电子产品世界

核心要点

• 工程师需结合器件专属数据与设备级数据，定位工艺 “最佳区间”。

• 严格、高频的设备间匹配可提升良率与晶圆厂灵活性。

• 机器学习能精准捕捉设备运行的细微 “特征信号”。

半导体行业之外的人常会好奇：人类如何日复一日、稳定地制造出几十纳米尺寸的晶体管？如何让不同工艺设备、不同产线、不同厂区的加工结果保持一致？实现这一点的关键手段之一，就是设备间匹配（TTTM）。但随着晶圆厂生产的芯片特征尺寸更小、工艺窗口更窄、复杂度更高，设备间匹配正变得越来越困难。

一片晶圆在 3 个月内通常要经历600～800 道工序，所有设备必须输出稳定一致的结果。负责检验结果的量测与测试系统，必须满足行业最高标准。

Onto Innovation 应用工程总监 PeiFen Teh 表示：“最先进的工艺节点需要数百道高度关联的工序，包括多重曝光、高 k / 金属栅、复杂刻蚀化学、选择性沉积、埋入式电源轨等。在整个制造流程中，每一处微小的工艺缺陷都会累积成复合效应，影响良率。因此，每道关键工序的设备间匹配规格，对确保全线工艺稳定至关重要。”

更短的产品生命周期、更快的良率爬坡需求，以及多元化的供应链，也给设备匹配带来挑战。泰瑞达智能制造产品经理 Eli Roth 说：“设备匹配变得更关键、更难做，因为我们的供应链分散、产品种类更多，还必须产出完全一致的测试结果。更复杂的器件要求更高透明度，安全裕量不断收紧，先进封装把更多裸片集成在一起，这都要求器件具备更高的重复性，进而迫使测试环节尽可能降低误差来源。而且量产爬坡更快，新产品导入（NPI）在进入量产前的稳定时间更少。”

设备匹配（也称腔体匹配）旨在让同型号的自动测试设备（ATE）等输出保持一致。实现方式有多种，首先会使用NIST 可溯源标准晶圆校验关键尺寸（CD）等测量精度，再通过调整硬件参数让关键输出匹配。对于先进工艺，会用数据驱动的机器学习模型模拟设备间复杂的非线性偏差，晶圆厂再对机群中的其他设备重复这套流程。

有时会选用性能最优的设备作为基准。Roth 说：“行业广泛使用黄金设备或测试载体。我们先用已知良好的参考载体完成标定，再将机群中其他设备与它做统计对齐。” 同时，量化测量系统自身的波动量也非常重要。

设备匹配不是一次性工作。工艺越先进，匹配频率通常越高。以下场景必须执行设备间匹配：

• 设备安装 / 验收时

• 导入新产品或新工艺时

• corrective 维护或预防性维护后

• 更换仪器或组件后

• 定期执行：如每天、每班、每批次（先进工艺）

要满足顶尖器件厂商的需求，需要更多数据共享。Onto Innovation 应用工程总监 Melvin Lee Wei Heng 表示：“虽然厂商期望使用供应商提供的数据做基础设备匹配，但器件制造商现在要求在关键工序实现更深层对齐，以保证器件性能一致。要达到这种匹配水平，需要获取晶圆厂级别的器件数据，如量测结果与功能测试数据。结合器件专属信息与设备级数据，现已成为确认设备运行在工艺最佳区间、并在全产线提供一致性能的必要手段。”

布鲁克应用工程师 Andrew Lopez 说：“我们使用大量 VLSI NIST 可溯源标准做台阶高度与线宽测量。但除了系统校准，我们还会匹配光学系统，确保工艺配方从一台设备转移到另一台时，照明设置不变、光学组件一致、系统照明一致。” 工程师可借助标准晶圆，将卡尺、传感器等设备调整到严格公差范围内。“我们会校验多种台阶高度与线宽的线性度，确保系统足够灵敏，能检测到来自工艺的波动。”

