虚拟量测

概念：虚拟量测 (Virtual Metrology) 所属体系：链 (Chain) — 片 (Chip) — 芯 (Core) 协同设计与验证体系

1. 3 秒看懂

一句话定义 用软件模型“预测”芯片制造后的真实性能参数，替代或减少昂贵、耗时的物理测量。

核心价值 在芯片设计与制造环节，通过融合物理方程、工艺传感数据与机器学习的高精度预测模型，快速推断漏电流、阈值电压、频率、功耗、良率等关键指标，使“设计即制造、制造即预测”成为可能。它被看作芯片可制造性设计 (DFM) 与晶圆智能工厂 (Smart Fab) 的基石技术之一。

2. 3 分钟产业解释

痛点起源 先进制程（7 nm 及以下）中，晶体管尺寸逼近原子量级，随机掺杂波动、线边粗糙度、应力效应等纳米级工艺波动会直接导致芯片性能的显著离散。传统的“流片 → 切割 → 电性测试 → 物理量测”反馈环，单次流片成本可达 2000 万–5000 万美元（7 nm 以下工艺，据 IBS 2023 年估算），而且从流片到拿到完整量测数据往往需要 4–6 个月。如果批量投产后再暴露出设计—工艺失配的缺陷，损失将以亿级美元计算。

虚拟量测的介入点 虚拟量测被置于两个关键截面上：

• 设计端（左移）：在 Layout 冻结前，利用代工厂提供的统计工艺模型和虚拟量测 API，快速评估设计方案的工艺敏感度，提前筛除高危版图结构，把“可制造性”验证从后端推到前端。
• 制造端（实时）：晶圆在生产线上经过沉积、光刻、刻蚀等工序后，不等待逐片物理量测，就能依据设备传感器数据（温度、压力、射频功率等）和少量抽样实际量测值，实时推断整批甚至每片晶圆的成品率与性能，动态调整后续工艺参数，实现预测性过程控制 (APC)。

产业现状总览 台积电、英特尔、三星均在内部建成面向核心制程的虚拟量测系统，并作为先进制程良率快速爬坡的关键武器。英伟达、高通、苹果等设计巨头也在自身的设计套件中嵌入基于虚拟量测的工艺分析模块。与此同时，PDF Solutions、KLA、西门子 EDA 等独立供应商提供了覆盖数据采集、建模、部署的平台级产品，使得虚拟量测开始向更多成熟制程和特色工艺晶圆厂渗透。

3. 技术原理

虚拟量测是一个多学科交叉的闭环系统，技术栈通常分解为三个层级：

物理模型层 基于半导体器件物理（BSIM-CMG 等紧凑模型）和工艺 TCAD（Technology CAD）仿真，建立描述晶体管电流 (Ion/Ioff)、阈值电压 (Vt)、寄生电阻 / 电容 (R/C) 等参量如何随工艺偏差（如栅极长度偏差 ΔL、鳍高度偏差 ΔH）变化的解析或数值模型。这一层决定模型在未见工艺窗口下的外推能力，是避免纯黑箱漂移的根本保障。

统计与机器学习模型层 利用制造过程中积累的海量多模态数据（晶圆接收图、设备逐秒传感器时序、光学/电子束抽检测量结果、终测 (CP) 分 bin 数据），训练从工艺参数到芯片性能的映射。常用技术路线包括：

• 高斯过程回归 (GPR)，适合小样本、非线性的过程监控场景，并自带预测不确定性输出；
• 梯度提升树 (XGBoost/LightGBM)，利于特征交互解释；
• 深度神经网络 (DNN, LSTM, Transformer)，擅长从高维时序传感器的原始信号中自动提取有效表征。

数据流与闭环校准

• 输入：设计 GDSII/OASIS 数据库的工艺角参数、实时设备传感器（FDC 数据）、在线量测（SCD/OCD/薄膜厚度）、手动抽检的晶圆接收测试 (WAT) 数据。
• 部署位置：在晶圆厂边缘计算服务器或专用仿真平台上，模型以 REST API 或 OPC UA 接口嵌入制造执行系统 (MES)。
• 输出：未量测晶圆/芯片的关键电性参数预测值、整批良率分布、高风险晶圆预警，以及对工艺设备的回馈调整建议。
• 校准：利用极少量的真实物理量测（通常 1%–5% 的抽检比例）持续更新模型，构成“数字孪生”同步环。为保证模型稳定性，通常采用在线迁移学习或带遗忘系数的递归更新，防止概念漂移。

