引言

半导体晶圆制造是一个极其复杂且高度精密的过程，在晶圆制造过程中，由于各种因素的影响，如原材料质量、工艺控制、设备精度等，不可避免地会产生各种缺陷。这些缺陷如果不能及时检测和处理，将会严重影响芯片的性能和成品率，增加生产成本。因此，半导体晶圆缺陷检测技术在半导体制造行业中具有至关重要的地位。传统算法在半导体晶圆缺陷检测中曾经发挥了重要作用，并且在一些特定场景下仍然被广泛应用。了解基于传统算法的半导体晶圆缺陷检测原理和方法，对于深入理解半导体制造工艺和质量控制具有重要意义。

半导体晶圆缺陷类型及特点

• 颗粒缺陷：主要是指在晶圆表面存在的微小颗粒，这些颗粒可能来自于原材料、工艺过程中的杂质或者设备的磨损等。颗粒缺陷的大小、形状和分布都具有随机性，可能会导致电路短路、开路或者信号传输异常等问题。
• 划痕缺陷：通常是在晶圆的切割、研磨、抛光等机械加工过程中产生的。划痕的长度、宽度和深度各不相同，严重的划痕可能会穿透晶圆的绝缘层或者半导体层，影响芯片的电学性能。
• 图案缺陷：在光刻等工艺中，由于光刻精度、掩膜版质量等原因，可能会导致晶圆上的图案出现变形、缺失、短路等缺陷。图案缺陷直接关系到芯片的电路结构和功能，是影响芯片性能的关键因素之一。
• 薄膜缺陷：在薄膜沉积过程中，可能会出现薄膜厚度不均匀、薄膜破裂、针孔等缺陷。薄膜缺陷会影响芯片的绝缘性能、导电性能和机械性能等。

基于传统算法的半导体晶圆缺陷检测原理及方法

光学检测方法

• 明场检测
  • 原理：明场检测是基于光学反射和散射原理。当一束平行光照射到晶圆表面时，正常的晶圆表面会将光线均匀地反射出去，而存在缺陷的区域会因为表面形貌的变化，如颗粒、划痕等，导致光线发生散射或反射方向改变。通过收集和分析反射光的强度和分布情况，就可以检测出晶圆表面的缺陷。
  • 系统组成：明场检测系统主要包括光源、照明光学系统、成像光学系统、探测器和数据处理单元等。光源提供稳定的平行光，照明光学系统将光源发出的光均匀地照射到晶圆表面，成像光学系统将晶圆表面反射的光成像到探测器上，探测器将光信号转换为电信号或数字信号，数据处理单元对采集到的信号进行分析和处理，识别出缺陷。
  • 应用场景：明场检测适用于检测晶圆表面的宏观缺陷，如较大的颗粒、明显的划痕等。在晶圆制造的前期工艺，如清洗、研磨等工序后的检测中应用较为广泛。
• 暗场检测
  • 原理：暗场检测与明场检测相反，它主要收集和分析晶圆表面缺陷产生的散射光。在暗场检测中，光源以倾斜角度照射到晶圆表面，正常的晶圆表面反射光不会进入探测器，而缺陷区域产生的散射光则会被探测器接收。由于散射光的强度和方向与缺陷的性质和形状有关，通过对散射光的分析可以检测出微小的缺陷。
  • 系统组成：暗场检测系统与明场检测系统类似，但照明光学系统和成像光学系统的设计有所不同，以实现对散射光的有效收集和成像。
  • 应用场景：暗场检测对微小颗粒、表面粗糙度变化等缺陷非常敏感，常用于光刻后、刻蚀后等工艺步骤的检测，能够检测出尺寸在几十纳米到几微米范围内的缺陷。

