制造缺陷

一、项目基本情况项目编号：1210-2341YDZB6002项目名称：晶圆制造缺陷检测设备采购采购方式：公开招标预算金额：5,000,000.00元采购需求：合同包1(晶圆制造缺陷检测设备):合同包预算金额：5,000,000.00元品目号品目名称采购标的数量（单位）技术规格、参数及要求品目预算(元)1-1其他仪器仪表晶圆制造缺陷检测设备1(台)详见采购文件5,000,000.00本合同包不接受联合体投标合同履行期限：合同生效180天内中标人完成货物安装调试并交付使用。二、申请人的资格要求：1.投标供应商应具备《政府采购法》第二十二条规定的条件，提供下列材料：1）具有独立承担民事责任的能力：在中华人民共和国境内注册的法人或其他组织或自然人， 投标（响应）时提交有效的营业执照（或事业法人登记证或身份证等相关证明） 副本复印件。分支机构投标的，须提供总公司和分公司营业执照副本复印件，总公司出具给分支机构的授权书。2）有依法缴纳税收和社会保障资金的良好记录：提供书面声明。3）具有良好的商业信誉和健全的财务会计制度：提供书面声明。4）履行合同所必需的设备和专业技术能力：提供书面声明。5）参加采购活动前3年内，在经营活动中没有重大违法记录：参照投标函相关承诺格式内容。 重大违法记录，是指供应商因违法经营受到刑事处罚或者责令停产停业、吊销许可证或者执照、较大数额罚款等行政处罚。（较大数额罚款按照《财政部关于第十九条第一款 “较大数额罚款”具体适用问题的意见 》（财库〔2022〕3号）执行）2.落实政府采购政策需满足的资格要求：合同包1(晶圆制造缺陷检测设备)落实政府采购政策需满足的资格要求如下:参与的供应商提供的货物全部由符合政策要求的中小企业制造3.本项目的特定资格要求：合同包1(晶圆制造缺陷检测设备)特定资格要求如下:(1)供应商未被列入“信用中国”网站(www.creditchina.gov.cn)“记录失信被执行人或重大税收违法失信主体或政府采购严重违法失信行为”记录名单；不处于中国政府采购网(www.ccgp.gov.cn)“政府采购严重违法失信行为信息记录”中的禁止参加政府采购活动期间。（以采购代理机构于投标截止时间当天在“信用中国”网站（www.creditchina.gov.cn） 及中国政府采购网（http://www.ccgp.gov.cn/） 查询结果为准， 如相关失信记录已失效， 供应商需提供相关证明资料）。(2)单位负责人为同一人或者存在直接控股、 管理关系的不同供应商，不得同时参加本采购项目（或采购包） 投标（响应）。 为本项目提供整体设计、 规范编制或者项目管理、 监理、 检测等服务的供应商， 不得再参与本项目投标（响应）。 投标（报价） 函相关承诺要求内容。(3)供应商已递交投标保证金。三、获取招标文件时间： 2023年03月01日 至 2023年03月21日 ，每天上午 00:00:00 至 12:00:00 ，下午 12:00:00 至 23:59:59 （北京时间,法定节假日除外）地点：广东省政府采购网https://gdgpo.czt.gd.gov.cn/方式：在线获取售价： 免费获取四、提交投标文件截止时间、开标时间和地点2023年03月22日 14时30分00秒 （北京时间）递交文件地点：线上递交开标地点：广州市天河北路626号保利中宇广场A座25楼第一会议室五、公告期限自本公告发布之日起5个工作日。六、其他补充事宜1.本项目采用电子系统进行招投标，请在投标前详细阅读供应商操作手册，手册获取网址：https://gdgpo.czt.gd.gov.cn/help/transaction/download.html。投标供应商在使用过程中遇到涉及系统使用的问题，可通过020-88696588 进行咨询或通过广东政府采购智慧云平台运维服务说明中提供的其他服务方式获取帮助。2.供应商参加本项目投标，需要提前办理CA和电子签章，办理方式和注意事项详见供应商操作手册与CA办理指南，指南获取地址：https://gdgpo.czt.gd.gov.cn/help/problem/。3.如需缴纳保证金，供应商可通过"广东政府采购智慧云平台金融服务中心"(http://gdgpo.czt.gd.gov.cn/zcdservice/zcd/guangdong/)，申请办理投标（响应）担保函、保险（保证）保函。4.本项目支持电子保函，可通过登录项目采购电子交易系统跳转至电子保函系统进行在线办理。电子保函办理办法详见供应商操作手册。5.本项目采用远程电子开标，供应商的法定代表人或其授权代表应当按照本招标公告载明的时间和模式等要求参加开标。在递交投标文件截止时间前30分钟，应当登录云平台开标大厅进行签到，并且填写授权代表的姓名与手机号码。若因签到时填写的授权代表信息有误而导致的不良后果，由供应商自行承担。七、对本次招标提出询问，请按以下方式联系。1.采购人信息名 称：广东工业大学地 址：广州市广州大学城外环西路100号联系方式：020-393400322.采购代理机构信息名 称：广东有德招标采购有限公司地 址：广州市天河北路626号保利中宇广场A座25楼联系方式：020-836295903.项目联系方式项目联系人：莫小姐电 话：020-83629590广东有德招标采购有限公司2023年02月28日

利用原子力显微镜进行的自动缺陷复检可以以纳米级的分辨率在三维空间中可视化缺陷，因此纳米级成像设备是制造过程的一个重要组成部分，它被视为半导体行业中的理想技术。结合原子力显微镜的三维无创成像，使用自动缺陷复查对缺陷进行检测和分类。伴随光刻工艺的不断进步，使生产更小的半导体器件成为可能。 随着器件尺寸的减小，晶圆衬底上的纳米级缺陷已经对器件的性能产生了限制。 因此对于这些缺陷的检测和分类需要具有纳米级分辨率的表征方法。 由于可见光的衍射极限，传统的自动光学检测（AOI）无法在该范围内达到足够的分辨率，这会损害定量成像和随后的缺陷分类。 另一方面，使用原子力显微镜 (AFM) 的自动缺陷复检 (ADR)技术以 AFM 常用的纳米分辨率能够在三维空间中可视化缺陷。 因此，ADR-AFM 减少了缺陷分类的不确定性，是半导体行业缺陷复检的理想技术。 缺陷检查和复检 随着半导体器件依靠摩尔定律变得越来越小，感兴趣的缺陷（DOI）的大小也在减小。DOI是可能降低半导体器件性能的缺陷，因此对工艺良率管理非常重要。DOI尺寸的减小对缺陷分析来说是一个挑战：合适的表征方法必须能够在两位数或一位数纳米范围内以高横向和垂直分辨率对缺陷进行无创成像。 传统上，半导体行业的缺陷分析包括两个步骤。第一步称为缺陷检测，利用高吞吐量但低分辨率的快速成像方法，如扫描表面检测系统（SSIS）或AOI。这些方法可以提供晶圆表面缺陷位置的坐标图。然而，由于分辨率较低，AOI和SSIS在表征纳米尺寸的DOI时提供的信息不足，因此，在第二步中依赖高分辨率技术进行缺陷复检。对于第二步，高分辨率显微镜方法，如透射或扫描电子显微镜（TEM和SEM）或原子力显微镜（AFM），通过使用缺陷检测的缺陷坐标图，对晶圆表面的较小区域进行成像，以解析DOI。利用AOI或SSIS的坐标图可以最大限度地减少感兴趣的扫描区域，从而缩短缺陷复检的测量时间。 众所周知，SEM和TEM的电子束可能会对晶圆造成损伤，所以更佳的技术选择应不能对晶圆产生影响。那么选择采用非接触测量模式的AFM可以无创地扫描表面。不仅有高横向分辨率，AFM还能够以高垂直分辨率对缺陷进行成像。因此，原子力显微镜提供了可靠的缺陷定量所需的三维信息。 原子力显微镜 通过在悬臂末端使用纳米尺寸的针尖对表面进行机械扫描，AFM在传统成像方法中实现了最高的垂直分辨率。除了接触模式外，AFM还可以在动态测量模式下工作，即悬臂在样品表面上方振荡。在这里，振幅或频率的变化提供了有关样品形貌的信息。这种非接触AFM模式确保了以高横向和垂直分辨率对晶圆表面进行无创成像。由于自动化原子力显微镜的最新发展，原子力显微镜的应用从学术研究扩展到了如硬盘制造和半导体技术等工业领域。该行业开始关注AFM的多功能性及其在三维无创表征纳米结构的能力。因此，AFM正在发展成为用于缺陷分析的下一代在线测量解决方案。 使用原子力显微镜自动缺陷复检 基于 AFM 的缺陷复检技术的最大挑战之一是将缺陷坐标从 AOI 转移到 AFM。最初，用户在 AOI 和 AFM 之间的附加步骤中在光学显微镜上手动标记缺陷位置，然后在 AFM 中搜索这些位置。然而，这个额外的步骤非常耗时并且显着降低了吞吐量。另一方面，使用 AFM 的自动缺陷复检从 AOI 数据中导入缺陷坐标。缺陷坐标的导入需要准确对准晶圆以及补偿 AOI 和 AFM 之间的载物台误差。具有比 AOI 更高位置精度的光学分析工具（例如Candela）,可以减少快速中间校准步骤中的载物台误差。以下 ADR-AFM 测量包括在给定缺陷坐标处的大范围调查扫描、缺陷的高分辨率成像和缺陷分类。由于自动化，测量过程中用户不必在场，吞吐量增加了一个数量级。为了保持纳米级的针尖半径，使多次后续扫描依旧保持高分辨率，ADR-AFM 采用非接触式动态成像模式。因此，ADR-AFM 可防止探针针尖磨损并确保对缺陷进行精确地定量复检。图1：用AOI和ADR-AFM测定的缺陷尺寸的直接比较，见左侧表格。右侧显示了所有六种缺陷的相应AFM形貌扫描。突出的缺陷称为Bump，凹陷的缺陷称为Pit。 AOI和ADR-AFM的比较 图1比较了 AOI 和 ADR-AFM 对相同纳米级缺陷的缺陷复检结果。AOI 根据散射光的强度估计缺陷的大小，而 ADR-AFM 通过机械扫描直接缺陷表面进行成像：除了横向尺寸外，ADR-AFM 还测量缺陷的高度或深度，从而可以区分凸出的“bump”和凹陷的“pit”缺陷。 缺陷三维形状的可视化确保了可靠的缺陷分类，这是通过 AOI 无法实现的。当比较利用 AOI 和 ADR-AFM 确定缺陷的大小时，发现通过 AOI估计的值与通过 ADR-AFM 测量的缺陷大小存在很大差异。对于凸出的缺陷，AOI 始终将缺陷大小低估了一半以上。 这种低估对于缺陷 4 尤其明显。在这里，AOI 给出的尺寸为 28 nm ，大约是 ADR-AFM 确定的尺寸为 91 nm 的三分之一。 然而，在测量“pit”缺陷 5 和 6 时,观察到了 AOI 和 ADR-AFM 之间的最大偏差。 AOI将尺寸在微米范围内的缺陷低估了两个数量级以上。 用 AOI 和 ADR-AFM 确定的缺陷大小的比较清楚地表明，仅 AOI不足以进行缺陷的成像和分类。图 2：ADR-AFM 和 ADR-SEM 之间的比较，a) ADR-SEM 之前遗漏的凸出缺陷的 AFM 图像。 ADR-SEM 扫描区域在 AFM 形貌扫描中显示为矩形。 b) 低高度 (0.5 nm) 缺陷的成像，ADR-SEM 无法解析该缺陷。 c) ADR-SEM 测量后晶圆表面上的电子束损伤示例，可见为缺陷周围的矩形区域。 ADR-SEM和ADR-AFM的比较 除了ADR-AFM，还可以使用 ADR-SEM 进行高分辨率缺陷复查。ADR-SEM根据AOI数据中的DOI坐标，通过SEM测量进行自动缺陷复检，在此期间，高能电子束扫描晶圆表面。虽然SEM提供了很高的横向分辨率，但它通常无法提供有关缺陷的定量高度信息。为了比较ADR-SEM和ADR-AFM的性能，首先通过ADR-SEM对晶圆的相同区域进行成像，然后进行ADR-AFM测量（图2）。AFM图像显示，ADR-SEM扫描位置的晶圆表面发生了变化，在图2a中，AFM形貌显示为矩形。由于ADR-AFM中ADR-SEM扫描区域的可见性，图2a说明ADR-SEM遗漏了一个突出的缺陷，该缺陷位于SEM扫描区域正上方。此外，ADR-AFM具有较高的垂直分辨率，其灵敏度足以检测高度低至0.5nm的表面缺陷。由于缺乏垂直分辨率，这些缺陷无法通过ADR-SEM成像（图2b）。此外，图2c通过总结高能电子束对样品表面造成的变化示例，突出了电子束对晶片造成损坏的风险。ADR-SEM扫描区域可以在ADR-AFM图像中识别为缺陷周围的矩形。相比之下，无创成像和高垂直分辨率使ADR-AFM非常适合作为缺陷复检的表征技术。

利用原子力显微镜进行的自动缺陷复检可以以纳米级的分辨率在三维空间中可视化缺陷，因此纳米级成像设备是制造过程的一个重要组成部分，它被视为半导体行业中的理想技术。结合原子力显微镜的三维无创成像，使用自动缺陷复查对缺陷进行检测和分类。伴随光刻工艺的不断进步，使生产更小的半导体器件成为可能。 随着器件尺寸的减小，晶圆衬底上的纳米级缺陷已经对器件的性能产生了限制。 因此对于这些缺陷的检测和分类需要具有纳米级分辨率的表征方法。 由于可见光的衍射极限，传统的自动光学检测（AOI）无法在该范围内达到足够的分辨率，这会损害定量成像和随后的缺陷分类。 另一方面，使用原子力显微镜 (AFM) 的自动缺陷复检 (ADR)技术以 AFM 常用的纳米分辨率能够在三维空间中可视化缺陷。 因此，ADR-AFM 减少了缺陷分类的不确定性，是半导体行业缺陷复检的理想技术。缺陷检查和复检随着半导体器件依靠摩尔定律变得越来越小，感兴趣的缺陷（DOI）的大小也在减小。DOI是可能降低半导体器件性能的缺陷，因此对工艺良率管理非常重要。DOI尺寸的减小对缺陷分析来说是一个挑战：合适的表征方法必须能够在两位数或一位数纳米范围内以高横向和垂直分辨率对缺陷进行无创成像。传统上，半导体行业的缺陷分析包括两个步骤。第一步称为缺陷检测，利用高吞吐量但低分辨率的快速成像方法，如扫描表面检测系统（SSIS）或AOI。这些方法可以提供晶圆表面缺陷位置的坐标图。然而，由于分辨率较低，AOI和SSIS在表征纳米尺寸的DOI时提供的信息不足，因此，在第二步中依赖高分辨率技术进行缺陷复检。对于第二步，高分辨率显微镜方法，如透射或扫描电子显微镜（TEM和SEM）或原子力显微镜（AFM），通过使用缺陷检测的缺陷坐标图，对晶圆表面的较小区域进行成像，以解析DOI。利用AOI或SSIS的坐标图可以最大限度地减少感兴趣的扫描区域，从而缩短缺陷复检的测量时间。众所周知，SEM和TEM的电子束可能会对晶圆造成损伤，所以更佳的技术选择应不能对晶圆产生影响。那么选择采用非接触测量模式的AFM可以无创地扫描表面。不仅有高横向分辨率，AFM还能够以高垂直分辨率对缺陷进行成像。因此，原子力显微镜提供了可靠的缺陷定量所需的三维信息。原子力显微镜通过在悬臂末端使用纳米尺寸的针尖对表面进行机械扫描，AFM在传统成像方法中实现了最高的垂直分辨率。除了接触模式外，AFM还可以在动态测量模式下工作，即悬臂在样品表面上方振荡。在这里，振幅或频率的变化提供了有关样品形貌的信息。这种非接触AFM模式确保了以高横向和垂直分辨率对晶圆表面进行无创成像。由于自动化原子力显微镜的最新发展，原子力显微镜的应用从学术研究扩展到了如硬盘制造和半导体技术等工业领域。该行业开始关注AFM的多功能性及其在三维无创表征纳米结构的能力。因此，AFM正在发展成为用于缺陷分析的下一代在线测量解决方案。使用原子力显微镜自动缺陷复检基于 AFM 的缺陷复检技术的最大挑战之一是将缺陷坐标从 AOI 转移到 AFM。最初，用户在 AOI 和 AFM 之间的附加步骤中在光学显微镜上手动标记缺陷位置，然后在 AFM 中搜索这些位置。然而，这个额外的步骤非常耗时并且显着降低了吞吐量。另一方面，使用 AFM 的自动缺陷复检从 AOI 数据中导入缺陷坐标。缺陷坐标的导入需要准确对准晶圆以及补偿 AOI 和 AFM 之间的载物台误差。具有比 AOI 更高位置精度的光学分析工具（例如Candela）,可以减少快速中间校准步骤中的载物台误差。以下 ADR-AFM 测量包括在给定缺陷坐标处的大范围调查扫描、缺陷的高分辨率成像和缺陷分类。由于自动化，测量过程中用户不必在场，吞吐量增加了一个数量级。为了保持纳米级的针尖半径，使多次后续扫描依旧保持高分辨率，ADR-AFM 采用非接触式动态成像模式。因此，ADR-AFM 可防止探针针尖磨损并确保对缺陷进行精确地定量复检。图1：用AOI和ADR-AFM测定的缺陷尺寸的直接比较，见左侧表格。右侧显示了所有六种缺陷的相应AFM形貌扫描。突出的缺陷称为Bump，凹陷的缺陷称为Pit。AOI和ADR-AFM的比较图1比较了 AOI 和 ADR-AFM 对相同纳米级缺陷的缺陷复检结果。AOI 根据散射光的强度估计缺陷的大小，而 ADR-AFM 通过机械扫描直接缺陷表面进行成像：除了横向尺寸外，ADR-AFM 还测量缺陷的高度或深度，从而可以区分凸出的“bump”和凹陷的“pit”缺陷。 缺陷三维形状的可视化确保了可靠的缺陷分类，这是通过 AOI 无法实现的。当比较利用 AOI 和 ADR-AFM 确定缺陷的大小时，发现通过 AOI 估计的值与通过 ADR-AFM 测量的缺陷大小存在很大差异。对于凸出的缺陷，AOI 始终将缺陷大小低估了一半以上。 这种低估对于缺陷 4 尤其明显。在这里，AOI 给出的尺寸为 28 nm ，大约是 ADR-AFM 确定的尺寸为 91 nm 的三分之一。 然而，在测量“pit”缺陷 5 和 6 时,观察到了 AOI 和 ADR-AFM 之间的最大偏差。 AOI将尺寸在微米范围内的缺陷低估了两个数量级以上。 用 AOI 和 ADR-AFM 确定的缺陷大小的比较清楚地表明，仅 AOI不足以进行缺陷的成像和分类。图 2：ADR-AFM 和 ADR-SEM 之间的比较，a) ADR-SEM 之前遗漏的凸出缺陷的 AFM 图像。 ADR-SEM 扫描区域在 AFM 形貌扫描中显示为矩形。 b) 低高度 (0.5 nm) 缺陷的成像，ADR-SEM 无法解析该缺陷。 c) ADR-SEM 测量后晶圆表面上的电子束损伤示例，可见为缺陷周围的矩形区域。ADR-SEM和ADR-AFM的比较除了ADR-AFM，还可以使用 ADR-SEM 进行高分辨率缺陷复查。ADR-SEM根据AOI数据中的DOI坐标，通过SEM测量进行自动缺陷复检，在此期间，高能电子束扫描晶圆表面。虽然SEM提供了很高的横向分辨率，但它通常无法提供有关缺陷的定量高度信息。为了比较ADR-SEM和ADR-AFM的性能，首先通过ADR-SEM对晶圆的相同区域进行成像，然后进行ADR-AFM测量（图2）。AFM图像显示，ADR-SEM扫描位置的晶圆表面发生了变化，在图2a中，AFM形貌显示为矩形。由于ADR-AFM中ADR-SEM扫描区域的可见性，图2a说明ADR-SEM遗漏了一个突出的缺陷，该缺陷位于SEM扫描区域正上方。此外，ADR-AFM具有较高的垂直分辨率，其灵敏度足以检测高度低至0.5nm的表面缺陷。由于缺乏垂直分辨率，这些缺陷无法通过ADR-SEM成像（图2b）。此外，图2c通过总结高能电子束对样品表面造成的变化示例，突出了电子束对晶片造成损坏的风险。ADR-SEM扫描区域可以在ADR-AFM图像中识别为缺陷周围的矩形。相比之下，无创成像和高垂直分辨率使ADR-AFM非常适合作为缺陷复检的表征技术。结论随着现代技术中半导体器件尺寸的不断减小，原子力显微镜作为一种高分辨率、无创的缺陷分析方法在半导体工业中的作用越来越明显。AFM测量的自动化简化并加快了之前AFM在缺陷表征方面低效的工作流程。AFM自动化方面的进展是引入ADR-AFM的基础，在ADR-AFM中，缺陷坐标可以从之前的AOI测量中导入，随后基于AFM的表征不需要用户在场。因此，ADR-AFM可作为缺陷复检的在线方法。特别是对于一位或两位级纳米范围内的缺陷尺寸，ADR-AFM补充了传统的AOI，AFM的高垂直分辨率有助于可靠的三维缺陷分类。非接触式测量模式确保了无创伤表面表征，并防止AFM针尖磨损，从而确保在许多连续测量中能够维持高分辨率。作者:Sang-Joon Cho, Vice President and director of R&D Center, Park Systems Corp.Ilka M. Hermes, Principal Scientist, Park Systems Europe.