设备匹配与设备指纹识别相关但并不等同。晶圆厂里的每台设备 —— 光刻机、刻蚀机、清洗机、测试机、光学检测系统等 —— 在机械部件或磨损痕迹上都存在微观差异。即使运行相同配方，同型号设备的表现也会略有不同。通过捕捉与分析这些设备特征，工程师可以实现设备间性能对齐。

指纹识别是否受益于机器学习，需视情况而定。爱德万测试云解决方案高级咨询经理 Vincent Chu 表示：“传统指纹方法依赖人工设计特征、控制图与阈值对比，在低维、可预测的波动场景下效果良好。但如今测试设备采集的数据更丰富 —— 高分辨率参数、波形特征、时序测量、连续遥测数据。在这些高维空间中，ML 模型能捕捉定义设备真实运行‘特征’的细微非线性行为，能更准确、可扩展地表示测试设备的行为基线，而不完全依赖预定义指标。”

在量测与测试中，精密度与准确度都是重要指标。准确度指测量值接近真实值的程度，可通过与已知标准（如带多种结构的标准晶圆）对比实现，但难度很高。

Fractilia 联合创始人兼 CTO Chris Mack 说：“我们希望确保每一项量测输出都可标记为准确，但几乎不可能实现。我们几乎总是先追求精密度，当长期稳定达到目标后，最终就能获得良好良率。于是我们会称其为‘准确’，但这并非 NIST 标准量测结果意义上的准确数值。尽管如此，精密度仍是我们最关注的量测设备核心特性。”

精密度由多次测量同一结构并记录中心值周围的波动程度决定。

设备匹配如何工作

需要匹配的指标因设备类型而异。例如在声学显微镜成像中，指标包括图像强度、信号幅度、深度响应与缺陷检出能力。诺信声学显微镜产品线经理 Bryan Schackmuth 说：“我们采用长期稳定性监测（LTSM）或全局设备匹配。它使用已知参考样品与软件算法，通过归一化声学图像响应补偿系统间差异，确保不同设备、不同厂区的检测结果一致。LTSM 可实现图像归一化，无需操作员手动调整就能获得匹配图像。这种全局匹配流程通常在工作频率变更（如更换探头）、每班开始前或每天执行。”

量测数据与电学测试结果的关联越来越紧密。Onto Innovation 产品管理总监 Joe Fillion 说：“设备匹配通常基于步骤层级执行，每家晶圆厂或原始设备制造商（OEM）的做法略有差异。首先做指纹或配置对比，设备需在软硬件层面尽可能匹配 —— 相同软件版本、镜头、光阑、光源、质量流量控制器（MFC）等。达到合理匹配后，设备通常执行标准自动测试或校准流程，确保行为一致。若结果符合规格，再执行标准认证流程，测量晶圆上的实际性能。这些结果会设定目标值与上下限，确保运行在可接受区间。”

Onto 的 Teh 给出了设备匹配的分步指南：先对齐每个设备组件的性能，再监控机群匹配水平，包括：

1. 组件级校准：监控系统健康检查参数，超标时执行校准

2. 系统级校准：在标准晶圆上测量机群设备的光谱响应

3. 光谱校准：用于提升机群匹配水平

4. 参数结果监控：使用标准晶圆（测量 CD、厚度或材料常数），必要时重新校准以优化各参数的设备匹配度

在测试设备上，工程师需要管控组件漂移。泰瑞达的 Roth 说：“热传感器会随时间漂移，存在时序偏移。我们通常通过定期校准与参考检查管理漂移，并持续将设备与参考扫描仪对比，明确偏差程度与校准时机。统计过程控制（SPC）监控与大数据监控是其他检测方式。我们会持续进行周期性计算。”

根据设备配置，部分设备级校准可内置实现。Modus Test 首席运营官 Jesse Ko 说：“我们的测试机基于高精度电阻，采用自校验方法确保每次测量准确，以此确认每台设备已校准，并在多台测试机间提供一致测量结果。”

电学测试与量测通常协同工作。Onto 的 Melvin 说：“晶圆厂已集成在线电学 / 功能测试，确保设备性能不会对器件产生影响。在部分关键工序，会进行截面分析，确保敏感层形成的轮廓符合器件规格，弥补传统量测的不足。”

