封装方式的多样性大大增加了需要表征的缺陷数量和类型。
在堆叠芯片中，利用硅通孔(TSV)和混合键合(hybrid bonding)来互连器件的新方法正表现出高度的工艺变异性，这使传统的缺陷检测流程变得复杂。由于这些先进封装架构尚不成熟，确定最佳检测方法比过去更具挑战性。
封装方式的多样性大大增加了需要表征的缺陷数量和类型，包括空洞、残留物、薄膜不连续和特征错位。反过来，这也会影响2.5D和3D多芯粒(multi-chiplet)组件的长期可靠性。
变异性是问题的重要组成部分。即使是最成熟可靠的光学检测方法，也会受到先前工艺及其引发的变异性的干扰。“在使用硅中介层(silicon interposers)和扇出型(fan-out)技术的芯粒封装中，大量的芯片间(die-to-die)工艺变异降低了传统‘黄金芯片’(golden-die)和芯片间检测方法的可靠性，”Onto Innovation产品营销总监Woo Young Han表示。虽然这种方法相当准确，但由于组装工艺的变异，很难找到一个完美的“黄金”芯片。
即便如此，仍有新工具可以提供更快的结果，并能更好地区分实际缺陷和干扰缺陷(nuisance defects)。“机器学习驱动的缺陷检测和自动缺陷分类(ADC)提供了更高的稳健性，能够以更少的误报或干扰检测实现更准确的缺陷识别，”Han补充道。
当今的解决方案
有大量可能导致良率下降的缺陷会影响先进封装的性能和可靠性。这些缺陷包括开路、短路以及在焊锡凸块检测中发现的有缺陷的凸块。在晶圆对晶圆(wafer-to-wafer)和芯片对晶圆(die-to-wafer)的Cu-Cu混合键合中，晶圆上的空洞、铜氧化物残留以及错位的凸块或焊盘可能会严重影响良率。
红外检测能够以100%的晶圆覆盖率实现内部芯片裂纹检测。其多分辨率成像设计有助于确保证跨多层进行裂纹识别所需的对比度。
工程师们正在采用不同的检测工具——基于光学/红外自动光学检测(AOI)、电子束(e-beam)、X射线和声学模态——来对TSV结构进行非破坏性测试。自动光学/红外方法速度最快，一些公司正在通过开发更强大的软件或在每台工具上采用多个传感器来进一步加快这一过程。AOI可以成功检测多种缺陷。iNEMI对基板供应商、OSAT、EMS和检测设备制造商的调查强调了AOI设备在先进基板大批量制造中捕获的主要缺陷类型。这些缺陷包括层压板/ABF基板基材缺陷、短路、铜结节、铜缺失（即针孔）、表面缺口、铜宽过宽或过窄以及通孔错位。
而且，由于先进封装中的连接平台最近才从两层主要互连发展到五层（从芯片到基板），芯片制造与PCB组装之间的界限正变得模糊，TSV和混合键合等前端工艺不再仅属于晶圆厂或OSAT。目前，TSV是在台积电等代工厂的前端洁净室条件下制造的，但随着先进封装变得更加普遍，这种情况在未来几年可能会发生变化。
仔细观察构建2.5D和3D器件所涉及的步骤，有助于阐明发现、表征和消除组装过程中随机和系统缺陷的最佳路径。
TSV的重要性
事实证明，TSV对于微型化和多功能半导体封装至关重要。TSV流程的目标是持续创建低应力、无空洞的互连。TSV技术实现了芯片到芯片的高密度垂直互连，显著减小了终端设备的三维尺寸。与长引线键合相比，更短的互连长度还提高了数据传输速度并降低了设备的功耗。这就是为什么TSV技术对3D技术的成功至关重要。
TSV微小而复杂的特征导致了不同类型的缺陷。缺陷可能在任何TSV工艺步骤中形成，这些步骤包括光刻图案化，随后是反应离子刻蚀(RIE)、氧化物衬垫沉积、阻挡金属沉积、铜种子层、铜电化学沉积（电镀）、CMP和清洗步骤。
RIE工艺和金属沉积步骤必须完全优化，以创建具有所需金属台阶覆盖率和低总电阻的光滑通孔。在TSV空腔被蚀刻后，通过PECVD沿通孔侧壁沉积一层保形氧化层，以防止铜渗透到硅中。
自动过程控制必须捕捉PECVD腔体内部不断变化的条件。“等离子体物理不是一个线性过程，因此你可以通过模拟腔体壁上的薄膜堆积等情况来获得更好的过程控制，你还可以模拟过程和设备如何随时间演变，”Cohu副总裁兼软件分析总经理Jon Herlocker表示。“每次在PECVD腔体中运行一批次，腔体壁上都会有一些堆积，以及其他变化。AI模型可以预测下一次运行时的腔体状况，因此你甚至可以在看到反馈之前就调整参数。”