作者: Sang-Joon Cho, Park Systems Corp.副总裁兼研发中心总监、Ilka M. Hermes, Park Systems Europe 首席科学家利用原子力显微镜进行的自动缺陷复检，通过纳米级的分辨率在三维空间中可视化缺陷。因此，纳米级成像设备是制造过程的一个重要组成部分，它被视为当今半导体行业中最理想的技术。结合原子力显微镜的三维无创成像，使用自动缺陷复查对缺陷进行精确检测和准确分类。 与时俱进的光刻工艺使得生产的半导体器件越来越微小化。器件尺寸一旦减小，晶圆衬底上的纳米级缺陷就限制了器件的性能使用。因此对于这些缺陷的检测和分类需要具有纳米级分辨率的表征技术。由于可见光的衍射极限，传统的自动光学检测（AOI）无法在该范围内达到足够的分辨率，进而损害定量成像和随后的缺陷分类。而原子力显微镜 (AFM) 自动缺陷复检 (ADR)技术则有效地解决了该问题。该技术利用 AFM 常用的纳米分辨率，能够在三维空间中可视化缺陷，大大减少了缺陷分类的不确定性。因此，ADR-AFM 成为了当今半导体行业缺陷复检最理想的技术。缺陷检查和复检由于摩尔定律，半导体器件变得越来越小，需要检查的缺陷（DOI）大小也在减小。DOI可能会降低半导体器件性能的缺陷，因此对工艺良率的管理非常重要。DOI尺寸的减小对缺陷分析来说是一个挑战。合适的表征技术必须能够在两位数或一位数纳米范围内以高横向分辨率和垂直分辨率对缺陷进行无创成像。一般来说，半导体行业的缺陷分析包含两个步骤。第一步：缺陷检测。利用吞吐量虽高但低分辨率的快速成像方法，如扫描表面检测系统（SSIS）或AOI。这些方法可以提供晶圆表面缺陷位置的坐标图。然而，由于分辨率较低，AOI和SSIS在表征纳米尺寸的DOI时提供的信息不足，接下来需要依赖高分辨率技术进行缺陷复检。第二步：缺陷复检。利用高分辨率显微镜方法，如透射电子显微镜(TEM)或扫描电子显微镜(SEM)或原子力显微镜（AFM）。通过使用缺陷检测的缺陷坐标图，对晶圆表面的较小区域进行成像，以解析DOI。利用AOI或SSIS的坐标图可以最大限度地减少检查的扫描区域，从而缩短缺陷复检的测量时间。众所周知，SEM和TEM的电子束可能会对晶圆造成损伤，而非接触测量模式的AFM则有效地避免了该影响。它不仅可以无创地扫描表面，还有高横向和垂直分辨率对缺陷进行成像。因此，原子力显微镜能提供可靠的缺陷定量所需的三维信息。原子力显微镜通过在悬臂末端使用纳米尺寸的针尖对表面进行机械扫描，AFM在传统成像方法中可达到最高的垂直分辨率。除接触模式外，AFM还可以启用动态测量模式，即悬臂在样品表面上方振荡。由此，振幅或频率的变化提供了有关样品形貌的信息。这种非接触AFM模式确保了以高横向和垂直分辨率对晶圆表面进行无创成像。随着自动化原子力显微镜的更新发展，原子力显微镜的应用越来越广泛，从学术研究扩展到了如硬盘制造和半导体技术等工业领域。该行业开始关注AFM的多功能性及其在三维无创表征纳米结构的能力。因此，AFM正发展成为用于缺陷分析的新一代在线测量解决方案。使用原子力显微镜自动缺陷复检AFM 缺陷复检技术的最大挑战之一是将缺陷坐标从 AOI 转移到 AFM。基于此，用户最初会在 AOI 和 AFM 之间的附加步骤中，手动在光学显微镜上手动标记缺陷位置，然后在 AFM 中搜索这些位置。然而，这个额外的步骤不仅非常耗时还大大降低了吞吐量。另外，使用 AFM 的自动缺陷复检需要从 AOI 数据中导入缺陷坐标。而缺陷坐标的导入需要准确对准晶圆及精减AOI 和 AFM 之间的载物台误差。位置精度比AOI 更高的光学分析工具（例如Candela）,可以有效减少中间校准步骤中的载物台误差。以下 ADR-AFM 测量包括在给定缺陷坐标处的大范围调查扫描、缺陷的高分辨率成像和缺陷分类。自动化的测量过程无需用户在场，吞吐量还增加了一个数量级。为了保持纳米级的针尖半径和连续扫描依旧保持高分辨率，ADR-AFM 采用非接触式动态成像模式。因此，ADR-AFM 可有效防止探针针尖磨损并确保对缺陷进行精确地定量复检。△图1：用AOI和ADR-AFM测定的缺陷尺寸的直接比较，见左侧表格。右侧显示了所有六种缺陷的相应AFM形貌扫描。突出的缺陷称为Bump，凹陷的缺陷称为Pit。AOI和ADR-AFM的比较图1比较了 AOI 和 ADR-AFM 在相同纳米级缺陷下所产生的不同缺陷复检结果。AOI 根据散射光的强度估计缺陷的大小，而 ADR-AFM 则通过机械直接扫描缺陷表面进行成像。除了横宽，ADR-AFM 还测量缺陷的高度或深度，从而可以区分凸出的“bump”和凹陷的“pit”缺陷。可视化的缺陷三维形状确保了缺陷分类的可靠性和精确性，而这些是AOI无法实现的。当对比分别利用 AOI 和 ADR-AFM 确定缺陷的大小时，我们发现通过 AOI 估计的值与通过 ADR-AFM 测量的缺陷大小存在很大差异。对于凸出的缺陷，AOI 始终将缺陷大小低估了一半以上。这种低估对于缺陷 4 尤其明显。在这里，AOI 给出的尺寸为 28 nm ，大约是 ADR-AFM确定的 91 nm 尺寸的三分之一。在测量“pit”缺陷 5 和 6 时,我们观察到了 AOI 和 ADR-AFM 之间的最大偏差。AOI将尺寸在微米范围内的缺陷低估了两个数量级以上。上述比较清楚地表明，仅用AOI不足以进行缺陷的成像和分类。△图2：ADR-AFM 和 ADR-SEM 之间的比较，a) ADR-SEM 之前遗漏的凸出缺陷的 AFM 图像。ADR-SEM 扫描区域在 AFM 形貌扫描中显示为矩形。b) 低高度 (0.5 nm) 缺陷的成像，ADR-SEM 无法解析该缺陷。c) ADR-SEM 测量后晶圆表面上的电子束损伤示例，可见为缺陷周围的矩形区域。ADR-SEM和ADR-AFM的比较除了ADR-AFM， ADR-SEM 也可以进行高分辨率的缺陷复查。ADR-SEM根据AOI数据中的DOI坐标，通过SEM测量进行自动缺陷复检。在此期间，高能电子束扫描晶圆表面。虽然SEM提供了很高的横向分辨率，但它通常无法提供有关缺陷的定量高度信息。为了比较ADR-SEM和ADR-AFM的性能，首先需要通过ADR-SEM对晶圆的相同区域进行成像，然后通过ADR-AFM进行测量（图2）。AFM图像显示，ADR-SEM扫描的晶圆表面发生了变化，在图2a中，AFM形貌显示为矩形。由于ADR-AFM中ADR-SEM扫描区域的可视性，图2a表明ADR-SEM遗漏了一个突出的缺陷，该缺陷位于SEM扫描区域正上方。此外，ADR-AFM具有较高的垂直分辨率，其灵敏度足以检测高度低至0.5nm的表面缺陷。由于缺乏垂直分辨率，这些缺陷无法通过ADR-SEM成像（图2b）。此外，图2c通过总结高能电子束对样品表面造成的变化示例，突出了电子束对晶片造成损坏的风险。ADR-SEM扫描区域可以在ADR-AFM图像中识别为缺陷周围的矩形。相比之下，无创成像和高垂直分辨率使ADR-AFM非常适合作为缺陷复检的表征技术。结论随着现代技术不断创新，半导体器件尺寸不断减小，原子力显微镜作为一种高分辨率、无创的缺陷分析方法在半导体工业中的作用越来越明显。AFM自动化的测量简化并加快了之前AFM在缺陷表征方面低效的工作流程。AFM自动化方面的进展是引入ADR-AFM的基础。在ADR-AFM中，缺陷坐标可以从之前的AOI测量中导入，随后基于AFM的表征不需要用户在场。因此，ADR-AFM可作为缺陷复检的在线方法。特别是对于一位或两位级纳米范围内的缺陷尺寸，ADR-AFM补充了传统的AOI性能，AFM的高垂直分辨率有助于进行可靠的三维缺陷分类。非接触式测量模式确保了无创伤的表面表征，并有效防止AFM针尖磨损，从而确保在许多连续测量中能够依旧保持精准的高分辨率。

36氪获悉，工业视觉方案提供商「玻尔智造」日前获数千万元Pre-A轮融资，领投方为浩澜资本，毅仁资本担任独家财务顾问。本轮融资资金将用于自主光学成像方案和AI技术进一步研发。玻尔智造成立于2020年，结合自研光学方案及AI算法，主要对消费电子产品进行表面缺陷检测。依靠核心技术与缺陷检测效果，如今玻尔智造已成为某消费电子龙头在外观缺陷检测领域的全球专项战略供应商。机器视觉检测此前多应用于面板、PCB、印刷等行业，主要针对单一均匀的二维平面。消费电子产品因存在异形、复杂的三维面等，外观缺陷检测仍主要由人工目检完成。这意味着相当数量的工人需要在高亮度灯光下近距离且长时间观察被检物件，既可能对人眼造成损伤，也存在准确性、稳定性、工作时长等限制。同时，消费电子产品外观缺陷检测存在诸多难点，包括需检测多种表面形态、不同材质、数百种缺陷类别等。以看似简单的手机充电器为例，不仅同时包含塑胶和金属材质，且有平面、弧面、球面等多种表面形态。其他产品如含充电仓的无线耳机等，更存在异形曲面等复杂结构。对此，玻尔智造选择结合自研自控的光学成像方案以及AI图像识别算法，进行整机集成。“打通光学和算法软件的搭配协作，整机才能灵活运用。”玻尔智造CEO&CTO陈志忠告诉36氪。其中，光学方案就像一双眼睛，面对不同材质、曲率、反射率的检测对象，需要综合打光弧度、光源波长等要素，通过光源、镜头、相机的组合应用，实现被检物品的清晰成像。完整的光学方案，需要具备一次成像能力，拍摄速度要跟上产线生产速度，并考虑设备生产和成本核算的可行性。图源企业玻尔智造团队所积累的视觉检测经验，能够在面对不同材质、结构的被检品时，短时间内提出有效的光学整体方案。对于一般方案中的缺陷成像难点，如磨砂面轻微划伤、金属麻点差异成像等，玻尔智造亦有独家技术解决，能够得到清晰、经增强的缺陷图像。基于光学方案得到的清晰影像，玻尔智造检测设备进一步通过AI图像算法对缺陷进行识别。针对部分产品及结构的检测，玻尔智造已与行业龙头客户达成独家量产合作，进一步在实际生产线中积累一手且海量的被检品图像数据库。对于集成了光学方案与软件算法的检测设备整机，玻尔智造采用了模块化设计，包括机械平台、算法平台、光学模块及机械模块。整机设备可根据实际需求对模块进行组合，配合不同产品、厂商的检测要求，以单台设备兼容多款产品检测。部分外观缺陷检测整机设备展示，图源企业面对多面、多材质、多缺陷种类的检测对象，玻尔智造设备能够在2s内完成运动、成像、识别等系列操作，相比30s标准人工工时，时长缩短至1/15。目前，玻尔智造在某龙头客户电源产品检测领域的市占率居于首位，并将拓展更多材质与结构检测，适应更多检测对象的需求。同时，结合客户的全球化布局，玻尔也将进一步开拓印度、越南市场。未来，玻尔智造计划以消费电子行业为根基，依托在中国台湾既有的资源积累，进一步向半导体领域探索，现已能完成10微米级的陶瓷基板检测。玻尔智造新的研发及组装中心将落地上海、诸暨等。玻尔智造团队研发人员占比超60%，CEO&CTO陈志忠为台湾省台湾大学化学所物理化学博士，有20余年集成视觉技术经验，拥有个人发明专利40+，发表SCI 15+，曾作为核心成员带领某台企上市，并曾任某上市工业视觉企业核心研发负责人。团队创始成员曾任职行业内全球五百强企业，具备开拓视觉检测供应商经历，拥有较强先进制造落地经验。投资方观点本轮领投方浩澜资本主管合伙人王曦表示：消费电子行业的缺陷检测，随着某龙头客户体系全面用外观缺陷检测设备取代过去的人力检测，正面临巨大的市场机会。玻尔智造作为该龙头客户战略供应商之一，在巩固消费电子行业头部位置的同时，更向半导体领域进行开拓和探索。公司积累多种材质的海量图像数据库, 更为公司技术的迭代和建立壁垒打下基础。浩澜资本会坚定持续地运用我们在先进制造和半导体行业的产业资源和资本能力，支持坚定自主创新，扎实商业落地的“硬科技”企业进入健康发展的快车道。诸暨经开区作为智能视觉“万亩千亿”新产业平台，全力支持智能视觉产业链科创企业的创新和发展，通过一系列专项政策让人才留得住、让优质项目发展得好。

本文将为您介绍何谓量子效率光谱，以及CIS影像晶片常见的4种制程缺陷。SG-A_CMOS 商用级图像传感器测试仪相较于传统光学检测设备可以提供更精细的缺陷检测资讯，有助于使用者全面了解CIS影像晶片的性能表现。量子效率光谱是CIS影像晶片的关键参数之一，可以反映CIS影像晶片对不同波长下的感光能力，进而影响影像的成像质量。1. 什么是CIS影像晶片的量子效率光谱？CIS影像晶片的量子效率光谱是指在不同波长下，CIS晶片对光的响应效率。物理上，光子的能量与其波长成反比，因此，不同波长的光子对CIS影像晶片产生的响应效率也不同。量子效率光谱可以反映传感器在不同波长下的响应能力，帮助人们理解传感器的灵敏度和色彩还原能力等特性。通常，传感器的量子效率光谱会在可见光波段范围内呈现出不同的特征，如波峰和波谷，这些特征也直接影响着传感器的成像质量。2. Quantum Efficiency Spectrum 量子效率光谱可以解析CIS影像晶片内部的缺陷，常见的有下四种：BSI processing designOptical Crosstalk inspectionColor filter quality and performanceSi wafer THK condition in BSI processing3. 透过量子效率光谱解析常见的4种制程缺陷A. 什么是BSI制程？(1) BSI的运作方式BSI全名是Back-Side Illumination．是指"背照式"影像传感器的制造工艺，它相对于传统的"正面照射"(FSI, Front-Side Illumination)影像传感器，能够提高影像传感器的光学性能，特别是在各波长的感光效率的大幅提升。在BSI制程中，像素置于矽基板的背面，光通过矽基板进入感光像素，减少了前面的传输层和金属线路的干扰，提高了光的利用率和绕射效应，进而提高了影像传感器的解析度和灵敏度。(2) 传统的"正面照射"(FSI, Front-Side Illumination)图像传感器的工作方式FSI 是一种传统的图像传感器制程技术,光线透过透镜后,从图像传感器的正面照射到图像传感器的感光面,因此需要在感光面(黄色方框, Silicon)的上方放置一些电路和金属线,这些元件会遮挡一部分光线,降低图像传感器的光量利用率,影响图像的品质。相对地,BSI 技术是在感光面的背面,也就是基板反面制作出感光元件,让光线可以直接进入到感光面,这样就可以最大限度地提高光量利用率,提高图像的品质,并且不需要额外的电路和金属线的遮挡,因此也可以实现更高的像素密度和更快的图像读取速度。(3) 为什么BSI工艺重要?BSI工艺是重要的制造技术之一,可以大幅提升CIS图像传感器的感光度和量子效率,因此对于低光照环境下的图像采集有很大的帮助。BSI工艺还可以提高图像传感器的分辨率、动态范围和信噪比等性能,使得图像质量更加优良。由于现今图像应用日益广泛,对图像质量和性能要求也越来越高,因此BSI工艺在现代图像传感器的制造中扮演着重要的角色。目前,BSI 技术已成为图像传感器的主流工艺技术之一,被广泛应用于各种高阶图像产品中。(4) 量子效率光谱如何评估BSI工艺的好坏如前述,在CIS图像芯片的制造过程中,不同波长的光子对于图像芯片的感光能力有所不同。因此,量子效率光谱是一种可以检测图像芯片感光能力的方法。利用量子效率光谱,可以评估BSI工艺的好坏。Example-1如图,TSMC使用量子效率光谱分析了前照式FSI和背照式BSI两种工艺对RGB三原色的像素感光表现的差异。结果表明,BSI工艺可以大幅提高像素的感光度,将原本FSI的40%左右提高到将近60%的量子效率。上图 TSMC利用Wafer Level Quantum Efficiency Spectrum(量子效率光谱)分析1.75μm的前照式FSI与背照式BSI两种工艺对RGB三原色的像素在不同波长下的感光表现差异。由量子效率光谱的结果显示,BSI工艺可以大幅提升像素的感光度,将原本FSI的40%左右提高到将近60%的量子效率。(Reference: tsmc CIS)。量子效率光谱的分析可以帮助工程师判断不同工艺对感光能力的影响,并且确定BSI工艺的优势。(5) 利用量子效率光谱分析不同BSI工艺工艺对CIS图像芯片感光能力的影响Example-2 如上图。Omnivision 采用Wafer Level Quantum Efficiency Spectrum量子效率光谱分析采用TSMC 65nm工艺进行量产时,不同工艺工艺,对CIS图像芯片感光能力的影响。在1.4um像素尺寸使用BSI-1工艺与BSI-2的量子效率光谱比较下,可以显著的判断,BSI-2的量子效率较BSI-1有着将近10%的量子效率提升。代表着BSI-2的工艺可以让CIS图像芯片内部绝对感光能力可以提升10%((a)表)。此外,量子效率光谱是优化CIS图像芯片制造的重要工具。例如,在将BSI-2用于1.1um像素的工艺中,与1.4um像素的比较表明,在蓝光像素方面,BSI-2可以提供更高的感光效率,而在绿光和红光像素的感光能力方面,BSI-2的效果与1.4um像素相似。另外,Omnivision也利用量子效率光谱分析了TSMC 65nm工艺中不同BSI工艺工艺对CIS图像芯片感光能力的影响,发现BSI-2可以提高近10%的量子效率,从而使CIS图像芯片的感光能力提高10%。将BSI-2工艺用于1.1um像素的制造,并以量子效率光谱比较1.4um和1.1um像素。结果显示,使用BSI-2工艺的1.1um像素,在蓝色像素方面具有更高的感光效率,而在绿色和红色像素的感光能力方面与1.4um像素相近。这个结果显示,BSI-2工艺可以在保持像素尺寸的前提下提高CIS图像芯片的感光能力,进而提高图像质量。因此,利用量子效率光谱比较不同工艺工艺对CIS图像芯片的影响,可以为CIS制造优化提供重要参考。上图 Omnivision采用了Wafer Level Quantum Efficiency Spectrum量子效率光谱,以分析TSMC 65nm工艺在量产时,不同工艺工艺对CIS图像芯片感光能力的影响。通过这种光谱分析技术,Omnivision能够精确地判断不同工艺工艺所产生的量子效率差异,并进一步分析出如何优化CIS图像芯片的感光能力。因此,Wafer Level Quantum Efficiency Spectrum量子效率光谱分析是CIS工艺中一项重要的技术,可用于协助提高CIS图像芯片的质量和性能。(Reference: Omnivision BSI Technology.)B. Optical Crosstalk Inspection(1) 什么是Optical Crosstalk?CIS的optical cross-talk是指光线在图像芯片中行进时,由于折射、反射等原因,导致相邻像素之间的光相互干扰而产生的一种影响。(2) 为什么Optical Crosstalk的检测重要?在CIS图像芯片中,optical crosstalk是一个重要的问题,因为它会影响图像的品质和精度。optical crosstalk是由于像素之间的光学相互作用而产生的,导致相邻像素的光信号互相干扰,进而影响到像素之间的区别度和对比度。因此,降低optical cross-talk是提高CIS图像芯片品质的重要目标之一。(3) 如何利用QE光谱来检测CIS 的Crosstalk?量子效率(QE)光谱可用于检测CMOS图像传感器(CIS)的串音问题。通过测量CIS在不同波长下的QE,可以检测CIS中是否存在串音问题。当CIS中存在串音问题时,在某些波长下可能会观察到QE异常。在这种情况下,可以采取相应的措施来降低串音,例如优化CIS设计或改进工艺。缩小像素尺寸对于高分辨率成像和量子图像传感器是绝对必要的。如上图,TSMC利用45nm 先进CMOS工艺,来制作0.9um 像素用于堆叠式CIS。而optical crosstalk光学串扰对于SNR与成像品质有着显著的影响。因此,TSMC采用了一种像素工艺,来改善这种optical crosstalk光学串扰。结构如下图。结构(a)是控制像素。光的路径线为ML(Microlens)、CF (Color Filter)、PD(Photodiode, 感光层)。而在optical crosstalk影响的示意图,如绿色线的轨迹。光子由相邻的像素单元进入后,因为多层结构的折射,入射到中间的PD感光区,造成串扰讯号。TSMC设计结构(b) “深沟槽隔离(DTI)" 技术是为了在不牺牲并行暗性能的情况下抑制光学串扰。由(b)可以发现,DTI所形成的沟槽可以隔离原本会产生光学串扰的光子入射到中间的感光Photodiode区,抑制了串扰并提高了SNR。像素的横截面示意图 (a) 控制像素 (b)串扰改善像素。Wafer Level Quantum Efficiency Spectrum of two different structure CISs. 在该图中,展示了0.9um像素的量子效率光谱,其中虚线代表控制的0.9um像素(a),实线代表改进的0.9um像素(b)。由于栅格结构的光学孔径面积略微变小,因此光学串扰得到了极大的抑制。光学串扰抑制的直接证据,在量子效率光谱上得到体现。图中三个黄色箭头指出了R、G、B通道的串扰抑制证据。蓝光通道和红光通道反应略微下降,但是通过新开发的颜色滤光片材料,绿光通道的量子效率得到了提升。利用Wafer Level Quantum Efficiency Spectrum技术可以直接证明光学串扰的抑制现象。对于不同的CIS图像芯片,可以通过量子效率光谱测试来比较它们在不同波长下的量子效率响应,进而分辨optical crosstalk是否得到抑制。上图展示了0.9um像素的量子效率光谱,其中虚线代表控制的0.9um像素(a),实线代表改进的0.9um像素(b)。由于栅格结构的光学孔径面积略微变小,因此光学串扰得到了极大的抑制。光学串扰抑制的直接证据,在量子效率光谱上得到体现。图中三个黄色箭头指出了R、G、B通道的串扰抑制证据。C. Color filter quality inspection(1) 什么是CIS 的Color filter？CIS的Color filter是一种用于CIS图像芯片的光学滤光片。它被用于调整图像传感器中各个像素的光谱响应,以便使得CIS图像芯片可以感测和分离不同颜色的光,并将其转换为数字信号。Color filter通常包括红、绿、蓝三种基本的色彩滤光片。而对于各种不同filter排列而成的color filter array (CFA),可以参考下面的资料。最常见的CFA就是Bayer filter的排列,也就是每个单元会有一个B、一个R、与两个G的filter排列。Color filter在CIS图像芯片中扮演着非常重要的角色,其质量直接影响着图像的色彩再现效果。为了确保Color filter的性能符合设计要求,需要进行精确的光谱分析和质量检测。透过率光谱可以评估不同Color filter的光学性能 量子效率光谱可以检测Color filter与光电二极管的匹配程度。只有通过严格的质量检测,才能保证CIS芯片输出优质的图像。图 Color filter 如何组合在“Pixel"传感器中。一个像素单位会是由Micro Lens + CFA + Photodiode等三个主要部件构成。Color filter的主要作用是将入射的白光分解成不同的色光,并且选择性地遮挡某些色光,从而实现对不同波长光的选择性感光。(2) 为什么Color filter的检测重要?在CIS图像芯片中,每个像素上都会有一个color filter,用来选择性地感光RGB三种颜色的光线,从而实现对彩色图像的捕捉和处理。如果color filter的性能不好,会影响像素的感光度和光谱响应,进而影响图像的品质和精度。因此,优化color filter的性能对于提高CIS图像芯片的品质至关重要。Color filter 的检测是十分重要的,因为color filter 的品质和稳定性会直接影响到CIS 图像芯片的色彩精确度和对比度,进而影响整个图像的品质和清晰度。如果color filter 存在缺陷或不均匀的情况,就会导致图像中某些颜色的偏移、失真、色彩不均等问题。因此,对color filter 进行严格的检测,可以帮助制造商确保其性能和品质符合设计要求,从而提高CIS 图像芯片的生产效率和产品的可靠性。(3) 如何利用QE光谱来检测CIS 的Color filter quality?CIS的Color filter通常是由一种称为“有机色料"(organic dyes or pigments)的物质制成,这些有机色料能够选择性地吸收特定波长的光,以产生所需的颜色滤波效果。这些有机色料通常是透过涂布技术将它们沉积在玻璃或硅基板上形成彩色滤光片。量子效率(QE)光谱可以测量CIS在不同波长下的感光度,从而确定Color filter的品质和性能。正常情况下,Color filter应该能够适当地分离不同波长的光,并且在光学过程中产生较小的串扰。因此,如果在特定波长下的量子效率比预期值低,可能是由于Color filter的品质或性能问题引起的。通过对量子效率 (QE)光谱的分析,可以确定Color filter的性能是否符合设计要求,并提前进行相应的调整和优化。TSMC利用Wafer Level Quantum Efficiency Spectrum晶片级量子效率光谱技术,对不同的绿色滤光片材料进行检测,以评估其对CIS图像芯片的感光能力和光学串扰的影响。如上图,TSMC的CIS工艺流程利用Wafer Level Quantum Efficiency Spectrum的光谱技术,针对不同的绿色滤光片材料进行检测,以评估其对CIS图像芯片的感光能力和光学串扰的影响。晶圆级量子效率光谱显示了三种不同Color filter材料(Green_1, Green_2和Green_3)的特性。透过比较这三种材料,可以发现:(1) 主要绿色峰值位置偏移至550nm(2) 绿光和蓝光通道的optical crosstalk现象显著降低(3) 绿光和红光通道的optical crosstalk现象显著增加。通过对量子效率(QE)光谱的分析,可以确定Color filter的性能是否符合设计要求,并提前进行相应的调整和优化。以确保滤光片材料的特性符合设计要求,并且保证图像的品质和精度,提高CIS图像芯片的可靠性和稳定性。D. Si 晶圆厚度控制(1) 什么是Si 晶圆厚度控制?当我们在制造BSI CIS图像芯片时,需要使用一种称为"减薄(thin down)"的工艺来将晶圆变得更薄。这减薄后的晶圆厚度会直接影响CIS芯片的感光度,因此晶圆的厚度对图像芯片的感光性能和质量都有很大的影响。为了确保图像芯片能够正常工作,我们需要使用"Si 晶圆厚度控制"工艺来精确地控制晶圆的厚度。这样可以确保我们减薄出来的晶圆厚度能够符合设计要求,同时也可以提高图像芯片的产品良率。BSI的流程图。采用BSI工艺的CIS图像芯片,会有一道重要的工艺“减薄"(Thin down), 也就是将晶圆的厚度减少到一定的程度。(2) Si 晶圆厚度控制工艺监控中的量子效率检测非常重要在制造CIS芯片时,Si 晶圆厚度控制工艺的控制对于芯片的感光度有着直接的影响。这种影响可以透过量子效率光谱来观察,确保减薄后的CIS芯片拥有相当的光电转换量子效率。减薄后的晶圆会有一个最佳的厚度值,可以确保CIS芯片拥有最佳的光电转换量子效率。使用450nm、530nm和600nm三种波长,可以测试红色、绿色和蓝色通道的量子效率。实验结果显示了不同减薄厚度的CIS在蓝光、绿光、红光通道的量子效率值的变化。减薄厚度的偏差会对CIS的感光度产生直接的影响,进而影响量子效率的值。因此,量子效率的检测对于Si 晶圆厚度控制工艺的监控至关重要,以确保制造的CIS芯片具有稳定和一致的质量。下图显示了在不同减薄厚度下CIS图像芯片在蓝、绿、红三个光通道的量子效率值变化。蓝光通道的量子效率值是利用450nm波长测量的,当减薄后的厚度比标准厚度多0.3um时,其量子效率值会由52%下降至49% 当减薄后的厚度比标准厚度少0.3um时,蓝光通道的量子效率只略微低于52%。红光通道的量子效率值是利用600nm波长测量的,发现红光通道的表现在不同厚度下与蓝光通道相反,当减薄后的厚度比标准厚度少0.3um时,红光通道的量子效率显著地由44%下降至41%。在较厚的条件(+0.3um)下,红光通道的量子效率并没有显著的变化。绿光通道的量子效率值是以530nm波长测量的,在三种厚度条件下(STD THK ± 0.3um),绿光通道的量子效率没有显著的变化。利用不同的Si晶圆厚度(THK)对CIS图像芯片的量子效率进行测试,测试波长分别为600nm、530nm和450nm,并且针对红色、绿色和蓝色通道的量子效率进行评估。结果显示,在绿光通道方面,Si晶圆厚度的变化在±0.3um范围内,530nm波段的量子效率并未有明显变化。但是,在红光通道方面,随着Si晶圆厚度的下降,量子效率会有显著的下降。而在蓝光通道450nm的情况下,量子效率会随着Si晶圆厚度的下降而有显著的下降。这些结果表明,Si晶圆厚度对于CIS图像芯片的量子效率有重要的影响,且不同通道的影响程度不同。因此,在制造CIS图像芯片时需要精确地控制Si晶圆厚度,以确保产品的质量和性能。

