作者： David W. Price, Jay Rathert 和 Douglas G. Sutherland

作者按语：Process Watch系列文章探讨了半导体行业制程控制的关键概念：缺陷检测、量测和数据分析。本文是汽车行业半导体元件制程控制策略的系列文章之第四篇。

本系列的前三篇文章^1-3探讨了汽车半导体制造商为了更好地满足客户挑战性的质量要求所能够采取的方法。首篇文章探讨了汽车IC可靠性故障所带来的影响以及抗击这些故障所需要的“零缺陷”理念。第二篇文章讨论了汽车晶圆厂针对减少工艺缺陷所实施的持续改进计划和策略，因为这些缺陷可能产生芯片可靠性的问题。第三篇文章着重探讨了针对捕获潜在（可靠性）缺陷所需的提升工艺控制灵敏度的要求。本篇文章旨在探讨整个汽车晶圆厂的制程偏移监控策略，以便快速找到并剔除不合格的材料。

制造汽车IC的半导体工厂通常提供整套汽车服务（ASP）。这些ASP提供个性化的工艺 - 其中包括更多工艺控制和工艺监控等，或保证使用最佳的工艺设备。ASP的目标是协助确保所生产的芯片可以满足汽车行业严格的可靠性要求。

但即便采用整套汽车服务，偏移也在所难免，因为它存在于任何受控工艺之中。认识到这一点，汽车半导体厂特别注意为其关键工艺层建立综合控制计划，这也成为其工艺失效模式和影响分析（PFMEA）的一部分。控制计划详细说明了受到监控的工艺步骤及其监控方式 – 包括指定的检测灵敏度、采样频率以及所采用的确切工艺控制系统信息等细节。精心设计的控制计划能够检测到所有偏移，并防止“独特的”晶圆因采样不足而漏网并溜出厂门。此外，该计划将清楚地指出每一次制程偏移中哪些晶圆受到了影响，从而可以将其隔离并更充分地处置 - 确保不合格的器件不会被无意地运送出厂。

为了实现这些目标，整套汽车服务的控制计划与消费产品IC生产的控制计划相比往往需要更全面的检测和量测。在晶圆厂中，对采用同一设计规则的汽车和非汽车产品的工艺控制进行基准数据分析，其结果表明晶圆厂为汽车产品采用了更多的缺陷检测步骤以及更多类型的工艺控制（检测和量测）。数据显示就平均而言：

·         汽车流程所采用的缺陷检测步骤大约多1.5到2倍

·         汽车流程使用更加频繁的采样，不仅是批次采样百分比更高而且每批次采样晶圆也更多

·         汽车流程使用更高的灵敏度以捕获较小缺陷，因其可能会对可靠性产生影响。

这些因素的综合影响导致典型的汽车晶圆厂需要比消费产品制造同行增加50％的工艺控制能力。仔细观察一下会看到这些能力的确切部署方式。

以下图1显示了在同一晶圆厂中汽车和非汽车工艺流程的检测点之间的批次数量示例。由于检测步骤数量更多，如果存在缺陷偏移，则可以在汽车流程中更快 地发现。而迅速发现偏移则可以减少受影响的批次数量：少量并更为明确的批次中有更多的缺陷，这有助于满足汽车芯片可追溯性的要求。然后这些偏移批次被单独隔离并进行100％的高灵敏度晶圆检测，以便决定其处置方式是释放、报废或在适用时降级至非汽车应用。

图1.显示了汽车工艺流程（蓝色）和非汽车（基准）工艺流程（粉红色）对比检测点之间受影响的批次数量示例。汽车工艺流程在FEOL有更多的检测点，因此在偏移发生时受影响的批次数量较少。

整套汽车服务中的额外检测点也带来更多的益处， 因其缩小了偏移潜在原因的范围，所以寻找偏移根本原因就变得更为简便。缩小潜在原因的范围也有助于8D调查更为迅速有效⁴，方便寻找并解决问题。与看似显而易见的预测相反，因为减少了生产线上的变化，增加检测点数量反而会减少生产周期时间⁵。

虽然提高检测能力有助于对工艺偏移进行监控和控制，但汽车IC质量仍存在着风险。因为每个晶圆在晶圆厂中通过众多工艺反应腔室的路径可能各不相同，所以数百个工艺步骤中的微小变化和微小变化的总和可能会产生“独特”的晶圆。这样的晶圆很容易通过一个严重依赖于次级采样的控制计划，让受影响的芯片进入供应链。为解决这一问题，许多汽车晶圆厂正在将高产量宏观缺陷检测设备加入其设备组合中，对于每一批次进行更多晶圆的扫描。这一举措显著提高了捕获独特晶圆并防止其进入汽车供应链的可能性。

新一代宏观缺陷检测设备⁶可以将许多老一代明场和暗场晶圆缺陷检测设备的灵敏度和缺陷捕获能力结合到一个平台之中，并且可以每小时运行近150个晶圆，从而降低拥有成本。在采用较大设计技术节点的200mm晶圆厂中，该检测产能的提升通常可以捕获以前未能检测到的多个低水平偏移，如图2所示。

图2. 每批5个晶圆（黄色圆圈）的传统采样计划可能不会检测到单个独特的晶圆偏移（红色方块）。高产能宏缺陷检测设备弥补了采样不足带来的风险，防止漏网之鱼。

在先进设计技术节点的晶圆厂中，宏观缺陷检测设备缺乏必要的灵敏度，因而无法取代宽带等离子和激光扫描晶圆缺陷检测设备在传统生产线监控和图案晶圆偏移监控中所占据的角色。然而，它们的高产能已经使其在增强现有采样计划和捕获独特晶圆的晶圆级缺陷分布特征等方面发挥了重要的作用。

汽车控制策略的最新发展是采用晶粒级别的缺陷检测筛选。该项技术其中的一种，称为在线缺陷部件平均测试（I-PAT™），使用异常值检测技术来进一步增强晶圆厂的识别能力，找出那些可能通过电气测试但由于潜在的缺陷而在未来产生可靠性失效的晶粒。我们将在本系列的下一篇文章中详细讨论该方法。

关于作者:

David W. Price博士和Jay Rathert是KLA-Tencor公司的资深总监。Douglas Sutherland博士是KLA-Tencor公司的首席科学家。在过去的15年，他们直接与50多家半导体IC制造商合作并提供协助，针对各种特定市场优化制造商的整体制程控制策略，包括汽车可靠性策略、传统晶圆厂开销、风险优化、以及针对先进的技术节点进入市场的方案。Process Watch系列文章总结了他们在参与合作中所观察到的一些普遍适合的经验。

参考文献:

1.       Price, Sutherland and Rathert, “Process Watch: The (Automotive) Problem With Semiconductors,” Solid State Technology, January 2018.

2.       Price, Sutherland and Rathert, “Process Watch: Baseline Yield Predicts Baseline Reliability,” Solid State Technology, March 2018.

3.       Price, Sutherland, Rathert, McCormack and Saville, “Process Watch: Automotive Defect Sensitivity Requirements,” Solid State Technology, August 2018.

4.       8D investigations involve a systematic approach to solving problems. https://en.wikipedia.org/wiki/Eight_disciplines_problem_solving

5.       Sutherland and Price, “Process Watch: Process Control and Production Cycle Time,” Solid State Technology, June 2016.

6.       For example, see: https://www.kla-tencor.com/products/chip-manufacturing/defect-inspection-review.html#product-8-series