先進過程控制（Advanced Process Control, APC）

3 秒看懂

一句話：APC 是半導體晶圓廠裡用軟體演算法即時/批次反饋調節工藝引數（溫度、氣體流量、刻蝕時間、CMP壓力等）的”閉環自動駕駛系統”，目標是把每一片晶圓的工藝偏差控制在奈米級容差內，直接決定良率和成本。

核心價值鏈位置：裝置（硬體）→ APC（軟體+演算法） → 良率（獲利）。沒有 APC 的先進製程工廠，等同於沒有自動駕駛的高速賽車——硬體再強也跑不出好成績。

3 分鐘產業解釋

為什麼 APC 突然成為熱門？

半導體制造進入 3nm/2nm 時代，工藝視窗（process window）急劇收窄。以刻蝕為例，關鍵尺寸（CD）的容差已經從早期節點的幾十奈米縮小到亞奈米量級，任何微小的裝置漂移、腔體老化、來料波動都會導致器件效能偏離規格。

傳統做法是”開環跑一批→量測→人工調引數→再跑一批”，這種 離線試錯模式 在先進節點上完全不可接受：

一次晶圓投片（lot）動輒價值數十萬美元；
一輪調整週期可能耗時數天；
多變數耦合（溫度、壓力、氣體比、功率同時變化）讓人工經驗失效。

APC 的本質就是用數學模型和自動化演算法取代人工經驗，在 每批次（run-to-run）甚至每片晶圓（wafer-to-wafer） 級別實現工藝引數的閉環自動修正。

APC 覆蓋哪些工藝環節？

幾乎覆蓋所有關鍵前道工藝步驟：

工藝環節	APC 典型應用
光刻（Litho）	套刻對準（overlay）修正、CD均勻性控制、劑量反饋
刻蝕（Etch）	終點檢測（endpoint）+ 刻蝕速率/選擇比閉環調優
薄膜沉積（Deposition/CVD/PVD/ALD）	膜厚均勻性控制、成分比例調優
CMP（化學機械拋光）	拋光壓力/時間反饋修正、研磨墊壽命補償
離子注入（Implant）	劑量均勻性閉環

一個先進邏輯晶片的製造可能涉及 1000+ 道工藝步驟，APC 系統需要對其中數百個關鍵步驟進行獨立或聯合的閉環控制——這是一項極其龐大的軟體工程和演算法工程。

商業模式

APC 既作為 裝置廠商的嵌入式軟體 捆綁銷售（如 Applied Materials 的裝置內建APC模組），也作為 獨立軟體平台 由專業公司提供（如 PDF Solutions、KLA 的過程控制軟體、Camline Solutions 等），還有晶圓廠 自研的APC系統（如台積電、三星內部團隊開發的高度定製化平台）。

15 分鐘專家深入

APC 的三大子系統

業界通常將 APC 拆解為三個相互協同但各有側重的子系統：

① Run-to-Run (R2R) 控制——核心閉環引擎

這是最經典也最核心的 APC 形態。基本邏輯：

[第 N 批晶圓] → [工藝裝置執行] → [量測Metrology] → [控制器演算法] → [調整工藝Recipe引數] → [第 N+1 批晶圓]
                                                          ↑
                                                    [裝置狀態模型/擾動模型]

關鍵演算法包括：

EWMA（指數加權移動平均）控制器：工業界最廣泛使用的 R2R 控制器，對歷史批次資料賦予指數衰減權重，平衡”追蹤趨勢”和”抑制噪聲”。典型遺忘因子 λ 取值在 0.2~0.5 範圍內（具體由工藝工程師根據過程穩定性調優）。
MPC（模型預測控制）：利用多變數工藝模型預測未來幾步的行為，在約束條件下求解最優控制動作。適用於光刻 overlay 等多輸入多輸出（MIMO）場景。
自適應/增益排程控制：當工藝模型引數隨裝置老化（如腔壁沉積累積）緩慢漂移時，線上遞推更新模型引數。

② FDC（Fault Detection and Classification）——異常檢測哨兵

FDC 系統即時採集裝置感測器資料（溫度曲線、RF功率曲線、氣體流量曲線、真空度曲線、電機電流等），通常一次工藝過程可產生 數百到數千個感測器通道 的時間序列資料。