4. 关键参数

评估虚拟量测系统能力的常用工程指标包括：

• 预测精度
  • 决定系数 R²：通常要求 > 0.85，先进应用中部分关键参数（如环形振荡器频率）已可达到 R² > 0.95。台积电在 2022 年技术论坛的公开演示中，展示某 5 nm 产品环形振荡器频率预测的 R² = 0.98（数据来源：TSMC 2022 OIP 论坛）。
  • 平均绝对百分比误差 (MAPE)：业内普遍要求 ≤ 2%–5%，具体视参数类型而定。
• 覆盖率 (Coverage) 表示可以用虚拟量测替代物理测量的工序比例。领先的代工厂在部分成熟段（如 CMP、刻蚀）中覆盖率可达 60%–80%，但在光刻、沉积等关键层仍保持较高的物理测量比例。尚无统一公开标准。
• 虚警率与漏警率 工业级系统要求误警报率（False Alarm Rate, FAR）低于 1%，漏警报（将坏品预测为好品）必须接近零，对车规级芯片尤为严格。
• 模型更新周期 随工艺漂移，模型需定期再训练或自适应更新。典型的再训练周期为 1 周至 1 月，在产生新工艺配方或新产品导入 (NPI) 时需立即重新建模。
• 数据需求量 训练一个可用的虚拟量测模型通常需要 5 万 – 20 万片晶圆的工艺数据点（含历史分 bin 与量测数据），具体数量因制程复杂度而异。公开资料未见统一标准。

5. 技术路线

路线一：物理驱动（第一原理建模） 完全依赖 TCAD 仿真和器件物理方程，不使用或少用制造现场数据。优点：在未见工艺窗口下仍可保有较高外推能力，可解释性强。缺点：对复杂三维结构仿真时间过长，对随机波动（如随机掺杂）难以精准建模，单独使用精度往往不足。

路线二：数据驱动（纯统计/AI） 完全从制造数据中端到端学习输入-输出映射，代表为深度神经网络方法。优点：可自动发掘未知工艺交互，训练后推理速度极快（毫秒级）。缺点：极度依赖海量、高质量、有标签数据；工艺节点或设备变更后模型可能快速失效；缺乏物理可解释性，出错时难以溯源。

路线三：物理-数据融合（混合建模）——主流路线 先以物理模型或半解析公式作为基函数，再将机器学习模型用于拟合基函数与实际量测之间的残差。这种“白盒 + 黑盒” 模式在泛化能力、数据效率与精度间取得平衡，被台积电、英特尔等广泛采用。近期趋势还包括：借助物理信息神经网络 (PINN) 将守恒律嵌入损失函数，直接用深层网络同时满足物理约束和数据拟合。

路线四：联邦学习与多方安全计算 为打破代工厂与设计公司之间的数据壁垒，业界开始探索在数据不出厂的条件下联合训练虚拟量测模型。2023–2024 年学术界和欧洲一些生态项目中已出现概念验证，但公开资料未见大规模商业部署。

6. 上游：技术与工具供应

EDA 与仿真软件 Synopsys 的 TCAD Sentaurus、PrimeSim 及 SiliconSmart 提供器件建模与工艺仿真基础。Cadence 的 Spectre、Virtuoso ADE 与统计仿真工具 StatEye 支持蒙特卡洛仿真，是虚拟量测模型开发的前端。Siemens EDA 的 Calibre 平台包含 DFM 验证技术，能够将量测反馈融入版图优化。华大九天、概伦电子的器件建模工具如 Empyrean ALPS-GT、ProPlus BSIMPro+ 正在构建国内虚拟量测的仿真基座。

设备与过程控制数据源 应用材料 (AMAT)、泛林 (Lam Research)、东京电子 (TEL) 等主工艺设备厂均在其平台中嵌入 FCC (Fault Detection & Classification) 传感器，每秒产生百万级数据点，作为虚拟量测原始数据来源。科磊 (KLA)、Onto Innovation 等量测设备商不仅提供光学/电子束物理测量，也提供了整合量测数据的 APC 软件平台，其开放数据接口是虚拟量测落地的关键。

AI 算法与数据平台 通用 AI/ML 框架 (TensorFlow, PyTorch) 及制造业专用分析平台 (如 PDF Solutions 的 Exensio、yieldHUB、Synopsys Yield Explorer) 承担数据清洗、特征工程、模型训练与部署工作。部分晶圆厂也直接采用云服务商（AWS IoT SiteWise、Azure Industrial IoT）作为数据中台。