摘要晶圆表面缺陷检测在半导体制造中对控制产品质量起着重要作用，已成为计算机视觉领域的研究热点。然而，现有综述文献中对晶圆缺陷检测方法的归纳和总结不够透彻，缺乏对各种技术优缺点的客观分析和评价，不利于该研究领域的发展。本文系统分析了近年来国内外学者在晶圆表面缺陷检测领域的研究进展。首先，介绍了晶圆表面缺陷模式的分类及其成因。根据特征提取方法的不同，目前主流的方法分为三类：基于图像信号处理的方法、基于机器学习的方法和基于深度学习的方法。此外，还简要介绍了代表性算法的核心思想。然后，对每种方法的创新性进行了比较分析，并讨论了它们的局限性。最后，总结了当前晶圆表面缺陷检测任务中存在的问题和挑战，以及该领域未来的研究趋势以及新的研究思路。1.引言硅晶圆用于制造半导体芯片。所需的图案是通过光刻等工艺在晶圆上形成的，是半导体芯片制造过程中非常重要的载体。在制造过程中，由于环境和工艺参数等因素的影响，晶圆表面会产生缺陷，从而影响晶圆生产的良率。晶圆表面缺陷的准确检测，可以加速制造过程中异常故障的识别以及制造工艺的调整，提高生产效率，降低废品率。晶圆表面缺陷的早期检测往往由经验丰富的检测人员手动进行，存在效率低、精度差、成本高、主观性强等问题，不足以满足现代工业化产品的要求。目前，基于机器视觉的缺陷检测方法[1]在晶圆检测领域已经取代了人工检测。传统的基于机器视觉的缺陷检测方法往往采用手动特征提取，效率低下。基于计算机视觉的检测方法[2]的出现，特别是卷积神经网络等神经网络的出现，解决了数据预处理、特征表示和提取以及模型学习策略的局限性。神经网络以其高效率、高精度、低成本、客观性强等特点，迅速发展，在半导体晶圆表面缺陷检测领域得到广泛应用。近年来，随着智能终端和无线通信设施等电子集成电路的发展，以及摩尔定律的推广，在全球对芯片的需求增加的同时，光刻工艺的精度也有所提高。随着技术的进步，工艺精度已达到10纳米以下[5]。因此，对每个工艺步骤的良率提出了更高的要求，对晶圆制造中的缺陷检测技术提出了更大的挑战。本文主要总结了晶圆表面缺陷检测算法的相关研究，包括传统的图像处理、机器学习和深度学习。根据算法的特点，对相关文献进行了总结和整理，对晶圆缺陷检测领域面临的问题和挑战进行了展望和未来发展。本文旨在帮助快速了解晶圆表面缺陷检测领域的相关方法和技能。2. 晶圆表面缺陷模式在实际生产中，晶圆上的缺陷种类繁多，形状不均匀，增加了晶圆缺陷检测的难度。在晶圆缺陷的类型中，无图案晶圆缺陷和图案化晶圆缺陷是晶圆缺陷的两种主要形式。这两类缺陷是芯片故障的主要原因。无图案晶圆缺陷多发生在晶圆生产的预光刻阶段，即由机器故障引起的晶圆缺陷。划痕缺陷如图1a所示，颗粒污染缺陷如图1b所示。图案化晶圆缺陷多见于晶圆生产的中间工序。曝光时间、显影时间和烘烤后时间不当会导致光刻线条出现缺陷。螺旋激励线圈和叉形电极的微纳制造过程中晶圆表面产生的缺陷如图2所示。开路缺陷如图2 a所示，短路缺陷如图2 b所示，线路污染缺陷如图2 c所示，咬合缺陷如图2d所示。图1.（a）无图案晶圆的划痕缺陷；（b）无图案晶圆中的颗粒污染。图2.（a）开路缺陷，（b）短路缺陷，（c）线路污染，以及（d）图案化晶圆缺陷图中的咬合缺陷。由于上述晶圆缺陷的存在，在对晶圆上所有芯片进行功能完整性测试时，可能会发生芯片故障。芯片工程师用不同的颜色标记测试结果，以区分芯片的位置。在不同操作过程的影响下，晶圆上会产生相应的特定空间图案。晶圆图像数据，即晶圆图，由此生成。正如Hansen等在1997年指出的那样，缺陷芯片通常具有聚集现象或表现出一些系统模式，而这种缺陷模式通常包含有关工艺条件的必要信息。晶圆图不仅可以反映芯片的完整性，还可以准确描述缺陷数据对应的空间位置信息。晶圆图可能在整个晶圆上表现出空间依赖性，芯片工程师通常可以追踪缺陷的原因并根据缺陷类型解决问题。Mirza等将晶圆图缺陷模式分为一般类型和局部类型，即全局随机缺陷和局部缺陷。晶圆图缺陷模式图如图3所示，局部缺陷如图3 a所示，全局随机缺陷如图3b所示。全局随机缺陷是由不确定因素产生的，不确定因素是没有特定聚类现象的不可控因素，例如环境中的灰尘颗粒。只有通过长期的渐进式改进或昂贵的设备大修计划，才能减少全局随机缺陷。局部缺陷是系统固有的，在晶圆生产过程中受到可控因素的影响，如工艺参数、设备问题和操作不当。它们反复出现在晶圆上，并表现出一定程度的聚集。识别和分类局部缺陷，定位设备异常和不适当的工艺参数，对提高晶圆生产良率起着至关重要的作用。图3.（a）局部缺陷模式（b）全局缺陷模式。对于面积大、特征尺寸小、密度低、集成度低的晶圆图案，可以用电子显微镜观察光刻路径，并可直接进行痕量检测。随着芯片电路集成度的显著提高，进行芯片级检测变得越来越困难。这是因为随着集成度的提高，芯片上的元件变得更小、更复杂、更密集，从而导致更多的潜在缺陷。这些缺陷很难通过常规的检测方法进行检测和修复，需要更复杂、更先进的检测技术和工具。晶圆图研究是晶圆缺陷检测的热点。天津大学刘凤珍研究了光刻设备异常引起的晶圆图缺陷。针对晶圆实际生产过程中的缺陷，我们通过设备实验对光刻胶、晶圆粉尘颗粒、晶圆环、划痕、球形、线性等缺陷进行了深入研究，旨在找到缺陷原因，提高生产率。为了确定晶圆模式失效的原因，吴明菊等人从实际制造中收集了811,457张真实晶圆图，创建了WM-811K晶圆图数据集，这是目前应用最广泛的晶圆图。半导体领域专家为该数据集中大约 20% 的晶圆图谱注释了八种缺陷模式类型。八种类型的晶圆图缺陷模式如图4所示。本综述中引用的大多数文章都基于该数据集进行了测试。图4.八种类型的晶圆映射缺陷模式类型：（a）中心、（b）甜甜圈、（c）边缘位置、（d）边缘环、（e）局部、（f）接近满、（g）随机和（h）划痕。3. 基于图像信号处理的晶圆表面缺陷检测图像信号处理是将图像信号转换为数字信号，再通过计算机技术进行处理，实现图像变换、增强和检测。晶圆检测领域常用的有小波变换（WT）、空间滤波（spatial filtering）和模板匹配（template matching）。本节主要介绍这三种算法在晶圆表面缺陷检测中的应用。图像处理算法的比较如表1所示。表 1.图像处理算法的比较。模型算法创新局限小波变换 图像可以分解为多种分辨率，并呈现为具有不同空间频率的局部子图像。防谷物。阈值的选择依赖性很强，适应性差。空间滤波基于空间卷积，去除高频噪声，进行边缘增强。性能取决于阈值参数。模板匹配模板匹配算法抗噪能力强，计算速度快。对特征对象大小敏感。3.1. 小波变换小波变换（WT）是一种信号时频分析和处理技术。首先，通过滤波器将图像信号分解为不同的频率子带，进行小波分解 然后，通过计算小波系数的平均值、标准差或其他统计度量，分析每个系数以检测任何异常或缺陷。异常或缺陷可能表现为小波系数的突然变化或异常值。根据分析结果，使用预定义的阈值来确定信号中的缺陷和异常，并通过识别缺陷所在的时间和频率子带来确定缺陷的位置。小波分解原理图如图5所示，其中L表示低频信息，H表示高频信息。每次对图像进行分解时，图像都会分解为四个频段：LL、LH、HL 和 HH。下层分解重复上层LL带上的分解。小波变换在晶圆缺陷特征的边界处理和多尺度边缘检测中具有良好的性能。图5.小波分解示意图。Yeh等提出了一种基于二维小波变换（2DWT）的方法，该方法通过修正小波变换模量（WTMS）计算尺度系数之间的比值，用于晶圆缺陷像素的定位。通过选择合适的小波基和支撑长度，可以使用少量测试数据实现晶圆缺陷的准确检测。图像预处理阶段耗费大量时间，严重影响检测速度。Wen-Ren Yang等提出了一种基于短时离散小波变换的晶圆微裂纹在线检测系统。无需对晶圆图像进行预处理。通过向晶圆表面发射连续脉冲激光束，通过空间探针阵列采集反射信号，并通过离散小波变换进行分析，以确定微裂纹的反射特性。在加工的情况下，也可以对微裂纹有更好的检测效果。多晶太阳能硅片表面存在大量随机晶片颗粒，导致晶圆传感图像纹理不均匀。针对这一问题，Kim Y等提出了一种基于小波变换的表面检测方法，用于检测太阳能硅片缺陷。为了更好地区分缺陷边缘和晶粒边缘，使用两个连续分解层次的小波细节子图的能量差作为权重，以增强每个分解层次中提出的判别特征。实验结果表明，该方法对指纹和污渍有较好的检测效果，但对边缘锋利的严重微裂纹缺陷无效，不能适用于所有缺陷。3.2. 空间过滤空间滤波是一种成熟的图像增强技术，它是通过直接对灰度值施加空间卷积来实现的。图像处理中的主要作用是图像去噪，分为平滑滤镜和锐化滤镜，广泛应用于缺陷检测领域。图6显示了图像中中值滤波器和均值滤波器在增加噪声后的去噪效果。图6.滤波去噪效果图：（a）原始图像，（b）中值滤波去噪，（c）均值滤光片去噪。Ohshige等提出了一种基于空间频率滤波技术的表面缺陷检测系统。该方法可以有效地检测晶圆上的亚微米缺陷或异物颗粒。晶圆制造中随机缺陷的影响。C.H. Wang提出了一种基于空间滤波、熵模糊c均值和谱聚类的晶圆缺陷检测方法，该方法利用空间滤波对缺陷区域进行去噪和提取，通过熵模糊c均值和谱聚类获得缺陷区域。结合均值和谱聚类的混合算法用于缺陷分类。它解决了传统统计方法无法提取具有有意义的分类的缺陷模式的问题。针对晶圆中的成簇缺陷，Chen SH等开发了一种基于中值滤波和聚类方法的软件工具，所提算法有效地检测了缺陷成簇。通常，空间过滤器的性能与参数高度相关，并且通常很难选择其值。3.3. 模板匹配模板匹配检测是通过计算模板图像与被测图像之间的相似度来实现的，以检测被测图像与模板图像之间的差异区域。Han H等从晶圆图像本身获取的模板混入晶圆制造工艺的设计布局方案中，利用物理空间与像素空间的映射，设计了一种结合现有圆模板匹配检测新方法的晶圆图像检测技术。刘希峰结合SURF图像配准算法，实现了测试晶圆与标准晶圆图案的空间定位匹配。测试图像与标准图像之间的特征点匹配结果如图7所示。将模式识别的轮廓提取技术应用于晶圆缺陷检测。Khalaj等提出了一种新技术，该技术使用高分辨率光谱估计算法提取晶圆缺陷特征并将其与实际图像进行比较，以检测周期性2D信号或图像中不规则和缺陷的位置。图7.测试图像与标准图像之间的特征点匹配结果。下接：晶圆表面缺陷检测方法综述【下】

