座談專家：《半導體工程》雜志邀請科休公司（Cohu）數據分析高級產品營銷經理邁克爾?洛曼、yieldWerx 公司首席執行官阿夫塔爾?阿斯拉姆、安圖創新公司（Onto Innovation）產品營銷總監韓佑榮，以及日月光半導體（ASE）工程與技術營銷高級總監曹立宏，共同探討先進封裝領域的后端自動化挑戰。以下是本次討論的精華摘要。

（左起：科休公司洛曼、yieldWerx 公司阿斯拉姆、安圖創新公司韓佑榮、日月光半導體曹立宏）

半導體工程（SE）：隨著先進封裝向芯粒、三維堆疊和細間距互連方向發展，后端自動化正如何演進？

洛曼：我們專注于測試設備領域，主要產品包括測試分選機以及測試流程和成品加工相關設備，目前面臨的核心挑戰多與熱管理相關。如今的器件在測試過程中對熱性能要求更高，且測試功率可達 3000 瓦。這些器件價值高昂、極為珍貴，因此客戶要求在測試前后通過在線檢測設備對分選設備進行檢查，以確保器件未受損，并能實時響應避免連鎖問題。我認為未來還將出現一些尚未顯現的挑戰，例如設備潔凈度和測試過程中器件的穩定控制，這些都將成為未來值得關注的重要領域和挑戰。

半導體工程（SE）：封裝類型的多樣化是否給全流程自動化帶來了挑戰？

洛曼：是的。僅器件尺寸這一項就帶來了諸多挑戰 —— 器件變得越來越大、越來越厚，由此引發了一系列相關問題。過去只需單個吸頭即可拾取的器件，如今可能需要兩個吸頭，這就帶來了機械結構上的限制。

阿斯拉姆：我們處于產業鏈的末端，負責收集所有相關數據。器件的拾取和實際測試過程本身就存在復雜性，而我們看到的挑戰在于這些器件必須經過檢測。幸運的是，市場上已涌現出各類新型檢測設備，例如用于檢測翹曲和其他缺陷的光學檢測工具、X 射線工具、聲學工具，以及聚焦離子束 - 掃描電子顯微鏡（FIB-SEM）等實驗室工具。但我們發現的真正挑戰是，這些工具各自產生的數據格式不同，使用的坐標系也存在差異。例如，若芯粒的坐標數據為 XYZ 格式，而封裝整體的坐標數據格式不同，如何實現二者的精準對應？客戶反饋稱：“我們從這些工具中獲取了多個孤立的數據島，該如何將它們整合起來？” 他們需要一個統一的核心架構，能夠接入并拼接這些數據。此外，還需要按時間順序對數據進行排序 —— 因為復雜封裝由多個不同部件組裝而成，需追溯問題的起源和根本原因：是封裝測試環節的問題？是測試可行性本身的問題？還是源于晶圓廠的制造環節，甚至可追溯至設計階段？找到根本原因后，還需轉化為實際行動，明確是要在設計、制造、測試程序或實際生產組裝線中進行改進。這些都是我們觀察到的核心挑戰，客戶已厭倦面對這些缺乏統一性的孤立數據島。

韓佑榮：我們專注于檢測和計量設備領域，如今器件的外形尺寸正在發生變化。過去我們只需檢測單晶圓，而現在已出現三晶圓鍵合的情況，鍵合后的總厚度超過兩毫米。多晶圓鍵合會產生大量應力，客戶提出的新翹曲要求已達到正負三毫米。對于厚度兩毫米、翹曲度正負三毫米的襯底，其處理難度與傳統晶圓截然不同。此外， redistribution layer（再布線層，RDL）的線寬已降至一微米以下，加之高價值鍵合和細間距技術的應用，在這類翹曲度高、輪廓變化大的表面進行亞微米級檢測，面臨著諸多挑戰。芯粒封裝和高帶寬內存（HBM）領域的另一趨勢是采用晶圓級模塑工藝，這為檢測和計量帶來了新的挑戰 —— 模塑過程中會產生新型缺陷，包括邊緣缺陷和背面缺陷，這些都是導致先進封裝良率下降的關鍵因素。如何適應這種翹曲特性和厚晶圓的處理需求，為我們提出了全新的要求。

曹立宏：從日月光半導體的角度來看，盡管我們常提及 “后端”，但實際上也涉及中間環節的離線工藝 —— 包括芯粒、再布線層、襯底和板級組裝等。我想從兩個核心領域展開說明：器件處理和檢測。在器件處理方面，需考慮兩個維度：一是 XY 平面維度，無論是單晶圓還是模塑后的多芯粒晶圓，模塊尺寸都在不斷增大，目前已出現雙掩模版尺寸、四掩模版尺寸甚至五掩模版尺寸的產品，如何處理這類晶圓級尺寸的器件？襯底方面，目前行業已在討論 100×100 毫米至 150 毫米的尺寸，部分企業甚至探討 170 毫米的尺寸，這已超出當前設備的處理能力，如何在工藝和測試過程中處理如此大的 XY 平面尺寸，是一大挑戰；二是 Z 軸維度，即翹曲問題。目前我們面臨的翹曲度已超出設備的常規處理范圍 —— 過去翹曲度約為一毫米，如今已增至三毫米，部分情況下甚至超過三毫米。大尺寸與高翹曲度的疊加，已成為極具挑戰性的難題。