传感器与基础设施 高精度质谱仪、颗粒计数器、RF 功率传感器等提供工艺环境的微观信息。边缘网关与 5G/F5G 专网保障数据低延迟流入建模引擎。

7. 下游：应用与需求

高端逻辑芯片（HPC/ AI 加速器） 先进制程 (N3, N2) 单芯片面积大、功耗墙紧张，芯片最终频率和功耗水平对工艺偏差极度敏感。虚拟量测使英伟达、AMD 等设计公司在流片前就能得到功耗分布热图，早期修正版图，缩短产品迭代时间。

智能手机 SoC 每年固定换代周期，对 “首次流片即量产” 要求极强。苹果、高通利用代工厂虚拟量测模型在设计早期锁定关键时序路径，减少工程样品流片批数，公开报道可减少 1–2 次金属改版。

汽车电子与工业控制 车规 MCU、功率器件等要求极低的缺陷率（通常 < 1 PPM）和高长期稳定性。虚拟量测用于全晶圆的动态取样与高风险预警，与物理量测形成互补，保障出货零缺陷。恩智浦、英飞凌等 IDM 在其公开论文和行业会议上多次提及虚拟量测为车规芯片良率守护的关键一环。

IC 基板与先进封装 封装基板线宽/线距微缩后，翘曲、阻抗均匀性等问题需要通过虚拟量测提前预测（如 ABF 基板工艺）。台积电 CoWoS 等先进封装线也已整合虚拟量测模块，但公开技术细节极少。

8. 受益公司

全球领导阵营

• 台积电：自研智能运营中心 (IOC) 集成虚拟量测，宣称是其先进制程良率爬坡周期领先业界的关键能力之一。受益逻辑：直接降低物理量测设备采购成本，缩短 NPI 周期，提升产能周转率。
• 英特尔：在其 IDM 2.0 战略中将先进过程控制与虚拟量测列为制造竞争力核心，结合内部 Fovero 等先进封装技术使用。
• PDF Solutions：以 Exensio 平台为独立第三方提供连接代工厂与设计公司的数据共享与预测分析，服务客户涵盖全球主要代工厂及设计公司，受益于虚拟量测需求扩增带来的 SaaS 订阅与咨询收入增长。
• KLA：将量测机台光学数据与虚拟量测模型捆绑，提供软硬一体的过程控制方案，增强客户粘性并提升软件收入占比。
• 应用材料：通过其 SmartFactory 生产管理软件与设备 FCC 数据生态，使自身设备数据成为虚拟量测的优质输入，间接拉动设备销售与服务合同。

中国受益与布局者

• 中芯国际：公开年报及“智能制造”专题中常提及“大数据驱动良率提升”，业界推断其已建立内部虚拟量测能力，受益于先进与特色工艺双重产能利用率的提升。
• 华大九天，概伦电子：前者在 DFM 和仿真验证平台中逐步植入统计建模模块，后者在器件模型基础库方面具备先发优势，二者均可能从本土晶圆厂对自主虚拟量测软件的需求中获得机会。
• 广立微：专注于良率提升和制造数据分析，提供类似 PDF Solutions 的数据平台功能，其测量与仿真协同方案在国内逻辑代工客户中已开始导入（公开信息：2023 年报）。

9. 市场规模

虚拟量测处于半导体智能制造和过程控制软件的交汇处，目前缺乏独立的、连续统计的细分市场规模数据。可参考的相关市场口径如下：

• 半导体软件与服务市场（含 EDA 与智能制造软件）：据 SEMI《World Fab Forecast》与 Gartner 估算，2023 年全球半导体软件与服务市场规模约为 500 亿美元，其中智能制造与工厂软件部分约为 28–35 亿美元。
• 先进过程控制 (APC) 与虚拟传感市场：Grand View Research 在 2024 年报告指出，2023 年全球虚拟传感市场总值约 8.5 亿美元，其中半导体制造应用约占 18%，对应约 1.53 亿美元，预计 2024–2030 年复合增长率约 15%–18%。该数据包含化学/温度等虚拟传感器，可能高估与实际虚拟量测软件的对应关系。
• 可参考的标杆公司收入：PDF Solutions 2023 财年收入 1.56 亿美元，其中 Exensio 平台及分析软件订阅收入约 1.05 亿美元（来源：PDF Solutions FY2023 10-K）。KLA 的软件及服务收入 2023 财年约 6.9 亿美元，但其中主要为高精度量测设备配套的软件维护与许可，独立虚拟量测模块收入未见单列。