核心技術棧：

多變數統計過程控制（MSPC）：PCA（主成分分析）/PLS（偏最小二乘）降維後在低維空間設定控制橢圓/控制限，當新批次的感測器軌跡投影落在控制限外即觸發報警。
基於規則的檢測：工程師預設經驗規則（如”RF功率峰值超過閾值”），簡單直接但覆蓋面有限。
ML/DL 方法：近年來逐步引入異常檢測模型（autoencoder、LSTM 等）處理高維時序資料，但實際部署仍以統計方法為主流（可解釋性、驗證成本是主要約束）。

FDC 不直接調引數，而是 “停線報警 + 分類歸因”——告訴工程師是哪臺裝置、哪個腔體、哪類故障（如 particle、leak、drift），由APC或人工決定後續動作。

③ 虛擬量測（Virtual Metrology, VM）——減少物理量測成本

先進製程的物理量測（CD-SEM、overlay量測、膜厚橢偏儀等）非常耗時且昂貴。每片晶圓都做全量量測既不經濟也不現實——通常只量測每批次中的幾片甚至一片。

VM 的做法是：

用裝置感測器資料 + 工藝引數作為輸入特徵；
訓練迴歸模型（多元線性迴歸、神經網路、隨機森林等）預測量測結果；
實現 對未量測晶圓的逐片預測，為 R2R 控制器提供更高密度的反饋訊號。

VM 模型的預測精度需要持續驗證和再校準——當裝置狀態發生顯著變化時，VM 預測可能偏移，需與物理量測交叉驗證。

三者的協同架構

┌─────────────────────────────────────────────────┐
│                    APC 平台層                      │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐       │
│  │  R2R 控制  │  │  FDC 引擎 │  │  VM 引擎  │       │
│  │ (閉環調節) │  │ (異常檢測) │  │(虛擬量測) │       │
│  └────┬─────┘  └────┬─────┘  └────┬─────┘       │
│       │              │              │             │
│  ┌────▼──────────────▼──────────────▼─────┐      │
│  │        資料管理 / 工藝配方資料庫          │      │
│  └────────────────┬───────────────────────┘      │
│                   │                               │
├───────────────────┼───────────────────────────────┤
│    裝置層(SECS/GEM介面)  │  量測層(量測工具介面)    │
└───────────────────┴───────────────────────────────┘

關鍵介面協議：裝置端通過 SECS/GEM（SEMI E30/E37/E90等） 標準與APC通訊，量測結果通過 Interface A（SEMI E142/E164） 或其他介面傳輸。

技術原理

R2R 控制的核心數學架構

以最經典的 EWMA 單變數控制器 為例：

設工藝輸出（如CD偏差）為 y，工藝輸入（如刻蝕時間偏移量）為 x，過程模型為：

y = α + β·x + d

其中 α 為偏置，β 為增益（靈敏度），d 為擾動（含裝置漂移、來料波動等）。

目標是選擇 x 使得 y = 目標值 y_target。

EWMA 遞推更新擾動估計：

d̂_n = λ·(y_n - α - β·x_n) + (1 - λ)·d̂_&#123;n-1}

其中 λ ∈ (0, 1] 為遺忘因子。

控制器輸出（第 n+1 批的工藝輸入調整量）：

x_&#123;n+1} = (y_target - α - d̂_n) / β

直觀理解：控制器持續估計”當前擾動有多大”，然後反向補償。

關鍵設計引數：

λ 過大（接近1）：快速追蹤突變，但對量測噪聲敏感——方差大；
λ 過小（接近0）：噪聲抑制好，但對真實漂移反應遲鈍——偏差大。
λ 的選擇本質上是 偏差-方差權衡（bias-variance tradeoff），需根據工藝穩定性和量測噪聲水平工程化設定。

MIMO 多變數場景——光刻 Overlay 控制

現代光刻機的 overlay 控制是 APC 最複雜的應用場景之一。每臺光刻機在一個曝光場（field）內有數十個對準標記，overlay 誤差分解為平移（translation）、旋轉（rotation）、放大（magnification）、高階畸變（higher-order aberration）等多個分量。

