受SCIE期刊《極端制造》極端制造編輯部邀請，華中科技大學教授劉世元團隊近日在該刊上發表了《10nm及以下技術節點晶圓缺陷光學檢測》的綜述文章，對過去十年中與光學晶圓缺陷檢測技術有關的新興研究內容進行了全面回顧。
隨著智能終端、無線通信與網絡基礎設施、智能駕駛、云計算、智慧醫療等產業的蓬勃發展，先進集成電路的關鍵尺寸進一步微縮至亞10nm尺度，圖形化晶圓上制造缺陷的識別、定位和分類變得越來越具有挑戰性。傳統明場檢測方法雖然是當前晶圓缺陷檢測的主流技術，但該方法受制于光學成像分辨率極限和弱散射信號捕獲能力極限而變得難以為繼，因此亟需探索具有更高成像分辨率和更強缺陷散射信號捕獲性能的缺陷檢測新方法。
據了解，晶圓缺陷光學檢測方法的最新進展包含了缺陷可檢測性評估、光學缺陷檢測方法、后處理算法等三個方面。
其中，缺陷可檢測性評估，包含了材料對缺陷可檢測性的影響、晶圓缺陷拓撲形貌對缺陷可檢測性的影響兩個方面。在多樣化的光學缺陷檢測方法上，目前，晶圓缺陷光學檢測系統可根據實際使用的光學檢測量進行分類。在后處理算法方面，根據原始檢測圖像來識別和定位各類缺陷，關鍵在于確保后處理圖像中含缺陷區域的信號強度應明顯大于預定義的閾值。
在該綜述研究中，也總結了代表性晶圓缺陷檢測新方法。具體可劃分為明/暗場成像、暗場成像與橢偏協同檢測、離焦掃描成像、外延衍射相位顯微成像、X射線疊層衍射成像、太赫茲波成像缺陷檢測、軌道角動量光學顯微成像。
研究人員認為，基于深度學習的缺陷檢測方法的實施流程非常簡單。首先，捕獲足夠的電子束檢測圖像或晶圓光學檢測圖像。其次，訓練特定的神經網絡模型，從而實現從檢測圖像中提取有用特征信息的功能。最后，用小樣本集測試訓練后的神經網絡模型，并根據表征神經網絡置信水平的預定義成本函數決定是否應該重復訓練。
據介紹，盡管圖形化晶圓缺陷光學檢測一直是一個長期伴隨IC制造發展的工程問題，但通過與納米光子學、結構光照明、計算成像、定量相位成像和深度學習等新興技術的融合，其再次煥發活力。
該團隊介紹，這一研究領域的前景主要包含以下方面：首先，為了提高缺陷檢測靈敏度，需要從檢測系統硬件與軟件方面協同創新。同時，為了拓展缺陷檢測適應性，需要更嚴謹地研究缺陷與探測光束散射機理。此外，為了改善缺陷檢測效率，需要更高效地求解缺陷散射成像問題。除了IC制造之外，上述光學檢測方法對光子傳感、生物感知、混沌光子等領域都有廣闊的應用前景。
相關研究人員表示，通過對上述研究工作進行評述，從而闡明晶圓缺陷檢測技術的可能發展趨勢，將為該領域的新進入者和尋求在跨學科研究中使用該技術的研究者提供有益參考。
華中科大機械學院研究員朱金龍、博士后劉佳敏為該文共同第一作者，華中科大教授劉世元以及朱金龍為共同通訊作者。