參與座談專家：《半導體工程》雜志邀科休公司數據分析高級產品營銷經理邁克爾?洛曼、良率科技公司首席執行官阿夫塔哈爾?阿斯拉姆、昂圖創新公司產品營銷總監韓佑永、日月光半導體工程與技術營銷高級總監曹麗紅，共同探討半導體晶圓廠和封裝廠的變革趨勢。以下為座談內容節選，點擊查看座談第一部分。

（左至右：科休公司洛曼、良率科技公司阿斯拉姆、昂圖創新公司韓佑永、日月光半導體曹麗紅）

問：隨著工藝窗口不斷收窄，需要何種在線計量與檢測手段，才能盡早發現問題并通過自動化避免晶圓報廢、高額返工或重新測試？

韓佑永：先進封裝鍵合工藝中，大量工序需要對晶圓進行減薄處理，如今高帶寬存儲晶圓的減薄厚度已達 50 微米。做個對比，透明膠帶的厚度為 60 至 70 微米，晶圓比膠帶還薄，其易碎程度可想而知，極易產生大量裂紋。而鍵合過程中出現的空洞問題，是所有客戶都面臨的高頻且高影響的難題。

曹麗紅：我們在新型檢測設備上投入巨資，涵蓋在線檢測和失效分析檢測兩類。微縮的器件特征、精細的重布線層，再加上薄晶圓，極易造成芯片開裂；重布線層還會因應力和翹曲，在界面處產生微裂紋和分層現象。2.5D 封裝和扇出型封裝需要堆疊多層結構，我們的扇出型封裝還采用了嵌入式硅技術，不同材料界面形成了多層堆疊結構，因此芯片開裂和界面分層的問題尤為關鍵，且這類問題很難通過在線檢測發現。有時只有在最終測試或可靠性測試后，這些問題才會暴露，進而引發一系列問題并造成良率損失。

這就要求我們開展微特征檢測，尤其是針對超精細節距的檢測 ——3D 封裝的節距已小于 10 微米，扇出型封裝的凸點節距也從 55 微米降至 45 微米，目前微凸點節距更是達到了 35 微米。這類超小凸點節距，對檢測設備的分辨率要求極高。

傳統光學檢測已顯局限，其靈敏度和分辨率均無法滿足需求，我們需要采用高分辨率的 2D 和 3D 光學檢測技術。紅外成像技術近期也成為檢測芯片開裂、崩邊等內嵌缺陷的有效手段，3D X 射線和納米級 X 射線技術同樣表現出極高的實用價值。當前 3D X 射線的分辨率可達到亞微米級別，低于 500 納米（0.5 微米），行業普遍標稱的分辨率為 1 微米，紅外成像的分辨率也為 1 微米。

檢測設備對分辨率的要求持續提升，但檢測吞吐量卻成為一大瓶頸，這是我們面臨的核心挑戰。此外，部分高精度檢測設備無法用于在線檢測，因為在線檢測對吞吐量有硬性要求，這類設備僅能在實驗室中使用。因此，我們亟需設備供應商助力，研發出高分辨率與高吞吐量兼具的檢測設備。

邁克爾?洛曼：我們確實面臨諸多挑戰，但在微裂紋在線檢測方面，已擁有一套較為成熟的解決方案。微裂紋不僅難以檢測，還極易出現誤判剔除的情況，最終導致良率受損。如今越來越多的客戶開始采用人工智能檢測方案，通過識別裂紋的特征信號進行檢測，而非單純依靠光強分析，這一趨勢愈發明顯，也是我目前觀察到的最突出的行業變化。

阿夫塔哈爾?阿斯拉姆：從軟件應用的角度來看，邁克爾、麗紅和佑永已經清晰闡述了行業面臨的各類挑戰 —— 微裂紋、底部填充缺陷、應力誘發翹曲等缺陷問題，這些都是引發隱性缺陷、潛在缺陷和干擾性缺陷的關鍵失效特征。

我們的核心工作，是對各類檢測設備采集的圖像數據進行分析，無論這些數據來自紅外熱成像設備還是先進散射測量設備。當前的核心挑戰，是利用人工智能 / 機器學習技術構建模型，實現 “識別此類圖像特征，即可定位問題根源”，并能追溯該缺陷對封裝后的電性測試、最終測試結果的影響。