上接：晶圆表面缺陷检测方法综述【上】4. 基于机器学习的晶圆表面缺陷检测机器学习主要是将一个具体的问题抽象成一个数学模型，通过数学方法求解模型，求解该问题，然后评估该模型对该问题的影响。根据训练数据的特点，分为监督学习、无监督学习和半监督学习。本文主要讨论这三种机器学习方法在晶圆表面缺陷检测中的应用。机器学习模型比较如表2所示。表 2.机器学习算法的比较。分类算法创新局限监督学习KNN系列对异常数据不敏感，准确率高。复杂度高，计算强度高。决策树-Radon应用Radon以形成新的缺陷特征。过拟合非常熟练。SVMSVM 可对多变量、多模态和不可分割的数据点进行高效分类。它对多个样本不友好，内核函数难以定位。无监督学习多层感知器聚类算法采用多层感知器增强特征提取能力。取决于激活函数的选择。DBSCAN可以根据缺陷模式特征有选择地去除异常值。样本密度不均匀或样本过大，收敛时间长，聚类效果差。SOM高维数据可以映射到低维空间，保持高维空间的结构。目标函数不容易确定。半监督学习用于增强标记的半监督框架将监督集成学习与无监督SOM相结合，构建了半监督模型。培训既费时又费时。半监督增量建模框架通过主动学习和标记样本来增强模型性能，从而提高模型性能。性能取决于标记的数据量。4.1. 监督学习监督学习是一种学习模型，它基于该模型对所需的新数据样本进行预测。监督学习是目前晶圆表面缺陷检测中广泛使用的机器学习算法，在目标检测领域具有较高的鲁棒性。Yuan，T等提出了一种基于k-最近邻（KNN）的噪声去除技术，该技术利用k-最近邻算法将全局缺陷和局部缺陷分离，提供晶圆信息中所有聚合的局部缺陷信息，通过相似聚类技术将缺陷分类为簇，并利用聚类缺陷的参数化模型识别缺陷簇的空间模式。Piao M等提出了一种基于决策树的晶圆缺陷模式识别方法。利用Radon变换提取缺陷模式特征，采用相关性分析法测度特征之间的相关性，将缺陷特征划分为特征子集，每个特征子集根据C4.5机制构建决策树。对决策树置信度求和，并选择总体置信度最高的类别。决策树在特定类别的晶圆缺陷检测中表现出更好的性能，但投影的最大值、最小值、平均值和标准差不足以代表晶圆缺陷的所有空间信息，因此边缘缺陷检测性能较差。支持向量机（SVM）在监督学习中也是缺陷检测的成熟应用。当样本不平衡时，k-最近邻算法分类效果较差，计算量大。决策树也有类似的问题，容易出现过度拟合。支持向量机在小样本和高维特征的分类中仍然具有良好的性能，并且支持向量机的计算复杂度不依赖于输入空间的维度，并且多类支持向量机对过拟合问题具有鲁棒性，因此常被用作分类器。R. Baly等使用支持向量机（SVM）分类器将1150张晶圆图像分为高良率和低良率两类，然后通过对比实验证明，相对于决策树，k-最近邻（KNN）、偏最小二乘回归（PLS回归）和广义回归神经网络（GRNN），非线性支持向量机模型优于上述四种晶圆分类方法。多类支持向量机在晶圆缺陷模式分类中具有更好的分类精度。L. Xie等提出了一种基于支持向量机算法的晶圆缺陷图案检测方案。采用线性核、高斯核和多项式核进行选择性测试，通过交叉验证选择测试误差最小的核进行下一步的支持向量机训练。支持向量机方法可以处理图像平移或旋转引起的误报问题。与神经网络相比，支持向量机不需要大量的训练样本，因此不需要花费大量时间训练数据样本进行分类。为复合或多样化数据集提供更强大的性能。4.2. 无监督学习在监督学习中，研究人员需要提前将缺陷样本类型分类为训练的先验知识。在实际工业生产中，存在大量未知缺陷，缺陷特征模糊不清，研究者难以通过经验进行判断和分类。在工艺开发的早期阶段，样品注释也受到限制。针对这些问题，无监督学习开辟了新的解决方案，不需要大量的人力来标记数据样本，并根据样本之间的特征关系进行聚类。当添加新的缺陷模式时，无监督学习也具有优势。近年来，无监督学习已成为工业缺陷检测的重要研究方向之一。晶圆图案上的缺陷图案分类不均匀，特征不规则，无监督聚类算法对这种情况具有很强的鲁棒性，广泛用于检测复杂的晶圆缺陷图案。由于簇状缺陷（如划痕、污渍或局部失效模式）导致难以检测，黄振提出了一种解决该问题的新方法。提出了一种利用自监督多层感知器检测缺陷并标记所有缺陷芯片的自动晶圆缺陷聚类算法（k-means聚类）。Jin C H等提出了一种基于密度的噪声应用空间聚类（DBSCAN）的晶圆图案检测与分类框架，该框架根据缺陷图案特征选择性地去除异常值，然后提取的缺陷特征可以同时完成异常点和缺陷图案的检测。Yuan， T等提出了一种多步晶圆分析方法，该方法基于相似聚类技术提供不同精度的聚类结果，根据局部缺陷模式的空间位置识别出种混合型缺陷模式。利用位置信息来区分缺陷簇有一定的局限性，当多个簇彼此靠近或重叠时，分类效果会受到影响。Di Palma，F等采用无监督自组织映射（SOM）和自适应共振理论（ART1）作为晶圆分类器，对1种不同类别的晶圆进行了模拟数据集测试。SOM 和 ART1 都依靠神经元之间的竞争来逐步优化网络以进行无监督分类。由于ART是通过“AND”逻辑推送到参考向量的，因此在处理大量数据集时，计算次数增加，无法获得缺陷类别的实际数量。调整网络标识阈值不会带来任何改进。SOM算法可以将高维输入数据映射到低维空间，同时保持输入数据在高维空间中的拓扑结构。首先，确定神经元的类别和数量，并通过几次对比实验确定其他参数。确定参数后，经过几个学习周期后，数据达到渐近值，并且在模拟数据集和真实数据集上都表现良好。4.3. 半监督学习半监督学习是一种结合了监督学习和无监督学习的机器学习方法。半监督学习可以使用少量的标记数据和大量的未标记数据来解决问题。基于集成的半监督学习过程如图 8 所示。避免了完全标记样品的成本消耗和错误标记。半监督学习已成为近年来的研究热点。图8.基于集成的半监督学习监督学习通常能获得良好的识别结果，但依赖于样本标记的准确性。晶圆数据样本可能存在以下问题。首先是晶圆样品数据需要专业人员手动标记。手动打标过程是主观的，一些混合缺陷模式可能会被错误标记。二是某些缺陷模式的样本不足。第三，一些缺陷模式一开始就没有被标记出来。因此，无监督学习方法无法发挥其性能。针对这一问题，Katherine Shu-Min Li等人提出了一种基于集成的半监督框架，以实现缺陷模式的自动分类。首先，在标记数据上训练监督集成学习模型，然后通过该模型训练未标记的数据。最后，利用无监督学习算法对无法正确分类的样本进行处理，以达到增强的标记效果，提高晶圆缺陷图案分类的准确性。Yuting Kong和Dong Ni提出了一种用于晶圆图分析的半监督增量建模框架。利用梯形网络改进的半监督增量模型和SVAE模型对晶圆图进行分类，然后通过主动学习和伪标注提高模型性能。实验表明，它比CNN模型具有更好的性能。5. 基于深度学习的晶圆表面缺陷检测近年来，随着深度学习算法的发展、GPU算力的提高以及卷积神经网络的出现，计算机视觉领域得到了定性的发展，在表面缺陷检测领域也得到了广泛的应用。在深度学习之前，相关人员需要具备广泛的特征映射和特征描述知识，才能手动绘制特征。深度学习使多层神经网络能够通过抽象层自动提取和学习目标特征，并从图像中检测目标对象。Cheng KCC等分别使用机器学习算法和深度学习算法进行晶圆缺陷检测。他们使用逻辑回归、支持向量机（SVM）、自适应提升决策树（ADBT）和深度神经网络来检测晶圆缺陷。实验证明，深度神经网络的平均准确率优于上述机器学习算法，基于深度学习的晶圆检测算法具有更好的性能。根据不同的应用场景和任务需求，将深度学习模型分为分类网络、检测网络和分割网络。本节讨论创新并比较每个深度学习网络模型的性能。5.1. 分类网络分类网络是较老的深度学习算法之一。分类网络通过卷积、池化等一系列操作，提取输入图像中目标物体的特征信息，然后通过全连接层，根据预设的标签类别进行分类。网络模型如图 9 所示。近年来，出现了许多针对特定问题的分类网络。在晶圆缺陷检测领域，聚焦缺陷特征，增强特征提取能力，推动了晶圆检测的发展。图 9.分类网络模型结构图在晶圆制造过程中，几种不同类型的缺陷耦合在晶圆中，称为混合缺陷。这些类型的缺陷复杂多变且随机性强，已成为半导体公司面临的主要挑战。针对这一问题，Wang J等提出了一种用于晶圆缺陷分类的混合DPR（MDPR）可变形卷积网络（DC-Net）。他们设计了可变形卷积的多标签输出和一热编码机制层，将采样区域聚焦在缺陷特征区域，有效提取缺陷特征，对混合缺陷进行分类，输出单个缺陷，提高混合缺陷的分类精度。Kyeong和Kim为混合缺陷模式的晶圆图像中的每种缺陷设计了单独的分类模型，并通过组合分类器网络检测了晶圆的缺陷模式。作者使用MPL、SVM和CNN组合分类器测试了六种不同模式的晶圆映射数据库，只有作者提出的算法被正确分类。Takeshi Nakazawa和Deepak V. Kulkarni使用CNN对晶圆缺陷图案进行分类。他们使用合成生成的晶圆图像训练和验证了他们的CNN模型。此外，提出了一种利用模拟生成数据的方法，以解决制造中真实缺陷类别数据不平衡的问题，并达到合理的分类精度。这有效解决了晶圆数据采集困难、可用样品少的问题。分类网络模型对比如表3所示。表3. 分类网络模型比较算法创新Acc直流网络采样区域集中在缺陷特征区域，该区域对混合缺陷具有非常强的鲁棒性。93.2%基于CNN的组合分类器针对每个缺陷单独设计分类器，对新缺陷模式适应性强。97.4%基于CNN的分类检索方法可以生成模拟数据集来解释数据不平衡。98.2%5.2. 目标检测网络目标检测网络不仅可以对目标物体进行分类，还可以识别其位置。目标检测网络主要分为两种类型。第一种类型是两级网络，如图10所示。基于区域提案网络生成候选框，然后对候选框进行分类和回归。第二类是一级网络，如图11所示，即端到端目标检测，直接生成目标对象的分类和回归信息，而不生成候选框。相对而言，两级网络检测精度更高，单级网络检测速度更快。检测网络模型的比较如表4所示。图 10.两级检测网络模型结构示意图图 11.一级检测网络模型结构示意图表4. 检测网络模型比较算法创新AccApPCACAE基于二维主成分分析的级联辊类型自动编码。97.27%\YOLOv3-GANGAN增强了缺陷模式的多样性，提高了YOLOv3的通用性。\88.72%YOLOv4更新了骨干网络，增强了 CutMix 和 Mosaic 数据。94.0%75.8%Yu J等提出了一种基于二维主成分分析的卷积自编码器的深度神经网络PCACAE，并设计了一种新的卷积核来提取晶圆缺陷特征。产品自动编码器级联，进一步提高特征提取的性能。针对晶圆数据采集困难、公开数据集少等问题，Ssu-Han Chen等首次采用生成对抗网络和目标检测算法YOLOv3相结合的方法，对小样本中的晶圆缺陷进行检测。GAN增强了缺陷的多样性，提高了YOLOv3的泛化能力。Prashant P. SHINDE等提出使用先进的YOLOv4来检测和定位晶圆缺陷。与YOLOv3相比，骨干提取网络从Darknet-19改进为Darknet-53，并利用mish激活函数使网络鲁棒性。粘性增强，检测能力大大提高，复杂晶圆缺陷模式的检测定位性能更加高效。5.3. 分段网络分割网络对输入图像中的感兴趣区域进行像素级分割。大部分的分割网络都是基于编码器和解码器的结构，如图12所示是分割网络模型结构示意图。通过编码器和解码器，提高了对目标物体特征的提取能力，加强了后续分类网络对图像的分析和理解。在晶圆表面缺陷检测中具有良好的应用前景。图 12.分割网络模型结构示意图。Takeshi Nakazawa等提出了一种深度卷积编码器-解码器神经网络结构，用于晶圆缺陷图案的异常检测和分割。作者设计了基于FCN、U-Net和SegNet的三种编码器-解码器晶圆缺陷模式分割网络，对晶圆局部缺陷模型进行分割。晶圆中的全局随机缺陷通常会导致提取的特征出现噪声。分割后，忽略了全局缺陷对局部缺陷的影响，而有关缺陷聚类的更多信息有助于进一步分析其原因。针对晶圆缺陷像素类别不平衡和样本不足的问题，Han Hui等设计了一种基于U-net网络的改进分割系统。在原有UNet网络的基础上，加入RPN网络，获取缺陷区域建议，然后输入到单元网络进行分割。所设计的两级网络对晶圆缺陷具有准确的分割效果。Subhrajit Nag等人提出了一种新的网络结构 WaferSegClassNet，采用解码器-编码器架构。编码器通过一系列卷积块提取更好的多尺度局部细节，并使用解码器进行分类和生成。分割掩模是第一个可以同时进行分类和分割的晶圆缺陷检测模型，对混合晶圆缺陷具有良好的分割和分类效果。分段网络模型比较如表5所示。表 5.分割网络模型比较算法创新AccFCN将全连接层替换为卷积层以输出 2D 热图。97.8%SegNe结合编码器-解码器和像素级分类层。99.0%U-net将每个编码器层中的特征图复制并裁剪到相应的解码器层。98.9%WaferSegClassNet使用共享编码器同时进行分类和分割。98.2%第6章 结论与展望随着电子信息技术的不断发展和光刻技术的不断完善，晶圆表面缺陷检测在半导体行业中占有重要地位，越来越受到该领域学者的关注。本文对晶圆表面缺陷检测相关的图像信号处理、机器学习和深度学习等方面的研究进行了分析和总结。早期主要采用图像信号处理方法，其中小波变换方法和空间滤波方法应用较多。机器学习在晶圆缺陷检测方面非常强大。k-最近邻（KNN）、决策树（Decision Tree）、支持向量机（SVM）等算法在该领域得到广泛应用，并取得了良好的效果。深度学习以其强大的特征提取能力为晶圆检测领域注入了活力。最新的集成电路制造技术已经发展到4 nm，预测表明它将继续朝着更小的规模发展。然而，随着这些趋势的出现，晶圆上表面缺陷的复杂性也将增加，对模型的可靠性和鲁棒性提出了更严格的挑战。因此，对这些缺陷的分析和处理对于确保集成电路的高质量制造变得越来越重要。虽然在晶圆表面缺陷分析领域取得了一些成果，但仍存在许多问题和挑战。1、晶圆缺陷的公开数据集很少。由于晶圆生产和贴标成本高昂，高质量的公开数据集很少，为数不多的数据集不足以支撑训练。可以考虑创建一个合成晶圆缺陷数据库，并在现有数据集上进行数据增强，为神经网络提供更准确、更全面的数据样本。由于梯度特征中缺陷类型的多功能性，可以使用迁移学习来解决此类问题，主要是为了解决迁移学习中的负迁移和模型不适用性等问题。目前尚不存在灵活高效的迁移模型。利用迁移学习解决晶圆表面缺陷检测中几个样品的问题，是未来研究的难题。2、在晶圆制造过程中，不断产生新的缺陷，缺陷样本的数量和类型不断积累。使用增量学习可以提高网络模型对新缺陷的识别准确率和保持旧缺陷分类的能力。也可作为扩展样本法的研究方向。3、随着技术进步的飞速发展，芯片特征尺寸越来越小、越来越复杂，导致晶圆中存在多种缺陷类型，缺陷相互折叠，导致缺陷特征不均匀、不明显。增加检测难度。多步骤、多方法混合模型已成为检测混合缺陷的主流方法。如何优化深度网络模型的性能，保持较高的检测效率，是一个亟待进一步解决的问题。4、在晶圆制造过程中，不同用途的晶圆图案会产生不同的缺陷。目前，在单个数据集上训练的网络模型不足以识别所有晶圆中用于不同目的的缺陷。如何设计一个通用的网络模型来检测所有缺陷，从而避免为所有晶圆缺陷数据集单独设计训练模型造成的资源浪费，是未来值得思考的方向。5、缺陷检测模型大多为离线模型，无法满足工业生产的实时性要求。为了解决这个问题，需要建立一个自主学习模型系统，使模型能够快速学习和适应新的生产环境，从而实现更高效、更准确的缺陷检测。原文链接:Electronics | Free Full-Text | Review of Wafer Surface Defect Detection Methods (mdpi.com)

