缺陷檢測

3 秒看懂

缺陷檢測是半導體制造及其它高精密工業中找出晶圓、光罩、晶片或產品表面/內部物理異常（顆粒、劃痕、橋接、空洞等）的核心質控環節。它直接決定良率（Yield），從 IC 設計到封裝測試貫穿全流程。光學檢測、電子束檢測與新興的 AI 影像識別是三大技術支柱。

3 分鐘產業解釋

在晶片製造中，一片 300mm 晶圓要經歷數百道工藝步驟，任何步驟引入的奈米級缺陷都可能導致整顆晶片報廢。缺陷檢測就像是給晶圓拍攝“體檢 CT”：使用深紫外（DUV）雷射、寬頻等離子體光源或電子束掃過整個表面，通過散射、衍射或二次電子訊號不同來發現異常點位，並與設計版圖比對，判斷該缺陷是否為“致命的”（killer defect）。

檢測裝備不僅要把位置和大小標記出來，還需聯動 SEM（掃描電子顯微鏡）複查或 AFM（原子力顯微鏡） 逐點位高精複檢，最終資料反饋給光刻、刻蝕、薄膜等前道裝置調整引數，形成 良率閉環。隨著晶片製程邁入 5nm、3nm 及以下，傳統光學解析度已逼近物理極限，行業轉向多電子束並行檢測、EUV 光化檢測（僅用於特定研發場景）以及深度學習驅動的自動缺陷分類（ADC），大幅降低人工複檢時間和誤報率。此領域由科磊（KLA）、應用材料、日立高新、ASML等寡頭主導，中國裝置商正從封裝端和前道低節點向高節點突破。

15 分鐘專家深入

缺陷檢測已經從單純的『找缺陷』演變為以大數據驅動的良率管理中樞。其內涵包括：

• 檢測（Inspection）：高通量快速掃描，識別缺陷位置；
• 複檢（Review）：高解析度對缺陷成像，進行精細分類；
• 量測（Metrology）：測量缺陷尺寸或膜厚，確定是否超出工藝視窗；
• 分類與溯源（Classification & Root Cause）：用深度學習模型自動判定缺陷型別（如顆粒、殘留、刮傷、圖案缺失）並定位工藝步驟。

該系統的價值不僅是攔截壞品，更在於縮短從缺陷出現到工藝修正的“問題待決時間”（Time-to-Decision）。邏輯晶片先進製程（如 FinFET/GAA 結構）若一週才完成良率診斷，可能造成數千萬美元的產能浪費，因此 fab 廠極度重視檢測速度與準確率的平衡。AI/ML 的應用正從後處理的影像分類，滲透到即時抓取、抽樣策略最佳化、多源資料融合預測良率等環節。

關鍵技術挑戰包括：

1. 靈敏度 vs. 吞吐量：提高缺陷捕獲率（capture rate）常意味著掃描時間變長，影響產能；
2. 噪聲與假缺陷（nuisance defect）：工藝縮微導致材料粗糙度引起的散粒噪聲被誤報為缺陷，過量 nuisance 會使工程師忽略真實 killer；
3. 跨模態融合：需將光學影像、SEM 影像、設計版圖（GDS）以及工藝引數在空間上精確對準，EUV 光刻帶來的隨機性缺陷（stochastic defects）使該問題尤為棘手。

技術原理

缺陷檢測系統可以抽象為『照明/激發→訊號採集→影像形成→特徵提取→分類決策』的物理資訊鏈路。以下按主流技術路徑解析（以半導體前道為例）：

光學缺陷檢測（明場/暗場）

[光源(DUV/寬頻等離子體)] → 光路整形 → 照射晶圓 → 散射/反射光收集 → 探測器(CCD/TDI)

• 明場（BF）：收集鏡面反射光，對平面區域的反射率變化（如殘留薄膜）敏感，解析度極限受 λ/NA 決定。
• 暗場（DF）：只收集散射光，對顆粒、邊緣輪廓異常等具有高對比度，訊雜比更佳，但成像不完整。
• 解析度增強：採用離軸照明、偏振控制、Fourier 濾波，使檢出能力達數十奈米。
• 關鍵物理量：散射截面、差分散射訊號、相對反射率差。