电子束检测方法

• 扫描电子显微镜（SEM）检测
  • 原理：SEM 利用电子枪发射出的高能电子束照射到晶圆表面，电子束与晶圆表面的原子相互作用，产生二次电子、背散射电子等信号。二次电子主要来自于样品表面浅层，其产额与样品表面的形貌密切相关；背散射电子则与样品的原子序数有关。通过收集和分析这些电子信号，可以得到晶圆表面的高分辨率图像，从而检测出各种微观缺陷。
  • 系统组成：SEM 系统主要包括电子枪、电子光学系统、扫描系统、探测器和图像处理系统等。电子枪产生高能电子束，电子光学系统用于聚焦和控制电子束的方向，扫描系统使电子束在晶圆表面进行逐点扫描，探测器收集电子信号并将其转换为电信号，图像处理系统对电信号进行处理和成像。
  • 应用场景：SEM 检测具有很高的分辨率，可以达到纳米级别，能够清晰地观察到晶圆表面的微观结构和缺陷，如光刻胶图案的细节、半导体器件的内部结构缺陷等。常用于半导体工艺研发、高端芯片制造中的关键工艺步骤检测以及失效分析等领域。
• 电子束光刻（EBL）检测
  • 原理：EBL 检测是在电子束光刻技术的基础上发展起来的一种检测方法。它利用电子束在晶圆表面绘制特定的图案，通过控制电子束的剂量和曝光时间等参数，使图案在晶圆表面形成特定的形状和尺寸。然后，通过对光刻后图案的检测和分析，来判断晶圆表面是否存在缺陷以及光刻工艺的精度是否满足要求。
  • 系统组成：EBL 检测系统主要包括电子束曝光系统、掩膜版制作系统、检测和测量系统等。电子束曝光系统用于实现电子束的扫描和曝光，掩膜版制作系统用于制作电子束光刻所需的掩膜版，检测和测量系统用于对光刻后的图案进行检测和分析。
  • 应用场景：EBL 检测主要用于光刻工艺的质量控制和检测，特别是在制造高精度、高密度集成电路时，对于检测光刻图案的精度、对准误差等方面具有重要作用。

激光检测方法

• 激光散射检测
  • 原理：激光散射检测基于 Mie 散射理论。当激光照射到晶圆表面时，缺陷会使激光发生散射，散射光的强度和角度分布与缺陷的大小、形状、折射率等参数有关。通过测量散射光的强度和角度分布，可以反推出缺陷的相关信息，从而实现对缺陷的检测和分类。
  • 系统组成：激光散射检测系统主要包括激光光源、散射光收集系统、探测器和信号处理系统等。激光光源提供高能量、高单色性的激光束，散射光收集系统用于收集不同角度的散射光，探测器将散射光信号转换为电信号，信号处理系统对电信号进行分析和处理，计算出缺陷的参数。
  • 应用场景：激光散射检测可以快速、非接触地检测晶圆表面的微小颗粒和缺陷，适用于在线检测和大规模生产中的质量控制。在半导体制造的各个环节，如晶圆清洗、镀膜等工艺后都可以使用激光散射检测来监测表面质量。
• 激光干涉检测
  • 原理：激光干涉检测利用了光的干涉原理。将一束激光分为两束，一束照射到晶圆表面作为测量光，另一束作为参考光。测量光在晶圆表面反射后与参考光发生干涉，由于缺陷会导致晶圆表面的光程发生变化，从而使干涉条纹产生变形。通过分析干涉条纹的变化情况，可以检测出晶圆表面的平整度、薄膜厚度均匀性等参数，进而发现潜在的缺陷。
  • 系统组成：激光干涉检测系统主要包括激光光源、分光镜、反射镜、探测器和干涉条纹分析软件等。激光光源提供相干性好的激光束，分光镜将激光束分为测量光和参考光，反射镜用于调整光路，探测器用于记录干涉条纹，干涉条纹分析软件对采集到的干涉条纹图像进行处理和分析。
  • 应用场景：激光干涉检测在检测晶圆表面的平整度、薄膜厚度均匀性等方面具有很高的精度，常用于半导体制造中的光刻、薄膜沉积等关键工艺的质量控制，对于保证芯片制造的一致性和可靠性具有重要意义。

