电子产品世界

座谈专家：《半导体工程》杂志邀请科休公司（Cohu）数据分析高级产品营销经理迈克尔・洛曼、yieldWerx 公司首席执行官阿夫塔尔・阿斯拉姆、安图创新公司（Onto Innovation）产品营销总监韩佑荣，以及日月光半导体（ASE）工程与技术营销高级总监曹立宏，共同探讨先进封装领域的后端自动化挑战。以下是本次讨论的精华摘要。

（左起：科休公司洛曼、yieldWerx 公司阿斯拉姆、安图创新公司韩佑荣、日月光半导体曹立宏）

半导体工程（SE）：随着先进封装向芯粒、三维堆叠和细间距互连方向发展，后端自动化正如何演进？

洛曼：我们专注于测试设备领域，主要产品包括测试分选机以及测试流程和成品加工相关设备，目前面临的核心挑战多与热管理相关。如今的器件在测试过程中对热性能要求更高，且测试功率可达 3000 瓦。这些器件价值高昂、极为珍贵，因此客户要求在测试前后通过在线检测设备对分选设备进行检查，以确保器件未受损，并能实时响应避免连锁问题。我认为未来还将出现一些尚未显现的挑战，例如设备洁净度和测试过程中器件的稳定控制，这些都将成为未来值得关注的重要领域和挑战。

半导体工程（SE）：封装类型的多样化是否给全流程自动化带来了挑战？

洛曼：是的。仅器件尺寸这一项就带来了诸多挑战 —— 器件变得越来越大、越来越厚，由此引发了一系列相关问题。过去只需单个吸头即可拾取的器件，如今可能需要两个吸头，这就带来了机械结构上的限制。

阿斯拉姆：我们处于产业链的末端，负责收集所有相关数据。器件的拾取和实际测试过程本身就存在复杂性，而我们看到的挑战在于这些器件必须经过检测。幸运的是，市场上已涌现出各类新型检测设备，例如用于检测翘曲和其他缺陷的光学检测工具、X 射线工具、声学工具，以及聚焦离子束 - 扫描电子显微镜（FIB-SEM）等实验室工具。但我们发现的真正挑战是，这些工具各自产生的数据格式不同，使用的坐标系也存在差异。例如，若芯粒的坐标数据为 XYZ 格式，而封装整体的坐标数据格式不同，如何实现二者的精准对应？客户反馈称：“我们从这些工具中获取了多个孤立的数据岛，该如何将它们整合起来？” 他们需要一个统一的核心架构，能够接入并拼接这些数据。此外，还需要按时间顺序对数据进行排序 —— 因为复杂封装由多个不同部件组装而成，需追溯问题的起源和根本原因：是封装测试环节的问题？是测试可行性本身的问题？还是源于晶圆厂的制造环节，甚至可追溯至设计阶段？找到根本原因后，还需转化为实际行动，明确是要在设计、制造、测试程序或实际生产组装线中进行改进。这些都是我们观察到的核心挑战，客户已厌倦面对这些缺乏统一性的孤立数据岛。

韩佑荣：我们专注于检测和计量设备领域，如今器件的外形尺寸正在发生变化。过去我们只需检测单晶圆，而现在已出现三晶圆键合的情况，键合后的总厚度超过两毫米。多晶圆键合会产生大量应力，客户提出的新翘曲要求已达到正负三毫米。对于厚度两毫米、翘曲度正负三毫米的衬底，其处理难度与传统晶圆截然不同。此外， redistribution layer（再布线层，RDL）的线宽已降至一微米以下，加之高价值键合和细间距技术的应用，在这类翘曲度高、轮廓变化大的表面进行亚微米级检测，面临着诸多挑战。芯粒封装和高带宽内存（HBM）领域的另一趋势是采用晶圆级模塑工艺，这为检测和计量带来了新的挑战 —— 模塑过程中会产生新型缺陷，包括边缘缺陷和背面缺陷，这些都是导致先进封装良率下降的关键因素。如何适应这种翘曲特性和厚晶圆的处理需求，为我们提出了全新的要求。

曹立宏：从日月光半导体的角度来看，尽管我们常提及 “后端”，但实际上也涉及中间环节的离线工艺 —— 包括芯粒、再布线层、衬底和板级组装等。我想从两个核心领域展开说明：器件处理和检测。在器件处理方面，需考虑两个维度：一是 XY 平面维度，无论是单晶圆还是模塑后的多芯粒晶圆，模块尺寸都在不断增大，目前已出现双掩模版尺寸、四掩模版尺寸甚至五掩模版尺寸的产品，如何处理这类晶圆级尺寸的器件？衬底方面，目前行业已在讨论 100×100 毫米至 150 毫米的尺寸，部分企业甚至探讨 170 毫米的尺寸，这已超出当前设备的处理能力，如何在工艺和测试过程中处理如此大的 XY 平面尺寸，是一大挑战；二是 Z 轴维度，即翘曲问题。目前我们面临的翘曲度已超出设备的常规处理范围 —— 过去翘曲度约为一毫米，如今已增至三毫米，部分情况下甚至超过三毫米。大尺寸与高翘曲度的叠加，已成为极具挑战性的难题。

