在半导体制造中晶圆级封装(WLP)是一项关键技术，它让芯片变得更小、性能更强，随着芯片越来越复杂检测凸点缺陷变得困难，传统的 X-Ray 检测虽然能发现一些问题，但效率低、误差大，现在AI 技术正在改变这一切，通过 AI 批量识别我们可以快速、准确地找出整片晶圆上的上千颗凸点缺陷，这让检测效率提升了 10 倍，今天际诺斯将从一名工艺工程师的角度和大家聊聊这项技术如何解决我们的痛点。
作为 X-Ray 检测工艺工程师，我每天都要面对一堆麻烦事，人工检测效率太低，一片晶圆上有上千颗凸点靠人眼一个个看，不仅慢还容易累，参数波动大，导致检测结果不稳定，有时候，同样的晶圆换个人或换个时间检测结果就不一样，更头疼的是缺陷识别精度不够，漏检和误检率很高，比如一些微小的空洞缺陷人眼根本看不出来，但后期会导致芯片失效，数据孤立问题严重，检测结果和工艺参数对不上，想优化 SOP 都找不到方向。
小贴士： 传统检测中参数一致性是关键，如果检测标准不统一后续的工艺优化就会像“盲人摸象”，很难找到问题根源。
为了解决这些问题我们引入了 AI 技术，我们训练了一个 WLP 专属的 AI 模型，这个模型学习了大量凸点缺陷的图片，能高精度识别各种缺陷，比如空洞、裂纹、偏移等，然后，系统可以自动化批量处理整片晶圆上的上千颗凸点，自动分类和标记缺陷，人工只需要复核高风险区域，大大减少了工作量，检测效率提升了 10 倍，人工成本也降下来了。
但 AI 的作用不止于此，我们开发了一个参数自优化闭环系统，过去，工艺参数(比如温度、压力)波动大，我们只能被动纠错，现在，AI 系统不仅能识别缺陷，还能分析缺陷分布和工艺参数的关联性，比如，如果发现某批次的凸点空洞集中在晶圆边缘，系统会自动关联到前道工艺的温度波动，并生成参数调整建议，甚至，系统可以实现闭环控制，实时反馈到前道设备，从源头减少缺陷，这不再是“检测-复核”的被动模式，而是“检测-分析-优化-预防”的主动质量管理。
小贴士： 参数自优化闭环的核心是“主动预防”，通过 AI 分析缺陷溯源，工艺工程师可以提前调整参数，而不是等问题发生后再补救。
这套 AI 检测系统有很多优点，，它能高精度识别微小缺陷，满足高标准检测需求，比如，一些只有几微米的空洞，传统方法很难发现，但 AI 模型可以轻松识别，参数可以一键优化，提升检测一致性，我们不再需要手动调整几十个参数，系统会自动匹配最佳设置，数据互联互通，支持工艺数据追溯与分析，工程师可以随时查看历史检测结果，找到问题根源。
针对数据孤立问题，我们构建了一个知识图谱，这个系统不仅连接检测数据，还通过自然语言处理技术，将检测结果、SOP 变更记录、设备参数日志、良率数据等异构信息结构化关联，比如，工程师可以一键追溯“某批次凸点空洞缺陷”与“三天前某设备温度波动”的因果关系，甚至，系统能自动生成优化后的 SOP 草案，这使检测系统成为工艺改进的“中枢神经”，而不是孤立的质量关卡。
另一个创新是动态检测阈值，传统检测依赖固定阈值，但不同批次、不同区域的凸点工艺窗口存在差异，比如，关键区域的凸点需要更严格的检测，而非关键区域可以适当放宽，AI 系统可以根据历史数据、当前工艺状态和产品等级，动态调整缺陷判定的敏感度，在保证质量的同时，误报率大幅下降，这解决了工程师“参数波动大”的根源——不是参数本身波动，而是静态标准无法适应动态工艺。
小贴士： 动态阈值让检测更智能，比如，对高风险区域采用更严格阈值，对低风险区域放宽，既保证质量又减少误报。
让我分享一个真实案例，我们服务了一家知名半导体企业，他们专注于先进封装技术，在 WLP 工艺中，凸点缺陷检测一直是个难题，他们部署了我们的 AI 检测系统，训练了专用模型，优化了检测流程，实施后，检测效率提升了 10 倍，误检率下降了 85%，人工复核工作量减少了 70%，以前，一个工程师一天只能检测几片晶圆，现在可以轻松处理几十片，而且，缺陷识别更准确，工艺优化也更有方向了。
AI 技术正在帮助 WLP 缺陷检测迈入新阶段，通过晶圆级封装与 AI 批量识别的协同，我们为半导体制造提供了可靠、高效的智能化解决方案，作为工艺工程师，我深感这项技术带来的改变，它让我们从繁琐的检测工作中解放出来，专注于更有价值的工艺优化。
留言板
返回列表