiC晶体，而且使缺陷具有可预测的取向。此外，可以从单个晶圆上切成薄片的晶圆总数增加。然而，较低的偏角可能会产生其他类型的缺陷，如3C夹杂物和向内生长的SFs。在接下来的小节中，我们将讨论每种缺陷类型的详细信息。晶体缺陷螺纹刃位错（TEDs）、螺纹位错（TSDs）SiC中的位错是电子设备劣化和失效的主要来源。螺纹刃位错（TSDs）和螺纹位错（TEDs）都沿生长轴运行，Burgers向量分别为和1/3。TSDs和TEDs都可以从衬底延伸到晶圆表面，并带来小的凹坑状表面特征，如图3b所示。通常，TEDs的密度约为8000-10,0001/cm2，几乎是TSDs的10倍。扩展的TSDs，即TSDs从衬底延伸到外延层，可能在SiC外延生长过程中转化为基底平面上的其他缺陷，并沿生长轴传播。Harada等人表明，在SiC外延生长过程中，TSDs被转化为基底平面上的堆垛层错（SFs）或胡萝卜缺陷，而外延层中的TEDs则被证明是在外延生长过程中从基底继承的BPDs转化而来的。基面位错（BPDs）另一种类型的位错是基面位错（BPDs），它位于SiC晶体的平面上，Burgers矢量为1/3。BPDs很少出现在SiC晶圆表面。它们通常集中在衬底上，密度为15001/cm2，而它们在外延层中的密度仅为约101/cm2。Kamei等人报道，BPDs的密度随着SiC衬底厚度的增加而降低。BPDs在使用光致发光（PL）检测时显示出线形特征，如图3c所示。在SiC外延生长过程中，扩展的BPDs可能转化为SFs或TEDs。微管在SiC中观察到的常见位错是所谓的微管，它是沿生长轴传播的空心螺纹位错，具有较大的Burgers矢量分量。微管的直径范围从几分之一微米到几十微米。微管在SiC晶片表面显示出大的坑状表面特征。从微管发出的螺旋，表现为螺旋位错。通常，微管的密度约为0.1–11/cm2，并且在商业晶片中持续下降。堆垛层错（SFs）堆垛层错(SFs)是SiC基底平面中堆垛顺序混乱的缺陷。SFs可能通过继承衬底中的SFs而出现在外延层内部，或者与扩展BPDs和扩展TSDs的变换有关。通常，SFs的密度低于每平方厘米1个，并且通过使用PL检测显示出三角形特征,如图3e所示。然而，在SiC中可以形成各种类型的SFs，例如Shockley型SFs和Frank型SFs等，因为晶面之间只要有少量的堆叠能量无序可能导致堆叠顺序的相当大的不规则性。点缺陷点缺陷是由单个晶格点或几个晶格点的空位或间隙形成的，它没有空间扩展。点缺陷可能发生在每个生产过程中，特别是在离子注入中。然而，它们很难被检测到，并且点缺陷与其他缺陷的转换之间的相互关系也是相当的复杂，这超出了本文综述的范围。其他晶体缺陷除了上述各小节所述的缺陷外，还存在一些其他类型的缺陷。晶界是两种不同的SiC晶体类型在相交时晶格失配引起的明显边界。六边形空洞是一种晶体缺陷，在SiC晶片内有一个六边形空腔，它已被证明是导致高压SiC器件失效的微管缺陷的来源之一。颗粒夹杂物是由生长过程中下落的颗粒引起的，通过适当的清洁、仔细的泵送操作和气流程序的控制，它们的密度可以大大降低。表面缺陷胡萝卜缺陷通常，表面缺陷是由扩展的晶体缺陷和污染形成的。胡萝卜缺陷是一种堆垛层错复合体，其长度表示两端的TSD和SFs在基底平面上的位置。基底断层以Frank部分位错终止，胡萝卜缺陷的大小与棱柱形层错有关。这些特征的组合形成了胡萝卜缺陷的表面形貌，其外观类似于胡萝卜的形状，密度小于每平方厘米1个，如图3f所示。胡萝卜缺陷很容易在抛光划痕、TSD或基材缺陷处形成。多型夹杂物多型夹杂物，通常称为三角形缺陷，是一种3C-SiC多型夹杂物，沿基底平面方向延伸至SiC外延层表面，如图3g所示。它可能是由外延生长过程中SiC外延层表面上的下坠颗粒产生的。颗粒嵌入外延层并干扰生长过程，产生了3C-SiC多型夹杂物，该夹杂物显示出锐角三角形表面特征，颗粒位于三角形区域的顶点。许多研究还将多型夹杂物的起源归因于表面划痕、微管和生长过程的不当参数。划痕划痕是在生产过程中形成的SiC晶片表面的机械损伤，如图3h所示。裸SiC衬底上的划痕可能会干扰外延层的生长，在外延层内产生一排高密度位错，称为划痕，或者划痕可能成为胡萝卜缺陷形成的基础。因此，正确抛光SiC晶圆至关重要，因为当这些划痕出现在器件的有源区时，会对器件性能产生重大影响。其他表面缺陷台阶聚束是SiC外延生长过程中形成的表面缺陷，在SiC外延层表面产生钝角三角形或梯形特征。还有许多其他的表面缺陷，如表面凹坑、凹凸和污点。这些缺陷通常是由未优化的生长工艺和不完全去除抛光损伤造成的，从而对器件性能造成重大不利影响。检测技术量化SiC衬底质量是外延层沉积和器件制造之前必不可少的一步。外延层形成后，应再次进行晶圆检查，以确保缺陷的位置已知，并且其数量在控制之下。检测技术可分为表面检测和亚表面检测，这取决于它们能够有效地提取样品表面上方或下方的结构信息。正如我们在本节中进一步讨论的那样，为了准确识别表面缺陷的类型，通常使用KOH（氢氧化钾）通过在光学显微镜下将其蚀刻成可见尺寸来可视化表面缺陷。然而，这是一种破坏性的方法，不能用于在线大规模生产。对于在线检测，需要高分辨率的无损表面检测技术。常见的表面检测技术包括扫描电子显微镜（SEM）、原子力显微镜（AFM）、光学显微镜（OM）和共聚焦微分干涉对比显微镜（CDIC）等。对于亚表面检测，常用的技术包括光致发光（PL）、X射线形貌术（XRT）、镜面投影电子显微镜（MPJ）、光学相干断层扫描（OCT）和拉曼光谱等。在这篇综述中，我们将碳化硅检测技术分为光学方法和非光学方法，并在以下各节中对每种技术进行讨论。非光学缺陷检测技术非光学检测技术，即不涉及任何光学探测的技术，如KOH蚀刻和TEM，已被广泛用于表征SiC晶圆的质量。这些方法在检测SiC晶圆上的缺陷方面相对成熟和精确。然而，这些方法会对样品造成不可逆转的损坏，因此不适合在生产线中使用。虽然存在其他非破坏性的检测方法，如SEM、CL、AFM和MPJ，但这些方法的通量较低，只能用作评估工具。接下来，我们简要介绍上述非光学技术的原理。还讨论了每种技术的优缺点。透射电子显微镜（TEM）透射电子显微镜（TEM）可用于以纳米级分辨率观察样品的亚表面结构。透射电镜利用入射到碳化硅样品上的加速电子束。具有超短波长和高能量的电子穿过样品表面，从亚表面结构弹性散射。SiC中的晶体缺陷，如BPDs、TSDs和SFs，可以通过TEM观察。扫描透射电子显微镜（STEM）是一种透射电子显微镜，可以通过高角度环形暗场成像（HAADF）获得原子级分辨率。通过TEM和HAADF-STEM获得的图像如图4a所示。