图像处理算法在半导体晶圆缺陷检测中的应用

• 图像预处理
  • 滤波：由于在晶圆图像采集过程中会受到各种噪声的干扰，如电子噪声、光学噪声等，滤波是图像预处理的重要步骤之一。常用的滤波方法有均值滤波、中值滤波、高斯滤波等。均值滤波通过计算图像中每个像素点周围邻域内像素的平均值来平滑图像，能够有效地去除高斯噪声；中值滤波则是用像素点邻域内的中值来代替该像素点的值，对于椒盐噪声等脉冲噪声具有很好的抑制效果；高斯滤波基于高斯函数对图像进行加权平均，能够在平滑图像的同时保留图像的边缘信息。
  • 灰度化：在半导体晶圆检测中，通常采集到的是彩色图像，但彩色图像包含的信息较多，处理复杂度高。将彩色图像转换为灰度图像可以减少数据量，提高处理效率。灰度化的方法通常是根据人眼对颜色的感知特性，将彩色图像的 RGB 三个通道的颜色值按照一定的权重进行加权求和，得到灰度值。
  • 对比度增强：由于晶圆表面的反射率不均匀以及光照条件的影响，采集到的图像可能存在对比度较低的问题，导致缺陷难以清晰地显示出来。对比度增强算法可以通过对图像的灰度值进行变换，拉伸灰度值的动态范围，使图像中的细节更加清晰。常见的对比度增强方法有直方图均衡化、自适应直方图均衡化等。直方图均衡化是通过对图像的灰度直方图进行归一化处理，将图像的灰度值分布均匀化，从而提高图像的对比度；自适应直方图均衡化则是在局部区域内对直方图进行均衡化，能够更好地适应图像中不同区域的对比度差异。
• 特征提取
  • 边缘特征提取：边缘是图像中灰度变化剧烈的区域，通常对应着晶圆表面的缺陷边界或者不同结构的分界线。常用的边缘提取算法有 Sobel 算子、Prewitt 算子、Canny 算子等。Sobel 算子和 Prewitt 算子通过计算图像在水平和垂直方向上的梯度来检测边缘，具有计算简单、速度快的优点；Canny 算子则是一种基于多尺度分析的边缘检测算法，它能够在检测到边缘的同时，抑制噪声和虚假边缘，具有较高的准确性和鲁棒性。
  • 纹理特征提取：晶圆表面的纹理信息也是检测缺陷的重要依据。正常的晶圆表面具有均匀的纹理，而缺陷区域的纹理往往会发生变化。常用的纹理特征提取方法有灰度共生矩阵、局部二值模式（LBP）等。灰度共生矩阵通过统计图像中不同灰度值的像素对在不同方向和距离上的出现频率，来描述图像的纹理特征；LBP 则是通过比较中心像素与周围邻域像素的灰度值大小，将其编码为一个二进制数，从而提取图像的局部纹理特征。
  • 形状特征提取：对于一些具有特定形状的缺陷，如圆形的颗粒、条形的划痕等，形状特征提取可以帮助准确地识别和分类缺陷。常用的形状特征包括面积、周长、圆形度、矩形度等。通过计算缺陷区域的这些形状参数，并与已知的缺陷形状模型进行匹配，可以判断缺陷的类型和严重程度。
• 缺陷分类与识别
  • 阈值分割：阈值分割是一种简单有效的缺陷识别方法。通过设定一个或多个灰度阈值，将图像中的像素分为前景（缺陷）和背景两类。当像素的灰度值大于阈值时，被认为是缺陷像素，否则为背景像素。阈值的选择可以根据图像的灰度直方图、经验值或者自适应算法来确定。简单的全局阈值分割方法适用于背景和缺陷灰度差异明显且图像灰度分布较为均匀的情况；而对于灰度分布不均匀的图像，可以采用自适应阈值分割算法，如 Otsu 算法，它能够根据图像的灰度统计特性自动确定最佳阈值。
  • 模板匹配：模板匹配是将已知的缺陷模板与待检测图像进行匹配，通过计算模板与图像中各个区域的相似度来识别缺陷。常用的相似度度量方法有归一化互相关、平方差等。归一化互相关方法计算模板与图像区域的互相关系数，系数越大表示相似度越高；平方差方法则计算模板与图像区域的灰度值差的平方和，平方和越小表示相似度越高。模板匹配方法适用于检测具有固定形状和特征的缺陷，但对于模板的准确性和图像的噪声较为敏感。
  • 机器学习分类算法：机器学习算法在半导体晶圆缺陷分类中得到了广泛应用。常用的机器学习算法包括支持向量机（SVM）、决策树、随机森林、神经网络等。首先，需要从预处理后的晶圆图像中提取特征向量，然后将特征向量作为机器学习算法的输入，进行训练和分类。SVM 通过寻找一个最优的超平面来将不同类别的数据分开，具有较好的泛化能力和分类精度；决策树则是基于树结构进行决策，通过对特征进行划分来构建分类模型，具有可解释性强的优点；随机森林是由多个决策树组成的集成学习算法，能够有效地降低模型的方差，提高分类的准确性和稳定性；神经网络具有强大的非线性拟合能力，能够自动学习图像中的复杂特征，在大规模数据的情况下表现出良好的性能。

