虛擬量測
概念：虛擬量測 (Virtual Metrology) 所屬體系：鏈 (Chain) — 片 (Chip) — 芯 (Core) 協同設計與驗證體系
1. 3 秒看懂
一句話定義 用軟體模型“預測”晶片製造後的真實效能引數，替代或減少昂貴、耗時的物理測量。
核心價值 在晶片設計與製造環節，通過融合物理方程、工藝感測資料與機器學習的高精度預測模型，快速推斷漏電流、閾值電壓、頻率、功耗、良率等關鍵指標，使“設計即製造、製造即預測”成為可能。它被看作晶片可製造性設計 (DFM) 與晶圓智慧工廠 (Smart Fab) 的基石技術之一。
2. 3 分鐘產業解釋
痛點起源 先進製程（7 nm 及以下）中，電晶體尺寸逼近原子量級，隨機摻雜波動、線邊粗糙度、應力效應等奈米級工藝波動會直接導致晶片效能的顯著離散。傳統的“流片 → 切割 → 電性測試 → 物理量測”反饋環，單次流片成本可達 2000 萬–5000 萬美元（7 nm 以下工藝，據 IBS 2023 年估算），而且從流片到拿到完整量測資料往往需要 4–6 個月。如果批次投產後再暴露出設計—工藝失配的缺陷，損失將以億級美元計算。
虛擬量測的介入點 虛擬量測被置於兩個關鍵截面上：
- 設計端（左移）：在 Layout 凍結前，利用代工廠提供的統計工藝模型和虛擬量測 API，快速評估設計方案的工藝敏感度，提前篩除高危版圖結構，把“可製造性”驗證從後端推到前端。
- 製造端（即時）：晶圓在生產線上經過沉積、光刻、刻蝕等工序後，不等待逐片物理量測，就能依據裝置感測器資料（溫度、壓力、射頻功率等）和少量抽樣實際量測值，即時推斷整批甚至每片晶圓的成品率與效能，動態調整後續工藝引數，實現預測性過程控制 (APC)。
產業現狀總覽 台積電、英特爾、三星均在內部建成面向核心製程的虛擬量測系統，並作為先進製程良率快速爬坡的關鍵武器。輝達、高通、Apple等設計巨頭也在自身的設計套件中嵌入基於虛擬量測的工藝分析模組。與此同時，PDF Solutions、KLA、西門子 EDA 等獨立供應商提供了覆蓋資料採集、建模、部署的平台級產品，使得虛擬量測開始向更多成熟製程和特色工藝晶圓廠滲透。
3. 技術原理
虛擬量測是一個多學科交叉的閉環系統，技術棧通常分解為三個層級：
物理模型層 基於半導體器件物理（BSIM-CMG 等緊湊模型）和工藝 TCAD（Technology CAD）模擬，建立描述電晶體電流 (Ion/Ioff)、閾值電壓 (Vt)、寄生電阻 / 電容 (R/C) 等參量如何隨工藝偏差（如柵極長度偏差 ΔL、鰭高度偏差 ΔH）變化的解析或數值模型。這一層決定模型在未見工藝視窗下的外推能力，是避免純黑箱漂移的根本保障。
統計與機器學習模型層 利用製造過程中積累的海量多模態資料（晶圓接收圖、裝置逐秒感測器時序、光學/電子束抽檢測量結果、終測 (CP) 分 bin 資料），訓練從工藝引數到晶片效能的對映。常用技術路線包括：
- 高斯過程迴歸 (GPR)，適合小樣本、非線性的過程監控場景，並自帶預測不確定性輸出；
- 梯度提升樹 (XGBoost/LightGBM)，利於特徵互動解釋；
- 深度神經網路 (DNN, LSTM, Transformer)，擅長從高維時序感測器的原始訊號中自動提取有效表徵。
資料流與閉環校準
- 輸入：設計 GDSII/OASIS 資料庫的工藝角引數、即時裝置感測器（FDC 資料）、線上量測（SCD/OCD/薄膜厚度）、手動抽檢的晶圓接收測試 (WAT) 資料。
- 部署位置：在晶圓廠邊緣計算伺服器或專用模擬平台上，模型以 REST API 或 OPC UA 介面嵌入製造執行系統 (MES)。
- 輸出：未量測晶圓/晶片的關鍵電性引數預測值、整批良率分佈、高風險晶圓預警，以及對工藝裝置的回饋調整建議。
