核心要點

• 工程師需結合器件專屬數據與設備級數據，定位工藝 “最佳區間”。

• 嚴格、高頻的設備間匹配可提升良率與晶圓廠靈活性。

• 機器學習能精準捕捉設備運行的細微 “特征信號”。

半導體行業之外的人常會好奇：人類如何日復一日、穩定地制造出幾十納米尺寸的晶體管？如何讓不同工藝設備、不同產線、不同廠區的加工結果保持一致？實現這一點的關鍵手段之一，就是設備間匹配（TTTM）。但隨著晶圓廠生產的芯片特征尺寸更小、工藝窗口更窄、復雜度更高，設備間匹配正變得越來越困難。

一片晶圓在 3 個月內通常要經歷600～800 道工序，所有設備必須輸出穩定一致的結果。負責檢驗結果的量測與測試系統，必須滿足行業最高標準。

Onto Innovation 應用工程總監 PeiFen Teh 表示：“最先進的工藝節點需要數百道高度關聯的工序，包括多重曝光、高 k / 金屬柵、復雜刻蝕化學、選擇性沉積、埋入式電源軌等。在整個制造流程中，每一處微小的工藝缺陷都會累積成復合效應，影響良率。因此，每道關鍵工序的設備間匹配規格，對確保全線工藝穩定至關重要?！?/p>

更短的產品生命周期、更快的良率爬坡需求，以及多元化的供應鏈，也給設備匹配帶來挑戰。泰瑞達智能制造產品經理 Eli Roth 說：“設備匹配變得更關鍵、更難做，因為我們的供應鏈分散、產品種類更多，還必須產出完全一致的測試結果。更復雜的器件要求更高透明度，安全裕量不斷收緊，先進封裝把更多裸片集成在一起，這都要求器件具備更高的重復性，進而迫使測試環節盡可能降低誤差來源。而且量產爬坡更快，新產品導入（NPI）在進入量產前的穩定時間更少?！?/p>

設備匹配（也稱腔體匹配）旨在讓同型號的自動測試設備（ATE）等輸出保持一致。實現方式有多種，首先會使用NIST 可溯源標準晶圓校驗關鍵尺寸（CD）等測量精度，再通過調整硬件參數讓關鍵輸出匹配。對于先進工藝，會用數據驅動的機器學習模型模擬設備間復雜的非線性偏差，晶圓廠再對機群中的其他設備重復這套流程。

有時會選用性能最優的設備作為基準。Roth 說：“行業廣泛使用黃金設備或測試載體。我們先用已知良好的參考載體完成標定，再將機群中其他設備與它做統計對齊?！?同時，量化測量系統自身的波動量也非常重要。

設備匹配不是一次性工作。工藝越先進，匹配頻率通常越高。以下場景必須執行設備間匹配：

• 設備安裝 / 驗收時

• 導入新產品或新工藝時

• corrective 維護或預防性維護后

• 更換儀器或組件后

• 定期執行：如每天、每班、每批次（先進工藝）

要滿足頂尖器件廠商的需求，需要更多數據共享。Onto Innovation 應用工程總監 Melvin Lee Wei Heng 表示：“雖然廠商期望使用供應商提供的數據做基礎設備匹配，但器件制造商現在要求在關鍵工序實現更深層對齊，以保證器件性能一致。要達到這種匹配水平，需要獲取晶圓廠級別的器件數據，如量測結果與功能測試數據。結合器件專屬信息與設備級數據，現已成為確認設備運行在工藝最佳區間、并在全產線提供一致性能的必要手段?！?/p>

布魯克應用工程師 Andrew Lopez 說：“我們使用大量 VLSI NIST 可溯源標準做臺階高度與線寬測量。但除了系統校準，我們還會匹配光學系統，確保工藝配方從一臺設備轉移到另一臺時，照明設置不變、光學組件一致、系統照明一致?！?工程師可借助標準晶圓，將卡尺、傳感器等設備調整到嚴格公差范圍內?！拔覀儠ｒ灦喾N臺階高度與線寬的線性度，確保系統足夠靈敏，能檢測到來自工藝的波動?！?/p>