另一种思路是从结果倒推，而非从设备出发。英特尔当年的 “精准复制”（Copy Exact）策略 —— 在厂区完全复刻设备、方法、工艺 —— 却产出不同结果，最终将波动原因锁定在湿度等环境条件。校准设备可能只是复杂排查的第一步。

PDF Solutions 全球晶圆厂应用解决方案经理 Jon Holt 说：“设备型号相同、校准相同，要确保测量准确，因为这是不同厂区间波动的潜在来源。可以在同一位置测量或使用同一台设备。但还要更全面、整体地看待环境变量：冷却水、供气、气体分配是否一致，并整合所有必要信息。最终真正的挑战是功能性：组件是否按预期工作？器件电流、击穿电压、增益、速度是否达标？并不是插上前向纠错（FEC）工具、匹配所有传感器输出，腔体就匹配了，但愿能这么简单。”

“熄灯” 晶圆厂

随着行业迈向全自动化运营，设备间匹配将与生产结合得更紧密。Roth 说：“它将从周期性校准驱动，转向持续数据驱动的监控系统。不再需要拿着参考卡反复检查，而是实现持续自动化监控与告警 —— 比现有方案更智能的版本。”

值得注意的是，不久前，现场的独立 CD-SEM 还不做匹配。Fractilia 的 Mack 说：“我们最初并未计划推出改善设备间匹配的产品。但我们发现，通过测量 CD-SEM 误差并从量测结果中剔除，以提升量测准确度的方案，自然带来了更好的设备间匹配。在 CD-SEM 上叠加我们的技术，设备间匹配性能提升了10 倍。”

CD-SEM 的下一步是管控随机效应。“CD-SEM 间的设备间匹配非常困难，因为所有关键尺寸的公差都在收缩。再加上线宽粗糙度、线边缘粗糙度、CD 均匀性等随机效应的设备间匹配需求，这是行业从未做过的事，我们相当于在开创方法。”

由于信噪比维持难度上升，量测领域开始转向机器学习。Onto 的 Teh 解释：“随着结构尺寸缩小，需要匹配的对象更难测量。我们预计亚 1nm 参数的光谱灵敏度将接近量测设备的噪声底。部分极小尺寸参数会被更敏感的参数掩盖。在这种场景下，ML 模型可用于放大关键信号。”

除放大信号外，ML 模型还能有效管理设备指纹，记录并识别设备的变更，将这些变更与设备性能（硬件、软件、晶圆结果）关联，提升对因果关系的理解。建立可信度后，下一步将是自动化决策。

爱德万的 Chu 说：“ML 将设备指纹从人工定义统计，升级为学习型行为表征，在先进测试系统在大批量机群中产生海量数据的场景下尤其有用。ML 还能增强异常检测，这对量产测试至关重要。通过学习特定测试单元的正常行为模式，模型能比静态阈值更早、更可靠地识别由校准漂移、组件老化、环境变化或负载板效应引起的早期偏差。在多设备机群中，ML 能凸显可能影响分 bin 或相关性的测试设备差异。需要强调的是，ML 是补充而非替代传统统计方法。”

结论

设备间匹配对晶圆厂与测试厂并非新工艺，但随着器件微缩、复杂度提升、工艺窗口收缩、公差收紧，难度显著增加。在2nm 节点，量测系统已逼近物理极限，任何信噪比提升都备受期待。

例如，工程师测量 3nm 结构时，套刻精度要求低于0.3nm。要实现这一点，必须对线边缘粗糙度、线宽粗糙度、CD 均匀性的随机效应建模，才能完成 CD-SEM 设备间匹配。

工程师通常从对比设备特征开始，将设备匹配细化到组件级。从组件到系统再到参数校准，在机器学习助力下，匹配变得更精密、更自动化。要在量测领域实现更精细的设备间匹配，工程师需要接入晶圆厂的电学测试数据，确保最终获得晶圆厂真正需要的结果：每次都产出高良率、高性能芯片。设备间匹配在保障高良率方面发挥关键作用，尤其在最先进的器件节点。

关键词： 测试 量测 设备匹配难度