先進封裝質量檢測，越來越困難

封裝方式的多樣性大大增加了需要表征的缺陷數量和類型。

在堆疊芯片中，利用硅通孔(TSV)和混合鍵合(hybrid bonding)來互連器件的新方法正表現出高度的工藝變異性，這使傳統的缺陷檢測流程變得復雜。由于這些先進封裝架構尚不成熟，確定最佳檢測方法比過去更具挑戰性。

封裝方式的多樣性大大增加了需要表征的缺陷數量和類型，包括空洞、殘留物、薄膜不連續和特征錯位。反過來，這也會影響2.5D和3D多芯粒(multi-chiplet)組件的長期可靠性。

變異性是問題的重要組成部分。即使是最成熟可靠的光學檢測方法，也會受到先前工藝及其引發的變異性的干擾。“在使用硅中介層(silicon interposers)和扇出型(fan-out)技術的芯粒封裝中，大量的芯片間(die-to-die)工藝變異降低了傳統‘黃金芯片’(golden-die)和芯片間檢測方法的可靠性，”Onto Innovation產品營銷總監Woo Young Han表示。雖然這種方法相當準確，但由于組裝工藝的變異，很難找到一個完美的“黃金”芯片。

即便如此，仍有新工具可以提供更快的結果，并能更好地區分實際缺陷和干擾缺陷(nuisance defects)。“機器學習驅動的缺陷檢測和自動缺陷分類(ADC)提供了更高的穩健性，能夠以更少的誤報或干擾檢測實現更準確的缺陷識別，”Han補充道。

當今的解決方案

有大量可能導致良率下降的缺陷會影響先進封裝的性能和可靠性。這些缺陷包括開路、短路以及在焊錫凸塊檢測中發現的有缺陷的凸塊。在晶圓對晶圓(wafer-to-wafer)和芯片對晶圓(die-to-wafer)的Cu-Cu混合鍵合中，晶圓上的空洞、銅氧化物殘留以及錯位的凸塊或焊盤可能會嚴重影響良率。

紅外檢測能夠以100%的晶圓覆蓋率實現內部芯片裂紋檢測。其多分辨率成像設計有助于確保證跨多層進行裂紋識別所需的對比度。

工程師們正在采用不同的檢測工具——基于光學/紅外自動光學檢測(AOI)、電子束(e-beam)、X射線和聲學模態——來對TSV結構進行非破壞性測試。自動光學/紅外方法速度最快，一些公司正在通過開發更強大的軟件或在每臺工具上采用多個傳感器來進一步加快這一過程。AOI可以成功檢測多種缺陷。iNEMI對基板供應商、OSAT、EMS和檢測設備制造商的調查強調了AOI設備在先進基板大批量制造中捕獲的主要缺陷類型。這些缺陷包括層壓板/ABF基板基材缺陷、短路、銅結節、銅缺失（即針孔）、表面缺口、銅寬過寬或過窄以及通孔錯位。

而且，由于先進封裝中的連接平臺最近才從兩層主要互連發展到五層（從芯片到基板），芯片制造與PCB組裝之間的界限正變得模糊，TSV和混合鍵合等前端工藝不再僅屬于晶圓廠或OSAT。目前，TSV是在臺積電等代工廠的前端潔凈室條件下制造的，但隨著先進封裝變得更加普遍，這種情況在未來幾年可能會發生變化。

仔細觀察構建2.5D和3D器件所涉及的步驟，有助于闡明發現、表征和消除組裝過程中隨機和系統缺陷的最佳路徑。

TSV的重要性

事實證明，TSV對于微型化和多功能半導體封裝至關重要。TSV流程的目標是持續創建低應力、無空洞的互連。TSV技術實現了芯片到芯片的高密度垂直互連，顯著減小了終端設備的三維尺寸。與長引線鍵合相比，更短的互連長度還提高了數據傳輸速度并降低了設備的功耗。這就是為什么TSV技術對3D技術的成功至關重要。

TSV微小而復雜的特征導致了不同類型的缺陷。缺陷可能在任何TSV工藝步驟中形成，這些步驟包括光刻圖案化，隨后是反應離子刻蝕(RIE)、氧化物襯墊沉積、阻擋金屬沉積、銅種子層、銅電化學沉積（電鍍）、CMP和清洗步驟。

RIE工藝和金屬沉積步驟必須完全優化，以創建具有所需金屬臺階覆蓋率和低總電阻的光滑通孔。在TSV空腔被蝕刻后，通過PECVD沿通孔側壁沉積一層保形氧化層，以防止銅滲透到硅中。

自動過程控制必須捕捉PECVD腔體內部不斷變化的條件。“等離子體物理不是一個線性過程，因此你可以通過模擬腔體壁上的薄膜堆積等情況來獲得更好的過程控制，你還可以模擬過程和設備如何隨時間演變，”Cohu副總裁兼軟件分析總經理Jon Herlocker表示。“每次在PECVD腔體中運行一批次，腔體壁上都會有一些堆積，以及其他變化。AI模型可以預測下一次運行時的腔體狀況，因此你甚至可以在看到反饋之前就調整參數。”