電子束檢測（E-beam Inspection）

電子槍 → 電子光學柱(聚光/偏轉) → 掃描晶圓表面 → 收集二次電子/背散射電子 → 成像

• 多電子束技術：為突破單束掃描速度瓶頸，多家廠商採用分裂為數十至數百束並行掃描，畫素速率可達單束的數百倍。
• 電壓對比（VC）：利用帶電引起的二次電子強度變化，可探測埋層電性缺陷（如開路/短路），獨特於光學法。
• 解析度：可達亞奈米級，但吞吐量遠低於光學。

AI 缺陷分類（ADC）

基於卷積神經網路（CNN/ViT）的模型將上述成像後生成的缺陷影像作為輸入，輸出缺陷類別標籤。

• 流程：影像預處理→設計資料對齊（die-to-database）→分割出缺陷 ROI→CNN 推論→類別及置信度。
• 訓練策略：由於真實缺陷樣本稀缺且高度不平衡，常用遷移學習（在真實 SEM 基礎資料上預訓練），輔以合成缺陷影像生成（GAN/擴散模型）增廣資料。
• 線上推論加速：在邊緣 GPU/FPGA 上對缺陷點位進行即時分類，濾除 nuisance 並標記高風險缺陷，再引導高解析度複檢裝置只掃描真defect。

量測聯動的缺陷源尋蹤

缺陷檢測常與疊對量測、CD-SEM 關鍵尺寸量測聯動，通過空間座標對映，判斷缺陷是否因光刻失準、刻蝕不足或 CMP 過度產生。先進的 ‘Design-based inspection’ 將檢測機臺的座標與晶片設計版圖 GDS 嚴格套準，可直接識別違反設計規則的圖形缺陷。

技術演進史

• 人工目檢時代（1970s-1980s）：顯微鏡下人工檢查，主觀性大，無法滿足 6 英寸以上晶圓。
• 自動化光學檢測（AOI）興起（1990s）：基於影像處理和畫素對比演算法的初步自動化，伴隨 i-line 光刻延伸。
• DUV 雷射與電子束結合（2000s）：KLA 推出 23xx/28xx 系列寬頻等離子體光源檢測系統；電子束用於 65nm 以下節點線路開路/短路檢測。
• 設計導向檢測與應對 EUV 光刻缺陷（2010s）：隨著圖案越來越複雜，引入 die-to-database 比對；針對 EUV 光刻的隨機性缺陷，業界嘗試開發 EUV 光化檢測（Actinic inspection），但進展艱難，目前仍以 e-beam 和 DUV 為主應對 EUV 掩模及 wafer 隨機缺陷。
• AI 深度學習與多束電子束並行（2020s）：科磊收購多家 AI 公司整合進 39xx/ PWG 平台；ASML 推出多電子束檢測系統 HMI eScan1000（由 HMI 開發）；應用材料推出 ExtractAI 技術，利用深度學習預估缺陷分佈以提升抽樣效率。中國廠商如中科飛測、上海精測半導體逐步邁入前道檢測。