TEM图像清晰地显示了梯形SF和部分位错，而HAADF-STEM图像则显示了在3C-SiC中观察到的三种SFs。这些SFs由1、2或3个断层原子层组成，用黄色箭头表示。虽然透射电镜是一种有用的缺陷检测工具，但它一次只能提供一个横截面视图，因此如果需要检测整个碳化硅晶圆，则需要花费大量时间。此外，透射电镜的机理要求样品必须非常薄，厚度小于1μm，这使得样品的制备相当复杂和耗时。总体而言，透射电镜用于了解缺陷的基本晶体学，但它不是大规模或在线检测的实用工具。图4不同的缺陷检测方法和获得的缺陷图像。（a）SFs的TEM和HAADF图像；（b）KOH蚀刻后的光学显微照片图像；（c）带和不带SF的PL光谱，而插图显示了波长为480nm的单色micro-PL映射；（d）室温下SF的真彩CLSEM图像；（e）各种缺陷的拉曼光谱；（f）微管相关缺陷204cm−1峰的微拉曼强度图KOH蚀刻KOH蚀刻是另一种非光学技术，用于检测多种缺陷，例如微管、TSDs、TEDs、BDPs和晶界。KOH蚀刻后形成的图案取决于蚀刻持续时间和蚀刻剂温度等实验条件。当将约500°C的熔融KOH添加到SiC样品中时，在约5min内，SiC样品在有缺陷区域和无缺陷区域之间表现出选择性蚀刻。冷却并去除SiC样品中的KOH后，存在许多具有不同形貌的蚀刻坑，这些蚀刻坑与不同类型的缺陷有关。如图4b所示，位错产生的大型六边形蚀刻凹坑对应于微管，中型凹坑对应于TSDs，小型凹坑对应于TEDs。KOH刻蚀的优点是可以一次性检测SiC样品表面下的所有缺陷，制备SiC样品容易，成本低。然而，KOH蚀刻是一个不可逆的过程，会对样品造成永久性损坏。在KOH蚀刻后，需要对样品进行进一步抛光以获得光滑的表面。镜面投影电子显微镜（MPJ）镜面投影电子显微镜（MPJ）是另一种很有前途的表面下检测技术，它允许开发能够检测纳米级缺陷的高通量检测系统。由于MPJ反映了SiC晶圆上表面的等电位图像，因此带电缺陷引起的电位畸变分布在比实际缺陷尺寸更宽的区域上。因此，即使工具的空间分辨率为微米级，也可以检测纳米级缺陷。来自电子枪的电子束穿过聚焦系统，均匀而正常地照射到SiC晶圆上。值得注意的是，碳化硅晶圆受到紫外光的照射，因此激发的电子被碳化硅晶圆中存在的缺陷捕获。此外，SiC晶圆带负电，几乎等于电子束的加速电压，使入射电子束在到达晶圆表面之前减速并反射。这种现象类似于镜子对光的反射，因此反射的电子束被称为“镜面电子”。当入射电子束照射到携带缺陷的SiC晶片时，缺陷的带负电状态会改变等电位表面，导致反射电子束的不均匀性。MPJ是一种无损检测技术，能够对SiC晶圆上的静电势形貌进行高灵敏度成像。Isshiki等人使用MPJ在KOH蚀刻后清楚地识别BPDs、TSDs和TEDs。Hasegawa等人展示了使用MPJ检查的BPDs、划痕、SFs、TSDs和TEDs的图像，并讨论了潜在划痕与台阶聚束之间的关系。原子力显微镜（AFM）原子力显微镜（AFM）通常用于测量SiC晶圆的表面粗糙度，并在原子尺度上显示出分辨率。AFM与其他表面检测方法的主要区别在于，它不会受到光束衍射极限或透镜像差的影响。AFM利用悬臂上的探针尖端与SiC晶圆表面之间的相互作用力来测量悬臂的挠度，然后将其转化为与表面缺陷特征外观成正比的电信号。AFM可以形成表面缺陷的三维图像，但仅限于解析表面的拓扑结构，而且耗时长，因此通量低。扫描电子显微镜（SEM）扫描电子显微镜（SEM）是另一种广泛用于碳化硅晶圆缺陷分析的非光学技术。SEM具有纳米量级的高空间分辨率。加速器产生的聚焦电子束扫描SiC晶圆表面，与SiC原子相互作用，产生二次电子、背散射电子和X射线等各种类型的信号。输出信号对应的SEM图像显示了表面缺陷的特征外观，有助于理解SiC晶体的结构信息。但是，SEM仅限于表面检测，不提供有关亚表面缺陷的任何信息。阴极发光（CL）阴极发光（CL）光谱利用聚焦电子束来探测固体中的电子跃迁，从而发射特征光。CL设备通常带有SEM，因为电子束源是这两种技术的共同特征。加速电子束撞击碳化硅晶圆并产生激发电子。激发电子的辐射复合发射波长在可见光谱中的光子。通过结合结构信息和功能分析，CL给出了样品的完整描述，并直接将样品的形状、大小、结晶度或成分与其光学特性相关联。Maximenko等人显示了SFs在室温下的全彩CL图像，如图4d所示。不同波长对应的SFs种类明显，CL发现了一种常见的单层Shockley型堆垛层错，其蓝色发射在~422nm，TSD在~540nm处。虽然SEM和CL由于电子束源而具有高分辨率，但高能电子束可能会对样品表面造成损伤。基于光学的缺陷检测技术为了在不损失检测精度的情况下实现高吞吐量的在线批量生产，基于光学的检测方法很有前途，因为它们可以保存样品，并且大多数可以提供快速扫描能力。表面检测方法可以列为OM、OCT和DIC，而拉曼、XRT和PL是表面下检测方法。在本节中，我们将介绍每种检测方法的原理，这些方法如何应用于检测缺陷，以及每种方法的优缺点。光学显微镜（OM）

近日，御微半导体首批i12-F300超精密晶圆缺陷检测设备在御微合肥成功发运，顺利交付国内集成电路领域重要客户。御微半导体自主研发的i12-F300设备作为公司新一代晶圆检测产品，凭借御微多年来在集成电路晶圆检测领域积累的丰富经验和技术储备，以多模式的高精度光学成像、高稳定性成像控制、高效率数据处理系统、多类型物料兼容为基础，结合御微专有的智能检测+分类算法和软件系统，相对于已有集成电路晶圆缺陷检测产品，可提供更强大的缺陷检测能力和更高的检测效率，满足不同集成电路客户工艺环节中细微缺陷管控需求。御微半导体i12-F300超精密晶圆缺陷检测设备在集成电路晶圆制造环节，i12-F300设备可应用于光刻后、蚀刻后、化学研磨后、薄膜沉积等工艺后的缺陷检测，实现快速工艺监测和问题反馈，减少客户良率损失。i12-F300设备可搭配御微已有边缘、背面检测模块，实现对晶圆正面、背面、边缘全方位检测和质量管控。此外，该设备可实现深亚微米检测精度，在多种场景下用于产线高精度检测场景，补充客户产线昂贵纳米检测设备产能，降低客户使用成本。另外，通过兼容透明/半透明基底、翘曲/键合片等基底，i12-F300可用于化合物半导体、先进封装等领域，对晶圆产品实现高精度管控，助力客户产线降本增效、实现零缺陷目标。i12-F300的推出，进一步完善了御微在晶圆检测领域的产品布局，这是御微集成电路晶圆缺陷检测领域的重大突破，也是迈入国产替代关键性的一步。未来，御微将持续加大研发投入，精准把握客户需求，不断推出满足客户需求的新产品，填补国内相关半导体设备领域的空白，为广大客户创造更多独特价值。据资料显示，御微半导体是一家以技术和市场双轮驱动，为集成电路制造提供先进装备的科创企业。公司面向集成电路制造、先进封装、化合物半导体、新型显示等领域，为客户提供具有竞争力的产品及技术解决方案。公司聚焦于集成电路光学量检测系统设计与系统集成，围绕集成电路装备自主化，已经形成了服务于芯片制造、光罩制造、晶圆衬底制造、基板制造四大领域九大类量测及检测产品。致力成为半导体设备行业第一梯队的技术提供者。