在氧化物PECVD之后，工程師使用濺射或原子層沉積(ALD)沉積薄金屬阻擋層，如TaN或TiN，隨后進行銅填充。通孔內部是否形成空洞取決于沉積工藝和TSV的縱橫比（深度：開口）。沉積層必須薄、均勻且圍繞TSV開口保形。

電鍍后，銅中的任何空洞都可能導致電阻升高、機械強度降低，甚至器件失效。此外，如果有足夠的排隊時間且晶圓暴露在環境中，CMP后會形成氧化銅。這些結構缺陷會降低芯片性能或導致長期可靠性風險。

“TSV技術是中介層和HBM制造中最關鍵的工藝。最大的檢測挑戰包括殘留在TSV上的有機殘留物，如聚酰亞胺或光刻膠。在電鍍過程中，可能會形成銅內部空洞，而CMP工藝可能會在Cu焊盤邊緣產生TSV凹痕，”Onto Innovation高級首席產品營銷經理Figer Yu說。

光學檢測在照亮有機殘留物方面面臨挑戰。“有機殘留物是透明的，無論是明場還是暗場檢測都無法看到，”Yu說。“銅空洞無法用傳統的光學檢測方法檢測到，因為光無法穿透金屬材料。TSV凹痕通常伴隨著顏色變化，這使得很難將凹痕與干擾缺陷區分開來。結果，客戶不得不在捕獲率和干擾率之間進行權衡。”

基于紅外的非破壞性照明檢測技術可以穿透非金屬材料，以亞微米靈敏度檢測埋藏缺陷。

電子束檢測工具具有捕獲亞微米缺陷的靈敏度，但由于它們通過視線操作，電子束只能檢測表面缺陷和特征內部非常淺的缺陷。然而，電子束工具提供高對比度的缺陷檢測，而像ASML提供的多束電子束檢測器解決了與電子束系統相關的長期吞吐量問題。在生產晶圓廠中，電子束工具最常用于缺陷審查站和分類，緊隨使用AOI工具進行的晶圓級缺陷檢測之后。

檢測3D堆棧中隱藏缺陷的需求日益增長。一種廣泛使用的檢測埋藏缺陷的方法是掃描聲學顯微鏡(SAM)。“SAM的靈敏度可低至10μm，”Yu說。“主要缺點是潛在的污染，因為該過程包括將晶圓浸入水中。”

Nordson Test & Inspection采取的一種方法是在使用瀑布式換能器進行非浸入式掃描的同時高速旋轉晶圓，從而最大限度地減少污染或虛假結合指示的風險。分辨率是換能器頻率的函數——頻率越高（高達230 MHz）分辨率越高，但縮短了晶圓穿透深度。

聲學晶圓檢測有效地檢測鍵合晶圓中不同深度的空洞。它特別擅長檢測分層和裂紋。“正在發生的一個重大變化是對更高分辨率的需求，”Nordson Test & Measurement高級產品線經理Bryan Schackmuth說。“旋轉掃描而非光柵掃描使我們能夠比以前快得多地獲得大量數據，而且這種分辨率絕對至關重要。”

晶圓邊緣缺陷是先進組裝中的一個重大問題。聲學檢測可以鎖定晶圓的外形尺寸以檢測邊緣缺陷，同時提供更高的對比度和分辨率。干進/干出多腔體設計進一步提高了這些系統的吞吐量。

此外，X射線檢測可以基于密度差異檢測內部隱藏缺陷，包括Cu柱或凸塊中的焊點缺陷。“它傾向于用于全自動化的前沿晶圓加工，那里的工藝步驟可能更激進，生產線中斷的成本也更高，”Bruker化合物半導體業務產品經理John Wall說。

混合鍵合的復雜性

混合鍵合將兩個晶圓上的金屬和電介質結合在一起，在先進封裝中越來越受歡迎，因為它提供了具有相似或不同功能的芯片之間最短的垂直連接，以及更好的熱、電和可靠性結果。

混合鍵合對污染極其敏感。由于SiO?或SiCN電介質的硬度，任何顆粒都可能破壞平坦表面，導致大的界面空洞。事實上，這是使用有機電介質進行混合鍵合的優勢之一。它們比無機薄膜更軟，可以吸收納米級顆粒而不是架橋在其上。有機混合鍵合也比氧化物-氧化物鍵合更能容忍粗糙表面。

“成功地將混合鍵合擴展到大批量制造需要解決與缺陷控制、對準精度、熱管理、晶圓翹曲、材料兼容性和工藝吞吐量相關的挑戰，”Brewer Science首席應用工程師Alice Guerrero說。

由于晶圓制造工藝步驟在不同溫度下進行并產生空間上不均勻的器件圖案，器件特征周圍通常會產生一些應力。空洞、裂紋和表面粗糙度會產生局部應力，影響制造模塊的性能和壽命。

堆棧和封裝中的缺陷

光學檢測仍然是發現表面缺陷的主力技術。“在鍵合步驟之前，使用高靈敏度自動光學檢測(AOI)來檢測亞微米表面缺陷，這可能會導致鍵合空洞和分層，”Yu說。“鍵合后，配備高速紅外技術的AOI用于檢測電介質材料之間的空洞、裂紋和分層，這得益于紅外能夠穿透硅和電介質材料的能力。”