- 校準：利用極少量的真實物理量測（通常 1%–5% 的抽檢比例）持續更新模型，構成“數字孿生”同步環。為保證模型穩定性，通常採用線上遷移學習或帶遺忘係數的遞迴更新，防止概念漂移。
4. 關鍵引數
評估虛擬量測系統能力的常用工程指標包括：
- 預測精度
- 決定係數 R²：通常要求 > 0.85，先進應用中部分關鍵引數（如環形振盪器頻率）已可達到 R² > 0.95。台積電在 2022 年技術論壇的公開演示中，展示某 5 nm 產品環形振盪器頻率預測的 R² = 0.98（資料來源：TSMC 2022 OIP 論壇）。
- 平均絕對百分比誤差 (MAPE)：業內普遍要求 ≤ 2%–5%，具體視引數型別而定。
- 覆蓋率 (Coverage) 表示可以用虛擬量測替代物理測量的工序比例。領先的代工廠在部分成熟段（如 CMP、刻蝕）中覆蓋率可達 60%–80%，但在光刻、沉積等關鍵層仍保持較高的物理測量比例。尚無統一公開標準。
- 虛警率與漏警率 工業級系統要求誤警報率（False Alarm Rate, FAR）低於 1%，漏警報（將壞品預測為好品）必須接近零，對車規級晶片尤為嚴格。
- 模型更新週期 隨工藝漂移，模型需定期再訓練或自適應更新。典型的再訓練週期為 1 周至 1 月，在產生新工藝配方或新產品匯入 (NPI) 時需立即重新建模。
- 資料需求量 訓練一個可用的虛擬量測模型通常需要 5 萬 – 20 萬片晶圓的工藝資料點（含歷史分 bin 與量測資料），具體數量因製程複雜度而異。公開資料未見統一標準。
5. 技術路線
路線一：物理驅動（第一原理建模） 完全依賴 TCAD 模擬和器件物理方程，不使用或少用製造現場資料。優點：在未見工藝視窗下仍可保有較高外推能力，可解釋性強。缺點：對複雜三維結構模擬時間過長，對隨機波動（如隨機摻雜）難以精準建模，單獨使用精度往往不足。
路線二：資料驅動（純統計/AI） 完全從製造資料中端到端學習輸入-輸出對映，代表為深度神經網路方法。優點：可自動發掘未知工藝互動，訓練後推論速度極快（毫秒級）。缺點：極度依賴海量、高質量、有標籤資料；工藝節點或裝置變更後模型可能快速失效；缺乏物理可解釋性，出錯時難以溯源。
路線三：物理-資料融合（混合建模）——主流路線 先以物理模型或半解析公式作為基函式，再將機器學習模型用於擬合基函式與實際量測之間的殘差。這種“白盒 + 黑盒” 模式在泛化能力、資料效率與精度間取得平衡，被台積電、英特爾等廣泛採用。近期趨勢還包括：藉助物理資訊神經網路 (PINN) 將守恆律嵌入損失函式，直接用深層網路同時滿足物理約束和資料擬合。
路線四：聯邦學習與多方安全計算 為打破代工廠與設計公司之間的資料壁壘，業界開始探索在資料不出廠的條件下聯合訓練虛擬量測模型。2023–2024 年學術界和歐洲一些生態專案中已出現概念驗證，但公開資料未見大規模商業部署。
6. 上游：技術與工具供應
EDA 與模擬軟體 Synopsys 的 TCAD Sentaurus、PrimeSim 及 SiliconSmart 提供器件建模與工藝模擬基礎。Cadence 的 Spectre、Virtuoso ADE 與統計模擬工具 StatEye 支援蒙特卡洛模擬，是虛擬量測模型開發的前端。Siemens EDA 的 Calibre 平台包含 DFM 驗證技術，能夠將量測反饋融入版圖最佳化。華大九天、概倫電子的器件建模工具如 Empyrean ALPS-GT、ProPlus BSIMPro+ 正在建置國內虛擬量測的模擬基座。