近日，中俄合作完成的“焊接结构缺陷检验、服役可靠性评估及延寿技术研究”项目，通过了黑龙江省科技厅组织的专家验收。专家认为，双方合作开发了噪声抑制新技术、合成孔径聚焦缺陷检测技术、缺陷三维成像检测技术等多种新技术，解决了结构焊接缺陷定量化检测可靠性低的难题，并在缺陷自动识别等方面取得了重要进展。 　　该项目由哈尔滨工业大学先进焊接与连接国家重点实验室与俄罗斯鲍曼国立技术大学合作承担，于2007年启动，其研究目标是建立一套基于声发射、超声波技术原理、压痕技术、电磁技术和光学技术原理的国际先进的焊接缺陷和焊接应力检测与剩余工作寿命评估系统。 　　据介绍，该研究突破了反映应力信息的超声信号提取和干扰去除策略方面的技术难点，开发出基于临界折射纵波焊接应力检测的技术设备，其平面构件表面应力测试误差仅为12%左右，技术设备已实现集成化和产品化，在高速列车、火箭燃料储箱等领域中应用。 　　同时，研究团队开发出随焊冲击碾压、双向预置应力焊接等多项新技术及配套装置，有效改善了焊接接头的残余应力状态，减少了焊接缺陷，并将焊接新工艺在高速列车承载焊接接头的制造中试用，获得显著成效。 　　据悉，项目执行期间，共申请发明专利12项，获得发明专利授权8项 获得软件著作权2项 发表论文93篇，其中SCI16篇、EI64篇 形成拥有自主知识产权的核心技术2项 开发新装置7台(套) 形成新工艺5项。同时，以该项目为基础筹建的“中国—俄罗斯—乌克兰国际焊接联合研究中心”已获科技部批准。

近期，中科院合肥研究院智能所仿生智能中心在自主开发的软件平台上实现了3D视觉测量技术、视觉缺陷检测等技术的完美融合，解决了国内首款国产GPU——凌久GP102的外观检测问题。目前首台具有自主知识产权的BGA芯片外观检测设备已正式交付并通过验收。为满足芯片出厂质量控制和芯片可追溯性需求，科研团队经过半年的产品研发和测试工作，成功研制出具有自主知识产权的BGA芯片外观检测设备A3DOI-BGA，该设备可批量采集芯片的三维图像数据、平面RGB图像数据、激光点云数据等，结合传统及人工智能算法，实现测量精度、缺陷识别率等各项性能指标的完全达标，部分指标可超越相关进口检测设备。该设备的核心传感器均来自国产，具备微米级别超高测量精度，可兼容多种BGA封装芯片检测，实现芯片成品3D形貌测量。A3DOI-BGA的成功交付标志着团队自主研发的3D视觉测量技术正式走出实验室，为国内的芯片制造用户提供专业、高精度、可靠的视觉技术服务和成套检测设备。　BGA芯片外观检测设备及显示界面

近期，中科院合肥研究院智能所仿生智能中心在自主开发的软件平台上实现了3D视觉测量技术、视觉缺陷检测等技术的融合，解决了国产GPU——凌久GP102的外观检测问题。目前首台具有自主知识产权的BGA芯片外观检测设备已正式交付并通过验收。 　　为满足芯片出厂质量控制和芯片可追溯性需求，科研团队经过半年的产品研发和测试工作，成功研制出具有自主知识产权的BGA芯片外观检测设备A3DOI-BGA，该设备可批量采集芯片的三维图像数据、平面RGB图像数据、激光点云数据等，结合传统及人工智能算法，实现测量精度、缺陷识别率等各项性能指标的完全达标，部分指标可超越相关进口检测设备。该设备的核心传感器均来自国产，具备微米级别超高测量精度，可兼容多种BGA封装芯片检测，实现芯片成品3D形貌测量。 　　A3DOI-BGA的成功交付标志着团队自主研发的3D视觉测量技术正式走出实验室，为国内的芯片制造用户提供专业、高精度、可靠的视觉技术服务和成套检测设备。BGA芯片外观检测设备及显示界面

p style=" text-indent: 2em " span 2020 /span 年 span 8 /span 月 span 27 /span 日， span style=" text-align: justify text-indent: 28px " KLA /span span style=" text-align: justify text-indent: 28px " 仪器发布针对功率器件的 /span span style=" text-align: justify text-indent: 28px font-family: Arial, sans-serif color: rgb(12, 12, 18) background: white " Candela sup & reg /sup & nbsp 8520& nbsp /span span style=" text-align: justify text-indent: 28px color: rgb(12, 12, 18) background: white " 缺陷检测系统。该设备继承自首款将表面形貌和晶体缺陷的检测和分类集成至一个平台的 /span span style=" text-align: justify text-indent: 28px font-family: Arial, sans-serif color: rgb(12, 12, 18) background: white " Candela sup & reg /sup & nbsp CS920 /span span style=" text-align: justify text-indent: 28px color: rgb(12, 12, 18) background: white " 系统。 /span span style=" text-align: justify text-indent: 28px font-family: Arial, sans-serif color: rgb(12, 12, 18) background: white " Candela 8520 /span span style=" text-align: justify text-indent: 28px color: rgb(12, 12, 18) background: white " 的检测速度是前身的两倍多，对于快速增长的功率器件市场来说，能够更好地提升产量。 /span /p p style=" text-indent: 0em " span style=" text-align: justify text-indent: 28px color: rgb(12, 12, 18) background: white " img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/202009/uepic/a90c3a0c-9641-41fe-82c5-40f2269b2f5a.jpg" title=" AdvanceBlogCandela-01_300dpi__002_.jpg" alt=" AdvanceBlogCandela-01_300dpi__002_.jpg" / /span /p p style=" text-align: right text-indent: 0em " span style=" font-family:& #39 Arial& #39 ,sans-serif color:#0C0C12 background:white" span style=" text-align: justify text-indent: 28px font-family: Arial, sans-serif color: rgb(12, 12, 18) background: white " Candela sup & reg /sup & nbsp 8520& nbsp /span span style=" text-align: justify text-indent: 28px color: rgb(12, 12, 18) background: white " 缺陷检测系统（KLA官网） /span br/ /span /p p style=" text-indent: 28px text-align: justify " span style=" font-family:& #39 Arial& #39 ,sans-serif color:#0C0C12 background:white" Candela 8520 /span span style=" color:#0C0C12 background:white" 晶圆检测系统能够弥补关键缺陷检测漏洞，例如裸晶圆上的堆积层错和外延生长后的基面位错。该系统还配备有一些分析工具，如在线缺陷检测，芯片分选和轮廓线图。该系统能够生成一个综合检测报告来帮助工艺工程师更精准的改进工艺。 /span /p p style=" text-indent: 28px text-align: justify " span style=" font-family:& #39 Arial& #39 ,sans-serif color:#0C0C12 background:white" Candela 8520 /span span style=" color:#0C0C12 background:white" 集成了五种互补的检测技术，通过这些技术的结合可以精确地区分多种缺陷，如微管和微坑、胡萝卜型和基面位错，堆积层错和台阶聚集等。同时还能捕捉到影响 /span span style=" font-family:& #39 Arial& #39 ,sans-serif color:#0C0C12 background:white" SiC /span span style=" color:#0C0C12 background:white" 衬底和外延工艺控制的大型形貌缺陷。 /span /p p style=" text-align: center text-indent: 0em " img style=" max-width:100% max-height:100% " src=" https://www.kla-tencor.com/wp-content/uploads/Candela_8520_Launch_Blog_Infographic_FINAL_PNG.png" / /p p style=" text-indent: 0em text-align: right " （图来自KLA Instrument官网）& nbsp /p p style=" text-indent: 28px text-align: justify " 将暗场、明场、坡度、相位和光致发光技术集于单一平台，对功率器件制造商提高产量具有重大价值。 /p p style=" text-indent: 28px text-align: justify " span Candela 8520 /span 检测系统由 span KLA /span 的全球服务网络支持团队提供维护来确保产品的高效运转和生产。 /p

日本医疗保健设备和工厂自动化供应商欧姆龙公司正将目光投向利润丰厚的芯片制造设备市场，以推动未来的增长。欧姆龙将于明年春季推出一款X射线扫描仪，将更好地检测先进半导体制造中的缺陷，并提高全球芯片制造商的产量。VT-X950设备将生成具有足够分辨率的芯片3D图像，以识别1nm尺度的缺陷，至少比当前一流的硅制造技术领先一代。由于每次扫描仅需30秒，芯片制造商近乎实时地监控生产情况，并更有效地进行调整和修正。对于台积电和三星电子等制造商来说，良率（即每个硅片生产的无缺陷芯片的比例）是受到密切关注的指标——它影响着每家公司的成本和完成客户订单的速度。欧姆龙检查系统总经理Kazuhisa Shibuya表示：“半导体行业的需求趋势是小批量生产更多种类的芯片，但如果没有实时CT扫描，这在经济上是不可行的。”CT（计算机断层扫描）是医疗诊断的支柱，也已经成为芯片制造中重要的质量控制工具。拥有90年历史的欧姆龙，其8760亿日元（59亿美元）年收入的一半以上来自工厂自动化产品，该公司于2012年发布VT-X900，首次进入半导体供应链。Kazuhisa Shibuya表示，这仍然是其业务的一小部分，主要局限于几家主要芯片制造商。Kazuhisa Shibuya认为，随着芯片变得越来越复杂、制造成本越来越高，需求将会增长。在仅仅几平方厘米的区域内，制造商需要编写比人的头发还细的金属线，并沉积数千个纳米级焊料凸点。将晶体管堆叠成三维结构的新技术——例如台积电和三星的（GAA）环栅架构——提高了精度要求。Omdia分析师Akira Minamikawa表示：“半导体制造过程中对CT扫描的需求非常迫切。随着行业追求芯片缩小和Chiplet（小芯片）技术，所需的键合技术水平飙升，特别是在过去几年。”当今需求最大的芯片是英伟达的顶级人工智能（AI）加速器，但台积电先进封装的生产能力却遇到了瓶颈。在这种情况下，质量控制和产量提高变得至关重要，因为微小的偏差都可能使售价数万美元的芯片变得一文不值。对制造出来的芯片进行X射线检查可以帮助检测缺陷，并允许工人根据需要微调流程。索尼集团此前表示，其最新智能手机摄像头传感器的量产遇到了麻烦，最终导致该公司的营业利润前景下降了15%。一般来讲，芯片制造商依靠所谓的功能测试来判断设备是否能按设计运行。CT也已被使用，但速度要慢得多：从生产线拾取样品单元，在单独的房间进行X射线检查，每次可能需要长达一个小时。东洋证券分析师Hideki Yasuda表示，对速度更快的检查设备的需求将急剧增加。尖端芯片制造的成本将要求更多的实时监控，以最大限度地减少硅浪费。Kazuhisa Shibuya表示，欧姆龙的CT扫描仪是芯片制造商在其装配线上安装的唯一现实选择，因为没有其他设备可以实时生成高质量的CT图像。与欧姆龙之前的型号相比，最新型号将扫描时间缩短了一半。