設備匹配與設備指紋識別相關但并不等同。晶圓廠里的每臺設備 —— 光刻機、刻蝕機、清洗機、測試機、光學檢測系統等 —— 在機械部件或磨損痕跡上都存在微觀差異。即使運行相同配方，同型號設備的表現也會略有不同。通過捕捉與分析這些設備特征，工程師可以實現設備間性能對齊。

指紋識別是否受益于機器學習，需視情況而定。愛德萬測試云解決方案高級咨詢經理 Vincent Chu 表示：“傳統指紋方法依賴人工設計特征、控制圖與閾值對比，在低維、可預測的波動場景下效果良好。但如今測試設備采集的數據更豐富 —— 高分辨率參數、波形特征、時序測量、連續遙測數據。在這些高維空間中，ML 模型能捕捉定義設備真實運行‘特征’的細微非線性行為，能更準確、可擴展地表示測試設備的行為基線，而不完全依賴預定義指標。”

在量測與測試中，精密度與準確度都是重要指標。準確度指測量值接近真實值的程度，可通過與已知標準（如帶多種結構的標準晶圓）對比實現，但難度很高。

Fractilia 聯合創始人兼 CTO Chris Mack 說：“我們希望確保每一項量測輸出都可標記為準確，但幾乎不可能實現。我們幾乎總是先追求精密度，當長期穩定達到目標后，最終就能獲得良好良率。于是我們會稱其為‘準確’，但這并非 NIST 標準量測結果意義上的準確數值。盡管如此，精密度仍是我們最關注的量測設備核心特性?！?/p>

精密度由多次測量同一結構并記錄中心值周圍的波動程度決定。

設備匹配如何工作

需要匹配的指標因設備類型而異。例如在聲學顯微鏡成像中，指標包括圖像強度、信號幅度、深度響應與缺陷檢出能力。諾信聲學顯微鏡產品線經理 Bryan Schackmuth 說：“我們采用長期穩定性監測（LTSM）或全局設備匹配。它使用已知參考樣品與軟件算法，通過歸一化聲學圖像響應補償系統間差異，確保不同設備、不同廠區的檢測結果一致。LTSM 可實現圖像歸一化，無需操作員手動調整就能獲得匹配圖像。這種全局匹配流程通常在工作頻率變更（如更換探頭）、每班開始前或每天執行。”

量測數據與電學測試結果的關聯越來越緊密。Onto Innovation 產品管理總監 Joe Fillion 說：“設備匹配通常基于步驟層級執行，每家晶圓廠或原始設備制造商（OEM）的做法略有差異。首先做指紋或配置對比，設備需在軟硬件層面盡可能匹配 —— 相同軟件版本、鏡頭、光闌、光源、質量流量控制器（MFC）等。達到合理匹配后，設備通常執行標準自動測試或校準流程，確保行為一致。若結果符合規格，再執行標準認證流程，測量晶圓上的實際性能。這些結果會設定目標值與上下限，確保運行在可接受區間。”

Onto 的 Teh 給出了設備匹配的分步指南：先對齊每個設備組件的性能，再監控機群匹配水平，包括：

1. 組件級校準：監控系統健康檢查參數，超標時執行校準

2. 系統級校準：在標準晶圓上測量機群設備的光譜響應

3. 光譜校準：用于提升機群匹配水平

4. 參數結果監控：使用標準晶圓（測量 CD、厚度或材料常數），必要時重新校準以優化各參數的設備匹配度

在測試設備上，工程師需要管控組件漂移。泰瑞達的 Roth 說：“熱傳感器會隨時間漂移，存在時序偏移。我們通常通過定期校準與參考檢查管理漂移，并持續將設備與參考掃描儀對比，明確偏差程度與校準時機。統計過程控制（SPC）監控與大數據監控是其他檢測方式。我們會持續進行周期性計算?！?/p>

根據設備配置，部分設備級校準可內置實現。Modus Test 首席運營官 Jesse Ko 說：“我們的測試機基于高精度電阻，采用自校驗方法確保每次測量準確，以此確認每臺設備已校準，并在多臺測試機間提供一致測量結果。”

電學測試與量測通常協同工作。Onto 的 Melvin 說：“晶圓廠已集成在線電學 / 功能測試，確保設備性能不會對器件產生影響。在部分關鍵工序，會進行截面分析，確保敏感層形成的輪廓符合器件規格，彌補傳統量測的不足?！?/p>