隨后我們會為客戶進行帕累托分析，告知客戶：“我們已將您提供的圖像數據輸入人工智能 / 機器學習模型分析，梳理出了問題的帕累托排序、根源及對良率的潛在影響，您可據此確定優先解決的問題。” 并非所有問題都能同時解決，而我們的自動化方案正是為此而生 —— 采集數據、分析建模、帕累托排序，最終為客戶指明方向：“優先解決這些問題，這是其可能造成的良率損失。”

問：數字孿生技術將如何應對這些挑戰？能否提升問題的預判能力、分析能力，進而優化整個檢測流程？

曹麗紅：當然，數字孿生技術的助力作用非常顯著，我們的應用范圍也較為廣泛。我們希望通過數字孿生將工藝、缺陷、良率分析、可靠性測試等所有環節的數據打通融合。在線檢測中，我們利用機器學習進行模式識別，并通過人工智能對結果進行記錄和分析。我們在生產中產生的海量數據，也為數字孿生技術的應用提供了良好基礎。

目前我們仍處于全數字孿生落地的前期階段，正在推進數據的打通、采集和模型搭建工作，但數字孿生技術已率先應用于設計環節，我們會根據生產中的實際經驗優化設計方案，機器學習和模式識別技術也已在特定工藝步驟中落地應用。

我們還與中國臺灣、美國的高校和研究機構展開合作，結合數據規模和缺陷類型搭建分析模型。例如，空洞和分層缺陷已能通過模型實現快速識別，機器學習技術的應用也切實推動了良率提升。我們還將這些成熟模型推廣至其他客戶，有效縮短了客戶的良率分析周期和技術摸索路徑，借助機器學習和數字孿生技術，客戶能快速看到良率改善的效果。

但這只是整個生產流程的一部分，大量缺陷還會在可靠性測試中暴露。我們還發現，測試覆蓋率的邊界正變得越來越模糊：在單一芯片的簡易封裝時代，100% 或 98% 的測試覆蓋率基本能捕捉到大部分缺陷；但如今芯片采用多芯粒集成方案，封裝結構愈發復雜，晶圓測試、系統級測試、最終測試的覆蓋率都在持續下降。

因此，我們需要借助數字孿生技術捕捉缺陷，輔助測試工作，實現缺陷的早期發現。結合可靠性測試采集的數據，數字孿生技術不僅能助力整體良率提升，還能為測試和工藝優化提供支撐。

邁克爾?洛曼：數字孿生無疑是當下的熱門話題，過去一年多來熱度更是持續攀升。從我們的角度來看，我們打造了一套工具無關的數字孿生平臺，能夠整合分析更廣泛的數據源和工藝環節，針對性解決各類生產問題。

雖然我尚未直接看到該技術的大規模落地，但堅信這是未來的發展方向。我們已構思出多種應用場景，例如將其用于預測性維護等，且均基于工具無關的設計思路。當然，該技術也可拓展至良率問題分析，但前提是實現多源數據的融合采集。

一個值得關注的趨勢是，行業正鼓勵在數字孿生或仿真工具上開展測試程序開發，這一趨勢已初具規模，與曹麗紅提到的應用場景異曲同工。這種方式能減少對測試單元的占用，無需通過實際產線驗證工藝，有效節省了設備時間和利用率。

阿夫塔哈爾?阿斯拉姆：對于設計工程師而言，在選擇知識產權核時，希望能看到實際驗證結果 ——“該知識產權核已在成熟產品中應用，并實現量產”。而數字孿生技術的應用不應僅局限于設計環節，還可延伸至探針卡設計、可測試性設計，乃至可制造性設計。

在產品生命周期管理等工具中進行仿真時，工程師能對制造工藝、產品可測試性進行全流程仿真，甚至能細化至元器件級別。數字孿生的核心并非僅打造設備的數字模型，而是構建制造、封裝、設計全流程的數字孿生體系。

這就引出一個關鍵問題：如何將實際生產數據與作為數字孿生核心的工程物料清單融合？借助強大的仿真工具，再結合當前飛速發展的人工智能技術，工程師理論上能高度精準地預判制造、封裝、測試環節中可能出現的問題，甚至能預測負載板、探針卡、測試設備等周邊配套環節的問題。

這也是我們與產品生命周期管理供應商合作的核心方向 —— 為設計環節的閉環提供后端數據支撐。制造工程師、測試產品工程師、設計工程師三方必須協同合作，才能構建起完善的數字孿生體系，而我們的平臺正是為三方提供了協同的紐帶和通用的技術語言，推動數字孿生技術的落地。