本次网上研讨会着重介绍Lumina Instruments激光扫描仪的功能和应用实例。这个创新性的设备可以用作激光扫描椭偏仪来全表面测量样品上的薄膜厚度分布，又可以扫描各种表面缺陷，比如颗粒,划痕，陷坑，和鼓包等等。更让大家感兴趣的是它能一次扫描检测透明基底上下表面以及基底内部缺陷。主讲人简介:陈博士有近30年的半导体制程控制和光学检测经验。他曾带领开发化学机械研磨设备以及制程终点控制设备。在加盟Lumina Instruments之前他负责Filmetrics全部设备和部分KLA 设备的全球市场开发。会议时间：2021/01/21 11:00-12:00 (北京时间)报名入口：点击进入 会议密码：12121手机一键拨号入会+8675536550000,,501587457#(中国大陆)+85230018898,,,2,501587457#(中国香港)根据您的位置拨号+8675536550000(中国大陆)+85230018898(中国香港)欢迎大家前来收听~~~

作为液体活检的重要标志物之一,循环肿瘤细胞(CTCs)在外周血中的含量可以用来辅助判断患者的癌症病发状况。除此以外,CTCs对于肿瘤细胞转移行为等基础研究也具有非常重要的意义。然而人体血液中的CTCs含量极其稀少,通常仅有0~10个/mL,与之相对,红细胞、白细胞和血小板的含量则分别达到5×109 个/mL、4×106 个/mL和3×108 个/mL,而且肿瘤细胞在转移过程中可以通过上皮-间质转化(EMT)和间质-上皮转化(MET)来不断地改变自身的特征。正是由于其稀缺性和异质性,以及血液中复杂基质的干扰,CTCs的精准检测成为巨大的难题。 由于常规的光学分析手段在检出限和灵敏度上均难以达到直接检测的要求,因此通常在进行外周血中CTCs的检测之前,要通过一些样品前处理方法来实现其分离和富集。常采用的样品前处理方法可以分为物理法和化学法,物理法主要根据细胞在物理特征上的差异来进行分离,例如膜过滤分离和密度梯度离心,就是分别依据细胞的大小和密度来完成筛选。化学法则主要依靠生物大分子的特异性识别作用,例如抗原抗体相互作用,核酸适配体与靶标的选择性结合。　　上述样品前处理方法虽然能够在不同程度上实现CTCs的分离富集,但也存在着一定的缺陷。由于这些方法都是非连续性的,在吸附、洗脱和转移的过程中难免会造成细胞的丢失,加之CTCs本身的稀缺性,很容易导致假阴性结果的产生。利用微流控芯片功能集成的特点则可以很好地解决这一问题,CTCs的捕获、释放、计数及检测等操作均可在芯片上完成,连续的自动化处理可以有效减少人为误差的干扰。此外,微流控芯片所需要的进样量非常小,可以大大减少珍贵样品和试剂的消耗,降低检测成本。并且在微尺度下表面力的作用会明显放大,可以有效提高物质混合和反应的效率,实现快速高效的分离分析。因此,近年来多项研究尝试利用微流控芯片平台开展CTCs分离检测工作,取得了良好的效果。本文对微流控芯片技术用于CTCs分离检测的相关研究进展进行了综述,将采用的分离方法主要分为物理筛选和生物亲和两大类,同时囊括正向富集和反向富集两种策略。此外,对于近期发展的芯片原位检测CTCs新方法也进行了介绍。　　1、CTCs分离芯片研究进展　　作为商品化较为成功的CTCs分离检测系统,强生公司的CellSearch产品采用的是基于上皮细胞黏附分子(EpCAM)抗体特异性识别肿瘤细胞的方法,类似的方法在CTCs分离芯片中也被广泛使用,可以视作利用生物亲和作用进行CTCs分离富集的代表。　　另一方面,依据细胞在物理性质方面的差异,无须生物标志物的条件下即可实现CTCs的筛选,其中有无外力介入的被动分离方法,例如利用微尺度下流体力学中的惯性效应和黏弹性效应来进行筛分。　　也有外加物理场的主动分离方法,诸如介电泳、表面声波和光镊技术等。除了直接对CTCs进行特异性识别实现正向富集外,也可以通过选择性结合诸如白细胞等干扰,再将其排除,从而达到反向富集的效果。　　2、、芯片原位CTCs检测　　对于CTCs的检测,通常采取先进行细胞染色,再用荧光显微镜观察的方法,但该方法在灵敏度上有待提高,且重现性较差,需要手动操作和人工计数。　　此外,以荧光光谱为代表,一些常见的光谱检测手段也被广泛应用在芯片上CTCs的检测中。　　除了光学分析方法外,研究人员通过使用传感元件实现了CTCs芯片检测结果的数字化直读或可视化分析。　　3、总结与展望　　本文对CTCs分离微流控芯片的技术原理、分离策略和研究进展进行了综述。其技术原理主要分为物理筛选和生物亲和两大类,分离策略分为正向富集和反向富集两个方向。同时,介绍了CTCs芯片原位检测的主要技术方法和优化策略。随着微流控芯片技术的快速发展,其微尺度流体操控、微结构加工和集成传感检测能力得到极大提升,进一步推动了CTCs分离微流控芯片技术的发展。多项研究显示,以微流控芯片为平台来分离检测外周血中的CTCs,可以充分发挥芯片本身微量、高效、易于自动化和集成化的优势,最终实现对临床血液中CTCs的快速精准分析,在肿瘤早期诊断、复发与转移监测以及抗肿瘤药物评价等多个领域具有重要的应用空间。　　现阶段,CTCs芯片在筛选精度和筛选效率方面仍存在较大的提升空间。针对这一挑战,由于精准与高效二者难以兼得,未来的芯片设计应该更专注于单个目标的实现。一方面,针对基础研究,应当注重于提高CTCs筛选的细胞纯度及细胞活性。可以先利用惯性效应对血液进行粗分离,筛分出尺寸较大的白细胞和CTCs。再采用液滴分选的方法,通过免疫磁性分离实现CTCs的精确筛选。液滴分选技术能够达到单细胞分析的精度,利用液滴分选进行肿瘤细胞筛选也已有文献报道。另一方面,针对临床检测领域,研究重点则在于实现临床样本的高通量分析。可以采用电分析方法,依据不同种类细胞的比膜电容和细胞质电导率差异来设置恰当的阈值,对流经检测窗口的CTCs实现快速分析。此外,微流控芯片技术属于多学科交叉领域,CTCs芯片的发展同时也受益于微机电系统(MEMS)、材料学、流体力学和生物医学等研究领域的技术突破。随着相关领域研究技术的发展,CTCs芯片未来有望成为肿瘤基础研究和癌症早期临床诊断的重要平台。