控制模型通常表示為：

y_i = A · x + B · c + d

y_i：第 i 批次的 overlay 誤差向量（高維，覆蓋場內多個取樣點）；
x：可調的 stage 修正引數（對準偏移、透鏡調焦等）；
c：已知的 context 變數（如掩模版ID、裝置chamber標識等，用於建模已知系統性偏差）；
A、B：靈敏度矩陣，可通過實驗設計（DOE）或歷史資料迴歸估計。

控制器求解：

x_&#123;n+1} = argmin ||y_target - A·x||² + γ||x||²
           s.t.  x ∈ [x_min, x_max]   (物理約束)

這是標準的帶約束最小二乘/正則化迴歸問題，即時性要求高（在批次間歇的有限時間內完成計算）。

FDC 的多變數統計架構——PCA/T² 與 SPE

給定一個工藝批次中 p 個感測器通道、每個通道 T 個時間取樣點的原始資料，首先將時間序列摺疊（或提取統計特徵如均值、方差、峰值、斜率等）形成一個 p 維特徵向量 z。

對正常執行資料（訓練集）做 PCA：

z ≈ P · t + e

P：載荷矩陣（loading matrix），取前 k 個主成分（k << p）；
t：得分向量（score vector），k 維；
e：殘差。

兩個核心監控統計量：

Hotelling's T² = t' · Λ⁻¹ · t     (主成分子空間內的變異，反映已知型別的偏移)

SPE (Squared Prediction Error) = ||e||²   (殘差子空間的變異，反映新的未知異常模式)

當 T² 或 SPE 超出控制限（基於訓練資料的置信區間，如 99% 或 3σ），即觸發 FDC 報警。

實際工程中，感測器數量 p 可達數百甚至上千，特徵提取和降維是 FDC 系統的核心演算法工程。

技術演進史

時期	階段特徵	關鍵事件
1990s 早期	手工調參時代	工程師憑經驗手動調整刻蝕/沉積 recipe；統計過程控制（SPC）停留在單變數控制圖階段
1990s 中後期	R2R 控制萌芽	學術界（如 Moyne, del Castillo 等）系統提出 run-to-run 控制理論；SEMI 標準開始規範裝置-主控通訊（SECS/GEM）
2000s	FDC 和 VM 興起	多變數統計方法（PCA/PLS）進入晶圓廠；Applied Materials、KLA 等推出商業化 FDC/VM 產品；台積電等領先晶圓廠開始自研 APC 平台
2010s	全廠級 APC 平台化	APC 從單裝置擴充套件到全廠統籌；裝置資料爆發式增長推動大數據架構引入；ML 方法開始用於 VM 和 FDC
2016-2020	AI/AutoML 滲透	深度學習用於複雜非線性 VM 模型；遷移學習解決新產品上線時模型訓練資料不足的問題；數字孿生概念與 APC 結合
2020s 至今	先進節點驅動 APC 升級	3nm/2nm 節點工藝視窗極窄，對 APC 的響應速度和精度要求指數級提升；CoWoS/3D封裝引入後道 APC 需求；邊緣計算在裝置端部署推論模型成為趨勢

技術路線對比

維度	傳統統計APC (EWMA/PCA)	模型驅動APC (MPC/機理模型)	資料驅動APC (ML/DL)
模型可解釋性	高	高	低~中
資料需求	少（數十批次即可）	中（需DOE實驗）	大（數百~數千批次）
多變數處理能力	弱~中	強	強
非線性建模	弱	中（線性化近似）	強
部署驗證難度	低	中	高（需大量驗證證明可靠性）
即時推論速度	極快（μs級）	快（ms級）	中~快（取決於模型複雜度和硬體）
行業主流程度	★★★★★ 仍是主力	★★★★ 光刻等高價值環節	★★★ 增長中但驗證週期長
典型應用場景	刻蝕CD控制、膜厚控制	光刻overlay、先進CMP	虛擬量測、複雜FDC