传统算法在不同半导体制造工艺阶段的应用

• 晶圆清洗工艺后的检测
  • 主要检测内容：在晶圆清洗工艺后，主要需要检测晶圆表面是否残留有颗粒、有机物、金属离子等污染物，以及清洗过程中是否对晶圆表面造成了划痕等物理损伤。
  • 适用的传统算法：光学检测中的明场检测和激光散射检测是晶圆清洗后常用的检测方法。明场检测可以快速地检测出晶圆表面较大的颗粒和划痕，激光散射检测则能够有效地检测出微小颗粒污染物。在图像处理方面，通过阈值分割和形态学处理等算法，可以对检测到的颗粒和划痕进行识别和分析，确定其大小、数量和分布情况。
• 光刻工艺后的检测
  • 主要检测内容：光刻工艺是半导体制造中最关键的工艺之一，光刻后的检测主要包括图案的对准精度、图案的完整性、线条的宽度和间距等参数的检测，以及是否存在光刻胶残留、光刻缺陷等问题。
  • 适用的传统算法：电子束检测中的 SEM 检测和电子束光刻检测在光刻后检测中具有重要作用。SEM 可以高分辨率地观察光刻图案的细节，检测出图案的变形、缺失等微小缺陷；电子束光刻检测则可以通过对光刻图案的精确测量和分析，评估光刻工艺的精度和质量。在图像处理方面，边缘检测和模板匹配算法常用于检测图案的边缘和对准情况，通过与设计模板进行对比，识别出图案缺陷。
• 刻蚀工艺后的检测
  • 主要检测内容：刻蚀工艺后需要检测刻蚀的深度、刻蚀的均匀性、侧壁的垂直度等参数，以及是否存在刻蚀过度、刻蚀不足、刻蚀残留等缺陷。
  • 适用的传统算法：激光干涉检测和 SEM 检测是刻蚀后常用的检测方法。激光干涉检测可以通过测量晶圆表面的光程变化来精确地测量刻蚀深度和均匀性；SEM 则可以观察刻蚀后的微观结构，检测侧壁的垂直度和刻蚀残留等问题。在图像处理方面，通过对 SEM 图像进行灰度分析和形态学处理，可以提取刻蚀区域的形状和尺寸特征，评估刻蚀工艺的质量。
• 薄膜沉积工艺后的检测
  • 主要检测内容：薄膜沉积工艺后需要检测薄膜的厚度、厚度均匀性、薄膜的致密性、是否存在针孔和裂纹等缺陷。
  • 适用的传统算法：激光干涉检测和光学反射光谱检测是薄膜沉积后检测薄膜厚度和均匀性的常用方法。激光干涉检测通过分析干涉条纹的变化可以精确地测量薄膜厚度；光学反射光谱检测则根据薄膜对不同波长光的反射特性，计算出薄膜的厚度和折射率等参数。对于薄膜的致密性和针孔、裂纹等缺陷，可以采用 SEM 检测和暗场光学检测。在图像处理方面，通过对光学图像和 SEM 图像进行分析，利用纹理分析和缺陷特征提取算法，可以识别出薄膜中的缺陷，并评估薄膜的质量。

传统算法的优缺点及发展趋势

• 优点
  • 技术成熟：经过多年的发展和应用，基于传统算法的半导体晶圆缺陷检测技术已经非常成熟，有完善的理论基础和实践经验。各种检测方法和算法都经过了大量的实验验证和实际生产应用的检验，能够稳定、可靠地检测出晶圆中的各种缺陷。
  • 检测速度快：传统算法通常具有较高的计算效率，能够在较短的时间内完成对晶圆图像的处理和分析，实现快速检测。例如，一些基于光学检测的方法可以在几秒钟内完成对整个晶圆表面的扫描和检测，满足大规模生产中的在线检测需求。
  • 成本相对较低：与一些新兴的检测技术相比，传统算法所依赖的硬件设备和软件系统成本相对较低。例如，光学检测设备和电子束检测设备的价格相对较为合理，而且维护成本也不高，这使得传统算法在半导体制造企业中具有较高的性价比，能够广泛应用于不同规模的生产线上。
• 缺点
  • 对微小缺陷检测能力有限：随着半导体工艺的不断发展，芯片的特征尺寸越来越小，对缺陷检测的精度要求也越来越高。传统算法在检测微小缺陷，特别是尺寸在几十纳米以下的缺陷时，往往存在一定的困难。例如，光学检测方法由于受到光学衍射极限的限制，对于小于光波长一半的缺陷难以准确检测；电子束检测虽然分辨率较高，但在检测极微小缺陷时，也容易受到噪声和电子散射等因素的影响。
  • 对复杂缺陷的识别能力不足：现代半导体晶圆中的缺陷类型越来越复杂，往往不是单一的形状和性质，可能存在多种缺陷相互交织的情况。传统算法在对复杂缺陷的识别和分类方面，通常基于简单的特征提取和分类方法，难以准确地分析和判断复杂缺陷的成因和影响。例如，对于一些既有颗粒缺陷又有图案变形的复合缺陷，传统的模板匹配和阈值分割等方法可能无法准确地识别和区分。