设计信息赋能 - AI 让半导体检测与诊断更给力

引言

人工智能（AI）的进步正为包括半导体制造在内的多个行业带来革命性变革。利用 AI 开展半导体检测与诊断工作，已成为一种可能改变行业格局的策略，有助于提高生产效率、识别以往无法察觉的缺陷，并缩短产品上市周期。本文将探讨人工智能与半导体设计信息相结合后，如何为更高效的检测与诊断流程助力。

半导体检测面临的挑战

半导体制造本身具有极高的复杂性，涉及微观结构和复杂设计，每个环节都对精度有严苛要求。其中最突出的挑战是检测传统方法（如光学检测）无法识别的缺陷，包括亚表面缺陷、微小过孔或隐蔽短路等。

传统检测方法（如光栅扫描电子束技术）的吞吐量较低，难以满足现代生产周期的高速需求。这些挑战亟需更智能、更快速、更可靠的解决方案，而这也为 AI 技术在半导体检测领域的应用奠定了基础。本文将探讨几个我们认为AI 有望推动检测与测试工作实现提速增效、提升可靠性的领域。

推动 AI 应用于检测的基础能力

人工智能驱动的检测流程将以多项基础能力为支撑，每项能力都可能在优化检测结果中发挥关键作用。这些能力包括：

图片来源：视频资料

1、eProbe技术：与传统光栅扫描电子束方法不同，eProbe采用点扫描方式，可直接跳转至目标区域。这种创新的扫描方法能使吞吐量实现数量级提升。

2、Fire AI 与模糊模式算法：Fire AI 平台可汇总设计几何特征和电气性能，实现更精准的缺陷检测。其模糊模式算法能将布局模式归类为失效模式家族，提高检测的针对性。

3、引导式分析：通过将设计数据和扫描诊断数据整合到引导式分析工具中，工程师能更深入地掌握问题根源，从而更快速、准确地开展诊断工作。

具备仪表盘功能的自动化每日良率摘要；

可检测以往无法识别的其他根本原因；

将扫描诊断得出的物理位置信息与布局模式分析相关联；

识别良率问题中的布局敏感性；

4、与西门子EDA Tessent 的集成：西门子的 Tessent 平台增强了扫描诊断功能，能提供失效单元和网络的相关信息，并通过先进的机器学习算法（根本原因解卷积）实现失效模式提取。这一合作体现了设计信息与人工智能驱动的分析之间的协同效应。

将 Tessent 的扫描诊断数据导入Exensio平台 ；

原始诊断报告包含失效网络、单元及物理位置信息；

基于机器学习的“良率洞察”可分析芯片群体模式；

该集成解决方案能实现更高效的失效分析与诊断；

基于人工智能的智能检测方案

人工智能与半导体检测的融合将催生多项创新，同时提升检测的速度与准确性。借助半导体设计信息，AI 算法能够生成针对性检测方案、确定缺陷检测的关键区域，并优化诊断流程。以下是我们认为人工智能将产生变革性影响的三个关键应用领域。

图片来源：视频资料

1、随机缺陷检测

受时间限制，传统随机缺陷检测通常仅分析极小比例的关键特征。而借助人工智能，这一过程的效率将大幅提升。通过利用设计信息，人工智能可优化扫描位置，引导电子束检测聚焦于最可能存在缺陷的区域。

新方法具体如下：

通过了解电子束在产品布局上的表现，优化扫描位置选择；

优先检测电子束可观测的关键导线；

在相同时间预算内，实现更高比例的关键区域检测；

相比无人工智能支持的方案，可扫描的可观测导线长度比例显著提高；

选择标准包括优先考虑：

信噪比良好的金属线；

长度足够、能体现关键区域特征的导线；

接地特性适宜、可被电子束检测的导线；

2、未知系统性缺陷检测

半导体制造中的未知系统性失效模式是一大难题，若无合适的检测算法，这类缺陷往往难以被发现。人工智能可通过分析设计模式，并依据历史数据和性能数据确定潜在失效位点的优先级，从而应对这一挑战。

在人工智能支持下，具体方法如下：

对整个布局进行绘图分析；

利用模糊模式算法将模式归类为失效模式组；

为未知系统性模式优先分配检测资源；

目标是大幅提高系统性失效模式的覆盖率，捕捉高达 99% 的未知系统性模式位置。

3、扫描测试驱动的检测

将扫描测试数据与检测过程相结合，能进一步放大人工智能的作用。通过分析扫描向量并识别失效网络，人工智能模型可生成针对性检测方案，以定位系统性失效模式。这种融合能使工程师将物理设计属性与观测到的缺陷相关联，显著提高诊断准确性。

例如，若某一扫描测试发现某一网络失效，人工智能可分析布局并识别潜在失效位点（如过孔或交叉金属线）。这种方法能实现针对性调查，减少时间和资源消耗，同时提升整体诊断水平。

该方法将利用扫描测试结果指导检测：

识别与扫描测试失效相关的特定网络；

分析这些网络内部及周边潜在的系统性失效模式；

优化电子束检测方案，聚焦这些特定模式；

即便系统性失效对良率的影响比随机缺陷小100倍，也能成功识别；

人工智能应用的战略优势

将人工智能整合到半导体检测流程中，可带来多方面的显著优势：

提高吞吐量：eProbe 等人工智能驱动工具可优先处理关键区域，在减少检测时间的同时扩大覆盖范围。这使制造商能满足紧张的生产进度要求，同时不影响缺陷检测效果。

降低成本：通过聚焦高优先级区域、减少不必要的检测，人工智能可最大限度降低资源消耗。再加上其增强诊断的能力，能实现更具成本效益的运营。

提升准确性：人工智能具备分析设计数据和性能模式的能力，可使缺陷检测和诊断更精准，确保更高的良率和更低的每十亿缺陷数（DPB）。

面向未来：随着半导体为5G 等新兴技术提供支持，人工智能驱动的检测能力可提供满足不断变化的需求所需的适应性和精度。

半导体检测的发展方向

利用人工智能将设计数据与检测、诊断相结合，可能是一场范式转变。从优化随机缺陷检测到发现未知系统性失效，再到增强诊断能力，人工智能为重新定义半导体制造的可能性开辟了道路。

为充分发挥人工智能的潜力，半导体制造商应考虑以下后续步骤：

投资人工智能平台：Fire AI 和西门子Tessent 等平台在整合设计、扫描测试数据与检测流程方面具备成熟能力。

加强技能培养：为团队配备有效操作人工智能驱动系统所需的知识和工具。

采用协作模式：设计、测试和分析平台之间的合作可释放协同效应，最大限度发挥人工智能的作用。

通过这些策略，制造商不仅能解决当前的检测挑战，还能为未来构建竞争优势。

结论

通过将设计信息与检测、诊断相结合，半导体制造商无需等待大量训练数据，就能显著改进缺陷检测和良率管理工作。这种方法有望在检测效率和系统性缺陷检测方面实现数量级提升，为在半导体制造中应用有效的人工智能模型提供了途径。

设计、测试和良率信息的这种融合，将是半导体检测与诊断能力的重大进步，尤其在解决过孔和接触等难以检测的缺陷，以及应对传统检测方法的吞吐量限制方面效果显著。