注：實際部署中三種路線常混合使用，不是”非此即彼”的替代關係。成熟節點用傳統統計方法即可滿足需求；先進節點對精度要求更高，逐步疊加模型驅動和資料驅動方法。

上下游

上游（APC 系統的”輸入”）

環節	供應內容	關鍵玩家
工藝裝置	裝置感測器原始資料（溫度、壓力、功率、氣體流量等時間序列）	Applied Materials, Lam Research, Tokyo Electron (TEL), ASMI
量測工具	CD、overlay、膜厚、缺陷等物理量測結果	KLA, Onto Innovation, Hitachi High-Tech, ASML（光刻相關）
計算硬體	邊緣伺服器/工控機/加速卡	Dell/HPE（伺服器）、NVIDIA（邊緣推論）、各工業PC廠商
SEMI 標準介面	SECS/GEM, Interface A (E142), EDA (Equipment Data Acquisition)	SEMI 組織定義標準，各裝置/軟體廠商實現

下游（APC 的”輸出”）

環節	價值	關鍵需求方
邏輯代工/IDM	良率提升、成本降低、產能利用率提升	台積電、三星、Intel、中芯國際等
儲存器廠	高密度儲存器製造良率最佳化	SK海力士、三星、美光
先進封裝廠	CoWoS/InFO/3D封裝的對準、鍵合、RDL工藝控制	台積電（封裝）、日月光/ASE、長電科技
裝置廠商自身	裝置內建 APC 成為差異化競爭力	各主要裝置廠商

利益傳導邏輯

先進節點製程縮小 → 工藝視窗收窄 → APC 精度要求↑ → 對裝置感測器精度/密度要求↑
                                            → 對量測頻率要求↑ → VM重要性↑
                                            → 對演算法複雜度要求↑ → ML/AI投入↑
                                            → 對計算硬體要求↑ → 邊緣算力需求↑
最終傳導：APC 投入佔晶圓廠運營成本的比例持續上升

關鍵指標

指標	含義	先進節點典型量級
CD 均勻性（CDU, 3σ）	關鍵尺寸在晶圓內/晶圓間的變異	亞奈米級（具體數字因節點和層級而異，需查閱製程規格）
Overlay 誤差（OVL, max）	層間套刻對準精度	先進節點要求低於幾奈米（ASML在其白皮書中揭露的趨勢資料）
APC 響應時間	從批次完成到下次 recipe 調整到位的延遲	分鐘級（run-to-run間歇時間）
FDC 誤報率（False Alarm Rate）	正常批次被錯誤報警的比例	工業界目標通常 < 0.1%~1%（具體因工廠而異）
VM 預測精度（R² / RMSE）	虛擬量測模型的預測與物理量測的一致性	高價值指標 R² > 0.9 以上（依工藝複雜度而異）
良率提升幅度	部署APC後相對基線良率的提升	因工藝而異，行業經驗：先進節點APC可貢獻數個百分點的良率提升 [行業通用認知]
APC 覆蓋率	工藝步驟中被APC閉環控制的比例	領先晶圓廠據報道可達較高比例 [行業報道，具體數字未公開]

供需與市場資料

市場規模

APC 市場的精確規模較難獨立估算，因為它分散在多個品類中：

裝置廠商內建 APC 軟體（計入裝置售價，不單獨定價）；
獨立過程控制軟體平台（如 PDF Solutions 的 Exensio、KLA 的過程控制軟體產品線、Camline 等）；
晶圓廠自研 APC 平台（研發投入，不形成外部市場）。

根據行業分析機構的估算，半導體制造軟體（含APC、MES、YMS等）整體市場規模在數十億美元量級，APC/過程控制是其中重要組成部分 [行業報告估算範圍，具體數字因口徑不同有差異]。

增長驅動力

先進製程擴張：3nm/2nm 產能爬坡 → APC需求密度（每個工藝步驟所需的控制複雜度）↑
先進封裝：CoWoS/3D IC 封裝引入光刻、刻蝕、CMP等工藝，需要新的APC覆蓋
成熟製程擴產：全球成熟節點擴產（汽車、IoT、模擬晶片）推動更多工廠部署APC
AI賦能：ML/AI方法擴大APC可解決問題的邊界，帶動軟體升級需求
裝置國產化：中國大陸半導體裝置廠商崛起，帶動配套APC軟體需求

供需格局

供給端：高度集中於少數頭部玩家（Applied Materials、KLA、PDF Solutions、Onto Innovation等），晶圓廠自研也佔據重要份額
需求端：全球前五大晶圓廠/IDM 的 APC 需求佔市場主要份額