在氧化物PECVD之后，工程师使用溅射或原子层沉积(ALD)沉积薄金属阻挡层，如TaN或TiN，随后进行铜填充。通孔内部是否形成空洞取决于沉积工艺和TSV的纵横比（深度：开口）。沉积层必须薄、均匀且围绕TSV开口保形。
电镀后，铜中的任何空洞都可能导致电阻升高、机械强度降低，甚至器件失效。此外，如果有足够的排队时间且晶圆暴露在环境中，CMP后会形成氧化铜。这些结构缺陷会降低芯片性能或导致长期可靠性风险。
“TSV技术是中介层和HBM制造中最关键的工艺。最大的检测挑战包括残留在TSV上的有机残留物，如聚酰亚胺或光刻胶。在电镀过程中，可能会形成铜内部空洞，而CMP工艺可能会在Cu焊盘边缘产生TSV凹痕，”Onto Innovation高级首席产品营销经理Figer Yu说。
光学检测在照亮有机残留物方面面临挑战。“有机残留物是透明的，无论是明场还是暗场检测都无法看到，”Yu说。“铜空洞无法用传统的光学检测方法检测到，因为光无法穿透金属材料。TSV凹痕通常伴随着颜色变化，这使得很难将凹痕与干扰缺陷区分开来。结果，客户不得不在捕获率和干扰率之间进行权衡。”
基于红外的非破坏性照明检测技术可以穿透非金属材料，以亚微米灵敏度检测埋藏缺陷。
电子束检测工具具有捕获亚微米缺陷的灵敏度，但由于它们通过视线操作，电子束只能检测表面缺陷和特征内部非常浅的缺陷。然而，电子束工具提供高对比度的缺陷检测，而像ASML提供的多束电子束检测器解决了与电子束系统相关的长期吞吐量问题。在生产晶圆厂中，电子束工具最常用于缺陷审查站和分类，紧随使用AOI工具进行的晶圆级缺陷检测之后。
检测3D堆栈中隐藏缺陷的需求日益增长。一种广泛使用的检测埋藏缺陷的方法是扫描声学显微镜(SAM)。“SAM的灵敏度可低至10µm，”Yu说。“主要缺点是潜在的污染，因为该过程包括将晶圆浸入水中。”
Nordson Test & Inspection采取的一种方法是在使用瀑布式换能器进行非浸入式扫描的同时高速旋转晶圆，从而最大限度地减少污染或虚假结合指示的风险。分辨率是换能器频率的函数——频率越高（高达230 MHz）分辨率越高，但缩短了晶圆穿透深度。
声学晶圆检测有效地检测键合晶圆中不同深度的空洞。它特别擅长检测分层和裂纹。“正在发生的一个重大变化是对更高分辨率的需求，”Nordson Test & Measurement高级产品线经理Bryan Schackmuth说。“旋转扫描而非光栅扫描使我们能够比以前快得多地获得大量数据，而且这种分辨率绝对至关重要。”
晶圆边缘缺陷是先进组装中的一个重大问题。声学检测可以锁定晶圆的外形尺寸以检测边缘缺陷，同时提供更高的对比度和分辨率。干进/干出多腔体设计进一步提高了这些系统的吞吐量。
此外，X射线检测可以基于密度差异检测内部隐藏缺陷，包括Cu柱或凸块中的焊点缺陷。“它倾向于用于全自动化的前沿晶圆加工，那里的工艺步骤可能更激进，生产线中断的成本也更高，”Bruker化合物半导体业务产品经理John Wall说。
混合键合的复杂性
混合键合将两个晶圆上的金属和电介质结合在一起，在先进封装中越来越受欢迎，因为它提供了具有相似或不同功能的芯片之间最短的垂直连接，以及更好的热、电和可靠性结果。
混合键合对污染极其敏感。由于SiO₂或SiCN电介质的硬度，任何颗粒都可能破坏平坦表面，导致大的界面空洞。事实上，这是使用有机电介质进行混合键合的优势之一。它们比无机薄膜更软，可以吸收纳米级颗粒而不是架桥在其上。有机混合键合也比氧化物-氧化物键合更能容忍粗糙表面。
“成功地将混合键合扩展到大批量制造需要解决与缺陷控制、对准精度、热管理、晶圆翘曲、材料兼容性和工艺吞吐量相关的挑战，”Brewer Science首席应用工程师Alice Guerrero说。
由于晶圆制造工艺步骤在不同温度下进行并产生空间上不均匀的器件图案，器件特征周围通常会产生一些应力。空洞、裂纹和表面粗糙度会产生局部应力，影响制造模块的性能和寿命。
堆栈和封装中的缺陷