技術路線對比

對比維度	光學缺陷檢測（明/暗場）	電子束缺陷檢測（單/多束）	複檢 SEM	AI 分類系統（ADC）
核心光源/束	DUV 雷射、寬頻等離子體	熱場/冷場發射電子	場發射電子束	基於 CPU/GPU/FPGA 推論
典型解析度	40nm ~ 亞 100nm （散射訊號）	可達 < 1nm	< 1nm	取決於輸入影像解析度
吞吐量	極高速（全 wafer 掃描）	極慢（多束嘗試提升）	極慢（僅複查小區域）	即時或準即時（取決於模型）
核心物理機制	光學散射、干涉	二次電子、背散射電子、電壓對比	二次電子形貌像	深度學習特徵提取
主要優勢	高產能、非破壞、掩膜/圖形化檢測	奈米級缺陷、電性缺陷、高深寬比	極清影像，用於分類確認	無人化、高一致性、壓低 nuisance
限制	接近 Rayleigh 極限，對極紫外光刻缺陷的檢測靈敏度受限	表面電荷損傷、吞吐量極低	僅抽樣複檢，人工依賴	可解釋性、罕見缺陷誤判
適用節點/場景	成熟製程至先進製程的前道光刻後/刻蝕後	研發、先進製程關鍵層工程分析	全部節點的缺陷確認	所有檢測機臺後處理
代表產品/供應商	KLA Surfscan/29xx/39xx, 中科飛測	ASML HMI eScan, KLA eS8xx, 日立	KLA eDR7xxx, 應用材料 VeritySEM	KLA AIT, Onto Innovation, 自研

上下游

上游核心部件

• 光學系統：高功率 DUV 雷射器（相干/大功率準分子）、深紫外/真空紫外物鏡（蔡司/尼康/ASML光學）、高精度鏡片鍍膜。
• 電子光學：場發射電子槍、高穩定高壓電源、多束電子束陣列微透鏡（MEMS 微加工）、高速偏轉器。
• 探測器與運動平台：TDI CCD/CMOS 感測器、超精密氣浮工作臺（精度達亞奈米定位）、減震系統。
• AI 算力硬體：GPU（NVIDIA）、FPGA 加速卡用於邊緣端推論。

中游裝置與軟體

• 缺陷檢測機臺（KLA、應用材料、日立高新、ASML（HMI）、中科飛測、上海精測）
• 缺陷複查與分類系統（SEM+AI 軟體）
• 良率管理軟體（YMS）：將檢測、量測、測試資料整合，提供工藝控制建議（KLA 的 SPOT, PDF Solutions 的 Exensio, Synopsys 的 Yield Explorer 等）。
• 設計可製造性（DFM）與版圖對比分析工具（Mentor Calibre, Synopsys ICV 的 pattern matching 等）。

下游應用

• 邏輯晶片廠：台積電、三星、英特爾，用於前道 loop monitoring、新工藝研發。
• 儲存廠：三星、SK海力士、美光，重點對深孔/溝槽缺陷、多層堆疊檢測較特殊。
• 掩模廠：對大尺寸光罩進行缺陷檢測與修補。
• 封測廠：先進封裝與晶片鍵合後的缺陷檢測（TSV、micro-bump 等）。
• 其他行業：平板顯示、PCB、鋰電池塗布、汽車零部件外觀缺陷同樣採用類似深度學習檢測方案。

關鍵指標

• 捕獲率（Capture Rate）：實際缺陷被檢測出的百分比。關鍵層通常要求 >95% 甚至 >99%。
• 假缺陷率／Nuisance Rate：檢測出的疑似缺陷中，非真實或非致命缺陷的比例。高 nuisance 降低工程師效率，先進廠要求 nuisance rate 極低（通常每 wafer 幾十個以內）。
• 吞吐量（Wafer per Hour, WPH）：在給定靈敏度下每小時能掃描的晶圓數量。先進光學系統可達 50-100+ WPH，單束 e-beam 僅 0.x WPH。
• 解析度／臨界缺陷尺寸：能穩定捕捉的最小缺陷等效球直徑（通常以 nm 表示）。
• 分類準確率（Classification Accuracy）：ADC 系統對給定影像的缺陷分類準確度。先進 AI 模型準確率可 >95%（在常見類別上），罕見類受限於資料。
• 重合精度（Coincidence Accuracy）：與設計版圖 GDS 位置對準精度，通常要求在若干奈米以內。

供需與市場資料

由於本輪檢索受限，下述資料來源自歷年來行業機構（如 SEMI、VLSI Research、TechInsights）及供應鏈估算的大致量級，供參考定性趨勢，精確值以最新財報和機構報告為準。