代表公司與資本對映

公司	APC 業務定位	上市程式碼/狀態	備註
KLA Corporation	過程控制（含 FDC/VM/量測軟體）全棧	KLAC (NASDAQ)	半導體過程控制龍頭，APC 軟體是其裝置生態的重要增值層
Applied Materials	裝置內建 APC + 獨立過程控制軟體	AMAT (NASDAQ)	APC 嵌入其刻蝕、CVD、CMP 等裝置中，亦提供 Ensemble 過程控制平台
PDF Solutions	純軟體：資料平台 + APC + 良率分析	PDFS (NASDAQ)	專注半導體制造資料分析和APC，Exensio 平台
Onto Innovation	量測裝置 + 過程控制軟體	ONTO (NYSE)	前身為 Nanometrics + Rudolph 合併，量測與APC結合
Lam Research	裝置內建 APC（刻蝕/沉積裝置）	LRCX (NASDAQ)	Equipment Intelligence 戰略，裝置端AI/APC
Camline Solutions	純 APC 軟體（歐洲）	非上市	專注歐洲IDM/代工廠客戶
台積電 (TSMC)	自研 APC 平台（內部使用不外售）	TSM (NYSE)	據公開文獻，台積電內部 APC 系統極為成熟，是其良率領先的重要秘密武器之一
西門子（Siemens EDA/前Mentor）	製造執行系統 + 資料分析平台	SIEGY (OTC) / XETR	Simcenter 等工業軟體可用於製造過程建模

中國大陸相關標的

公司/團隊	方向	狀態
華大九天	EDA 起家，部分延伸至製造資料管理	A股上市
廣立微電子	良率管理/資料分析	非上市（截至可查資訊）
各晶圓廠內部團隊	中芯國際、華虹等均自建 APC 能力	內部研發

注意：純 APC 軟體公司在中國大陸仍較少，多數 APC 需求由裝置廠商或晶圓廠內部消化。

投資邏輯

核心敘事

“先進製程工藝視窗收窄 → APC 從’nice to have’變為’must have’ → APC 軟體價值量持續提升”

具體邏輯鏈：

製程縮小 = 良率管理難度指數級上升。每推進一個節點，工藝視窗可能縮窄 30-50%（定性趨勢），但 APC 的精度提升是線性的——這意味著每個新節點都需要更先進的APC投入。
APC 是半導體制造中少數”純軟體增值”環節。在裝置硬體（資本支出大、週期性強）之外，APC 軟體具有 高毛利率、強粘性、持續訂閱潛力 的特徵，類似工業軟體的商業模式優勢。
先進封裝是APC的第二增長曲線。CoWoS、3D IC 等封裝工藝中引入了光刻、刻蝕、CMP等步驟，需要APC覆蓋——這是之前傳統封裝所不需要的。
AI賦能可能重新定義APC競爭格局。如果ML/AI方法顯著提升VM和FDC的效果，可能打破傳統統計APC的格局，為新進入者提供彎道超車機會（但也面臨半導體行業驗證週期極長的壁壘）。

風險因素

晶圓廠自研壁壘：頭部晶圓廠傾向於自建APC能力（護城河深），外部純軟體公司的滲透空間可能受限
行業週期性：半導體下行週期中，晶圓廠可能推遲APC軟體升級
驗證週期長：半導體制造對可靠性的極端要求導致新技術採納緩慢，ML/AI方法的實際落地速度可能低於預期
地緣政治：出口管制可能限制中國晶圓廠獲取先進APC工具

常見誤讀糾偏

❌ 誤讀 1：“APC 就是 AI/AI驅動的過程控制”

糾偏：APC 的歷史遠早於AI在半導體中的應用。工業界目前執行的APC系統中，絕大多數核心控制邏輯仍基於經典統計方法和控制理論（EWMA、MPC、PCA等），而非深度學習。AI/ML目前主要作為 輔助增強層（特別是在VM和複雜FDC場景），而非取代傳統APC架構。把APC等同於”AI”是對產業現狀的過度簡化。

❌ 誤讀 2：“APC 只在先進節點（7nm以下）才有價值”