光学检测仍然是发现表面缺陷的主力技术。“在键合步骤之前，使用高灵敏度自动光学检测(AOI)来检测亚微米表面缺陷，这可能会导致键合空洞和分层，”Yu说。“键合后，配备高速红外技术的AOI用于检测电介质材料之间的空洞、裂纹和分层，这得益于红外能够穿透硅和电介质材料的能力。”
在2.5D和3D-IC中，持续需要检测各种界面处的隐藏缺陷。因此，互补的X射线、声学和红外检测与使用电压/热对比的电气测试结合使用。这种物理/电气结合是必要的，因为最具破坏性的缺陷可能是电活跃的，但在物理上只有细微的差别。
每种检测方法都有其优势和局限性。X射线计量和X射线CT对于查看50nm及以下范围的缺陷至关重要。X射线穿透器件，可以检测全堆叠或封装器件中的缺陷。它还可以发现键合界面处的铜/铜不均匀性。但像HBM这样的敏感器件对辐射损伤非常敏感。
X射线缺陷检测提供的不仅仅是物理属性。“XRDI对应变场和堆叠误差非常敏感，可以得出缺陷的应力、成分和厚度的精确值，”Bruker的Wall说。与红外检测不同，X射线可以对金属成像。局部分层和空洞是应力和材料CTE不匹配的产物，这也是导致翘曲的原因。
“X射线真正面向密度变化以及查看焊球和金属迹线。声学与X射线非常互补，”Nordson的Schackmuth说。如前所述，声学检测工具正在优化，以防止来自使用去离子水的工艺的潜在污染。“在传统方法中，你浸入晶圆，可能会发生所谓的水侵入层中。”通过晶圆旋转和瀑布式方法实现的连续扫描最大限度地减少了暴露，同时获得了HVM所需的更高吞吐量。
声学晶圆检测可用于多个工艺步骤。一个例子是临时键合，在诸如极端晶圆减薄等工艺中，晶圆被键合到载体晶圆上。“我们可能会检查临时键合，因为该层没有缺陷对于加工至关重要。基板和晶圆之间的分层会导致晶圆出现某种起泡或凸起。如果你进行机械加工，这些往往会有点像爆炸一样，你会得到晶圆的破裂，”Schackmuth说。“当临时键合被移除且晶圆被键合到另一个基板时，将再次进行声学检测。”
AI/ML 的介入
人工智能(AI)在区分真实缺陷和干扰缺陷方面特别有用。“AI算法用于生成基于标称图案的合成缺陷库，它们还有助于消除颜色变化，以实现更准确的缺陷分类，”Onto的Yu说。“借助AI算法，系统可以提高真实缺陷捕获率，同时降低干扰率。”
随着检测方法在分辨率上不断进步，误报或干扰缺陷的问题需要多管齐下的方法。这包括传统自动缺陷分类器和基于AI/ML的ADC分类的结合。有几种方法可以将干扰与真实缺陷区分开来。“一种常见的方法是选择最佳光学模式以增强真实缺陷信号，同时抑制干扰信号，”Yu说。“使用缺陷属性的传统ADC分类器也可以提供有效的分离。”
“晶圆翘曲会导致相邻芯片之间产生高度差，导致晶圆部分区域落在系统的光学焦深之外，”Yu补充道。“这会在检测过程中导致与散焦相关的干扰缺陷，并导致更高的干扰率。”最新的AOI系统通过使用轮廓映射和实时高度跟踪功能来解决这个问题，使晶圆在整个检测过程中保持在其目标焦点位置。
基于AI/ML的自动缺陷分类比早期版本更强大，特别是在满足高精度要求和减少工程分析时间方面。
AI采用的局限性包括模型是否有足够的数据，以及在工艺变更时需要频繁重新训练模型。
此外，产品复杂性不断增加。“我们正在生成图像，传统上我们使用阈值来分析这些图像。所以如果一个像素很亮并且超过某个阈值，它就是一个缺陷。但在当今零件的复杂结构下，再也不可能使用这种简单的阈值类型分析来捕获缺陷了，”Schackmuth说。为了解决这个问题，AI/ML可以结合晶圆上相同点但跨越多个工艺层级的检测。然而，它需要在真实缺陷上进行训练。“我们可以通过学习过程教它识别真实缺陷。它将基于此开发一个模型，我们可以用它来进行分析，”Nordson的Schackmuth说。
结论
随着TSV、混合键合和堆叠的3D工艺变得更好，检测方面正在迅速改进，以便在光学/红外、声学、电子束和X射线技术中更好地区分干扰与真实缺陷。红外可以在亚微米水平捕捉电介质薄膜上的缺陷，但对金属无效。对于深层或界面缺陷，X射线或声学方法的使用正在增加，但用户对辐射损伤和污染持谨慎态度。所有工具都在分辨率方面取得进步，而AI/机器学习正在实现更快、更准确的缺陷分类和过程控制，以及减少工程时间。