摘要随着对性能优于硅基器件的碳化硅（SiC）功率器件的需求不断增长，碳化硅制造工艺的高成本和低良率是尚待解决的最紧迫问题。研究表明，SiC器件的性能很大程度上受到晶体生长过程中形成的所谓杀手缺陷（影响良率的缺陷）的影响。在改进降低缺陷密度的生长技术的同时，能够识别和定位缺陷的生长后检测技术已成为制造过程的关键必要条件。在这篇综述文章中，我们对碳化硅缺陷检测技术以及缺陷对碳化硅器件的影响进行了展望。本文还讨论了改进现有检测技术和降低缺陷密度的方法的潜在解决方案，这些解决方案有利于高质量SiC器件的大规模生产。前言由于电力电子市场的快速增长，碳化硅（SiC，一种宽禁带半导体）成为开发用于电动汽车、航空航天和功率转换器的下一代功率器件的有前途的候选者。与由硅或砷化镓（GaAs）制成的传统器件相比，基于碳化硅的电力电子器件具有多项优势。表1显示了SiC、Si、GaAs以及其他宽禁带材料（如GaN和金刚石）的物理性能的比较。由于具有宽禁带（4H-SiC为~3.26eV），基于SiC器件可以在更高的电场和更高的温度下工作，并且比基于Si的电力电子器件具有更好的可靠性。SiC还具有优异的导热性（约为Si的三倍），这使得SiC器件具有更高的功率密度封装，具有更好的散热性。与硅基功率器件相比，其优异的饱和电子速度（约为硅的两倍）允许更高的工作频率和更低的开关损耗。SiC优异的物理特性使其非常有前途地用于开发各种电子设备，例如具有高阻断电压和低导通电阻的功率MOSFET，以及可以承受大击穿场和小反向漏电流的肖特基势垒二极管（SBD）。性质Si3C-SiC4H-SiCGaAsGaN金刚石带隙能量（eV）1.12.23.261.433.455.45击穿场（106Vcm−1)0.31.33.20.43.05.7导热系数（Wcm−1K−1)1.54.94.90.461.322饱和电子速度（107cms−1)1.02.22.01.02.22.7电子迁移率（cm2V−1s−1)150010001140850012502200熔点（°C）142028302830124025004000表1电力电子用宽禁带半导体与传统半导体材料的物理特性（室温值）对比提高碳化硅晶圆质量对制造商来说很重要，因为它直接决定了碳化硅器件的性能，从而决定了生产成本。然而，低缺陷密度的SiC晶圆的生长仍然非常具有挑战性。最近，碳化硅晶圆制造的发展已经完成了从100mm（4英寸）到150mm（6英寸）晶圆的艰难过渡。SiC需要在高温环境中生长，同时具有高刚性和化学稳定性，这导致生长的SiC晶片中存在高密度的晶体和表面缺陷，导致衬底和随后制造的外延层质量差。图1总结了SiC中的各种缺陷以及这些缺陷的工艺步骤，下一节将进一步讨论。图1SiC生长过程示意图及各步骤引起的各种缺陷各种类型的缺陷会导致设备性能不同程度的劣化，甚至可能导致设备完全失效。为了提高良率和性能，在设备制造之前检测缺陷的技术变得非常重要。因此，快速、高精度、无损的检测技术在碳化硅生产线中发挥着重要作用。在本文中，我们将说明每种类型的缺陷及其对设备性能的影响。我们还对不同检测技术的优缺点进行了深入的讨论。这篇综述文章中的分析不仅概述了可用于SiC的各种缺陷检测技术，还帮助研究人员在工业应用中在这些技术中做出明智的选择（图2）。表2列出了图2中检测技术和缺陷的首字母缩写。图2可用于碳化硅的缺陷检测技术表2检测技术和缺陷的首字母缩写见图SEM：扫描电子显微镜OM：光学显微镜BPD：基面位错DIC：微分干涉对比PL：光致发光TED：螺纹刃位错OCT：光学相干断层扫描CL：阴极发光TSD：螺纹位错XRT：X射线形貌术拉曼：拉曼光谱SF：堆垛层错碳化硅的缺陷碳化硅晶圆中的缺陷通常分为两大类：（1）晶圆内的晶体缺陷和（2）晶圆表面处或附近的表面缺陷。正如我们在本节中进一步讨论的那样，晶体学缺陷包括基面位错（BPDs）、堆垛层错（SFs）、螺纹刃位错（TEDs）、螺纹位错（TSDs）、微管和晶界等，横截面示意图如图3（a）所示。SiC的外延层生长参数对晶圆的质量至关重要。生长过程中的晶体缺陷和污染可能会延伸到外延层和晶圆表面，形成各种表面缺陷，包括胡萝卜缺陷、多型夹杂物、划痕等，甚至转化为产生其他缺陷，从而对器件性能产生不利影响。图3SiC晶圆中出现的各种缺陷。（a）碳化硅缺陷的横截面示意图和（b）TEDs和TSDs、（c）BPDs、（d）微管、（e）SFs、（f）胡萝卜缺陷、（g）多型夹杂物、（h）划痕的图像生长在4°偏角4H-SiC衬底上的SiC外延层是当今用于各种器件应用的最常见的晶片类型。在4°偏角4H-SiC衬底上生长的SiC外延层是当今各种器件应用中最常用的晶圆类型。众所周知，大多数缺陷的取向与生长方向平行，因此，SiC在SiC衬底上以4°偏角外延生长不仅保留了下面的4H-SiC晶体，而且使缺陷具有可预测的取向。此外，可以从单个晶圆上切成薄片的晶圆总数增加。然而，较低的偏角可能会产生其他类型的缺陷，如3C夹杂物和向内生长的SFs。在接下来的小节中，我们将讨论每种缺陷类型的详细信息。晶体缺陷螺纹刃位错（TEDs）、螺纹位错（TSDs）SiC中的位错是电子设备劣化和失效的主要来源。螺纹刃位错（TSDs）和螺纹位错（TEDs）都沿生长轴运行，Burgers向量分别为和1/3。TSDs和TEDs都可以从衬底延伸到晶圆表面，并带来小的凹坑状表面特征，如图3b所示。通常，TEDs的密度约为8000-10,0001/cm2，几乎是TSDs的10倍。扩展的TSDs，即TSDs从衬底延伸到外延层，可能在SiC外延生长过程中转化为基底平面上的其他缺陷，并沿生长轴传播。Harada等人表明，在SiC外延生长过程中，TSDs被转化为基底平面上的堆垛层错（SFs）或胡萝卜缺陷，而外延层中的TEDs则被证明是在外延生长过程中从基底继承的BPDs转化而来的。基面位错（BPDs）另一种类型的位错是基面位错（BPDs），它位于SiC晶体的平面上，Burgers矢量为1/3。BPDs很少出现在SiC晶圆表面。它们通常集中在衬底上，密度为15001/cm2，而它们在外延层中的密度仅为约101/cm2。Kamei等人报道，BPDs的密度随着SiC衬底厚度的增加而降低。BPDs在使用光致发光（PL）检测时显示出线形特征，如图3c所示。在SiC外延生长过程中，扩展的BPDs可能转化为SFs或TEDs。微管在SiC中观察到的常见位错是所谓的微管，它是沿生长轴传播的空心螺纹位错，具有较大的Burgers矢量分量。微管的直径范围从几分之一微米到几十微米。微管在SiC晶片表面显示出大的坑状表面特征。从微管发出的螺旋，表现为螺旋位错。通常，微管的密度约为0.1–11/cm2，并且在商业晶片中持续下降。堆垛层错（SFs）堆垛层错(SFs)是SiC基底平面中堆垛顺序混乱的缺陷。SFs可能通过继承衬底中的SFs而出现在外延层内部，或者与扩展BPDs和扩展TSDs的变换有关。通常，SFs的密度低于每平方厘米1个，并且通过使用PL检测显示出三角形特征,如图3e所示。然而，在SiC中可以形成各种类型的SFs，例如Shockley型SFs和Frank型SFs等，因为晶面之间只要有少量的堆叠能量无序可能导致堆叠顺序的相当大的不规则性。点缺陷点缺陷是由单个晶格点或几个晶格点的空位或间隙形成的，它没有空间扩展。点缺陷可能发生在每个生产过程中，特别是在离子注入中。然而，它们很难被检测到，并且点缺陷与其他缺陷的转换之间的相互关系也是相当的复杂，这超出了本文综述的范围。其他晶体缺陷除了上述各小节所述的缺陷外，还存在一些其他类型的缺陷。晶界是两种不同的SiC晶体类型在相交时晶格失配引起的明显边界。六边形空洞是一种晶体缺陷，在SiC晶片内有一个六边形空腔，它已被证明是导致高压SiC器件失效的微管缺陷的来源之一。颗粒夹杂物是由生长过程中下落的颗粒引起的，通过适当的清洁、仔细的泵送操作和气流程序的控制，它们的密度可以大大降低。表面缺陷胡萝卜缺陷通常，表面缺陷是由扩展的晶体缺陷和污染形成的。胡萝卜缺陷是一种堆垛层错复合体，其长度表示两端的TSD和SFs在基底平面上的位置。基底断层以Frank部分位错终止，胡萝卜缺陷的大小与棱柱形层错有关。这些特征的组合形成了胡萝卜缺陷的表面形貌，其外观类似于胡萝卜的形状，密度小于每平方厘米1个，如图3f所示。胡萝卜缺陷很容易在抛光划痕、TSD或基材缺陷处形成。多型夹杂物多型夹杂物，通常称为三角形缺陷，是一种3C-SiC多型夹杂物，沿基底平面方向延伸至SiC外延层表面，如图3g所示。它可能是由外延生长过程中SiC外延层表面上的下坠颗粒产生的。颗粒嵌入外延层并干扰生长过程，产生了3C-SiC多型夹杂物，该夹杂物显示出锐角三角形表面特征，颗粒位于三角形区域的顶点。许多研究还将多型夹杂物的起源归因于表面划痕、微管和生长过程的不当参数。划痕划痕是在生产过程中形成的SiC晶片表面的机械损伤，如图3h所示。裸SiC衬底上的划痕可能会干扰外延层的生长，在外延层内产生一排高密度位错，称为划痕，或者划痕可能成为胡萝卜缺陷形成的基础。因此，正确抛光SiC晶圆至关重要，因为当这些划痕出现在器件的有源区时，会对器件性能产生重大影响。其他表面缺陷台阶聚束是SiC外延生长过程中形成的表面缺陷，在SiC外延层表面产生钝角三角形或梯形特征。还有许多其他的表面缺陷，如表面凹坑、凹凸和污点。这些缺陷通常是由未优化的生长工艺和不完全去除抛光损伤造成的，从而对器件性能造成重大不利影响。检测技术量化SiC衬底质量是外延层沉积和器件制造之前必不可少的一步。外延层形成后，应再次进行晶圆检查，以确保缺陷的位置已知，并且其数量在控制之下。检测技术可分为表面检测和亚表面检测，这取决于它们能够有效地提取样品表面上方或下方的结构信息。正如我们在本节中进一步讨论的那样，为了准确识别表面缺陷的类型，通常使用KOH（氢氧化钾）通过在光学显微镜下将其蚀刻成可见尺寸来可视化表面缺陷。然而，这是一种破坏性的方法，不能用于在线大规模生产。对于在线检测，需要高分辨率的无损表面检测技术。常见的表面检测技术包括扫描电子显微镜（SEM）、原子力显微镜（AFM）、光学显微镜（OM）和共聚焦微分干涉对比显微镜（CDIC）等。对于亚表面检测，常用的技术包括光致发光（PL）、X射线形貌术（XRT）、镜面投影电子显微镜（MPJ）、光学相干断层扫描（OCT）和拉曼光谱等。在这篇综述中，我们将碳化硅检测技术分为光学方法和非光学方法，并在以下各节中对每种技术进行讨论。非光学缺陷检测技术非光学检测技术，即不涉及任何光学探测的技术，如KOH蚀刻和TEM，已被广泛用于表征SiC晶圆的质量。这些方法在检测SiC晶圆上的缺陷方面相对成熟和精确。然而，这些方法会对样品造成不可逆转的损坏，因此不适合在生产线中使用。虽然存在其他非破坏性的检测方法，如SEM、CL、AFM和MPJ，但这些方法的通量较低，只能用作评估工具。接下来，我们简要介绍上述非光学技术的原理。还讨论了每种技术的优缺点。透射电子显微镜（TEM）透射电子显微镜（TEM）可用于以纳米级分辨率观察样品的亚表面结构。透射电镜利用入射到碳化硅样品上的加速电子束。具有超短波长和高能量的电子穿过样品表面，从亚表面结构弹性散射。SiC中的晶体缺陷，如BPDs、TSDs和SFs，可以通过TEM观察。扫描透射电子显微镜（STEM）是一种透射电子显微镜，可以通过高角度环形暗场成像（HAADF）获得原子级分辨率。通过TEM和HAADF-STEM获得的图像如图4a所示。TEM图像清晰地显示了梯形SF和部分位错，而HAADF-STEM图像则显示了在3C-SiC中观察到的三种SFs。这些SFs由1、2或3个断层原子层组成，用黄色箭头表示。虽然透射电镜是一种有用的缺陷检测工具，但它一次只能提供一个横截面视图，因此如果需要检测整个碳化硅晶圆，则需要花费大量时间。此外，透射电镜的机理要求样品必须非常薄，厚度小于1μm，这使得样品的制备相当复杂和耗时。总体而言，透射电镜用于了解缺陷的基本晶体学，但它不是大规模或在线检测的实用工具。图4不同的缺陷检测方法和获得的缺陷图像。（a）SFs的TEM和HAADF图像；（b）KOH蚀刻后的光学显微照片图像；（c）带和不带SF的PL光谱，而插图显示了波长为480nm的单色micro-PL映射；（d）室温下SF的真彩CLSEM图像；（e）各种缺陷的拉曼光谱；（f）微管相关缺陷204cm−1峰的微拉曼强度图KOH蚀刻KOH蚀刻是另一种非光学技术，用于检测多种缺陷，例如微管、TSDs、TEDs、BDPs和晶界。KOH蚀刻后形成的图案取决于蚀刻持续时间和蚀刻剂温度等实验条件。当将约500°C的熔融KOH添加到SiC样品中时，在约5min内，SiC样品在有缺陷区域和无缺陷区域之间表现出选择性蚀刻。冷却并去除SiC样品中的KOH后，存在许多具有不同形貌的蚀刻坑，这些蚀刻坑与不同类型的缺陷有关。如图4b所示，位错产生的大型六边形蚀刻凹坑对应于微管，中型凹坑对应于TSDs，小型凹坑对应于TEDs。KOH刻蚀的优点是可以一次性检测SiC样品表面下的所有缺陷，制备SiC样品容易，成本低。然而，KOH蚀刻是一个不可逆的过程，会对样品造成永久性损坏。在KOH蚀刻后，需要对样品进行进一步抛光以获得光滑的表面。镜面投影电子显微镜（MPJ）镜面投影电子显微镜（MPJ）是另一种很有前途的表面下检测技术，它允许开发能够检测纳米级缺陷的高通量检测系统。由于MPJ反映了SiC晶圆上表面的等电位图像，因此带电缺陷引起的电位畸变分布在比实际缺陷尺寸更宽的区域上。因此，即使工具的空间分辨率为微米级，也可以检测纳米级缺陷。来自电子枪的电子束穿过聚焦系统，均匀而正常地照射到SiC晶圆上。值得注意的是，碳化硅晶圆受到紫外光的照射，因此激发的电子被碳化硅晶圆中存在的缺陷捕获。此外，SiC晶圆带负电，几乎等于电子束的加速电压，使入射电子束在到达晶圆表面之前减速并反射。这种现象类似于镜子对光的反射，因此反射的电子束被称为“镜面电子”。当入射电子束照射到携带缺陷的SiC晶片时，缺陷的带负电状态会改变等电位表面，导致反射电子束的不均匀性。MPJ是一种无损检测技术，能够对SiC晶圆上的静电势形貌进行高灵敏度成像。Isshiki等人使用MPJ在KOH蚀刻后清楚地识别BPDs、TSDs和TEDs。Hasegawa等人展示了使用MPJ检查的BPDs、划痕、SFs、TSDs和TEDs的图像，并讨论了潜在划痕与台阶聚束之间的关系。原子力显微镜（AFM）原子力显微镜（AFM）通常用于测量SiC晶圆的表面粗糙度，并在原子尺度上显示出分辨率。AFM与其他表面检测方法的主要区别在于，它不会受到光束衍射极限或透镜像差的影响。AFM利用悬臂上的探针尖端与SiC晶圆表面之间的相互作用力来测量悬臂的挠度，然后将其转化为与表面缺陷特征外观成正比的电信号。AFM可以形成表面缺陷的三维图像，但仅限于解析表面的拓扑结构，而且耗时长，因此通量低。扫描电子显微镜（SEM）扫描电子显微镜（SEM）是另一种广泛用于碳化硅晶圆缺陷分析的非光学技术。SEM具有纳米量级的高空间分辨率。加速器产生的聚焦电子束扫描SiC晶圆表面，与SiC原子相互作用，产生二次电子、背散射电子和X射线等各种类型的信号。输出信号对应的SEM图像显示了表面缺陷的特征外观，有助于理解SiC晶体的结构信息。但是，SEM仅限于表面检测，不提供有关亚表面缺陷的任何信息。阴极发光（CL）阴极发光（CL）光谱利用聚焦电子束来探测固体中的电子跃迁，从而发射特征光。CL设备通常带有SEM，因为电子束源是这两种技术的共同特征。加速电子束撞击碳化硅晶圆并产生激发电子。激发电子的辐射复合发射波长在可见光谱中的光子。通过结合结构信息和功能分析，CL给出了样品的完整描述，并直接将样品的形状、大小、结晶度或成分与其光学特性相关联。Maximenko等人显示了SFs在室温下的全彩CL图像，如图4d所示。不同波长对应的SFs种类明显，CL发现了一种常见的单层Shockley型堆垛层错，其蓝色发射在~422nm，TSD在~540nm处。虽然SEM和CL由于电子束源而具有高分辨率，但高能电子束可能会对样品表面造成损伤。基于光学的缺陷检测技术为了在不损失检测精度的情况下实现高吞吐量的在线批量生产，基于光学的检测方法很有前途，因为它们可以保存样品，并且大多数可以提供快速扫描能力。表面检测方法可以列为OM、OCT和DIC，而拉曼、XRT和PL是表面下检测方法。在本节中，我们将介绍每种检测方法的原理，这些方法如何应用于检测缺陷，以及每种方法的优缺点。光学显微镜（OM）

《缺陷汽车产品召回管理条例》(简称“条例”)30日全文公布，自2013年1月1日起施行。这标志着实施8年多的《缺陷汽车产品召回管理规定》(简称“规定”)从部门规章升格为行政法规，并增设了隐瞒缺陷情况、拒不召回的车企将被吊销行政许可等处罚措施。 　　但有专家认为，此条例留有一些遗憾，比如有关“人体健康”在定稿中被删除，“批次性”缺陷缺乏定量标准，以及由于时间期限模糊让厂家有拖延解决问题的可乘之机。 　　汽车产业经济研究院执行副院长王冀接受《经济参考报(微博)》记者采访时称，过去汽车行业提出“汽车召回条例是汽车三包规定的前提”，以此拖延汽车三包规定出台 如今，随着条例规定生产者应当将“因汽车产品存在危及人身、财产安全的故障而发生修理、更换、退货的信息”提交质检部门备案，且规定了“拒不改正的，处5万元以上20万元以下的 罚款”，汽车三包规定已基本扫清了技术性障碍，到了不得不出台的地步。 　　全国乘用车市场信息联席会副秘书长崔东树告诉记者，随着上述条例得以“落地”，预计未来在华销售的进口车、合资车和自主车将在召回频次、召回批次、单批次召回量等方面大幅增加。 　　王冀则认为，国内微车领域缺乏制造经验的新进入者以及生产一致性较差的车型将承受较大的违法违规压力，部分车企可能因行业准入门槛的提高而“慢性死亡”，“因为玩不起而慢慢退出某个领域甚至某个行业”。据介绍，10年来，相对于德系车、美系车，备受质量和安全诟病的 日 系车在华市场占有率已经从30%多下降到20%多。 　　王冀指出，我国实行乘用车和商用车的生产准入制度，须经过工信部门批准，吊销有关许可包括取消产品的型式认证和取消企业的生产资质等两种类型。“尽管企业一般不会和主管部门闹得那么僵，但这一条会对企业产生极大的震慑力。” 　　然而，专家认为，上述条例仍有不少遗憾之处。条例规定：“本条例所称缺陷，是指由于设计、制造、标识等原因导致的在同一批次、型号或者类别的汽车产品中普遍存在的不符合保障人身、财产安全的国家标准、行业标准的情形或者其他危及人身、财产安全的不合理的危险。” 　　王冀分析道，上述条文意味着，一是今年初公开征求意见稿中对“缺陷”定义时提及的“人体健康”因素，在定稿中已被删除，导致车内空气质量不佳乃至有毒气体超标等因素无法纳入召回范围 二是对“批次性”缺陷缺乏定量标准，给了主管部门很大的自由裁量空间。 　　年初的征求意见稿还规定：“生产者获知汽车产品可能存在缺陷的，应当立即组织调查分析，并自调查分析结束之日起10个工作日内向国务院质检部门报告。”但“10个工作日”的期限也在定稿中被删除。王冀认为，这可能导致一些车企在质检部门未责令强制召回的情况下“能拖就拖”，不利于主动召回。

作者朱金龙*、刘佳敏、徐田来、袁帅、张泽旭、江浩、谷洪刚、周仁杰、刘世元*单位华中科技大学哈尔滨工业大学香港中文大学原文链接：10 nm 及以下技术节点晶圆缺陷光学检测 - IOPscience文章导读伴随智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷（包括随机缺陷与系统缺陷）的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。近年来，越来越多的研究工作尝试将传统光学缺陷检测技术与纳米光子学、光学涡旋、计算成像、定量相位成像和深度学习等新兴技术相结合，以实现更高的缺陷检测灵敏度，这已为该领域提供了新的可能性。近期，华中科技大学机械科学与工程学院、数字制造装备与技术国家重点实验室的刘世元教授、朱金龙研究员、刘佳敏博士后、江浩教授、谷洪刚讲师，哈尔滨工业大学张泽旭教授、徐田来副教授、袁帅副教授，和香港中文大学周仁杰助理教授在SCIE期刊《极端制造》（International Journal of Extreme Manufacturing, IJEM）上共同发表了《10nm及以下技术节点晶圆缺陷光学检测》的综述，对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾，并重点评述了三个关键方面：（1）缺陷可检测性评估，（2）多样化的光学检测系统，以及（3）后处理算法。图1展示了该综述研究所总结的代表性晶圆缺陷检测新方法，包括明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。通过对上述研究工作进行透彻评述，从而阐明晶圆缺陷检测技术的可能发展趋势，并为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。光学缺陷检测方法；显微成像；纳米光子学；集成电路；深度学习亮点：● 透彻梳理了有望实现10nm及以下节点晶圆缺陷检测的各类光学新方法。● 建立了晶圆缺陷可检测性的评价方法，总结了缺陷可检测性的影响因素。● 简要评述了传统后处理算法、基于深度学习的后处理算法及其对缺陷检测性能的积极影响。▲图1能够应对图形化晶圆缺陷检测挑战的各类光学检测系统示意图。（a）明/暗场成像；（b）暗场成像与椭偏协同检测；（c）离焦扫描成像；（d）外延衍射相位显微成像；（e）包含逻辑芯片与存储芯片的图形化晶圆；（f）X射线叠层衍射成像；（g）太赫兹成像；（h）轨道角动量光学显微成像。研究背景伴随智能手机、平板电脑、数字电视、无线通信基础设施、网络硬件、计算机、电子医疗设备、物联网、智慧城市等行业的蓬勃发展，不断刺激全球对半导体芯片的需求。这些迫切需求，以及对降低每片晶圆成本与能耗的不懈追求，构成了持续微缩集成电路关键尺寸和增加集成电路复杂性的驱动力。目前，IC制造工艺技术已突破5nm，正朝向3nm节点发展，这将对工艺监控尤其是晶圆缺陷检测造成更严峻的考验：上述晶圆图案特征尺寸的微缩，将极大地限制当前晶圆缺陷检测方案在平衡灵敏度、适应性、效率、捕获率等方面的能力。随着双重图案化、三重图案化以及四重图案化紫外光刻技术的广泛使用，检测步骤的数量随着图案化步骤的增加而显著增加，这可能会降低产率并增加器件故障的风险，因为缺陷漏检事故的影响会被传递至最终的芯片制造流程中。更糟糕的是，当前业界采用极其复杂的鳍式场效应晶体管 (FinFET) 和环栅 (GAA) 纳米线 (NW) 器件来降低漏电流和提高器件的稳定性，这将使得三维 (3D) 架构中的关键缺陷通常是亚表面（尤其是空隙）缺陷、深埋缺陷或高纵横比结构中的残留物。总体上而言，伴随工业界开始大规模的10 纳米及以下节点工艺芯片规模化制造，制造缺陷对芯片产量和成本的影响变得越来越显著，晶圆缺陷检测所带来的挑战无疑会制约半导体制造产业的发展。鉴于此，IC芯片制造厂商对晶圆缺陷检测技术与设备的重视程度日渐加深。在本文中，朱金龙研究员等人对图形化晶圆缺陷光学检测方法的最新进展进行了详细介绍。最新进展晶圆缺陷光学检测方法面的最新进展包含三个方面：缺陷可检测性评估、光学缺陷检测方法、后处理算法。缺陷可检测性评估包含两个方面：材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响。图2展示了集成电路器件与芯片中所广泛采纳的典型体材料的复折射率N、法向反射率R和趋肤深度δ。针对被尺寸远小于光波长的背景图案所包围的晶圆缺陷，缺陷与背景图案在图像对比度差异主要是由材料光学特性的差异所主导的，也就是复折射率与法向反射率。具体而言，图2(c)所示的缺陷材料与图案材料的法向反射率曲线差异是优化缺陷检测光束光谱的基础之一。因此，寻找图像对比度和灵敏度足够高的最佳光束光谱范围比纯粹提高光学分辨率更重要一些，并且此规律在先进工艺节点下的晶圆缺陷检测应用中更具指导意义。▲图2集成电路中典型体材料的光学特性。（a）折射率n；（b）消光系数k；（c）法向反射率R；（d）趋肤深度δ。晶圆缺陷拓扑形貌对缺陷可检测性的影响也尤为重要。在图形化晶圆缺陷检测中，缺陷散射信号信噪比和图像对比度主要是受缺陷尺寸与缺陷类型影响的。图3展示了存储器件中常规周期线/空间纳米结构中的典型缺陷，依次为断线、边缘水平桥接和通孔、凹陷、之字形桥接、中心水平桥接、颗粒、突起、竖直桥接等缺陷。目前，拓扑形貌对缺陷可检测性的影响已被广泛研究，这通常与缺陷检测条件配置优化高度相关。例如，水平桥接与竖直桥接均对照明光束的偏振态相当敏感；在相同的缺陷检测条件配置下，桥接、断线、颗粒物等不同类型的缺陷会展现出不同的缺陷可检测性；同时，缺陷与背景图案的尺寸亦直接影响缺陷的可检测性，尺寸越小的缺陷越难以被检测。▲图3图形化晶圆上周期线/空间纳米结构中的典型缺陷（a）断线；（b）边缘水平桥接和通孔；（c）凹陷；（d）之字形桥接缺陷；（e）中心水平桥接；（f）颗粒物；（g）突起；（h）竖直桥接。丰富多彩的新兴光学检测方法。光是人眼或人造探测器所能感知的电磁波谱范围内的电磁辐射。任意光电场可采用四个基本物理量进行完整描述，即频率、振幅、相位和偏振态。晶圆缺陷光学检测通常是在线性光学系统中实施的，从而仅有频率不会伴随光与物质相互作用发生改变，振幅、相位、偏振态均会发生改变。那么，晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类，具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。图4展示了基于相位重构的光学缺陷检测系统，具体包括外延相位衍射显微成像系统、光学伪电动力学显微成像系统。在这两种显微镜成像系统中，缺陷引起的扰动波前信号展现了良好的信噪比，并且能够被精准地捕获。后处理算法。从最简单的图像差分算子到复杂的图像合成算法，后处理算法因其能显著改善缺陷散射信号的信噪比和缺陷-背景图案图像对比度而在光学缺陷检测系统中发挥关键作用。伴随着深度学习算法成为普遍使用的常规策略，后处理算法在缺陷检测图像分析场景中的价值更加明显。典型后处理算法如Die-to-Die检测方法是通过将无缺陷芯片的图像与有缺陷芯片的图像进行比较以识别逻辑芯片中的缺陷，其也被称为随机检测。Cell-to-Cell检测方法是通过比较将同一芯片中无缺陷单元的图像与有缺陷单元的图像进行比较以识别存储芯片中的缺陷，其也被称为阵列检测。至于Die-to-Database检测方法，其本质是通过将芯片的图像与基于芯片设计布局的模型图像进行比较以识别芯片的系统缺陷。而根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像（例如差分图像）中含缺陷区域的信号强度应明显大于预定义的阈值。基于深度学习的缺陷检测方法的实施流程非常简单：首先，捕获足够的电子束检测图像或晶圆光学检测图像（模拟图像或实验图像均可）；其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能；最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。然而，深度学习算法在实际IC生产线中没有被广泛地接收，尤其是在光学缺陷检测方面。其原因不仅包括“黑箱性质”和缺乏可解释性，还包括未经实证的根据纯光学图像来定位和分类深亚波长缺陷的能力。而要在IC制造产线上光学缺陷检测场景中推广深度学习技术的应用，还需开展更多研究工作，尤其是深度学习在光学缺陷检测场景中的灰色区域研究、深度学习与光学物理之间边界的探索等。▲图4代表性新兴晶圆缺陷光学检测系统。（a）外延相位衍射显微成像系统；（b）光学伪电动力学显微成像系统。（a）经许可转载。版权所有（2013）美国化学会。（b）经许可转载。版权所有（2019）美国化学会。未来展望伴随集成电路(IC)制造工艺继续向10nm及以下节点延拓，针对IC制造过程中的关键工序开展晶圆缺陷检测，从而实现IC制造的工艺质量监控与良率管理，这已成为半导体领域普遍达成的共识。尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。其前景主要包含以下方面：为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新；为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理；为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。