糾偏：雖然先進節點對APC的需求最迫切、技術含量最高，但 成熟節點（28nm及以上）同樣大量使用APC。成熟節點的關鍵區別在於工藝視窗相對寬裕，APC的技術門檻較低（簡單EWMA即可滿足），且良率提升的邊際價值可能不如先進節點大——但這不等於”沒有價值”。全球大量成熟節點產能（汽車晶片、功率器件、模擬晶片等）的APC市場不容忽視。

❌ 誤讀 3：“量測越多越好，可以替代APC控制”

糾偏：量測（Metrology）提供的是 “診斷資訊”，而非 “治療動作”。即使有完美的逐片量測資料，如果沒有APC控制器將量測結果轉化為recipe調整指令，資料本身不會自動改善工藝。量測和APC是 互補關係，不是替代關係。而且，物理量測本身就存在佔用產能、增加cycle time的成本——這正是VM存在的原因。

❌ 誤讀 4：“APC 的作用只是提高良率”

糾偏：良率提升只是APC最直接的價值，APC還帶來：

縮短新產品匯入（NPI）週期：APC可以更快地將工藝收斂到規格內
減少晶圓報廢和返工：FDC早期攔截異常批次
降低量測頻率（通過VM）：釋放量測產能
提升裝置利用率：減少因工藝偏移導致的停機和重新qualify
支撐更大工藝視窗：有了APC”保險”，工藝工程師可以採用更激進的配方，追求更高效能

學習路徑

入門階段

書籍：Run-to-Run Control in Semiconductor Manufacturing (Moyne, del Castillo, Hurwitz) —— R2R控制的經典教材
SEMI 標準：瞭解 SECS/GEM (E30/E37)、Interface A (E142) 等通訊標準的基礎概念
晶圓廠運作基礎：瞭解晶圓製造的基本流程（光刻-刻蝕-沉積-離子注入-CMP等）

進階階段

統計過程控制：學習 SPC 控制圖、PCA/PLS 多變數統計方法
控制理論基礎：MPC（模型預測控制）基本原理；EWMA 濾波器的數學推導
行業報告：閱讀 Applied Materials、KLA、Lam Research 等公司的技術白皮書和投資者報告中的過程控制部分

專業階段

論文：IEEE Transactions on Semiconductor Manufacturing 中的 APC 相關論文（如 del Castillo、He Q.P.、Wang J. 等作者的工作）
ML in APC：瞭解 Autoencoder/LSTM 在 FDC、Gaussian Process/隨機森林在 VM 中的應用研究
實操：如果有機會接觸晶圓廠 APC 系統，理解 recipe management、equipment model、context variable 等工程實踐細節

一句話總結

APC 是半導體制造從”經驗驅動”邁向”資料驅動”的核心軟體基座——它不製造電晶體，但決定了電晶體能不能正確地被製造出來；在先進製程工藝視窗窄如刀鋒的時代，APC 已從輔助工具升級為決定良率和成本的”命門”級技術。

延伸閱讀與來源

Moyne, J., del Castillo, E., Hurwitz, A. Run-to-Run Control in Semiconductor Manufacturing. CRC Press. —— R2R 控制經典教材
He, Q.P., Wang, J. Statistical Process Monitoring as a Big Data Analytics Tool for Smart Manufacturing. Journal of Process Control, 2014. —— 多變數統計過程監控綜述
SEMI Standards: E30 (GEM), E37 (HSMS), E90 (Substrate Tracking), E142 (Interface A) —— 裝置通訊和資料採集標準
Applied Materials 年報/投資者報告 —— 瞭解裝置廠商 APC 軟體戰略
KLA Corporation 投資者報告 —— 過程控制市場趨勢和產品組合
PDF Solutions 年報 —— 獨立APC/良率管理軟體公司的商業模式
台積電技術論壇/IEDM/VLSI Symposium 發表論文 —— 瞭解領先晶圓廠 APC 實踐（脫敏後）
IEEE Transactions on Semiconductor Manufacturing —— APC 領域核心學術期刊

免責宣告：本文為概念學習材料，所涉公司僅為技術討論和產業分析目的提及，不構成任何投資建議。市場資料引用來源有限（檢索受限），具體數字請以最新官方揭露為準。