综合估计，2023 年狭义半导体虚拟量测软件与服务的全球市场规模介于 1.5 亿至 3 亿美元之间。随着先进制程扩产和车规对可靠性需求增强，2030 年有望达到 6–10 亿美元。中国国内市场受本土产能建设拉动，增速可能高于全球均值，但绝对规模仍小，公开资料未见权威独立统计。

10. 玩家对比

一个值得关注的趋势：独立第三方平台与代工厂自研系统之间的数据权利博弈 正变得突出。设计公司更希望引入 PDF Solutions 这类独立方以获得更透明的工艺反馈，而代工厂倾向于将虚拟量测结果包装成内部认证的“工艺设计套件 (PDK)” 的一部分，不开放底层模型细节。这种张力将影响产业格局的演变。

11. 风险

1. 模型可靠性“灰天鹅” 虚拟量测模型在工艺窗口内的预测可能稳健，但当出现未预见过的设备异常、材料漂移或新产品拓扑时，可能出现系统性偏差。一旦将有瑕疵的芯片误判为良品进入切割与封装，后续召回和赔偿成本巨大，尤其当模型用于车规、医疗等安全关键领域时。业内尚无公开的统一功能安全认证标准。

2. 数据依赖与知识产权壁垒 高精度模型依赖代工厂独占的、长达数年的海量工艺-性能配对数据。设计公司若不深度参与数据共享，就只能接受代工厂提供的“黑盒”预测输出，丧失对自身产品工艺敏感性的洞察，形成对特定代工厂的深度绑定。

3. 持续投入与投入产出比争议 构建可用的虚拟量测系统需要: (a) 数据中台与边缘计算基础设施； (b) 复合型团队（物理 + 数据科学 + 自动化）； (c) 持续模型运维。对于成熟制程（28 nm 及以上）或中小规模晶圆厂，物理量测成本占比有限，这种投资的回报周期可能超过设备折旧周期，商业可行性存疑。

4. 可解释性缺陷与工程溯源 深度神经网络模型常被视为“技术黑箱”，当预测出现偏离，工艺工程师难以快速定位是哪个设备腔体、哪个传感器信号导致，拖慢工程诊断和工艺恢复速度，抵消了预测带来的时间收益。

5. 产业链数据协同障碍 最优预测需要设计、制造、设备、材料四方数据打通。但现实中，出于商业秘密和技术竞争，数据孤岛现象严重。联邦学习等隐私计算技术尚不成熟，高性能芯片设计与代工在数据分享上依然谨慎。

6. 设备厂商锁定风险 如果过于依赖 KLA 或应用材料提供的软硬一体虚拟量测方案，可能导致晶圆厂在量测设备选择上形成新的路径依赖，削弱议价权。

12. 误读纠偏

误读 1：“虚拟量测可以完全替代物理测量。” 纠偏：虚拟量测并非物理测量的替代品，而是减少抽样密度和补充不可测区域的补充技术。在关键安全参数、新工艺导入、法规认证测试中，物理测量仍然不可取代。领先晶圆厂采用“虚拟预测 + 少样本物理校准”的闭环。

误读 2：“虚拟量测就是一个 AI 算法问题。” 纠偏：纯粹数据驱动模型在没有物理先验的情况下泛化能力极弱。产业实践中，对半导体器件特性的理解（如温度系数、短沟道效应）决定了特征工程的成败。将虚拟量测简单等同于“大数据+AI”会低估其在领域知识方面的门槛。

误读 3：“部署后模型就一劳永逸。” 纠偏：工艺漂移、设备老化、原材料变化都会导致模型“概念漂移”。需要持续的模型监控 (Model Monitoring) 和周期性再训练，否则预测精度会随时间衰减。这一点在车规产品长达 5–10 年的生产周期中尤为突出。

误读 4：“国内可以快速通过购买软件或算法弥补差距。” 纠偏：差距的核心不在算法，而在于先进制程工艺数据的积累规模、完整性与连续性。没有上百批次的先进工艺流片数据，再好的建模团队也难以训练出可靠的预测模型。这种数据积累需要以“年”为单位。

误读 5：“虚拟量测只会减少成本，不会影响设计。” 纠偏：虚拟量测深度嵌入设计流程后，使设计公司可以在不流片的前提下探索工艺敏感度，可能从根本上改变设计方法学，比如引入新的 PDK 视图“虚拟良率评分”，从而重构前端 RTL 到 GDS 的优化空间。