近日，中俄合作完成的“焊接结构缺陷检验、服役可靠性评估及延寿技术研究”项目，通过了黑龙江省科技厅组织的专家验收。专家认为，双方合作开发了噪声抑制新技术、合成孔径聚焦缺陷检测技术、缺陷三维成像检测技术等多种新技术，解决了结构焊接缺陷定量化检测可靠性低的难题，并在缺陷自动识别等方面取得了重要进展。 　　该项目由哈尔滨工业大学先进焊接与连接国家重点实验室与俄罗斯鲍曼国立技术大学合作承担，于2007年启动，其研究目标是建立一套基于声发射、超声波技术原理、压痕技术、电磁技术和光学技术原理的国际先进的焊接缺陷和焊接应力检测与剩余工作寿命评估系统。 　　据介绍，该研究突破了反映应力信息的超声信号提取和干扰去除策略方面的技术难点，开发出基于临界折射纵波焊接应力检测的技术设备，其平面构件表面应力测试误差仅为12%左右，技术设备已实现集成化和产品化，在高速列车、火箭燃料储箱等领域中应用。 　　同时，研究团队开发出随焊冲击碾压、双向预置应力焊接等多项新技术及配套装置，有效改善了焊接接头的残余应力状态，减少了焊接缺陷，并将焊接新工艺在高速列车承载焊接接头的制造中试用，获得显著成效。 　　据悉，项目执行期间，共申请发明专利12项，获得发明专利授权8项 获得软件著作权2项 发表论文93篇，其中SCI16篇、EI64篇 形成拥有自主知识产权的核心技术2项 开发新装置7台(套) 形成新工艺5项。同时，以该项目为基础筹建的“中国—俄罗斯—乌克兰国际焊接联合研究中心”已获科技部批准。

p 2020年7月20日KLA公司宣布推出革命性的eSL10& #8482 电子束图案化晶圆缺陷检查系统。该系统具有独特的检测能力，能够检测出常规光学或其他电子束检测平台无法捕获的缺陷，从而加速了高性能逻辑和存储芯片的上市时间（包括那些依赖于极端紫外线（EUV）光刻技术的芯片）。eSL10的研发是始于最基本的构架，针对研发生产存在多年的问题而开发出了多项突破性技术，可提供高分辨率，高速检测功能，这是市场上任何其他电子束系统都难以比拟的。 /p p KLA电子束部门总经理Amir Azordegan表示：“利用单一的高能量电子束，eSL10系统将电子束检测性能提升到了一个新水平。在此之前，电子束检测系统不能兼顾灵敏度和产能，严重限制了实际的应用。我们优秀的研发工程团队采用了全新的方法来设计电子束架构以及算法，研制出的新系统可以解决现有设备无法解决的问题。目前，KLA将电子束检测列入对制造尖端产品至关重要的设备清单。” /p p img style=" max-width:100% max-height:100% " src=" https://www.semi.org.cn/img/news/sdfffdsffsd.jpg" / /p p 图：针对先进的逻辑、DRAM和3D NAND器件，KLA革命性的eSL10& #8482 电子束图案化晶圆缺陷检测系统利用独特的技术发现甄别产品中的关键缺陷。 /p p eSL10电子束检测系统具有多项革命性技术，能够弥补对关键缺陷检测能力的差距。独特的电子光学设计提供了在业界相对比较广泛的操作运行范围，能够捕获各种不同制程层和器件类型中的缺陷。Yellowstone& #8482 扫描模式每次可以扫描收集100亿像素的信息，支持高速运行的同时不会影响分辨率，以在较大区域内也能高效地研究潜在弱点，实现缺陷发现。Simul-6& #8482 传感器技术可以通过一次扫描同时收集表面、形貌、材料对比度和深沟槽信息，从而减少了在具有挑战性的器件结构和材料中识别不同缺陷类型所需的时间。凭借其先进的人工智能（AI）系统，eSL10运用了深度学习算法，能满足IC制造商不断发展的检测要求，杜绝了对器件性能影响最关键的缺陷。 /p p 三维器件结构，例如用于内存应用的3D NAND和DRAM，以及用于逻辑器件的FinFET和GAA（Gate-All-Around）结构，都要求晶圆厂重新考虑传统的缺陷控制策略。eSL10与KLA的旗舰39xx（“ Gen5”）和29xx（“ Gen4”）宽光谱晶圆缺陷检测系统的结合，为先进的IC技术提供了强大的缺陷发现和监测解决方案。这些系统共同合作，提高了产品的良率和可靠性，将更快地发现关键缺陷，并能够更快地解决从研发到生产的缺陷问题。 /p p 新推出的eSL10系统平台具有独特的扩展性，可以延申到整个电子束检测和量测应用中。全球范围内先进的逻辑器件、存储器和制程设备制造商都在使用eSL10系统，利用该系统帮助研发生产过程，提升和监测下一代产品制程和器件的制造。为了保持其高性能和生产力表现，eSL10系统拥有KLA全球综合服务网络的支持。更多关于全新电子束缺陷检测系统的其他信息，请参见eSL10产品页面。 /p

01什么是质量？大家肯定还记得十几年前臭名昭著的三聚氰胺“毒奶粉”事件。事故起因是很多食用三鹿集团生产的奶粉的婴儿被发现患有肾结石，随后在其奶粉中被发现化工原料三聚氰胺。三聚氰胺奶粉导致了近30万名婴儿确诊泌尿系统出现异常，给万千个家庭带来沉重的痛苦。三鹿集团因此破产重组，董事长也获刑入狱。更恶劣的影响是中国奶制品行业信誉的崩溃，导致大量海外抢购奶粉的风潮。国人对于国产奶粉的信任危机至今仍存。所以说，质量是企业的生命线。一个企业能走多远，取决于它的产品质量能做多好。那，什么是质量？我们经常有这样的错觉，贵的东西往往就意味着质量好。但这是恰恰是对质量的误解。不同人眼里对于“质量”有不同的理解和定义，克劳士比、戴明、朱兰这几位质量大师对于质量的定义都有差异，但他们的理解也有共同之处，就是“质量必须是符合要求的，满足客户需求的”。02什么是“零缺陷”？“符合要求，满足客户需求”，那些在制作合同标书时允许返工期；在物料来料检验时允许有一定比例的接收不良等这些“差不多就好”的工作方式和态度显然是与“质量”背道而驰的。企业要在满足客户需求的质量之路上与竞争对手形成差距，取得越来越多客户的认同，就必须要将“第一次就把正确的事情做正确”作为我们的工作准则，将“质量零缺陷”作为我们的工作标准。采取零缺陷作为我们的工作标准就意味着，我们绝不向任何“不符合”妥协。如果有“不符合”存在，我们就采取行动消除“不符合”要求，并采取预防措施，确保不再重蹈覆辙。 也许你会问：“零缺陷是否不允许员工犯任何错误，如果有错误，那将怎么解决？如果企业要求员工绝不能犯任何错误，是否扼杀了员工的工作效率和工作创新精神”？“零缺陷”不是不允许犯错误而是不允许犯同样错误。“零缺陷”管理可以简化为“三个不”：不要怕错误、不要放过错误、绝不重复犯错误。零缺陷的思维是一种质量预防的思维。重点是要做好源头检查和确认，也就是“先做正确的事情” 。事前分析能减少事后修改的成本。它是以满足客户需求为导向，贯彻在我们整个企业工作活动的全过程。所以，零缺陷是跟企业里面每一个岗位都息息相关。03欧美克的质量观那如何在日常工作岗位中践行零缺陷呢？欧美克旨在建立一个简单的输入输出模型。把工作对接的上一环当作供应商，工作对接的下一环当作客户。每一个岗位都不接受“供应商”的不良，同时自身岗位也不要制造不良，更不要把不良传递给我们的“客户”。具体来说，例如：在公司内部，研发的输出是满足客户需求的设计，上一环的输入是市场部\销售部。研发能否输出满足客户需求的设计，关键的部分就在于输入的客户需求是否准确、全面。所以市场\销售的同事在收集客户需求及传达内化到公司内部时，能否提供准确、全面的客户需求信息，避免信息的“缺陷”，就是践行“零缺陷”的好例子。同样，研发在设计时候，就要第一次把设计做好，避免出现有“缺陷”的图纸交付给采购和生产。而售后服务在上门调试维护的时候，第一次就将调试维护做好，避免二次或多次上门。仓库在发货时候，第一次就把要发的货物清点清楚，避免出现漏发错发给客户。在这个过程中，就能够环环相扣形成闭环的质量零缺陷！从“质量就是生命”的理念到“质量零缺陷”的践行，珠海欧美克仪器有限公司作为科学仪器提供商马尔文帕纳科公司的一员，一直坚持“以客户为中心”理念，贯彻“赢之有道”核心价值观。从市场调研，产品设计，材料采购到生产，销售，运输，安装和维护等各个环节把好质量关，由单纯的符合标准转变为了解客户满足客户需求，不断改进过程质量，从而不断改进产品质量，使得欧美克能够面向市场长期提供客户需要的产品和服务。打造“质量”文化，需要从观念到行为，把“第一次就把事情做正确”的意识嵌入每一个环节，去积极预防问题，把问题扼杀在摇篮里，在每一个欧美克人心中建立一个“质量”的标尺，将问题的预警和解决机制渗入欧美克仪器的每一个岗位，共同实现更全面和完善的产品质量把控。在追求“质量”的路上，欧美克正积极鼓励我们的内部员工和外部客户在任何时候任何环节发现问题都能向我们指出。我们将一直虚心接受客户的指导和建议，坚持关注客户对产品的需求和期望，并且不断地去改进和提升，始终做您值得信赖的粒度检测与控制技术专家！

国务院法制办3日公布了《缺陷汽车产品召回管理条例(征求意见稿)》，广泛征求社会各界意见。根据这份征求意见稿，中国拟将扩大汽车召回内容，汽车产品相关信息需保留至少10年，不召回将面临严厉处罚。 　　征求意见稿指出，条例所称缺陷，是指由于设计、制造、标识等原因而在某一批次、型号或者类别的汽车产品中普遍存在的危及人身、财产安全的不合理的危险。包括不符合保障人体健康和人身、财产安全的国家标准、行业标准和要求 符合保障人体健康和人身、财产安全的国家标准、行业标准和要求，但仍有可能危及人体健康和人身、财产安全。 　　此外，征求意见稿对「召回」活动也进一步予以明确。规定召回是指汽车产品生产者采取修正或者补充标识、修理、更换、退货等措施，预防和消除缺陷的活动。 　　在汽车生产者不主动实施召回时，征求意见稿规定了补救措施，即「国务院质检部门获知汽车产品可能存在缺陷的，应当立即通知生产者开展调查分析。必要时，国务院质检部门应当开展缺陷调查」。「国务院质检部门经调查认为汽车产品存在缺陷的，应当通知生产者实施召回」。 　　征求意见稿还规定，国务院质检部门应当及时向社会公告已经确认的汽车产品存在缺陷的信息以及生产者实施召回的相关信息 对汽车产品存在的其他危及人身、财产安全的不合理的危险，可以发布预警信息。 　　征求意见稿还规定，生产者应当及时采取修正或者补充标识、修理、更换、退货等措施，消除已经售出的汽车产品存在的缺陷。生产者应当承担消除缺陷的费用和对缺陷汽车产品进行运输所需的必要费用。 　　据了解，公众可在3月4日前，登录中国政府法制信息网，或者通过信函、电子邮件方式发表意见。

2023年10月18-20日，仪器信息网(www.instrument.com.cn) 与电子工业出版社将联合主办第四届“半导体材料与器件分析检测技术与应用”主题网络研讨会。iCSMD 2023会议围绕光电材料与器件、第三代半导体材料与器件、传感器与MEMS、半导体产业配套原材料等热点材料、器件的材料分析、失效分析、可靠性测试、缺陷检测和量测等热点分析检测技术，为国内广大半导体材料与器件研究、应用及检测的相关工作者提供一个突破时间地域限制的免费学习平台，让大家足不出户便能聆听到相关专家的精彩报告。本次大会分设：半导体材料分析技术新进展、可靠性测试和失效分析技术、可靠性测试和失效分析技术（赛宝实验室专场）、缺陷检测和量测技术4个主题专场，诚邀业界人士报名参会。主办单位：仪器信息网，电子工业出版社参会方式：本次会议免费参会，参会报名请点击会议官网：https://www.instrument.com.cn/webinar/meetings/icsmd2023/ 或扫描二维码报名“缺陷检测和量测技术”专场预告（注:最终日程以会议官网为准）时间报告题目演讲嘉宾专场：缺陷检测和量测技术（10月20日上午）9:30半导体芯片量检测技术及装备杨树明（西安交通大学 教授）10:00国家纳米计量体系与半导体产业应用施玉书（中国计量科学研究院纳米计量研究室主任 主任/副研究员）10:30面向集成电路微纳检测设备产业的自溯源纳米长度计量体系邓晓（同济大学 副教授）嘉宾简介及报告摘要（按分享顺序）杨树明 西安交通大学 教授【个人简介】杨树明，西安交通大学教授，博士生导师，国际纳米制造学会（ISNM）会士、国家杰出青年基金获得者、国家重点研发计划项目首席、教育部新世纪优秀人才、陕西省重点科技创新团队带头人等。承担国家及省部级重大重点项目20余项，发表学术论文200余篇，出版专著2部，授权/公开国际国内发明专利100多件，获科技奖励9项。被遴选为亚洲精密工程与纳米技术学会（ASPEN）理事、中国计量测试学会常务理事、中国微米纳米技术学会微纳米测量与仪器分会副理事长、中国计量测试学会几何量专业委员会副主任委员、中国计量测试学会计量仪器专业委员会常务理事、中国仪器仪表学会机械量测试仪器分会常务理事、中国机械工程学会微纳制造技术分会常务理事等。在国际国内学术会议应邀做大会报告和特邀报告50余次，担任JMS、IJPEM-GT、IJRAT、NMME、MST、PE、IJAMT、Photonics等国际期刊编委和客座编委以及多个国内期刊编委等。报告题目：半导体芯片量检测技术及装备【摘要】该报告将介绍半导体晶圆制造过程、图形化过程以及封装后关键尺寸和缺陷检测技术及其装备。施玉书 中国计量科学研究院纳米计量研究室主任 主任/副研究员【个人简介】施玉书，男，工学博士，博士生导师，中国计量科学研究院纳米计量研究室主任与微纳计量创新团队带头人，国际计量委员会长度咨询委员会国际互认与纳米工作组委员、ISO/TC213与ISO/TC201专家委员、SAC/TC240、SAC/TC279/WG11委员、东北亚标准合作会议WG11召集人、全国几何量长度计量技术委员会委员及纳米几何量计量工作组组长、国家重点研发计划项目负责人。致力于我国纳米量值的等效一致与国际互认，以实现我国纳米科技与产业高端精密仪器的量值准确可靠，先后承研了国家级项目/课题10余项，自主研制了多台套国家最高纳米计量标准装置与多结构纳米几何特征参量国家标准物质，建立了全链条国家纳米计量体系。主持和参与国家标准与计量技术规范制定20项，建立社会公用计量标准8项、获批国家标准物质29项，主导/参与国际比对5项，主导国内比对2项，在国内外刊物发表论文80余篇，授权专利20余项。作为第一和主要完成人先后获得省部级科技奖励6项，学会科技奖励3项。报告题目：国家纳米计量体系与半导体产业应用【摘要】国际权威的半导体技术蓝图（ITRS）明确指出，计量是集成电路的关键使能技术之一。我国半导体产业一直从国外溯源，使得关键尺寸量值长期受制于人。随着我国半导体产业能力的发展，迫切需要纳米级甚至亚纳米级准确度国家计量能力的技术支撑。面对溯源方式与测量原理双重极限的挑战，多年来中国计量科学研究院纳米计量团队开展了针对性的计量与应用技术研究，成功研制了用于量值溯源的基于不同测量原理的纳米计量国家标准装置与用于量值传递的多特征结构的国家标准物质，应用于我国半导体产业的纳米计量能力正在逐步的形成。随着研究的深入与产业需求的对接，相关计量能力与标准物质已在国内半导体产业广泛应用。 邓晓 同济大学 副教授【个人简介】邓晓，同济大学物理学院副教授，博士生导师，主要研究方向为纳米长度计量，具体包括原子光刻、光栅干涉仪、MOEMS加速度计与相对重力仪等。2021年入选中国科协“第六届青年人才托举工程”，2023年入选上海市“启明星”人才计划，是全国新材料与纳米计量技术委员会委员。作为项目负责人主持国家重点研发计划项目、基金委面上与青年项目多项。研究成果获批国家一级标准物质2项、国家二级标准物质2项，近五年共发表SCI论文15篇（含一作/通讯共10篇）；申请中国发明专利10项（授权4项）；申请美国发明专利2项；参与起草国家标准与国家计量技术规范各1项。报告：面向集成电路微纳检测设备产业的自溯源纳米长度计量体系【摘要】 集成电路微纳检测设备产业是把核心的原材料与零部件，结合技术和软件集成后开发微纳检测设备产品为芯片中的晶圆制造工艺服务。纳米长度计量体系是集成电路微纳检测设备量值溯源，误差控制与测量准确性的核心支撑。对自然界常数的物化、量传和复用是提升测量准确性的有效手段。自溯源标准物质是指物质的关键参数可以溯源到自然界常数的标准物质。汇报人将介绍基于铬原子光刻技术研制纳米长度标准物质、自溯源位移传感器及新型计量型AFM的研究思路与成果。系列光栅的准确性水平得到国际权威机构计量认可，并获批多项国家标准物质。系列可以溯源到铬原子跃迁频率的标准物质、位移传感器与计量仪器有望构建新型自溯源纳米长度计量体系。会议联系会议内容仪器信息网康编辑：15733280108，kangpc@instrument.com.cn会议赞助周经理，19801307421，zhouhh@instrument.com.cn

汽车由数以万计零部件组装而成，零部件是汽车发展的基础和重要组成部分，其性能优劣直接影响整车性能的优劣。核心零部件一旦出现质量问题，会给驾乘人员带来极大的安全隐患，因此汽车零部件检测对整车安全性起着至关重要的作用。本文将围绕汽车零部件的常见缺陷以及缺陷的危害进行阐述，以期为汽车零部件生产、质控与研究人员提供分析思路。一、汽车零部件缺陷类型汽车零部件从设计图样到制品，要经历一系列工艺流程，详见下图中7个节点。该流程中存在众多复杂因素，极有可能形成某种缺陷，若这些缺陷未被检测发现，或检测手段落后而发现不了，抑或技术标准不合理等，使得原本不应该流入市场的不合格品成为商品，从而成为在后续装配服役过程中失效的潜在因素。图1 汽车零部件工艺流程汽车零部件常见缺陷可以分为：设计缺陷、材料缺陷、制造工艺缺陷。如近日央视315晚会曝光的某品牌汽车，则是由设计缺陷导致变速箱腐蚀失效。图2 某品牌汽车变速箱腐蚀形貌以轴承和螺栓为例，其工艺流程如图3所示，复杂的工艺流程导致制造工艺缺陷呈现多样性，图4为不同制造工艺所对应的不同缺陷类型。产品出现质量问题，通过检测技术对缺陷类型进行表征，分析缺陷具体形成环节，往往是解决问题的基础。图3 汽车零部件工艺流程复杂导致缺陷的多样性图4 制造工艺及对应缺陷下面以螺栓失效为例，选取原材料、设计、热处理、机械加工和装配工艺不同因素导致失效的案例，对缺陷检测技术应用进行阐述。表1 螺栓失效案例案例零部件名称失效现象失效原因预防措施1节点连接螺栓发纹原材料缺陷1.提高原材料质量管理水平；2.加强磁粉探伤。2手动调整销氢脆断裂设计不当1.增加回火温度；2.电镀工艺之后需要加去氢处理。3缸盖螺栓氢脆断裂热处理工艺不当建议严格按照热处理工艺操作，并增加增碳试验检测。4风电螺栓疲劳断裂滚牙工艺不当严格按照滚牙模具管理规程，并使用体式显微镜进行抽检。5吊杆螺栓疲劳断裂装配工艺选用合适的弹性垫片防止预紧力松弛。案例1：原材料缺陷（节点连接螺栓表面缺陷分析）案例2：设计不当（手动调整销延迟性断裂原因分析）案例3：热处理缺陷（柴油机缸盖螺栓氢脆断裂）案例4：机加工缺陷——M16螺栓疲劳断裂原因分析案例5：装配工艺不当——某地铁齿轮箱吊杆螺栓断裂二、缺陷的危害汽车零部件缺陷危害极大，往往会影响零件使用可靠性，降低零件的力学性能，造成应力集中，促进氢脆与应力腐蚀等。缺陷与失效分析的关系（从废品、不合格品、商品三个角度）如下：1. 产品出厂前制造工艺过程中的废品分析，是由缺陷直接引起的失效；2. 因质量管控手段不足，使得原本不应流入市场的不合格品进入市场，并且其所含制造缺陷导致产品失效，是由缺陷直接或间接引起的失效；3. 产品设计、装配工艺或维护工艺不当导致的失效，则与缺陷无关。作者简介：潘安霞：中车戚墅堰机车车辆工艺研究所有限公司失效分析高级工程师，现任全国机械工程学会失效分析分会委员、中国中车技术专家，中车计量理化培训讲师，主要从事轨道交通行业齿轮、紧固件、弹簧等关键零部件失效分析研究工作，著有《紧固件失效分析与案例》。拓展阅读：中车戚墅堰所试验检测中心：汽车零部件缺陷表征技术