近日，恰逢苏州无损检测协会成立十周年，“2024苏州无损检测太湖论坛暨第三届X射线CT论坛”成功举办。此次盛会以“人工智能+与无损检测技术融合发展”为主题，汇集了四百多位专家学者，共同探讨无损检测新技术与新机遇，推动无损检测行业蓬勃发展。会上，北京理工大学重庆创新中心电弧认知制造技术研究所所长李琰高级工程师作主题报告《基于深度学习的射线检测焊缝缺陷识别技术研究》。仪器信息网作为支持媒体参加会议，期间特别采访了李琰高级工程师，围绕本次报告的内容展开了交流。采访视频如下： 李琰高级工程师团队的主要研究方向为基于分类、目标检测、分割等深度学习算法的智能焊接缺陷检测技术，并致力于高端装备的智能缺陷检测软件产品、工业射线胶片数字化技术及智能检测装备的产业化。其中，无损检测缺陷自动识别系统已在锅炉、薄壁容器、燃气管道、核电等领域成功应用。本次报告，李琰高级工程师分享了基于深度学习的射线检测焊缝缺陷识别技术方面的研究成果，包括数据、算法和算力，以及相关的应用案例。他讲到，该技术在国内已经经历了三个阶段。第一阶段是基于图像识别的传统算法研究；第二阶段是在2000年左右，基于机器学习进行的研究；第三阶段则是在2010年之后，逐步开展关于深度学习在焊缝缺陷识别方面的技术研究。在应用方面，受制于法律法规和标准的影响，该技术目前还处于起步阶段，但未来有望成为无损检测人员的辅助性工具，甚至是替代性工具。此外，李琰高级工程师表示，团队将持续深化在该领域的研究，旨在将这项技术成功应用到企业中并产生一定的价值。一是要推动国内相关标准的制定，以标准化工作为引领，推动技术的应用；二是要融合视觉语言的大模型，以推动这项技术朝着更高的精度、更快的检测效率以及更广泛的应用场景等方向落地。

作者：荆淮侨 来源：中国科学报受SCIE期刊《极端制造》极端制造编辑部邀请，华中科技大学教授刘世元团队近日在该刊上发表了《10nm及以下技术节点晶圆缺陷光学检测》的综述文章，对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾。随着智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。据了解，晶圆缺陷光学检测方法的最新进展包含了缺陷可检测性评估、光学缺陷检测方法、后处理算法等三个方面。其中，缺陷可检测性评估，包含了材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响两个方面。在多样化的光学缺陷检测方法上，目前，晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类。在后处理算法方面，根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像中含缺陷区域的信号强度应明显大于预定义的阈值。在该综述研究中，也总结了代表性晶圆缺陷检测新方法。具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。研究人员认为，基于深度学习的缺陷检测方法的实施流程非常简单。首先，捕获足够的电子束检测图像或晶圆光学检测图像。其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能。最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。据介绍，尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。该团队介绍，这一研究领域的前景主要包含以下方面：首先，为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新。同时，为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理。此外，为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。相关研究人员表示，通过对上述研究工作进行评述，从而阐明晶圆缺陷检测技术的可能发展趋势，将为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。华中科大机械学院研究员朱金龙、博士后刘佳敏为该文共同第一作者，华中科大教授刘世元以及朱金龙为共同通讯作者。相关论文信息：https://doi.org/10.1088/2631-7990/ac64d7

作者: Sang-Joon Cho, Park Systems Corp.副总裁兼研发中心总监、Ilka M. Hermes, Park Systems Europe 首席科学家利用原子力显微镜进行的自动缺陷复检，通过纳米级的分辨率在三维空间中可视化缺陷。因此，纳米级成像设备是制造过程的一个重要组成部分，它被视为当今半导体行业中最理想的技术。结合原子力显微镜的三维无创成像，使用自动缺陷复查对缺陷进行精确检测和准确分类。 与时俱进的光刻工艺使得生产的半导体器件越来越微小化。器件尺寸一旦减小，晶圆衬底上的纳米级缺陷就限制了器件的性能使用。因此对于这些缺陷的检测和分类需要具有纳米级分辨率的表征技术。由于可见光的衍射极限，传统的自动光学检测（AOI）无法在该范围内达到足够的分辨率，进而损害定量成像和随后的缺陷分类。而原子力显微镜 (AFM) 自动缺陷复检 (ADR)技术则有效地解决了该问题。该技术利用 AFM 常用的纳米分辨率，能够在三维空间中可视化缺陷，大大减少了缺陷分类的不确定性。因此，ADR-AFM 成为了当今半导体行业缺陷复检最理想的技术。缺陷检查和复检由于摩尔定律，半导体器件变得越来越小，需要检查的缺陷（DOI）大小也在减小。DOI可能会降低半导体器件性能的缺陷，因此对工艺良率的管理非常重要。DOI尺寸的减小对缺陷分析来说是一个挑战。合适的表征技术必须能够在两位数或一位数纳米范围内以高横向分辨率和垂直分辨率对缺陷进行无创成像。一般来说，半导体行业的缺陷分析包含两个步骤。第一步：缺陷检测。利用吞吐量虽高但低分辨率的快速成像方法，如扫描表面检测系统（SSIS）或AOI。这些方法可以提供晶圆表面缺陷位置的坐标图。