另一種思路是從結果倒推，而非從設備出發。英特爾當年的 “精準復制”（Copy Exact）策略 —— 在廠區完全復刻設備、方法、工藝 —— 卻產出不同結果，最終將波動原因鎖定在濕度等環境條件。校準設備可能只是復雜排查的第一步。

PDF Solutions 全球晶圓廠應用解決方案經理 Jon Holt 說：“設備型號相同、校準相同，要確保測量準確，因為這是不同廠區間波動的潛在來源?？梢栽谕晃恢脺y量或使用同一臺設備。但還要更全面、整體地看待環境變量：冷卻水、供氣、氣體分配是否一致，并整合所有必要信息。最終真正的挑戰是功能性：組件是否按預期工作？器件電流、擊穿電壓、增益、速度是否達標？并不是插上前向糾錯（FEC）工具、匹配所有傳感器輸出，腔體就匹配了，但愿能這么簡單。”

“熄燈” 晶圓廠

隨著行業邁向全自動化運營，設備間匹配將與生產結合得更緊密。Roth 說：“它將從周期性校準驅動，轉向持續數據驅動的監控系統。不再需要拿著參考卡反復檢查，而是實現持續自動化監控與告警 —— 比現有方案更智能的版本。”

值得注意的是，不久前，現場的獨立 CD-SEM 還不做匹配。Fractilia 的 Mack 說：“我們最初并未計劃推出改善設備間匹配的產品。但我們發現，通過測量 CD-SEM 誤差并從量測結果中剔除，以提升量測準確度的方案，自然帶來了更好的設備間匹配。在 CD-SEM 上疊加我們的技術，設備間匹配性能提升了10 倍?！?/p>

CD-SEM 的下一步是管控隨機效應。“CD-SEM 間的設備間匹配非常困難，因為所有關鍵尺寸的公差都在收縮。再加上線寬粗糙度、線邊緣粗糙度、CD 均勻性等隨機效應的設備間匹配需求，這是行業從未做過的事，我們相當于在開創方法。”

由于信噪比維持難度上升，量測領域開始轉向機器學習。Onto 的 Teh 解釋：“隨著結構尺寸縮小，需要匹配的對象更難測量。我們預計亞 1nm 參數的光譜靈敏度將接近量測設備的噪聲底。部分極小尺寸參數會被更敏感的參數掩蓋。在這種場景下，ML 模型可用于放大關鍵信號?！?/p>

除放大信號外，ML 模型還能有效管理設備指紋，記錄并識別設備的變更，將這些變更與設備性能（硬件、軟件、晶圓結果）關聯，提升對因果關系的理解。建立可信度后，下一步將是自動化決策。

愛德萬的 Chu 說：“ML 將設備指紋從人工定義統計，升級為學習型行為表征，在先進測試系統在大批量機群中產生海量數據的場景下尤其有用。ML 還能增強異常檢測，這對量產測試至關重要。通過學習特定測試單元的正常行為模式，模型能比靜態閾值更早、更可靠地識別由校準漂移、組件老化、環境變化或負載板效應引起的早期偏差。在多設備機群中，ML 能凸顯可能影響分 bin 或相關性的測試設備差異。需要強調的是，ML 是補充而非替代傳統統計方法。”

結論

設備間匹配對晶圓廠與測試廠并非新工藝，但隨著器件微縮、復雜度提升、工藝窗口收縮、公差收緊，難度顯著增加。在2nm 節點，量測系統已逼近物理極限，任何信噪比提升都備受期待。

例如，工程師測量 3nm 結構時，套刻精度要求低于0.3nm。要實現這一點，必須對線邊緣粗糙度、線寬粗糙度、CD 均勻性的隨機效應建模，才能完成 CD-SEM 設備間匹配。

工程師通常從對比設備特征開始，將設備匹配細化到組件級。從組件到系統再到參數校準，在機器學習助力下，匹配變得更精密、更自動化。要在量測領域實現更精細的設備間匹配，工程師需要接入晶圓廠的電學測試數據，確保最終獲得晶圓廠真正需要的結果：每次都產出高良率、高性能芯片。設備間匹配在保障高良率方面發揮關鍵作用，尤其在最先進的器件節點。