韓佑永：我們發現，大型量產工廠通常配備多達 100 臺同類型檢測設備，客戶亟需更高效的設備管理和校準匹配方案，這也是我們與客戶合作的重點方向。如何確保同一晶圓廠內大量同類型設備的穩定運行和精準匹配，是行業面臨的又一難題。

問：展望未來 3-5 年，哪些自動化技術將對先進封裝產生更大影響？行業目前仍缺失哪些關鍵技術？又有哪些在研技術有望帶來顛覆性變革？

邁克爾?洛曼：從自動化角度來看，熱管理技術是我們能提供的核心解決方案之一，也將產生深遠的行業影響。利用機器學習實現問題的預測性分析，將非計劃停機轉化為計劃停機，這些都是打造 “熄燈工廠” 的核心要求。

目前眾多客戶正持續擴大自動化應用范圍，不少企業在東南亞建廠以提升產能，且多數工廠都以全自動化為建設目標，自動化需求也推動了各類技術要求的升級。這一趨勢不僅體現在先進封裝領域，而是貫穿整個半導體自動化產業。

阿夫塔哈爾?阿斯拉姆：我們認為，未來的核心發展方向是更智能的設備與更智能的數據分析相結合，不存在能解決所有問題的 “萬能設備”。

硬件層面，行業需要更高分辨率、更高吞吐量的檢測設備 —— 能實現高精度 X 射線檢測、混合鍵合缺陷檢測、超精細節距檢測，以及更完善的原位缺陷監測、翹曲監測等，這些都是我們此前提及的核心需求。

而同樣重要的是芯片級監測的內容與指標：我們需要監測哪些芯片級參數？核心關鍵績效指標是什么？是否采用遙測技術？尤其是進入芯粒時代后，產品復雜度持續提升，行業目前尚未形成統一的數據采集標準。

如今我們能實現芯片級的數據采集，標注出晶圓上芯片的 XY 坐標位置，但芯粒級的數據采集標準仍處于空白狀態。光子學產品和量子計算產品中，涉及光學端口、多層結構、宏單元和芯粒間互連的分片設計，相關的數據采集標準也未得到定義，行業正處于 “野蠻生長” 階段，各企業均在制定自己的格式和標準。

未來 3-5 年，行業的核心工作之一，就是為這種無序的狀態建立統一標準，實現多源數據的融合分析。唯有如此，人工智能 / 機器學習技術才能發揮真正的價值，避免對無效數據進行分析，進而制定出切實可行的解決方案，例如多變量功率平均測試、自適應探針測試等，再將這些方案反哺至晶圓廠生產和產品設計環節。

韓佑永：我們的頭部客戶都提出了一個共同需求 ——摒棄定制化檢測配方，實現無配方檢測或通用配方檢測。隨著人工智能和機器學習技術的發展，客戶紛紛詢問：“能否借助機器學習技術，讓工程師無需花費時間開發定制化檢測配方？” 我們正在該領域投入巨資，全力推進無配方檢測和通用配方檢測技術的研發。

曹麗紅：未來行業亟需更快的檢測速度、更高的分辨率、更強的檢測能力，且能兼顧吞吐量的設備，這是實現高良率的核心關鍵，也是我們未來 3-5 年的研發目標。要實現這一目標，自動化是必由之路，我們需要推動多技術融合的計量設備實現自動化集成，這也是技術成熟的重要標志。

例如，將光學顯微鏡、各類檢測方案、X 射線、聲學檢測、原子力顯微鏡技術集成，實現多種缺陷的一次性檢測，這是我們的研發方向之一。而這類復雜的集成工作無法通過人工完成，因此需要借助人工智能技術，尤其是在檢測設備中搭載人工智能推理引擎，為檢測工作提供支撐。

數字孿生技術也是行業關注的重點，雖然打造全流程數字孿生是一項龐大的工程，但我們可先通過局部數字孿生技術融合多源數據，在產品進入最終測試和可靠性測試前，從設計和工藝環節提前進行物理特性分析和問題預判，實現問題的前置解決，這也是我們未來 3-5 年的重點研究方向。

此外，我們還在打造涵蓋供應鏈的混合生態體系，推動上下游在數據格式、工藝設計、測試標準等方面的統一化。整個產業生態的標準化建設，將成為日月光半導體未來 3-5 年的重要發展助力。