然而，由于分辨率较低，AOI和SSIS在表征纳米尺寸的DOI时提供的信息不足，接下来需要依赖高分辨率技术进行缺陷复检。第二步：缺陷复检。利用高分辨率显微镜方法，如透射电子显微镜(TEM)或扫描电子显微镜(SEM)或原子力显微镜（AFM）。通过使用缺陷检测的缺陷坐标图，对晶圆表面的较小区域进行成像，以解析DOI。利用AOI或SSIS的坐标图可以最大限度地减少检查的扫描区域，从而缩短缺陷复检的测量时间。众所周知，SEM和TEM的电子束可能会对晶圆造成损伤，而非接触测量模式的AFM则有效地避免了该影响。它不仅可以无创地扫描表面，还有高横向和垂直分辨率对缺陷进行成像。因此，原子力显微镜能提供可靠的缺陷定量所需的三维信息。原子力显微镜通过在悬臂末端使用纳米尺寸的针尖对表面进行机械扫描，AFM在传统成像方法中可达到最高的垂直分辨率。除接触模式外，AFM还可以启用动态测量模式，即悬臂在样品表面上方振荡。由此，振幅或频率的变化提供了有关样品形貌的信息。这种非接触AFM模式确保了以高横向和垂直分辨率对晶圆表面进行无创成像。随着自动化原子力显微镜的更新发展，原子力显微镜的应用越来越广泛，从学术研究扩展到了如硬盘制造和半导体技术等工业领域。该行业开始关注AFM的多功能性及其在三维无创表征纳米结构的能力。因此，AFM正发展成为用于缺陷分析的新一代在线测量解决方案。使用原子力显微镜自动缺陷复检AFM 缺陷复检技术的最大挑战之一是将缺陷坐标从 AOI 转移到 AFM。基于此，用户最初会在 AOI 和 AFM 之间的附加步骤中，手动在光学显微镜上手动标记缺陷位置，然后在 AFM 中搜索这些位置。然而，这个额外的步骤不仅非常耗时还大大降低了吞吐量。另外，使用 AFM 的自动缺陷复检需要从 AOI 数据中导入缺陷坐标。而缺陷坐标的导入需要准确对准晶圆及精减AOI 和 AFM 之间的载物台误差。位置精度比AOI 更高的光学分析工具（例如Candela）,可以有效减少中间校准步骤中的载物台误差。以下 ADR-AFM 测量包括在给定缺陷坐标处的大范围调查扫描、缺陷的高分辨率成像和缺陷分类。自动化的测量过程无需用户在场，吞吐量还增加了一个数量级。为了保持纳米级的针尖半径和连续扫描依旧保持高分辨率，ADR-AFM 采用非接触式动态成像模式。因此，ADR-AFM 可有效防止探针针尖磨损并确保对缺陷进行精确地定量复检。△图1：用AOI和ADR-AFM测定的缺陷尺寸的直接比较，见左侧表格。右侧显示了所有六种缺陷的相应AFM形貌扫描。突出的缺陷称为Bump，凹陷的缺陷称为Pit。AOI和ADR-AFM的比较图1比较了 AOI 和 ADR-AFM 在相同纳米级缺陷下所产生的不同缺陷复检结果。AOI 根据散射光的强度估计缺陷的大小，而 ADR-AFM 则通过机械直接扫描缺陷表面进行成像。除了横宽，ADR-AFM 还测量缺陷的高度或深度，从而可以区分凸出的“bump”和凹陷的“pit”缺陷。可视化的缺陷三维形状确保了缺陷分类的可靠性和精确性，而这些是AOI无法实现的。当对比分别利用 AOI 和 ADR-AFM 确定缺陷的大小时，我们发现通过 AOI 估计的值与通过 ADR-AFM 测量的缺陷大小存在很大差异。对于凸出的缺陷，AOI 始终将缺陷大小低估了一半以上。这种低估对于缺陷 4 尤其明显。在这里，AOI 给出的尺寸为 28 nm ，大约是 ADR-AFM确定的 91 nm 尺寸的三分之一。在测量“pit”缺陷 5 和 6 时,我们观察到了 AOI 和 ADR-AFM 之间的最大偏差。AOI将尺寸在微米范围内的缺陷低估了两个数量级以上。上述比较清楚地表明，仅用AOI不足以进行缺陷的成像和分类。△图2：ADR-AFM 和 ADR-SEM 之间的比较，a) ADR-SEM 之前遗漏的凸出缺陷的 AFM 图像。ADR-SEM 扫描区域在 AFM 形貌扫描中显示为矩形。b) 低高度 (0.5 nm) 缺陷的成像，ADR-SEM 无法解析该缺陷。c) ADR-SEM 测量后晶圆表面上的电子束损伤示例，可见为缺陷周围的矩形区域。ADR-SEM和ADR-AFM的比较除了ADR-AFM， ADR-SEM 也可以进行高分辨率的缺陷复查。ADR-SEM根据AOI数据中的DOI坐标，通过SEM测量进行自动缺陷复检。在此期间，高能电子束扫描晶圆表面。虽然SEM提供了很高的横向分辨率，但它通常无法提供有关缺陷的定量高度信息。为了比较ADR-SEM和ADR-AFM的性能，首先需要通过ADR-SEM对晶圆的相同区域进行成像，然后通过ADR-AFM进行测量（图2）。AFM图像显示，ADR-SEM扫描的晶圆表面发生了变化，在图2a中，AFM形貌显示为矩形。由于ADR-AFM中ADR-SEM扫描区域的可视性，图2a表明ADR-SEM遗漏了一个突出的缺陷，该缺陷位于SEM扫描区域正上方。此外，ADR-AFM具有较高的垂直分辨率，其灵敏度足以检测高度低至0.5nm的表面缺陷。由于缺乏垂直分辨率，这些缺陷无法通过ADR-SEM成像（图2b）。此外，图2c通过总结高能电子束对样品表面造成的变化示例，突出了电子束对晶片造成损坏的风险。ADR-SEM扫描区域可以在ADR-AFM图像中识别为缺陷周围的矩形。相比之下，无创成像和高垂直分辨率使ADR-AFM非常适合作为缺陷复检的表征技术。结论随着现代技术不断创新，半导体器件尺寸不断减小，原子力显微镜作为一种高分辨率、无创的缺陷分析方法在半导体工业中的作用越来越明显。AFM自动化的测量简化并加快了之前AFM在缺陷表征方面低效的工作流程。AFM自动化方面的进展是引入ADR-AFM的基础。在ADR-AFM中，缺陷坐标可以从之前的AOI测量中导入，随后基于AFM的表征不需要用户在场。因此，ADR-AFM可作为缺陷复检的在线方法。特别是对于一位或两位级纳米范围内的缺陷尺寸，ADR-AFM补充了传统的AOI性能，AFM的高垂直分辨率有助于进行可靠的三维缺陷分类。非接触式测量模式确保了无创伤的表面表征，并有效防止AFM针尖磨损，从而确保在许多连续测量中能够依旧保持精准的高分辨率。