此外，薄晶圓處理也是一項重大挑戰。在中間工藝中，晶圓需被減薄至 50 微米或 100 微米，如此薄的晶圓在工藝過程中的處理難度極大，且由于對顆粒和污染物的嚴格要求，自動化技術的應用必不可少。對于兩微米及以下的細線間距，顆粒控制必須依賴自動化實現 —— 這僅是工藝過程中的要求。在計量和檢測方面，需要高分辨率的在線檢測工具和廠內分析（IFA）工具，這些工具需與處理設備、工藝設備和自動化系統實現集成，如何實現這種集成并維持產能，是我們面臨的核心挑戰。目前我們正研究利用人工智能技術，以滿足這些多樣化的需求。

半導體工程（SE）：如今晶圓廠、封裝廠和測試廠之間的實用閉環系統是什么樣的？要使自動化實時決策成為常態，目前仍缺少哪些要素？

阿斯拉姆：在 yieldWerx 對閉環系統的定義中，該系統需覆蓋從設計到制造、從制造到晶圓分選測試、再到最終封裝測試、印刷電路板（PCB）測試，直至終端應用的全流程。目前很少有企業能獲取該閉環所需的全部數據：無晶圓廠企業無法獲取晶圓廠數據，僅能獲取設計數據以及封裝測試數據；而外包半導體封裝測試（OSAT）企業有時也無法獲取制造或設計數據。理想目標是能夠獲取從設計、制造、封裝測試到終端應用的全流程數據，實現前饋和反饋機制。先看反饋機制：在封裝測試或晶圓分選測試階段發現問題后，首先需判斷是否為測試環節本身的問題（例如硬件、儀器、探針卡或負載板等），隨后向外延伸分析 —— 晶圓廠提供的晶圓數據是否存在異常？進而追溯至晶圓廠的沉積、刻蝕、爐管等工藝數據，這不僅包括典型的計量數據，還需了解晶圓所屬的批次、使用的反應腔室、工藝配方以及設備狀態等信息。

這是一個多維度問題，涉及海量數據 —— 批次編號可能發生變化，批次可能拆分或合并。我們的核心工具之一是 “批次譜系追蹤系統”，能夠從最終封裝測試反向追溯至設計階段的數據，反之亦然。我們開發了由人工智能輔助的關聯引擎，能夠較為可靠地定位問題所在。接下來需要訓練模型，區分 “合格數據”“不合格數據” 和 “異常數據”—— 無需工程師花費時間手動定義正負樣本，模型可自動識別優劣數據，通過對比生產現場產出的器件，根據特征判斷 “該器件不合格”。有時這些特征可能指向多個根本原因，核心挑戰在于以有意義的方式整合數據，實現關聯分析和反饋。而前饋機制的價值更為顯著：在制造過程中，若處于步驟 X，可通過數據分析預測該步驟對后續流程（直至最終測試）的影響，進而通過調整測試限度（放寬或收緊）、采用自適應探針測試（僅探測晶圓特定區域，篩選掉注定會被淘汰的部分）等方式，控制晶圓和批次的測試流程。這些都是客戶在全流程閉環解決方案中尋求的挑戰與應對方案。目前很少有企業能完全實現，但所有挑戰都圍繞著相同的核心主題：數據格式如何統一？能否通過合理的業務規則整合數據，進而提供閉環解決方案？

韓佑榮：我們收到了客戶大量關于數據集成和人工智能數據分析的新需求。客戶不再滿足于傳統的基于 Windows 的文件傳輸系統，而是提出了更多機器學習友好型的數據處理需求。例如，客戶要求采用 gRPC（谷歌開發的文件傳輸框架）等新型架構，以及多種新的數據傳輸方式發送晶圓檢測結果和圖像，以便通過機器學習和人工智能系統更便捷地分析這些檢測方法和圖像。這是一項新要求，需要我們進行軟件開發。目前，檢測和計量設備供應商正針對這些需求進行產品定制，客戶也在與人工智能企業合作，以簡化檢測結果的分析流程。

曹立宏：上下游工藝之間存在多個層面的挑戰。我們接收來自不同客戶和晶圓廠的晶圓或設計文件，盡管已建立了完善的數據登錄和通信系統，但由于缺乏行業標準化，接收的數據格式和要求各不相同。我們在日月光內部采用了統一的標準（搭建了內部閉環系統），但仍需應對外部的多樣化數據格式，這方面仍面臨一定挑戰，相關工作仍在持續推進中。

日月光內部的閉環系統也需要高效的內部通信。我們管理著眾多不同產品，面臨多樣化的先進封裝技術要求和測試需求（包括在線檢測、在線分析、良率控制及各類工藝相關需求），為此建立了多個可追溯系統。我們應用人工智能技術簡化所有在線數據站點的管理，以及從工藝到測試的良率分析 —— 由于測試環節可能位于不同地點或建筑，需確保所有數據的轉換、登錄和映射準確無誤。我們自主開發了軟件和可追溯系統，將機器學習應用于特定的在線數據分析，為測試團隊提供支持，并向廠內分析實驗室反饋結果，形成良率檢測、學習和控制的閉環。

洛曼：我傾向于從實際角度出發，思考 “切實可行的第一步”—— 目前討論多圍繞 “可用數據有哪些”“如何格式化數據” 展開。正如韓佑榮所言，我們收到了提供分析和機器學習友好型數據的需求。合理的第一步是選擇一個閉環系統作為切入點（例如測試和成品加工環節），將數據收集限定在同一解決方案（甚至同一供應商）內，通過該閉環系統的學習周期積累經驗，解決數據格式差異等問題，隨后逐步擴展范圍，進而制定標準，應對異構數據的挑戰。目前我在后端領域尚未見到太多此類閉環實踐，我的思路是：先朝著某個方向邁出第一步，盡可能簡化流程，在實踐中積累經驗。