裝置與過程控制資料來源 應用材料 (AMAT)、科林研發 (Lam Research)、東京電子 (TEL) 等主工藝裝置廠均在其平台中嵌入 FCC (Fault Detection & Classification) 感測器，每秒產生百萬級資料點，作為虛擬量測原始資料來源。科磊 (KLA)、Onto Innovation 等量測裝置商不僅提供光學/電子束物理測量，也提供了整合量測資料的 APC 軟體平台，其開放資料介面是虛擬量測落地的關鍵。
AI 演算法與資料平台 通用 AI/ML 架構 (TensorFlow, PyTorch) 及製造業專用分析平台 (如 PDF Solutions 的 Exensio、yieldHUB、Synopsys Yield Explorer) 承擔資料清洗、特徵工程、模型訓練與部署工作。部分晶圓廠也直接採用雲端服務商（AWS IoT SiteWise、Azure Industrial IoT）作為資料中臺。
感測器與基礎設施 高精度質譜儀、顆粒計數器、RF 功率感測器等提供工藝環境的微觀資訊。邊緣閘道器與 5G/F5G 專網保障資料低延遲流入建模引擎。
7. 下游：應用與需求
高階邏輯晶片（HPC/ AI 加速器） 先進製程 (N3, N2) 單晶片面積大、功耗牆緊張，晶片最終頻率和功耗水平對工藝偏差極度敏感。虛擬量測使輝達、AMD 等設計公司在流片前就能得到功耗分佈熱圖，早期修正版圖，縮短產品迭代時間。
智慧手機 SoC 每年固定換代週期，對 “首次流片即量產” 要求極強。Apple、高通利用代工廠虛擬量測模型在設計早期鎖定關鍵時序路徑，減少工程樣品流片批數，公開報道可減少 1–2 次金屬改版。
汽車電子與工業控制 車規 MCU、功率器件等要求極低的缺陷率（通常 < 1 PPM）和高長期穩定性。虛擬量測用於全晶圓的動態取樣與高風險預警，與物理量測形成互補，保障出貨零缺陷。恩智浦、英飛凌等 IDM 在其公開論文和行業會議上多次提及虛擬量測為車規晶片良率守護的關鍵一環。
IC 基板與先進封裝 封裝基板線寬/線距微縮後，翹曲、阻抗均勻性等問題需要通過虛擬量測提前預測（如 ABF 基板工藝）。台積電 CoWoS 等先進封裝線也已整合虛擬量測模組，但公開技術細節極少。
8. 受益公司
全球領導陣營
- 台積電：自研智慧運營中心 (IOC) 整合虛擬量測，宣稱是其先進製程良率爬坡週期領先業界的關鍵能力之一。受益邏輯：直接降低物理量測裝置採購成本，縮短 NPI 週期，提升產能週轉率。
- 英特爾：在其 IDM 2.0 戰略中將先進過程控制與虛擬量測列為製造競爭力核心，結合內部 Fovero 等先進封裝技術使用。
- PDF Solutions：以 Exensio 平台為獨立第三方提供連線代工廠與設計公司的資料共享與預測分析，服務客戶涵蓋全球主要代工廠及設計公司，受益於虛擬量測需求擴增帶來的 SaaS 訂閱與諮詢營收增長。
- KLA：將量測機臺光學資料與虛擬量測模型捆綁，提供軟硬一體的過程控制方案，增強客戶粘性並提升軟體營收佔比。
- 應用材料：通過其 SmartFactory 生產管理軟體與裝置 FCC 資料生態，使自身裝置資料成為虛擬量測的優質輸入，間接拉動裝置銷售與服務合同。
中國受益與版面配置者
- 中芯國際：公開年報及“智慧製造”專題中常提及“大數據驅動良率提升”，業界推斷其已建立內部虛擬量測能力，受益於先進與特色工藝雙重產能利用率的提升。
- 華大九天，概倫電子：前者在 DFM 和模擬驗證平台中逐步植入統計建模模組，後者在器件模型基礎庫方面具備先發優勢，二者均可能從本土晶圓廠對自主虛擬量測軟體的需求中獲得機會。
- 廣立微：專注於良率提升和製造資料分析，提供類似 PDF Solutions 的資料平台功能，其測量與模擬協同方案在國內邏輯代工客戶中已開始匯入（公開資訊：2023 年報）。
9. 市場規模