2021年2月，日本汽车零部件巨头曝大规模造假，约有11.4万件产品存在伪造刹车装置及其零部件的检查数据，引发网友热议和消费者信任危机。为帮助汽车零部件生产、质控与研究人员及时发现零部件缺陷，避免不合格产品流向市场，本文在上篇介绍汽车零部件缺陷类型及危害的基础上，详细阐述汽车零部件的常用缺陷鉴别技术。一、金相检测技术金相分析技术是失效分析中最重要的方法，主要分为以下几个方面：低倍组织缺陷评定锻造流线检测分析样件显微组织是否符合标准/预期要求评定非金属夹杂物级别测定晶粒度脱碳层检测渗碳层检测判断裂纹类型（淬火裂纹？锻造裂纹？）确定裂纹扩展方式（穿晶？沿晶？）.......案例1：金相检测实例——低温冲击功不合格原因分析以下钢板的3个试样中，一个试样低温冲击功不合格，而其他两个试样合格。检测人员通过观察其冲击试样金相组织，发现钢板在板厚发现存在严重的珠光体条带现象，这是造成低温冲击性能不达标和冲击性能值波动较大的主要原因。二、无损检测——（重点介绍X射线无损检测技术）无损检测采用传统的射线照相检测（RT)、射线数字成像检测（DR)及机算机断层扫描技术（CT)技术，在对被检测物体无损伤的条件下，以平面叠加投影或二维断层图像的形式，清晰、准确、直观地展示被检测物体的内部结构、组成、材质及缺损状况。射线检测技术在缺陷表征中的应用主要有以下5个方面：（1）缺陷的识别（2）缺陷尺寸测量（3）三维重建及缺陷提取（可以对材料内部缺陷三维重构，表征缺陷形状和分布）（4）不拆解情况下内部结构分析（5）不拆解情况下装配分析三、化学成分分析材料化学成分分析主要用于排查设计选材是否不当，存在以次充优或以假乱真。四、力学性能为什么要做力学性能测试？（1）根据失效分析的目的、要求及可能性，对硬度、室温拉伸、冲击、弯曲、压扁、疲劳及高温下的力学性能等进行测定（不破坏主要失效特征）；（2）评定失效件的工艺与材质是否符合要求；（3）获得材料抵抗变形或断裂的临界值。力学性能不合格的常见原因：（1）热处理工艺不当；（2）取样位置或取样方式不当；（3）材料偏析严重。五、断口分析技术（断口分析三板斧）通过断口的形态分析，可以研究断裂的一些基本问题：如断裂起因、断裂性质、断裂方式、断裂机制、断裂韧性、断裂过程的应力状态以及裂纹扩展速率等。因此，断口分析现已成为对金属构件进行失效分析的重要手段。断口记录了从裂纹萌生、扩展直到断裂的全过程，是全信息的。断口可以说是断裂故障的“第一裂纹”，而其他裂纹可能是第二甚至第三生成的。第一与第二裂纹的模式、原因和机理有时是相同的，有时是不同的，也就是说裂纹有可能只记录了断裂后期的信息，因此断口分析在断裂事故分析中具有核心的地位和作用。断口有时是断裂失效（事故）唯一的“物证”，人证有时是不可靠的，只能作为辅助信息或证据。利用现代分析技术和方法，断口包含的信息是可以“破译＂的，析断口可以获取失效的信息。如何进行断口分析？第一板斧：按图索骥提供典型断口宏观照片，学习断口形貌特征，可以独立判断断口类型。第二板斧：顺藤摸瓜寻找到断裂的源头是整个分析的重中之重，否则后期的分析将成为无本之本。第三板斧：一叶知秋从一片树叶的掉落，可以预知秋天的到来。断口的微观和宏观信息也同样存在一定联系，通过断口微观特征观察也可以进一步验证宏观检查的判断结果。综上，断口分析技术可以归纳为以下三点：按图索骥，预判断口类型；顺藤摸瓜，寻找断裂源头；一叶知秋，微观佐证宏观。作者简介：潘安霞：中车戚墅堰机车车辆工艺研究所有限公司失效分析高级工程师，现任全国机械工程学会失效分析分会委员、中国中车技术专家，中车计量理化培训讲师，主要从事轨道交通行业齿轮、紧固件、弹簧等关键零部件失效分析研究工作，著有《紧固件失效分析与案例》。拓展阅读：中车戚墅堰所试验检测中心：汽车零部件缺陷类型及危害

天眼查显示，江苏鲁汶仪器股份有限公司“一种晶圆外延片表面的晶格缺陷修复方法”专利公布，申请公布日为2024年6月28日，申请公布号为CN118263091A。背景技术氮化镓基半导体材料具有带隙宽，发光效率高，耐高温以及化学性质稳定等优点，已广泛应用于固态照明、全色彩显示、激光打印等领域。氮化镓薄膜通常生长在异质衬底上，衬底和外延薄膜之间存在较大的晶格失配与热失配，一方面会导致压电极化效应，降低量子阱的发光效率；另一方面使得薄膜在沉积过程中一直受到应力的作用，导致外延片发生弯曲，翘曲甚至龟裂。在u-氮化镓生长时，由于衬底与外延薄膜之间较大的晶格失配，使得外延片受到应力的作用，产生“凹面”变形；又因为热失配的影响，使得在生长温度较低的多量子阱时，曲率绝对值不断减少甚至成为“凸面”变形。等离子体刻蚀是利用等离子态的原子、分子与材料表面作用，形成挥发性物质或直接轰击样品表面使之被刻蚀的工艺，它能实现各向异性刻蚀，即纵向的刻蚀速率远大于横向的刻蚀速率，从而保证了细小图形转移后的保真度。等离子体刻蚀中的感应耦合等离子体(ICP)刻蚀技术由于其控制精度高、大面积刻蚀均匀性好、污染少等优点，在半导体器件制造中获得越来越多的应用。但现有的技术中如直接采用氯基气体对氮化镓晶圆外延片进行刻蚀，会导致氮化镓外延表面的晶格缺陷层并未得到有效的去除，无法获得高均匀性与一致性的氮化镓外延片。发明内容本发明涉及半导体芯片生产领域，具体是一种晶圆外延片表面的晶格缺陷修复方法。本发明提供了一种晶圆外延片表面的晶格缺陷修复方法。本发明提供的方法使用氧化性气体如N2O或O2的等离子体对晶圆外延片表面进行处理，形成均匀的氧化层；使用氯基气体如BCl3的等离子体对氧化层表面进行处理，均匀地移除氧化表层；采用氯基气体与氟基气体的混合气体或氯基气体等离子体对材料表面进行刻蚀，能够有效地优化晶圆外延片表层外延生长过程产生的晶格缺陷或氧化斑造成的刻蚀缺陷和损伤，从而得到高均匀性与一致性的晶圆外延片；相对于现有技术，本发明的晶圆外延片表面晶格缺陷层去除效果更优。

近日，国家纳米科学中心蒋兴宇课题组在纳米技术与重大疾病早期诊断方面取得新进展，相关结果发表在最新出版的《先进材料》杂志上。 　　早期准确快速的诊断是发现并控制重大传染性疾病(艾滋病、禽流感、乙型肝炎等)的必要条件。预防人类免疫缺陷病毒(HIV)目前仍然没有有效的疫苗，抗病毒治疗也不能有效的将病毒从体内清除，并且现有的HIV确认试剂盒诊断所需的时间较长，价格昂贵。因此，开发有效的、高灵敏度快速准确地诊断HIV感染者的检测方法，可以有效防止病毒的继续传播。 　　现在对于HIV的检测其技术原理主要是基于蛋白质(抗原或抗体)之间的相互作用。微流控芯片技术具有制备简单、试剂用量少、操作方便等优点，因此在生化分析中的应用越来越受到重视。 　　蒋兴宇和其博士生仰大勇与中国疾病控制中心性病艾滋病中心的马丽英、邵一鸣合作，采用静电纺丝技术制备纳米纤维薄膜，应用于微流控芯片，检测HIV。与商业薄膜相比，静电纺丝纳米纤维薄膜具有更大的比表面积，对于被检测物的吸附提高了一个数量级，从而使得检测的灵敏度有很大提高，在一个小时内就能完成检测工作，使用的试剂为常规用量的几十分之一。 　　这是一项将纳米技术应用于疾病诊断领域的成功例子，该工作开辟了静电纺丝应用的一个新领域，同时这种结合微流控技术和静电纺丝的新芯片系统具有廉价、操作方便、便携、灵敏度高的特点，将推动重大流行疾病早期诊断的研究和产品开发。 　　上述工作得到了科技部、国家自然科学基金和中科院的支持。