• 全球半導體過程控制（含檢測、量測、複檢）市場規模：近年來估計在 90 億至 120 億美元區間，其中缺陷檢測約佔據一半以上。
• 增長驅動力：
  • 先進製程（3nm, GAA）工藝複雜度飆升：關鍵層數增多，每層檢測頻次要求提高；
  • 新興應用（AI 晶片、HBM、chiplet 先進封裝）對缺陷容忍度極低，拉動封裝檢測裝置需求；
  • 全球新建晶圓廠資本支出擴張，帶動檢測裝置採購。
• 市場格局：科磊（KLA）佔據過程控制市場約 50%以上份額，應用材料、日立高新緊隨其後；在先進節點電子束檢測領域，ASML（HMI）憑藉多束技術快速滲透。
• 中國本土化需求：受供應鏈安全驅動，中科飛測、上海精測、睿勵科學儀器等在後道封裝檢測及前道非關鍵層已有所斬獲，但在尖端光學檢測與電子束檢測領域與頭部差距顯著，“卡脖子”特徵明顯。

代表公司與資本對映

• 科磊（KLA Corporation）：絕對龍頭，產品線覆蓋幾乎全部檢測、量測和良率軟體，AI 缺陷分類與工藝控制深度整合，是半導體 ETF 的核心權重股。營收結構中服務及軟體佔比高，護城河極深。
• 應用材料（Applied Materials）：依託其在光學檢測和 SEM 複檢的技術積累，推出 ExtractAI 等 AI 驅動的檢測策略，配合其龐大的薄膜、刻蝕、CMP 工藝平台實現協同。
• ASML（含 HMI 子公司）：多電子束檢測裝置 eScan1000 等被寄望於突破光學解析度極限，目前主要用於 3nm 及以下節點的研發和早期生產，市場期待其放量。
• 日立高新（Hitachi High-Tech）：強於 CD-SEM 及電子束檢測，與相當一部分儲存和邏輯廠保持第二代供應商關係。
• 中科飛測（Skyverse）：中國本土過程控制裝置第一股，光學缺陷檢測和無圖形顆粒檢測已進入前道量產線，並在先進封裝領域快速增長，科創板上市，投資關注其製程節點提升節奏。
• PDF Solutions / Onto Innovation / Nova：提供良率分析軟體、部分檢測量測硬體，是產業中規模較小的特色角色，常作為併購標的。
• 一級市場：圍繞 AI 視覺檢測的初創公司持續獲得投資，涵蓋晶片影像分析、AI 模型壓縮、合成數據生成等方向；先進光學/探測器子系統供應商也屬細分替代價值。

投資邏輯

1. 週期與成長雙重屬性：過程控制裝置支出與晶圓廠產能擴張景氣度強相關，且與製程演進的長期成長邏輯共振。當晶圓廠從成熟製程向先進製程技術升級（如 N7→N3）時，檢測裝置的採購額佔資本支出比例顯著提升（因層數增加、靈敏度要求提高）。
2. “賣鏟人”模式：廠商必須緊跟所有客戶的下一代工藝研發，一旦在臺積電、三星等得到驗證，替換難度極高，繫結效應明顯。龍頭公司（KLA）享有高估值溢價和穩定的經常性服務營收。
3. AI 賦能的邊際變化：能夠提供硬體+AI 軟體整體良率解決方案的廠商將更具黏性。產業研究可追蹤 AI 分類準確率、檢測資料與工藝引數即時關聯能力，以及這些能力是否轉化為客戶認證和服務營收。
4. 地緣自主可控：中國半導體檢測裝置國產化率目前仍然較低（前道可能不到個位數），該細分賽道受國內 Fab 建廠潮與國產替代明確驅動。需持續追蹤頭部公司的客戶認證進展和產品製程節點突破。
5. 風險點：主要技術路線切換風險（如 EUV 光化檢測未來若成功對 e-beam 和 DUV 的替代，但當前產業發展很慢）；下游集採議價導致毛利率下降；AI 軟體門檻降低可能被整合方案侵蝕。