此外，薄晶圆处理也是一项重大挑战。在中间工艺中，晶圆需被减薄至 50 微米或 100 微米，如此薄的晶圆在工艺过程中的处理难度极大，且由于对颗粒和污染物的严格要求，自动化技术的应用必不可少。对于两微米及以下的细线间距，颗粒控制必须依赖自动化实现 —— 这仅是工艺过程中的要求。在计量和检测方面，需要高分辨率的在线检测工具和厂内分析（IFA）工具，这些工具需与处理设备、工艺设备和自动化系统实现集成，如何实现这种集成并维持产能，是我们面临的核心挑战。目前我们正研究利用人工智能技术，以满足这些多样化的需求。

半导体工程（SE）：如今晶圆厂、封装厂和测试厂之间的实用闭环系统是什么样的？要使自动化实时决策成为常态，目前仍缺少哪些要素？

阿斯拉姆：在 yieldWerx 对闭环系统的定义中，该系统需覆盖从设计到制造、从制造到晶圆分选测试、再到最终封装测试、印刷电路板（PCB）测试，直至终端应用的全流程。目前很少有企业能获取该闭环所需的全部数据：无晶圆厂企业无法获取晶圆厂数据，仅能获取设计数据以及封装测试数据；而外包半导体封装测试（OSAT）企业有时也无法获取制造或设计数据。理想目标是能够获取从设计、制造、封装测试到终端应用的全流程数据，实现前馈和反馈机制。先看反馈机制：在封装测试或晶圆分选测试阶段发现问题后，首先需判断是否为测试环节本身的问题（例如硬件、仪器、探针卡或负载板等），随后向外延伸分析 —— 晶圆厂提供的晶圆数据是否存在异常？进而追溯至晶圆厂的沉积、刻蚀、炉管等工艺数据，这不仅包括典型的计量数据，还需了解晶圆所属的批次、使用的反应腔室、工艺配方以及设备状态等信息。

这是一个多维度问题，涉及海量数据 —— 批次编号可能发生变化，批次可能拆分或合并。我们的核心工具之一是 “批次谱系追踪系统”，能够从最终封装测试反向追溯至设计阶段的数据，反之亦然。我们开发了由人工智能辅助的关联引擎，能够较为可靠地定位问题所在。接下来需要训练模型，区分 “合格数据”“不合格数据” 和 “异常数据”—— 无需工程师花费时间手动定义正负样本，模型可自动识别优劣数据，通过对比生产现场产出的器件，根据特征判断 “该器件不合格”。有时这些特征可能指向多个根本原因，核心挑战在于以有意义的方式整合数据，实现关联分析和反馈。而前馈机制的价值更为显著：在制造过程中，若处于步骤 X，可通过数据分析预测该步骤对后续流程（直至最终测试）的影响，进而通过调整测试限度（放宽或收紧）、采用自适应探针测试（仅探测晶圆特定区域，筛选掉注定会被淘汰的部分）等方式，控制晶圆和批次的测试流程。这些都是客户在全流程闭环解决方案中寻求的挑战与应对方案。目前很少有企业能完全实现，但所有挑战都围绕着相同的核心主题：数据格式如何统一？能否通过合理的业务规则整合数据，进而提供闭环解决方案？

韩佑荣：我们收到了客户大量关于数据集成和人工智能数据分析的新需求。客户不再满足于传统的基于 Windows 的文件传输系统，而是提出了更多机器学习友好型的数据处理需求。例如，客户要求采用 gRPC（谷歌开发的文件传输框架）等新型架构，以及多种新的数据传输方式发送晶圆检测结果和图像，以便通过机器学习和人工智能系统更便捷地分析这些检测方法和图像。这是一项新要求，需要我们进行软件开发。目前，检测和计量设备供应商正针对这些需求进行产品定制，客户也在与人工智能企业合作，以简化检测结果的分析流程。

曹立宏：上下游工艺之间存在多个层面的挑战。我们接收来自不同客户和晶圆厂的晶圆或设计文件，尽管已建立了完善的数据登录和通信系统，但由于缺乏行业标准化，接收的数据格式和要求各不相同。我们在日月光内部采用了统一的标准（搭建了内部闭环系统），但仍需应对外部的多样化数据格式，这方面仍面临一定挑战，相关工作仍在持续推进中。

日月光内部的闭环系统也需要高效的内部通信。我们管理着众多不同产品，面临多样化的先进封装技术要求和测试需求（包括在线检测、在线分析、良率控制及各类工艺相关需求），为此建立了多个可追溯系统。我们应用人工智能技术简化所有在线数据站点的管理，以及从工艺到测试的良率分析 —— 由于测试环节可能位于不同地点或建筑，需确保所有数据的转换、登录和映射准确无误。我们自主开发了软件和可追溯系统，将机器学习应用于特定的在线数据分析，为测试团队提供支持，并向厂内分析实验室反馈结果，形成良率检测、学习和控制的闭环。

洛曼：我倾向于从实际角度出发，思考 “切实可行的第一步”—— 目前讨论多围绕 “可用数据有哪些”“如何格式化数据” 展开。正如韩佑荣所言，我们收到了提供分析和机器学习友好型数据的需求。合理的第一步是选择一个闭环系统作为切入点（例如测试和成品加工环节），将数据收集限定在同一解决方案（甚至同一供应商）内，通过该闭环系统的学习周期积累经验，解决数据格式差异等问题，随后逐步扩展范围，进而制定标准，应对异构数据的挑战。目前我在后端领域尚未见到太多此类闭环实践，我的思路是：先朝着某个方向迈出第一步，尽可能简化流程，在实践中积累经验。

关键词： 后端自动化 封装