虛擬量測處於半導體智慧製造和過程控制軟體的交匯處，目前缺乏獨立的、連續統計的細分市場規模資料。可參考的相關市場口徑如下：
- 半導體軟體與服務市場（含 EDA 與智慧製造軟體）：據 SEMI《World Fab Forecast》與 Gartner 估算，2023 年全球半導體軟體與服務市場規模約為 500 億美元，其中智慧製造與工廠軟體部分約為 28–35 億美元。
- 先進過程控制 (APC) 與虛擬感測市場：Grand View Research 在 2024 年報告指出，2023 年全球虛擬感測市場總值約 8.5 億美元，其中半導體制造應用約佔 18%，對應約 1.53 億美元，預計 2024–2030 年複合增長率約 15%–18%。該資料包含化學/溫度等虛擬感測器，可能高估與實際虛擬量測軟體的對應關係。
- 可參考的標杆公司營收：PDF Solutions 2023 財年營收 1.56 億美元，其中 Exensio 平台及分析軟體訂閱營收約 1.05 億美元（來源：PDF Solutions FY2023 10-K）。KLA 的軟體及服務營收 2023 財年約 6.9 億美元，但其中主要為高精度量測裝置配套的軟體維護與許可，獨立虛擬量測模組營收未見單列。
綜合估計，2023 年狹義半導體虛擬量測軟體與服務的全球市場規模介於 1.5 億至 3 億美元之間。隨著先進製程擴產和車規對可靠性需求增強，2030 年有望達到 6–10 億美元。中國國內市場受本土產能建設拉動，增速可能高於全球均值，但絕對規模仍小，公開資料未見權威獨立統計。
10. 玩家對比
| 維度 | 台積電 (自研) | PDF Solutions | KLA | 西門子 EDA | 華大九天 / 概倫電子 |
|---|---|---|---|---|---|
| 技術路線 | 物理-AI 融合，深度內嵌 MES | 資料驅動為主 + 統計建模 | 光學量測+物理建模+APC 軟體 | TCAD 模擬與 DFM 驗證 | 器件建模 + 模擬基礎，AI 模組處於早期 |
| 資料來源 | 內部全製程資料，覆蓋最先進節點 | 多客戶晶圓廠資料網路，樣本廣但深度受限 | 自有機臺產生的量測資料，強耦合硬體 | 依賴客戶提供的工藝檔案與 TCAD 庫 | 受限於國產晶圓廠資料規模及開放性 |
| 開放性與可移植性 | 封閉系統，僅供自家代工客戶使用 | 開放平台，支援多晶圓廠多版本 | 軟硬繫結，遷移成本高 | 中性工具供應商，平台開放性中等 | 開放度取決於本土晶圓廠需求，現階段以定製專案為主 |
| 精度與成熟度 | 在先進邏輯、射頻、SoC 上極高，但外部不可量化 | 在成熟製程和汽車晶片良率分析領域廣受認可 | 線上薄膜、溝槽尺寸預測方面業內領先 | 偏重設計階段統計模擬，量產階段需要客戶補充資料 | 處於追趕期，部分特色工藝（如 CIS、功率器件）有案例，但整體成熟度較低 |
| 典型客戶 | Apple、輝達、AMD 等先進產品設計公司 | 全球前十大半導體制造商的多數，獨立設計公司 | 邏輯、儲存、化合物代工廠 | 全球主要設計公司和 IDM | 國內邏輯代工廠、儲存器廠及特色工藝產線 |
一個值得關注的趨勢：獨立第三方平台與代工廠自研系統之間的資料權利博弈 正變得突出。設計公司更希望引入 PDF Solutions 這類獨立方以獲得更透明的工藝反饋，而代工廠傾向於將虛擬量測結果包裝成內部認證的“工藝設計套件 (PDK)” 的一部分，不開放底層模型細節。這種張力將影響產業格局的演變。
11. 風險
-