13. 最新事件（2024–2025 年初追踪）

• 台积电 2024 年北美技术论坛：宣布其 AI 驱动的虚拟量测系统已扩展至 SoIC 3D 堆叠工艺的在线监控，并声称在 N3E 工艺上使量产良率爬坡时间缩短约 15%（来源：TSMC 2024 NA Technology Symposium 公开演讲）。
• PDF Solutions 发布 Exensio 5.0（2024 年 9 月，公司新闻稿）：新版本引入生成式 AI 查询助手，并增加了对先进封装 (Advanced Packaging) 虚拟量测的分析模板。公司在 2024 年 Q4 财报中提到，来自中国市场的 Exensio 订阅收入同比增长 20% 以上，被视为本土晶圆厂加大智能制造投入的信号。
• KLA 推出基于深度学习的 OCD 虚拟量测包：在其 SpectraShape 平台中集成，声称可以将部分光学测量步骤的速度提升 30%，同时在 2 nm 测试结构上验证可行性（2024 年 SEMICON West 报道，公开新闻）。
• 中国国内动态：
  • 华大九天在 2024 年投资者交流中提及，其 DFM 平台的工艺统计敏感度分析功能已在多家国内先进节点晶圆厂启动验证。
  • 广立微 2024 年半年报提到，其在良率管理平台 (DATAEXP) 中集成了初步的在线虚拟量测模块，主要用于存储器件及 CIS 工艺，但未披露具体识别率或客户名称。
• 政策层面：欧盟《芯片法案》配套的公共研发项目 IPCEI ME/CT 中，多个子项目明确将虚拟量测与数字孪生列为技术攻关方向（来源：欧盟委员会 IPCEI 说明书，2024 年 4 月），可能推动欧洲 IDM 和研究所加速该领域部署。

公开资料未见 2025 年第一季度出现颠覆性的新公司或并购事件。

14. 跟踪指标

投资者、分析师和产业观察者可通过以下公开指标判断虚拟量测技术的影响力与渗透率：

1. 晶圆厂物理量测设备资本支出占比 若虚拟量测效应显著，KLA、Onto 等量测设备在新建工厂总设备投资中的占比可能持平或微降。跟踪各晶圆厂资本支出分项（参考台积电、英特尔季度财报幻灯片）。

2. PDF Solutions Exensio 订阅收入与新增客户数 作为独立的虚拟量测平台代表，其 SaaS 收入与客户总数直接反映市场对中立虚拟分析平台的需求（数据来源：PDF Solutions 季度 10-Q 及年会报告）。

3. 代工厂专利/论文中披露的模型精度 台积电、三星、英特尔在 VLSI、IEDM 上发表的有关“virtual metrology”、“predictive control”论文，可窥见其在特定制造模块中物理量测减少的比例或预测精度的提升。 注意分辨“实验室论述”和“量产应用”之间的差距。

4. EDA 工具中工艺分析模块的渗透 Synopsys、Cadence 等 EDA 公司财报中，关于“工艺变异性分析”、“设计生命周期管理”软件的 License 增速可间接反映虚拟量测与设计端融合的进程。

5. 中国晶圆厂智能制造相关采购 关注国内半导体制造软件（如广立微、中控技术等）的中标公告，以及地方政府发布的智能制造试点示范名单中是否出现虚拟量测或工艺数字孪生项目（可查询中国招标投标公共服务平台）。

6. 车规级芯片召回原因分析 倘若因为工艺批次异常未被物理量测检出而导致整车召回，往往会在监管报告中公布原因，可对照是否有可能因过度依赖虚拟量测引发。

15. 信源

• 台积电 2022、2023、2024 年技术论坛公开材料。
• PDF Solutions FY2023 10-K、FY2024 Q3 季报及投资者简报。
• KLA 2023–2024 年公开新闻稿与 SEMICON 发布演示。
• SEMI《World Fab Forecast》2023 年 12 月版。
• Grand View Research，《Virtual Sensors Market Size, Share & Trends Analysis Report》，2024 年 8 月。
• IBS，《Design Cost Trends for Advanced Nodes》，2023 年 4 月。
• 华大九天 2023 年报及 2024 年半年度投资者交流纪要。
• 概伦电子 2023 年报。
• 广立微 2023 年报及 2024 半年报。
• 国际电子器件会议 (IEDM)、VLSI 技术研讨会历年公开论文。
• 欧盟委员会，《IPCEI on Microelectronics and Communication Technologies Overview》，2024 年 4 月。
• 中芯国际 2023 年报“智能制造”相关表述。

（注：具体数据均已在文中标注年份、来源及统计口径；对于无法获取精确数字之处，均已注明“公开资料未见”。）