常見誤讀糾偏

• 誤讀 1：“缺陷檢測就是高倍顯微鏡直接看”
  許多非專業人士以為缺陷檢測無異於拿放大鏡查詢塵埃。實際上，一個先進的明場檢測系統需在微秒級時間內決定採光方式、偏振、空間濾波模板，並同步完成與設計版圖的多層次對比，其光機電軟算耦合複雜度堪比光刻機。電子束檢測更是涉及複雜的像差矯正、充電補償與並行束流控制。

• 誤讀 2：“有了AI，就不需要高階的電子或光學硬體了”
  AI 缺陷分類是在已有影像訊號基礎上提升 downstream 效率，不能憑空創造解析度。如果前端成像的訊雜比太低或者根本捕獲不到奈米級缺陷，後端的深度學習模型只能產生“垃圾進、垃圾出”。AI 是放大器，而非感測器晶片，軟硬協同才是核心。

• 誤讀 3：“缺陷檢測裝置就是買一臺機器，插電即可”
  實際部署涉及極其複雜的建模範程（Recipe Setup）：工程師需針對每一層圖案，配置檢測靈敏度區域、噪聲抑制引數、對準方式、缺陷抽樣率和分類模型，調試周期可長達數週到數月。這培養了高階裝置廠商對服務和應用工程資源的長期需求，也構成競爭壁壘。

學習路徑

1. 基礎物理：瞭解光學散射理論（Rayleigh / Mie 散射）、電子束與固體的相互作用（二次電子產生、能量損失）。
2. 半導體工藝通識：掌握從襯底、光刻、刻蝕到 CMP 的完整流程，才能理解缺陷產生機理（例如 BARC 殘留、spacer 缺陷等）。
3. 成像系統：學習明/暗場光學設計原則、TDI 感測器工作原理、多束電子束的微型電子光學柱（MEMS 透鏡）。
4. 機器學習與計算機視覺：卷積神經網路（CNN）、Transformer 目標檢測（DETR 等）、小樣本學習、異常檢測（autoencoder/GAN）在工業影像中的應用。
5. 行業標準與文獻：關注 SEMI 標準（如 SEMI E10, E133 關於檢測效能評估），研讀 KLA 與應用材料公開技術論文、以及 SPIE Advanced Lithography 會議錄。
6. 財報與產業報告：閱讀 KLA、ASML、中科飛科的季報與公開演示材料，跟進裝置出貨、製程進展等資訊。

一句話總結

缺陷檢測是晶片製造的“眼睛”和“審判官”，它通過光、電、算三層深度融合，將工藝線不可見的失誤曝光於眼前，而 AI 正讓這雙眼睛第一次學會了“思考”哪些才真正致命。

延伸閱讀與來源

由於本模型當前檢索功能受限，無法提供即時具體連結。以下給出通常獲取高標準資訊的途徑與公認權威來源，供讀者自行檢索更新：

• 公司官網與技術部落格：KLA Corporation (kl.com)、ASML/HMI、Applied Materials、中科飛測（skyverse.com）等，檢視其產品介紹和白皮書。
• 行業研究機構：SEMI（semiconductor.org）、TechInsights（前身為 VLSIresearch）、Yole Intelligence 定期釋出過程控制裝置市場份額和技術趨勢報告。
• 學術會議與期刊：SPIE Advanced Lithography + Patterning Symposium (會議論文集)；IEEE Transactions on Semiconductor Manufacturing；Journal of Micro/Nanolithography, MEMS, and MOEMS。
• 公開市場資料：美國 SEC EDGAR 系統中 KLA、AMAT、ASML 等的 10-K/10-Q 檔案；中國科創板上市公司（中科飛測）的招股說明書和定期報告，包含大量細分市場資料與產業競爭描述。
• 公眾號及技術社群：如“半導體行業觀察”、“芯謀研究”、“TechSugar” 等中文科技媒體對裝置的分析文章，可作輔助參考。

免責宣告：本文內容僅供學習與產業研究參考，不構成任何投資建議。具體技術規格、市場數字請以各公司官方釋出及權威機構最新統計為準。