模型可靠性“灰天鵝” 虛擬量測模型在工藝視窗內的預測可能穩健，但當出現未預見過的裝置異常、材料漂移或新產品拓撲時，可能出現系統性偏差。一旦將有瑕疵的晶片誤判為良品進入切割與封裝，後續召回和賠償成本巨大，尤其當模型用於車規、醫療等安全關鍵領域時。業內尚無公開的統一功能安全認證標準。
-
資料依賴與智慧財產權壁壘 高精度模型依賴代工廠獨佔的、長達數年的海量工藝-效能配對資料。設計公司若不深度參與資料共享，就只能接受代工廠提供的“黑盒”預測輸出，喪失對自身產品工藝敏感性的洞察，形成對特定代工廠的深度繫結。
-
持續投入與投入產出比爭議 建置可用的虛擬量測系統需要: (a) 資料中臺與邊緣計算基礎設施； (b) 複合型團隊（物理 + 資料科學 + 自動化）； (c) 持續模型運維。對於成熟製程（28 nm 及以上）或中小規模晶圓廠，物理量測成本佔比有限，這種投資的回報週期可能超過裝置折舊週期，商業可行性存疑。
-
可解釋性缺陷與工程溯源 深度神經網路模型常被視為“技術黑箱”，當預測出現偏離，工藝工程師難以快速定位是哪個裝置腔體、哪個感測器訊號導致，拖慢工程診斷和工藝恢復速度，抵消了預測帶來的時間收益。
-
產業鏈資料協同障礙 最優預測需要設計、製造、裝置、材料四方資料打通。但現實中，出於商業秘密和技術競爭，資料孤島現象嚴重。聯邦學習等隱私計算技術尚不成熟，高效能晶片設計與代工在資料分享上依然謹慎。
-
裝置廠商鎖定風險 如果過於依賴 KLA 或應用材料提供的軟硬一體虛擬量測方案，可能導致晶圓廠在量測裝置選擇上形成新的路徑依賴，削弱議價權。
12. 誤讀糾偏
誤讀 1：“虛擬量測可以完全替代物理測量。” 糾偏：虛擬量測並非物理測量的替代品，而是減少抽樣密度和補充不可測區域的補充技術。在關鍵安全引數、新工藝匯入、法規認證測試中，物理測量仍然不可取代。領先晶圓廠採用“虛擬預測 + 少樣本物理校準”的閉環。
誤讀 2：“虛擬量測就是一個 AI 演算法問題。” 糾偏：純粹資料驅動模型在沒有物理先驗的情況下泛化能力極弱。產業實踐中，對半導體器件特性的理解（如溫度係數、短溝道效應）決定了特徵工程的成敗。將虛擬量測簡單等同於“大數據+AI”會低估其在領域知識方面的門檻。
誤讀 3：“部署後模型就一勞永逸。” 糾偏：工藝漂移、裝置老化、原材料變化都會導致模型“概念漂移”。需要持續的模型監控 (Model Monitoring) 和週期性再訓練，否則預測精度會隨時間衰減。這一點在車規產品長達 5–10 年的生產週期中尤為突出。
誤讀 4：“國內可以快速通過購買軟體或演算法彌補差距。” 糾偏：差距的核心不在演算法，而在於先進製程工藝資料的積累規模、完整性與連續性。沒有上百批次的先進工藝流片資料，再好的建模團隊也難以訓練出可靠的預測模型。這種資料積累需要以“年”為單位。
誤讀 5：“虛擬量測只會減少成本，不會影響設計。” 糾偏：虛擬量測深度嵌入設計流程後，使設計公司可以在不流片的前提下探索工藝敏感度，可能從根本上改變設計方法學，比如引入新的 PDK 檢視“虛擬良率評分”，從而重構前端 RTL 到 GDS 的最佳化空間。
13. 最新事件（2024–2025 年初追蹤）
- 台積電 2024 年北美技術論壇：宣佈其 AI 驅動的虛擬量測系統已擴充套件至 SoIC 3D 堆疊工藝的線上監控，並聲稱在 N3E 工藝上使量產良率爬坡時間縮短約 15%（來源：TSMC 2024 NA Technology Symposium 公開演講）。
- PDF Solutions 釋出 Exensio 5.0（2024 年 9 月，公司新聞稿）：新版本引入生成式 AI 查詢助手，並增加了對先進封裝 (Advanced Packaging) 虛擬量測的分析模板。公司在 2024 年 Q4 財報中提到，來自中國市場的 Exensio 訂閱營收年增率增長 20% 以上，被視為本土晶圓廠加大智慧製造投入的訊號。