作者：荆淮侨 来源：中国科学报受SCIE期刊《极端制造》极端制造编辑部邀请，华中科技大学教授刘世元团队近日在该刊上发表了《10nm及以下技术节点晶圆缺陷光学检测》的综述文章，对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾。随着智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。据了解，晶圆缺陷光学检测方法的最新进展包含了缺陷可检测性评估、光学缺陷检测方法、后处理算法等三个方面。其中，缺陷可检测性评估，包含了材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响两个方面。在多样化的光学缺陷检测方法上，目前，晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类。在后处理算法方面，根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像中含缺陷区域的信号强度应明显大于预定义的阈值。在该综述研究中，也总结了代表性晶圆缺陷检测新方法。具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。研究人员认为，基于深度学习的缺陷检测方法的实施流程非常简单。首先，捕获足够的电子束检测图像或晶圆光学检测图像。其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能。最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。据介绍，尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。该团队介绍，这一研究领域的前景主要包含以下方面：首先，为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新。同时，为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理。此外，为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。相关研究人员表示，通过对上述研究工作进行评述，从而阐明晶圆缺陷检测技术的可能发展趋势，将为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。华中科大机械学院研究员朱金龙、博士后刘佳敏为该文共同第一作者，华中科大教授刘世元以及朱金龙为共同通讯作者。相关论文信息：https://doi.org/10.1088/2631-7990/ac64d7

p 　　SLAC国家加速器实验室正在研究如何避免金属3D打印零件的缺陷。其X射线观察过程可以产生更可靠的3D打印部件。 /p p 　　 img src=" http://img1.17img.cn/17img/images/201802/insimg/99c14bab-349e-4813-b9b4-bc025375d2f8.jpg" title=" 1517452728292032405.jpg" / /p p 　　无论您的3D打印机是在家里、工厂、船上，还是在太空中，您总是希望您的3D打印物尽可能出现少的缺陷，无论是为了审美目的，还是为了确保其功能关键部分。然而，有时候，识别缺陷的原因可能很困难：是3D打印材料还是3D打印机本身?也许这个缺陷来自用于构建零件的CAD 3D模型? /p p 　　SLAC国家加速器实验室的科学家们同样好奇，为什么3D打印部件(特别是金属3D打印部件)容易出现缺陷，所以他们使用装有X射线的观察台来更好地理解使3D打印出错的原因。科学家们认为这项研究可以使各种3D打印产品制造商受益，例如航空航天、汽车和医疗保健等行业。 /p p 　　这项研究正在实验室的斯坦福同步辐射光源(SSRL)上进行，并得到美国能源部劳伦斯利弗莫尔国家实验室和艾姆斯实验室的科学家的协助。这些科学家一起使用两种X射线方法来观察金属3D打印过程中发生了什么-这是一项令人难以置信的有用的技术，但尚未完善。 /p p 　　SLAC工作人员兼项目负责人Johanna Nelson Weker表示：“借助3D打印技术，您可以制作具有复杂几何形状的部件，这些部件不能像普通金属部件那样进行铸造。从理论上说，这可以是一个快速的转变：简单地设计、发送、从远程位置打印。但是我们还没有。我们仍然需要弄清楚所有参与制造坚固零件的参数。” /p p 　　读者可能非常清楚FDM 3D打印机可能出现的各种缺陷，但是金属3D打印机存在自身的一系列问题。例如，在选择性激光熔化(SLM)过程中，熔化激光束过程在金属冷却和硬化时不均匀地产生坑或弱点，同时建立层。但为什么会发生呢，怎样才能避免呢? /p p 　　在这些研究过程中，SLAC科学家们正试图深入这个增材制造问题的底部，分析所使用的金属的种类，激光的热量水平，金属加热和冷却的速度以及可能会导致3D打印部件缺陷的其他因素。 /p p 　　SSRL材料科学部门的科学家Chris Tassone评论说：“我们提供的基础物理研究将帮助我们确定金属3D打印的哪些方面非常重要。” /p p 　　科学家们认为，使用X射线而不是热成像装置可以揭开矿坑形成的秘密。他们正在使用两种不同的X射线技术，一种是捕获微米分辨率图像，当金属层积聚时会发生什么，另一种是从材料中的原子反射X射线来分析其原子结构，然后冷却。 /p p 　　目前，研究人员Nelson Weker和Tassone、Kevin Stone、Anthony Fong、Andrew Kiss、Vivek Thampy还没有得到任何明确的答案，但他们相信新的X射线设置可以帮助了解金属3D打印形成坑和弱点的原因。该研究还将用于观察其他种类的金属3D打印，包括定向能量沉积。 /p p 　　随着研究的不断深入，科学家们还计划在这个过程中引入其他的观测工具，包括一个可以收集制造过程照片和录像的高速摄像机。然后，他们将能够在某些点将他们的图像与他们的X射线数据相匹配，以便更全面地了解金属3D打印部件正在发生的事情。 /p p 　　Nelson Weker解释说：“我们希望制造商能够将他们在相机上看到的东西与我们在这里测量的东西联系起来，以便他们能够推断出金属材料表面下发生了什么。” /p p br/ /p

近日，微电子所集成电路先导工艺研发中心在极紫外光刻基板缺陷补偿方面取得新进展。 与采用波长193nm的深紫外（DUV）光刻使用的掩模不同，极紫外（EUV）光刻的掩模采用反射式设计，其结构由大约由40层Mo和Si组成的多层膜构成。在浸没式光刻技术的技术节点上，基板制造和掩模制造已足够成熟，掩模缺陷的密度和尺寸都在可接受的水平。但是在EUV光刻系统中，由于反射率及掩模阴影效应的限制，掩模基板缺陷是影响光刻成像质量、进而导致良率损失的重要因素之一。 基于以上问题，微电子所韦亚一研究员课题组与北京理工大学马旭教授课题组合作，提出了一种基于遗传算法的改进型掩模吸收层图形的优化算法。该算法采用基于光刻图像归一化对数斜率和图形边缘误差为基础的评价函数，采用自适应编码和逐次逼近的修正策略，获得了更高的修正效率和补偿精度。算法的有效应性通过对比不同掩模基板缺陷的矩形接触孔修正前后的光刻空间像进行了测试和评估，结果表明，该方法能有效地抑制掩模基板缺陷的影响，提高光刻成像结果的保真度，并且具有较高的收敛效率和掩模可制造性。 基于本研究成果的论文Compensation of EUV lithography mask blank defect based on an advanced genetic algorithm近期发表在《光学快报》期刊上[Optics Express, Vol. 29, Issue 18, pp. 28872-28885 (2021)，DOI: 10.1364/OE.434787]，微电子所博士生吴睿轩为该文第一作者。微电子所韦亚一研究员为该文通讯作者。此项研究得到国家自然科学基金、国家重点研究开发计划、北京市自然科学基金、中科院的项目资助。图1 (a)优化算法流程 (b)自适应分段策略样例 (c) 自适应分段的合并与分裂 图2 (a)对不同大小的基板缺陷的补偿仿真结果 (b) 对不同位置的基板缺陷的补偿仿真结果 (c) 对复杂图形的基板缺陷的补偿仿真结果 (d) 对不同位置的基板缺陷的补偿、使用不同优化算法，目标函数收敛速度的比较

8月6日，记者从国家质检总局获悉，根据《儿童玩具召回管理规定》第四章第二十七条的规定，国家质检总局经调查认定，于8月2日发出《质检总局关于责令对缺陷玩具产品实施召回的公告》，责令31家企业立即召回存在缺陷的玩具产品。 　　记者了解到，此次涉及召回的玩具产品主要存在小零件易脱落、手把强度未达标、机械强度未达标、存在危险夹缝、产生可触及的锐利尖端、制动装置不合格等缺陷。其中，6款产品存在小零件易脱落的问题，6款产品存在产生可触及的锐利尖端缺陷，4款童车产品制动装置不合格。据悉，在31家玩具产品存在缺陷的企业中，平湖市贝乐宝玩具有限公司6个批号的产品涉及制动装置不合格，滕州市南沙河鑫玉儿童用品厂生产的8058型多功能儿童推车存在燃烧性能不合格、手把强度未达标、制动装置不合格、折叠锁定装置不合格、未标注适用年龄和体重、安全警示内容不全6个不合格项。 　　目前，国家质检总局已在官方网站详细公布了此次召回信息，消费者可登录网站进行查阅。 序号 企业名称 所在地 产品名称 商标 规格型号 生产日期/批号 缺陷描述 1 河北益盟车业有限公司 河北省 儿童自行车 YIMENG 12-01 2013-02-06 闸把尺寸、平衡轮尺寸不合格 2 广宗县宝乐星童车厂 河北省 儿童自行车 宝乐星 16-01 2013-02-25 产生可触及的锐利边缘 3 宁波爱乐宝婴儿用品有限公司 浙江省 小兔摇铃玩具 / WJ007 2012-11-26 未标注年龄适用范围 4 慈溪市金洲电器有限公司 浙江省 音乐转转乐床头铃玩具 超贝 CB8712 2012-12-01 18个月及以下儿童使用的玩具上的绳索和弹性绳不合格、小零件易脱落、产生可触及的锐利尖端、含有可拆卸的小球 5 平湖市新仑童车制造有限公司 浙江省 儿童三轮车 小叮咚 A-7-1 2013-01-16 机械强度未达标 6 慈溪市福贝贝儿童用品有限公司 浙江省 婴幼儿推车 福贝贝 C211 2013-02 座兜的座垫与靠背的角度和靠背的高度不合格、手把强度未达标 7 平湖市飞龙童车有限公司 浙江省 电动童车 福儿宝 HL-218-1 2013-03-03 制动装置不合格 8 宁波家中宝贝儿童用品有限公司 浙江省 儿童三轮车 家中宝 T302 2013-01-27 机械强度未达标9 平湖市贝乐宝玩具有限公司 浙江省 电动童车：四轮电动车 喜乐玛 BLB-118 2012-10-16 2012-11-20 2012-12-23 2013-01-15 2013-03-08 2013-04-10 制动装置不合格 10 金健峰集团平湖童车有限公司 浙江省 儿童电动车 瑞迪高 TR0903 2013-02-27 制动装置不合格 11 安徽小小神童童车有限公司 安徽省 儿童推车 大六福（图案） DLF6201 2012-10-12 动态耐久性试验不合格 12 泉州新恒辉儿童用品有限公司 福建省 儿童推车 （图案） MA1109W 2012-10-11 未在产品上标注警示说明“警告：此车不适合于6个月以下的儿童” 13 山东好儿郎儿童用品有限公司 山东省 儿童推车（伞车） 瑞曼 S-204 2012-10-17 折叠锁定装置不合格 14 滕州市万宝童车有限公司 山东省 便携式婴儿车 福康 FK103/S218C 2013-03 手把强度未达标 15 滕州市南沙河鑫玉儿童用品厂 山东省 多功能儿童推车 翔龙宝贝 8058型 2013-03-02 燃烧性能不合格、手把强度未达标、制动装置不合格、折叠锁定装置不合格、未标注适用年龄和体重、安全警示内容不全 16 山东小阿龙儿童用品有限公司 山东省 小阿龙儿童便携伞车 小阿龙 LT300 2013-03 动态耐久性试验不合格 17 新乡市乖乖牛儿童用品有限公司 河南省 乖乖牛儿童三轮车 乖乖牛 GGN型 2013-03-07 机械强度未达标 18 新乡市长城儿童用品有限公司 河南省 儿童三轮车 康娃娃 831（F-3） 2013-03-05 机械强度未达标 19 郑州市中原龙凤童车有限公司 河南省 儿童推车 龙祥 LX-2008-A 2013-03-05 小零件易脱落、手把强度未达标 20 郑州西湖童车有限公司 河南省 儿童推车 小燕子 88型 2012-12-17 小零件易脱落、手把强度未达标 21 汉川市雅贝儿童用品有限公司 湖北省 儿童推车 ADIL Jx862 2013-03-09 存在危险夹缝 22 汕头市澄海区乐吉儿玩具有限公司 广东省 娃娃（公仔）家庭组合装玩具 偶像乐吉儿 H24A 2013-01 含有小球，未设小球警示说明 23 广东飞轮科技实业有限公司 广东省 电动玩具/遥控车 / FC095 2012-12 产生可触及的锐利尖端 24 汕头市澄海区得发塑胶玩具实业有限公司 广东省 电动卡通车玩具 XIONG XING TOYS NO.6013 2013-02 小零件易脱落、产生可触及的锐利尖端 25 汕头市澄海区华美工艺玩具厂有限公司 广东省 变脸小章鱼玩具 第一教室 HM1801C 2012-10-27至2012-10-30 小零件易脱落 26 汕头市澄海区乐禹玩具实业有限公司 广东省 遥控动物玩具 （图案） 9901 2013-02-18至2013-02-21 塑料袋或塑料薄膜不合格 27 惠州顺泰玩具有限公司 广东省 球拍套装玩具（羽毛球拍 玩具乐巢 87000 2013-02-26 含有小球，未设小球警示说明 28 汕头市澄海区卡力奇塑胶制品有限公司 广东省 益智玩具 （图案） PHJ003-A 2013-01-25 金属边缘为可触及的锐利边缘 29 汕头市双鹰玩具实业有限公司 广东省 遥控模型车玩具 （图案）E608-002 2013-01-20 产生可触及的锐利尖端 30 中山市南头镇小神童日用制品厂 广东省 豪华伞车（童车） 龙儿 808# 2013-02-18至2013-02-20 小零件易脱落、折叠锁定装置不合格、动态耐久性试验不合格 31 佛山市南海区畅旺玩具厂 广东省 太空狗儿童三轮车 精灵皇 C601 2013-02-28至2013-03-10 机械强度未达标、冲击强度未达标

日立暗场晶圆缺陷检测系统DI46002023年12月6日，日立高新宣布推出日立暗场晶圆缺陷检测系统DI4600，这是一种用于检测半导体生产线上图案化晶圆上颗粒和缺陷的新工具。DI4600 增加了一个专用服务器，该服务器提供了检测颗粒和缺陷所需的显著增强的数据处理能力，从而提高了检测能力。与之前的型号相比，通过缩短晶圆转移时间和改进晶圆检测期间的操作，系统的吞吐量也提高了约 20%。DI4600将实现半导体生产线中高精度的缺陷监测，这将有助于提高产量和更好的拥有成本，促进半导体产量持续扩大。发展背景在当前的社会环境中，DRAM和FLASH等存储器半导体设备，MPU和GPU等逻辑半导体不仅用于智能手机、笔记本电脑和PC，还用于生成人工智能（AI）计算和自动驾驶。随着半导体器件的萎缩和复杂性的发展，对制造过程清洁度和检测能力的要求也变得更加严格。半导体制造商不断努力提高竞争力，尤其是在性能和制造成本方面。图案化晶圆检查工具通过检查生产晶圆的表面是否有颗粒和缺陷，有助于产量管理，使工程师能够监测半导体处理工具的清洁度变化和趋势，因此对半导体器件的性能和制造成本有很大影响。关键技术1.高通量与现有型号相比，通过减少晶圆转移时间、改善晶圆检测期间的操作和优化数据处理顺序，吞吐量提高了约 20%。2.高精度检测由于增加了专用服务器，因此提高了检测精度，该服务器提供了检测颗粒和缺陷所需的显着增强的数据处理能力。

XRT 在半导体材料晶体缺陷表征中的应用介绍‍半导体（semiconductor）指常温下导电性能介于导体与绝缘体之间的材料。半导体在集成电路、消费电子、通信系统、光伏发电、照明、大功率电源转换等领域都有应用，如二极管就是采用半导体制作的器件。无论从科技或是经济发展的角度来看，半导体的重要性都是非常巨大的。大部分的电子产品，如计算机、移动电话或是数字录音机当中的核心单元都和半导体有着极为密切的关联。按照半导体材料发展历程和材料本征禁带宽度，习惯上按照如下方法进行分类：第一代半导体材料主要是指硅（Si）、锗（Ge）这类半导体材料，主要兴起于二十世纪五十年代，其兴起也带动了以集成电路为核心的微电子产业的快速发展，并被广泛的应用于消费电子、通信、光伏、军事以及航空航天等多个领域。就应用和市场需求量而言，半导体Si材料仍是半导体行业中体量最大的，产品规格以8-12英寸为主。第二代半导体材料是以砷化镓（GaAs）、磷化铟（InP）为主的化合物半导体，其主要被用于制作高频、高速以及大功率电子器件，在卫星通讯、移动通讯以及光通讯等领域有较为广泛的应用。相比于第一代半导体而言，化合物半导体长晶和加工工艺复杂，产品附加值要高一些，产品规格以3-6英寸为主，国内部分厂家可以提供8英寸晶圆。第三代半导体材料包括了以碳化硅（SiC）、氮化镓（GaN）为代表的宽禁带化合物半导体。相比于第一代及第二代半导体材料，第三代半导体材料在耐高温、耐高压、高频工作，以及承受大电流等多个方面具备明显的优势，因而更适合于制作高温、高频、抗辐射及大功率器件，在电力电子器件、微波射频等领域的应用优势更为明显。产品规格以2-6英寸为主。图1不同半导体材料禁带宽度及应用[1]在半导体材料制备和应用过程中，对于晶体缺陷的要求与控制是十分重要的。因为晶体缺陷的类型、大小和多少直接决定了半导体器件性能的优劣和使用稳定性等性能指标。所以，无论是在晶体长晶环节还是晶片加工及晶圆外延等环节，都要进行晶体/晶圆缺陷检查，确保使用在器件上芯片是满足设计要求的。晶圆中常见的缺陷主要有如下几类，参见图2[2]。点缺陷：在三维空间各方向上尺寸都很小的缺陷。空位、间隙原子、替位原子等；线缺陷：在两个方向上尺寸很小，而另一个方向上尺寸较大的缺陷。如位错，刃型位错和螺型位错；面缺陷：在一个方向上尺寸很小，在另外两个方向上尺寸较大的缺陷。如晶界、相界、表面等。体缺陷：杂质沉积、孔洞及析出相等。图2 半导体材料中常见晶体缺陷对于上述提到的四类半导体材料缺陷中，第一类缺陷属于原子层面的缺陷，通常是从掺杂及长晶工艺优化等角度去进行改进。通常不作为生产过程控制的主要参数，一般选择用其他方法进行测量，如采用FTIR方法可以测量Si晶体中代位C原子和间隙氧原子的浓度。第二到四类缺陷，则需要在加工环节进行100%直接或间接检测，确保所生产晶圆/芯片缺陷指标满足订单要求。对于这类缺陷传统方法就是采用腐蚀性化学药液（如熔融的KOH）对晶、体/圆进行腐蚀。在腐蚀过程中由于晶体有缺陷的区域会优先腐蚀，无缺陷区域则腐蚀速度相对较慢，所以在规定腐蚀时间后在晶圆表面会有腐蚀坑（Etch Pit）出现，这是一种破坏性的检测方法。腐蚀好的晶圆在显微镜下对这些腐蚀坑识别和计数，就可以得到该晶体的缺陷信息, 图3 为SiC 晶圆通过KOH腐蚀得到缺陷照片，缺陷主要有刃型位错、螺型位错和微管等[2]。图3 SiC 晶片腐蚀后缺陷形貌[3]对于半导体晶圆，上述传统缺陷表征方法最大的问题就是破坏性的，检测后的晶圆无法继续使用只能做报废处理。对于像第二代和第三代半导体材料而言，晶体生长技术要求水平较高，成品和晶圆数量受晶棒长度及其他加工方式限制而良率相对不高。像国内部分企业SiC 晶棒成品长度一般在20mm左右。如果按照单片晶圆成品厚度约在0.5mm，除去切割和研磨、抛光损耗，基本上0.8mm才能出一片合格晶圆。如果在晶棒头、尾各取一片晶圆去做缺陷检测，则有约8%的成本损耗。所以很多半导体厂家都希望有一种可以用于半导体晶体材料缺陷的表征的无损检测技术。日本理学株式会社（www.rigaku.com）作为全球著名的X-Ray 仪器制造商，自1923年以来，理学公司一直专注于X射线仪器领域的研发和生产。该公司生产制造的XRT (X-ray Topography)检测系统则是利用X射线的布拉格衍射原理和晶格畸变（缺陷）造成特征峰宽化和强度变化等特性，再结合理学公司开发的X射线形貌技术，可以对晶体内缺陷进行成像。这种XRT检测技术最大的优点就是无损检测，在不破坏晶圆的情况下实现2-12英寸半导体晶体中线缺陷、面缺陷和体缺陷的检测和表征。图4 XRT设备实物图图5 XRT 缺陷表征原理示意图[3]工作模式：XRT主要有反射成像和透射成像两种模式，反射模式是Cu靶，透射模式则是Mo靶，参见图6。透射模式成像后可以进行3D重构和成像，参见图7 SiC晶圆缺陷图片。图6 XRT 反射模式和透射模式[3]图7 SiC 晶圆缺陷表征[3]系统软件介绍：该仪器标配的图像分析软件可以对检测样品内的缺陷进行统计，给出缺陷数量和分布信息，参见图8。图 8 XRT 标配软件数据结果界面[3]后续我们会针对XRT在不同半导体材料检测和应用案例刊发几期相关介绍，敬请期待。附：[1] 第三代半导体-氮化镓(GaN) 技术洞察报告,P3 [2] 理学XRT 内部资料；[3] 理学XRT公开彩页.