在2.5D和3D-IC中，持續需要檢測各種界面處的隱藏缺陷。因此，互補的X射線、聲學和紅外檢測與使用電壓/熱對比的電氣測試結合使用。這種物理/電氣結合是必要的，因為最具破壞性的缺陷可能是電活躍的，但在物理上只有細微的差別。

每種檢測方法都有其優勢和局限性。X射線計量和X射線CT對于查看50nm及以下范圍的缺陷至關重要。X射線穿透器件，可以檢測全堆疊或封裝器件中的缺陷。它還可以發現鍵合界面處的銅/銅不均勻性。但像HBM這樣的敏感器件對輻射損傷非常敏感。

X射線缺陷檢測提供的不僅僅是物理屬性。“XRDI對應變場和堆疊誤差非常敏感，可以得出缺陷的應力、成分和厚度的精確值，”Bruker的Wall說。與紅外檢測不同，X射線可以對金屬成像。局部分層和空洞是應力和材料CTE不匹配的產物，這也是導致翹曲的原因。

“X射線真正面向密度變化以及查看焊球和金屬跡線。聲學與X射線非常互補，”Nordson的Schackmuth說。如前所述，聲學檢測工具正在優化，以防止來自使用去離子水的工藝的潛在污染。“在傳統方法中，你浸入晶圓，可能會發生所謂的水侵入層中。”通過晶圓旋轉和瀑布式方法實現的連續掃描最大限度地減少了暴露，同時獲得了HVM所需的更高吞吐量。

聲學晶圓檢測可用于多個工藝步驟。一個例子是臨時鍵合，在諸如極端晶圓減薄等工藝中，晶圓被鍵合到載體晶圓上。“我們可能會檢查臨時鍵合，因為該層沒有缺陷對于加工至關重要。基板和晶圓之間的分層會導致晶圓出現某種起泡或凸起。如果你進行機械加工，這些往往會有點像爆炸一樣，你會得到晶圓的破裂，”Schackmuth說。“當臨時鍵合被移除且晶圓被鍵合到另一個基板時，將再次進行聲學檢測。”

AI/ML 的介入

人工智能(AI)在區分真實缺陷和干擾缺陷方面特別有用。“AI算法用于生成基于標稱圖案的合成缺陷庫，它們還有助于消除顏色變化，以實現更準確的缺陷分類，”Onto的Yu說。“借助AI算法，系統可以提高真實缺陷捕獲率，同時降低干擾率。”

隨著檢測方法在分辨率上不斷進步，誤報或干擾缺陷的問題需要多管齊下的方法。這包括傳統自動缺陷分類器和基于AI/ML的ADC分類的結合。有幾種方法可以將干擾與真實缺陷區分開來。“一種常見的方法是選擇最佳光學模式以增強真實缺陷信號，同時抑制干擾信號，”Yu說。“使用缺陷屬性的傳統ADC分類器也可以提供有效的分離。”

“晶圓翹曲會導致相鄰芯片之間產生高度差，導致晶圓部分區域落在系統的光學焦深之外，”Yu補充道。“這會在檢測過程中導致與散焦相關的干擾缺陷，并導致更高的干擾率。”最新的AOI系統通過使用輪廓映射和實時高度跟蹤功能來解決這個問題，使晶圓在整個檢測過程中保持在其目標焦點位置。

基于AI/ML的自動缺陷分類比早期版本更強大，特別是在滿足高精度要求和減少工程分析時間方面。

AI采用的局限性包括模型是否有足夠的數據，以及在工藝變更時需要頻繁重新訓練模型。

此外，產品復雜性不斷增加。“我們正在生成圖像，傳統上我們使用閾值來分析這些圖像。所以如果一個像素很亮并且超過某個閾值，它就是一個缺陷。但在當今零件的復雜結構下，再也不可能使用這種簡單的閾值類型分析來捕獲缺陷了，”Schackmuth說。為了解決這個問題，AI/ML可以結合晶圓上相同點但跨越多個工藝層級的檢測。然而，它需要在真實缺陷上進行訓練。“我們可以通過學習過程教它識別真實缺陷。它將基于此開發一個模型，我們可以用它來進行分析，”Nordson的Schackmuth說。

結論

隨著TSV、混合鍵合和堆疊的3D工藝變得更好，檢測方面正在迅速改進，以便在光學/紅外、聲學、電子束和X射線技術中更好地區分干擾與真實缺陷。紅外可以在亞微米水平捕捉電介質薄膜上的缺陷，但對金屬無效。對于深層或界面缺陷，X射線或聲學方法的使用正在增加，但用戶對輻射損傷和污染持謹慎態度。所有工具都在分辨率方面取得進步，而AI/機器學習正在實現更快、更準確的缺陷分類和過程控制，以及減少工程時間。

*聲明：本文系原作者創作。文章內容系其個人觀點，我方轉載僅為分享與討論，不代表我方贊成或認同，如有異議，請聯系后臺。