- KLA 推出基於深度學習的 OCD 虛擬量測包：在其 SpectraShape 平台中整合，聲稱可以將部分光學測量步驟的速度提升 30%，同時在 2 nm 測試結構上驗證可行性（2024 年 SEMICON West 報道，公開新聞）。
- 中國國內動態：
- 華大九天在 2024 年投資者交流中提及，其 DFM 平台的工藝統計敏感度分析功能已在多家國內先進節點晶圓廠啟動驗證。
- 廣立微 2024 年半年報提到，其在良率管理平台 (DATAEXP) 中集成了初步的線上虛擬量測模組，主要用於儲存器件及 CIS 工藝，但未揭露具體識別率或客戶名稱。
- 政策層面：歐盟《晶片法案》配套的公共研發專案 IPCEI ME/CT 中，多個子專案明確將虛擬量測與數字孿生列為技術攻關方向（來源：歐盟委員會 IPCEI 說明書，2024 年 4 月），可能推動歐洲 IDM 和研究所加速該領域部署。
公開資料未見 2025 年第一季度出現顛覆性的新公司或併購事件。
14. 追蹤指標
投資者、分析師和產業觀察者可通過以下公開指標判斷虛擬量測技術的影響力與滲透率：
-
晶圓廠物理量測裝置資本支出佔比 若虛擬量測效應顯著，KLA、Onto 等量測裝置在新建工廠總裝置投資中的佔比可能持平或微降。追蹤各晶圓廠資本支出分項（參考台積電、英特爾季度財報幻燈片）。
-
PDF Solutions Exensio 訂閱營收與新增客戶數 作為獨立的虛擬量測平台代表，其 SaaS 營收與客戶總數直接反映市場對中立虛擬分析平台的需求（資料來源：PDF Solutions 季度 10-Q 及年會報告）。
-
代工廠專利/論文中揭露的模型精度 台積電、三星、英特爾在 VLSI、IEDM 上發表的有關“virtual metrology”、“predictive control”論文，可窺見其在特定製造模組中物理量測減少的比例或預測精度的提升。 注意分辨“實驗室論述”和“量產應用”之間的差距。
-
EDA 工具中工藝分析模組的滲透 Synopsys、Cadence 等 EDA 公司財報中，關於“工藝變異性分析”、“設計生命週期管理”軟體的 License 增速可間接反映虛擬量測與設計端融合的程序。
-
中國晶圓廠智慧製造相關採購 關注國內半導體制造軟體（如廣立微、中控技術等）的中標公告，以及地方政府釋出的智慧製造試點示範名單中是否出現虛擬量測或工藝數字孿生專案（可查詢中國招標投標公共服務平台）。
-
車規級晶片召回原因分析 倘若因為工藝批次異常未被物理量測檢出而導致整車召回，往往會在監管報告中公佈原因，可對照是否有可能因過度依賴虛擬量測引發。
15. 信源
- 台積電 2022、2023、2024 年技術論壇公開材料。
- PDF Solutions FY2023 10-K、FY2024 Q3 季報及投資者簡報。
- KLA 2023–2024 年公開新聞稿與 SEMICON 釋出演示。
- 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。
- 華大九天 2023 年報及 2024 年半年度投資者交流紀要。
- 概倫電子 2023 年報。
- 廣立微 2023 年報及 2024 半年報。
- 國際電子器件會議 (IEDM)、VLSI 技術研討會歷年公開論文。
- 歐盟委員會，《IPCEI on Microelectronics and Communication Technologies Overview》，2024 年 4 月。
- 中芯國際 2023 年報“智慧製造”相關表述。
（注：具體資料均已在文中標註年份、來源及統計口徑；對於無法獲取精確數字之處，均已註明“公開資料未見”。）