12月24日，全国产品缺陷与安全管理标准化技术委员会正式成立。该委员会主要负责产品缺陷与安全管理等领域的标准化工作，与国际标准化组织消费者政策委员会产品安全工作组相对口关联。 　　记者从成立大会上获悉，目前很多发达国家很早就建立了产品缺陷与安全管理标准体系，并有专门的行政部门或第三方机构进行贯彻和实施。而在我国的标准体系中，涉及产品缺陷与安全管理的标准不足40个，直接涉及产品召回管理的标准尚属空白。 　　据了解，按照该技术委员会的设想，我国产品缺陷与安全管理国家标准体系框架包括缺陷预防标准体系、缺陷信息收集标准体系、缺陷调查与认定标准体系、缺陷处理标准体系、产品召回管理标准体系。 　　在成立大会上，技术委员会还对《产品缺陷防范导则》(草案)和《产品缺陷风险评估指南》(草案)进行了研讨。记者从《产品缺陷防范导则》(草案)中看到，生产制造商应在产品说明书上标注缺陷产品召回的相关提示，包括在产品有缺陷的情况下，可以从哪里获得服务；产品召回程序和政策等等。

近日，中导光电设备股份有限公司（简称“中导光电”）纳米级图形晶圆缺陷光学检测设备（NanoPro-150）再次交付客户，标志着中导光电在半导体前道图形晶圆检测设备市场化道路上阔步前行。 前道图形晶圆检测设备是半导体芯片制造过程中的核心设备之一，技术门槛高，难度大，是检测设备的主战场。此次交付用户的NanoPro-150产品灵敏度系纳米级序列，充分满足半导体芯片90nm及以上产线制造工艺需求。本次交付的设备将用于国内功率半导体头部公司的量产线，加之前期该型号设备已在功率半导体知名企业产线长期量产使用，表明该产品尤为受到功率半导体公司的青睐和欢迎。NanoPro-150是NanoPro-1XX系列中的高端产品，除与国际顶尖公司同类产品在灵敏度、检出速度等主要性能参数相近外，还开发和引入了许多先进的AI算法和软件，进一步提高了信噪比，显著提升了设备在关键制程的缺陷检测灵敏度和检出率。同时，该产品实现了精密光机电关键核心部件的国产化和自主可控，为产品的量产和稳产奠定了坚实基础。 中导光电是国内半导体及泛半导体前道图形缺陷检测设备的领军企业，也是国家专精特新 “小巨人” 企业、国家知识产权优势企业，有着丰富的技术积累和完全的自主产权。在过去十多年的经营中，公司的亚微米级和微米级设备累计销售逾350台，长期稳定地运行在众多量产线中。公司目前进入销售和量产的NanoPro-1XX系列产品和MDI亚微米检测设备，加上NanoPro-2XX和NanoPro-3XX即将先后进入市场，可望覆盖国内半导体前道检测设备需求市场的90%以上，给中国半导体工业检测设备的国产化描绘出一片光明前景。

一、技术应用背景1.行业痛点在半导体制造过程中，需要对半导体进行微观缺陷的观察。所需要查看的缺陷不仅来自半导体器件的表面，也来自半导体内部。例如存储器件芯片领域，即我们常说的内存，当二维尺度存储单元的尺寸被降低至无法继续缩小，但芯片的存储容量仍然不能满足需求时，三维存储器工艺3D NAND应运而生（图1）。简单来说，该技术机理为将二维存储器堆叠成多层三维结构，相同面积芯片上存储单元被成倍增加，从而达到在不增加存储器面积的前提下增加存储容量的效果。在其它器件领域，此类立体布线的芯片制作技术和工艺也被广泛应用。图1 二维存储器和三维存储器示意图但这类工艺也增加了缺陷检查的难度。在二维器件时代，技术人员只需要对平面上存在的缺陷进行检查，但是当工艺迭代至三维空间，对芯片内部数十层甚至数百层线路进行缺陷检查就变成了一件很有挑战性的工作。X射线具有一定的穿透能力，但是分辨能力无法达到检查要求；电子束的分辨能力强，但是又难以穿透到芯片内部检查线路缺陷。 常规的直接检测手段效果不佳，这时就产生了一些间接检查的手段。由于内部线路缺陷检测主要关注内部线路的通断，而电子束作为一种成像介质，不仅可以用于获取显微影像，也可以向材料内部充入电子，而电子本身就是判断导电线路通断的关键手段。电子束缺陷检查设备EBI（E-Beam Inspection）就是一类专门用于快速分析此类缺陷的专用设备。 EBI设备源自于SEM，其工作原理同样基于电子束与物质相互作用产生的二次电子（主要）/背散射电子效应，这些二次电子/背散射电子的数量和能量分布与材料表面的物理和化学性质密切相关，特别是与表面的缺陷情况有关。通过收集和分析这些二次电子/背散射电子，可以构建出待测元件表面的电压反差影像，从而实现对缺陷的检测。2. EBI设备的详细工作机理介绍由电子束激发的二次电子产额δ（发射的二次电子数与入射电子数之比）与入射电子束能量Ep的关系如图2所示。δ曲线随能量快速递增至最大值，再缓慢递减。这是因为当能量较低时，激发的二次电子数目较少，随着能量的增加，激发的二次电子数目越来越多，但能量越大，入射电子进入到固体内部越深的地方，虽然产生大量的二次电子，但这些二次电子很难从固体内部深处运动到固体表面逸出。对于大多数材料来说，二次电子产额δ都符合这条曲线的规律。图2 二次电子产额δ与入射电子束能量Ep的关系示意图如图3所示，当EⅠ1，此时试样表面呈正电荷分布。发射的二次电子大部分小于10 eV，由于受到试样表面正电荷的吸引作用，二次电子的发射会受到阻碍。当Ep=EⅠ或Ep=EⅡ时，δ=1，此时试样表面呈电中性。当EpEⅡ时，δ图3试样表面电荷累计示意图以上就是电子束检测中的正电位模式（Positive model）和负电位模式（Negative model）。正电位模式常用于检测由于电子累积而导致的电性缺陷，如短路或漏电。在检测过程中，在特定试样下，亮点可能表示待测元件存在短路或漏电问题，因为这些区域会吸引并累积更多的电子，形成较高的电位，而暗点则表示断路。负电位模式则与正电位模式相反。 以6T SRAM中的接触孔缺陷成像分析为例，在正电荷模式下的接触孔影像和接触孔断路缺陷影像如图4所示。正电荷分布模式下接触孔断路缺陷的影像会受到表面正电荷异常增加，而导致的电子束缚能力增强，接收器接收到的电子数量变少，接触孔影像变暗而出现缺陷信号，如图4中右图所示。而在负电荷分布模式下的接触孔断路缺陷影像如图5所示，接触孔断路缺陷表面负电荷无法从基底流走，排斥更多的负电荷，使接触孔影像变亮而出现缺陷信号。图4 正电荷模式下的接触孔影像（左图）和接触孔断路缺陷影像（右图）图5 负电荷模式下的接触孔断路缺陷影像二、EBI设备的技术特点1. EBI设备电子枪技术策略芯片内部线路通断信号的判定通常不需要在较高的加速电压下进行，电子束的着陆能量调节范围也无需过大，通常0.2kV-5kV的着陆能量即可覆盖芯片样品的电荷积累极性，从而达到判断内部线路通断的目的。因此EBI设备通常采取额定电压的电子枪技术，这样一方面节省成本，另一方面降低了电子枪的制作和装调难度。 从应用角度举例，仍以6T SRAM接触孔缺陷检测为例（图6），当着陆能量为300 eV和500 eV时，试样表面呈正电荷分布；当着陆能量为1800 eV时，试样表面呈电中性；当着陆能量为2000 eV和3000 eV时，试样表面呈负电荷分布。对于这种特定试样来说，在电子束着陆能量较低时，产生的二次电子信号量太少，图像的衬度较差，接触孔缺陷较难判断；电子束着陆能量为2000 eV时，接触孔断路处由于负电荷迅速积累而变亮，此时接触孔缺陷清晰可见。图6 入射电子束不同着陆能量下接触孔缺陷检测图2. EBI设备着陆电压控制策略常规SEM通常使用在镜筒内部设置减速电极、减速套管等方式实现对着陆电压的精确控制，统称为镜筒内减速技术。该技术的核心思路是电子束在镜筒中一直维持着较高的能量，保持较低的像差，电子束在到达极靴出口之前恰好降低至目标电压，从而轰击样品。该技术的优势是在保证低电压高分辨能力的同时，不干扰各类仓室内探测器的使用。镜筒内减速技术综合考虑了各类材料的观测工况，适用性强，不存在明显的技术短板，代表了当代电子光学的较高水平，但其装配调试难度相对较高，故多搭载于成熟品牌SEM的高端机型。（镜筒内减速技术的发展和详解本篇文章不过多展开，请继续关注本公司后续技术文章）EBI设备则不同，由于该设备主要用于观测大尺寸平整晶圆，通常不需要考虑样品存在起伏的情况，在这种工况下为了精确控制电子束与晶圆发生碰撞瞬间的入射电压，EBI设备最常采用样品台减速的设计思路，即在样品台表面设置可调节的减速电位，这样晶圆表面也分布有处处均等的减速电势。当电子束下落至晶圆表面，电子的速度便恰好被降低到目标入射电压，以此达到精确控制晶圆表面电荷积累的极性的目的。例如：（图7）电子枪的发射电压为15 kV，电子束以15 keV的能量在镜筒内运动，在样品台上施加一个-14 kV的反向电场，这样电子束到达样品的瞬间着陆能量恰好被减速到1 keV。图7 样品台减速模式示意图样品台减速技术对样品的平整度要求很高，样品不平整会直接导致减速场分布的不均匀，从而直接影响成像质量和检测精准度。但是对于EBI设备，被检测对象单一且均匀，采用样品台减速的设计路线就极为合适。通常EBI厂商会采用固定电压的电子枪配合可调节电压的样品台减速，实现对着陆电压的精确控制，这种技术策略与常规SEM相比，一定程度上降低了设计和装配的难度，也节约了生产成本。3. EBI设备物镜的设计在常规的SEM中，物镜也被称为外镜物镜，如图8所示。它位于电子枪底部，用于汇聚初始电子束。常规SEM需要观测形状各异的样品，同时需要安插各类探测器来获取不同种类的信号以增加成像分析的维度，这种锥形物镜的设计允许样品在较大的范围内自由移动和倾斜旋转，也极大程度上便利了各类探测器的扩展性。图8 常规SEM物镜示意图然而在EBI设备的应用场景中，样品通常为平整的大尺寸完整晶圆，多数情况下仅做水平方向的移动观察，这就意味着样品与物镜发生碰撞的概率被大大减小。因此在设计EBI设备物镜时，就可以采用一些更小的工作距离的设计思路，从而突破使用传统物镜导致的分辨能力的极限。 半浸没物镜是EBI设备经常采用的一种类型，通过特殊设计的磁场分布（如图9所示），将强磁场“泄漏”到物镜空间下方的样品区域，这样相当于获得了无限短的工作距离，物镜对平整晶圆表面线路的分辨能力得到了大幅度提升。这种设计通常还会将电子探测器布置在物镜内部，以增加信号电子的收集效率。不过由于工作距离短，磁场外泄的设计，在此类型物镜基础上插入其它类型的信号探测器并不容易。例如，正光轴外置背散射电子探测器，通常无法在常规的使用工况中发挥作用，为了防止外露磁场的均一稳定，使用镜筒内二次电子检测器时，需要将该背散射检测器移出磁场；仓室内的二次电子探测器（ET）也会受到泄露磁场的影像导致无法收到信号。图9 半镜内物镜示意图三、EBI与SEM的区别和联系电子束检测设备EBI与扫描电子显微镜SEM在半导体检测领域各有侧重，但又相互关联、相互补充。EBI是针对单一应用场景特殊优化过的SEM设备，通常使用额定加速电压，样品台减速控制落点电压和半内透物镜技术策略，主要用于半导体晶圆的缺陷检查，特别是内部线路中的电性缺陷。其利用二次电子/背散射电子成像技术捕捉并分析缺陷，能够做到线上实时检测缺陷状况，无须借助接触式电极即可完成线路通断检查。SEM的适用领域则更广，不仅限于半导体领域，还广泛应用于材料科学、生命科学、能源化工、地址勘探等多种基础、前沿科学技术领域的微观研究。SEM具有更宽泛的电压调节能力，更灵活多变的工作高度，更大的成像景深，更多种探测器的部署方式，更灵活的采集模式，同时兼容各种类型的原位观察、原位加工附件。参考文献及专利[1] Scholtz, J. J., D. Dijkkamp, and R. W. A. Schmitz. "Secondary electron emission properties." Philips journal of research 50.3-4 (1996): 375-389.[2] Patterson, Oliver D., et al. "The merits of high landing energy for E-beam inspection." 2015 26th Annual SEMI Advanced Semiconductor Manufacturing Conference (ASMC). IEEE, 2015.[3]王恺.28纳米技术平台接触孔成型工艺的缺陷检测与优化研究.2019.上海交通大学,MA thesis.doi:10.27307/d.cnki.gsjtu.2019.004052.[4]常天海,and 郑俊荣."固体金属二次电子发射的Monte-Carlo模拟."物理学报 61.24(2012):149-156.[5]Xuedong Liu, et al."System and method to determine focus parameters during an electronbeam inspection."US7705298.2010-04-27.

1月4日，工业和信息化部、住房和城乡建设部、交通运输部、农业农村部和国家能源局联合发布《五部门关于印发的通知》（简称《通知》）。《通知》公示了《智能光伏产业创新发展行动计划（2021-2025年）》（以下简称《行动计划》）光伏产业是基于半导体技术和新能源需求而融合发展、快速兴起的朝阳产业，也是实现制造强国和能源革命的重大关键领域。为推动光伏产业与新一代信息技术深度融合，加快实现智能制造、智能应用、智能运维、智能调度，全面提升我国光伏产业发展质量和效率，推动实现2030年碳达峰、2060年碳中和目标，制定本行动计划。《行动计划》提出了发展目标，到2025年，光伏行业智能化水平显著提升，产业技术创新取得突破。新型高效太阳能电池量产化转换效率显著提升，形成完善的硅料、硅片、装备、材料、器件等配套能力。智能光伏产业生态体系建设基本完成，与新一代信息技术融合水平逐步深化。智能制造、绿色制造取得明显进展，智能光伏产品供应能力增强。支撑新型电力系统能力显著增强，智能光伏特色应用领域大幅拓展。智能光伏发电系统建设卓有成效，适应电网性能不断增强。在绿色工业、绿色建筑、绿色交通、绿色农业、乡村振兴及其它新型领域应用规模逐步扩大，形成稳定的商业运营模式，有效满足多场景大规模应用需求。《行动计划》部署了六项主要任务，包括提升行业发展水平、支撑新型电力系统、助力各领域碳达峰碳中和、优化产业发展环境、建设公共服务平台和强化光伏人才培育。其中提到，推广自动制绒、自动上下料、自动导片机、自动插片机、双面双测、在线缺陷分析等应用，提升工序间自动化传输和智能感知衔接能力；开发基于宽禁带材料及功率器件、芯片的逆变器；提升逆变器系统安全性实时监测处理、在线PID抑制与修复、智能支架跟踪、高性能IV扫描诊断、组件级监控等智能化技术；开发柔性薄膜电池大面积均匀积沉技术。《行动计划》明确了四项组织实施措施，包括加强组织协调和政策协同、形成有效市场和有为政府合力、支持试点示范和行业特色应用和推动光伏产业健康有序发展。政策链接：智能光伏产业创新发展行动计划（2021-2025年）.pdf

日前，北京理工大学重庆创新中心智能焊接实验室为东方锅炉量身定制的锅炉小径管焊口自动评图系统顺利通过验收测评，并正式投入运行。该系统各项性能指标均达到行业领先水平，实现了人工智能技术在锅炉小径管无损检测技术领域的重大突破。近年来随着人工智能的普及应用，以及无损检测技术快速发展，给数字射线检测图像实现自动评定带来了可能。在工信部“大数据产业发展试点示范项目”的有力支持下，北京理工大学重庆创新中心智能焊接实验室携手东方电气研究院、东方锅炉组建联合技术攻坚团队，牵头开展小径管焊口自动评图系统研发，旨在将人工智能技术、信息化管理技术与无损检测数字化实现完美结合，进一步提升质检效率和智能化程度。实验室负责人介绍，为东方锅炉开发的是一款基于深度学习开发焊缝射线图像自动识别系统，它集成了图像采集、标注、自动评图、按标准质量评价、报告输出等诸多功能，实现了从输入到按NB/T 47013、ASME等质量标准评级的全流程无损检测评价。同时与数字化系统交互，形成了质量统计分析、追溯、缺陷原因排查的全流程质量闭环管理能力，实现了工业软件国产化，简化了人工评片工作，提高了质量管控能力及产品品质，能有效增强缺陷诱因排查能力。负责人透露，数据模拟显示，锅炉小径管缺陷智能评定系统正式运行及推广后，从人员作业、软件国产化、对外服务等方面可产生直接经济效益达每年数百万元，通过有效提高质量管控能力，避免重大质量事故，由此产生的间接经济效益可达每年数千万元。据了解，锅炉小径管缺陷智能评定系统通过对各类离散数据进行收集整合，能够有效提高企业数字化发展、智能化转型的能力，以解决行业长期面临的评片量大、存储困难、人为主观因素高等难题，给工业无损检测加上一双“智慧的眼睛”。该系统上线，使我国高端装备制造领域无损检测缺陷智能识别与评价技术实现了零的突破，小径管场景定制化开发智能识别算法实现了缺陷识别的高灵敏度，及针对性算法优化确保充足泛化能力并导入无损检测经验实现了高度实用。联合攻坚团队负责人表示，新系统“破茧而出”，实现了小径管对接焊口数字射线图像自动评定和焊缝质量信息自动追溯，将检测数据自动记录、实时传输和检测结果智能判定、即时反馈变成现实，是人工智能技术在东方锅炉的一次成功实践。新系统以推进产品质量全流程管控为着力点，持续优化焊缝缺陷检出能力和准确性，生产质效显著提升，有效节约了人力、物力资源，助力企业数字化、智能化转型发展。下一步，将把该系统进一步拓展应用于供方质量的远程监督，提升供方质量管控能力。

近日，御微半导体首批i12-F300超精密晶圆缺陷检测设备在御微合肥成功发运，顺利交付国内集成电路领域重要客户。御微半导体自主研发的i12-F300设备作为公司新一代晶圆检测产品，凭借御微多年来在集成电路晶圆检测领域积累的丰富经验和技术储备，以多模式的高精度光学成像、高稳定性成像控制、高效率数据处理系统、多类型物料兼容为基础，结合御微专有的智能检测+分类算法和软件系统，相对于已有集成电路晶圆缺陷检测产品，可提供更强大的缺陷检测能力和更高的检测效率，满足不同集成电路客户工艺环节中细微缺陷管控需求。御微半导体i12-F300超精密晶圆缺陷检测设备在集成电路晶圆制造环节，i12-F300设备可应用于光刻后、蚀刻后、化学研磨后、薄膜沉积等工艺后的缺陷检测，实现快速工艺监测和问题反馈，减少客户良率损失。i12-F300设备可搭配御微已有边缘、背面检测模块，实现对晶圆正面、背面、边缘全方位检测和质量管控。此外，该设备可实现深亚微米检测精度，在多种场景下用于产线高精度检测场景，补充客户产线昂贵纳米检测设备产能，降低客户使用成本。另外，通过兼容透明/半透明基底、翘曲/键合片等基底，i12-F300可用于化合物半导体、先进封装等领域，对晶圆产品实现高精度管控，助力客户产线降本增效、实现零缺陷目标。i12-F300的推出，进一步完善了御微在晶圆检测领域的产品布局，这是御微集成电路晶圆缺陷检测领域的重大突破，也是迈入国产替代关键性的一步。未来，御微将持续加大研发投入，精准把握客户需求，不断推出满足客户需求的新产品，填补国内相关半导体设备领域的空白，为广大客户创造更多独特价值。据资料显示，御微半导体是一家以技术和市场双轮驱动，为集成电路制造提供先进装备的科创企业。公司面向集成电路制造、先进封装、化合物半导体、新型显示等领域，为客户提供具有竞争力的产品及技术解决方案。公司聚焦于集成电路光学量检测系统设计与系统集成，围绕集成电路装备自主化，已经形成了服务于芯片制造、光罩制造、晶圆衬底制造、基板制造四大领域九大类量测及检测产品。致力成为半导体设备行业第一梯队的技术提供者。

王强(化名)在国内一家知名汽车杂志任职，去年购买一辆宝马X1开了半年后，他却不满意这款车的油耗。&ldquo 宝马厂商标注的X1百公里油耗为7.2~9.2L，但在实际使用中，百公里油耗超过12L。不知道宝马厂商如何认证这款车的油耗检测。&rdquo 王强告诉《第一财经日报》记者。 　　王强的吐槽不是个案。不少消费者都曾抱怨，购车时车辆标注的油耗往往与实际用车情况相差甚远。个别车企油耗造假的问题也曾被媒体曝光。事实上，油耗造假已成为整车厂和检测机构心照不宣的约定。 　　在油耗检测中几乎处于垄断地位的中国汽研5月13日发布停牌公告称，自查和检查过程中，发现公司所属检测中心车辆油耗检测质量控制存在缺陷。对此，公司针对发现的问题正在进行整改，有关管理部门也正在研究，可能做出完善、整改的意见。除此之外，目前公司各项科研、技术服务和生产经营工作正常。 　　中汽研自曝油耗检测存缺陷，暴露了油耗检测以及后期生产一致性如何管理的问题，也凸显了行业监管缺失问题。 　　隐藏的利益链 　　为了严格规范油耗检测，工信部从2009年开始出台了一些文件，要求企业的油耗必须通过国家指定的第三方检测机构确认，其中包括出台了《轻型汽车燃料消耗量标示管理规定》，要求车辆模拟市区、市郊(包括公路)等典型行驶工况油耗，并在车辆中标示。相对之前车企独自发布的等速工况下的理论油耗，这些规定的出台可以明示油耗并便于监管，但是由于监管的缺失，油耗标示成了一门生意经。 　　国家对汽车产品质量的监督检验业务进行行政授权管理，如整车公告业务由工信部、国家质检总局等主要授权给中汽研下属的国家机动车质量监督检验中心(重庆)、国家轿车质量监督检验中心(下称&ldquo 天津中心&rdquo )等6家检测中心。 　　这6家检测中心之间是竞争关系，同时这些检测中心主要依靠油耗检测生存，车企是其衣食父母，这就滋生了行业潜规则。 　　&ldquo 汽车企业可根据自身情况在获得授权的机构中自行选择。目前来看，影响汽车企业选择质量监督检验机构的主要因素有以下几点：一是该监督检验机构的测试评价能力是否能满足自身的需求 二是该监督检验机构的测试评价的服务质量。&rdquo 中汽研在其招股书中表示。 　　车辆油耗测试结果直接关系到企业能否拿到油耗补贴&ldquo 通行证&rdquo 。&ldquo 一个指标可能影响到一个企业一年的业绩甚至命运，企业内部对这个测试结果非常重视，这也导致劣币驱逐良币的滋生。&rdquo 国内一家车企相关人士表示。 　　为了能够拿到国家汽车节能减排的补贴以及提升竞争力，众多车企都使出浑身解数加入了申报节能补贴的大军，以获取最低油耗标识。 　　行业监管缺失 　　国内一德系汽车品牌工程设计院的整车工程师称，汽车行业油耗测试存在很大可控空间。一般来说，汽车油耗测试分为研发测试和认证测试两部分。 　　研发测试为车企对自身产品进行测试，车企可自行调整车辆参数。认证检测则由厂家将样车发往第三方检测机构进行油耗试验。如试验结果合格，由检测机构出具检测报告，众多车企能干预的其实是认证检测这个环节。如果企业和检测机构达成默契共识，企业可挑选&ldquo 合格&rdquo 产品送样检测 如果检验机构&ldquo 睁一只眼闭一只眼&rdquo ，只对检测来样产品负责，批量产品的一致性问题得不到有效监管。 　　对于汽车企业在宣传产品时夸大油耗数据的&ldquo 通病&rdquo ，监督部门则缺乏监管，也没有相应的明确处罚规定。 　　&ldquo 油耗检测主要对样车负责，即使油耗检测合格了，如果有关行业部门不加强车型生产一致性监管，消费者买到的商品车的实际油耗与厂家标注的油耗仍不会符合，其结果是节能效果也大打折扣。&rdquo 业内人士表示。 　　实际上，在美国等成熟市场，监管部门会重罚欺骗消费者的行为。韩国现代和起亚两家汽车制造商由于夸大旗下13款产品的油耗，遭到美国环境保护署的起诉，它们将为此支付4.12亿美元作为车主们的补偿。