晶圓金屬線（互連線）的短路檢測，是半導體制造中良率控制的關鍵環節。隨著制程工藝向納米級（7nm、5nm甚至更先進）發展，金屬線寬度僅為幾十納米，間距極小，傳統的自動光學檢測面臨巨大挑戰。


一、 核心挑戰：為什么難？
在晶圓缺陷檢測中，金屬線短路（Bridge）屬于致命缺陷。檢測難點在于：

納米級精度 vs. 大視場：需要在整個300mm（12英寸）晶圓上，發現尺寸在納米級（<100nm）的微小橋接。

復雜的背景噪聲：晶圓表面金屬線排布極其密集，存在顏色差異、晶粒紋理、化學機械拋光不均帶來的干擾，容易產生“假缺陷”（Overkill）。

光學衍射極限：當金屬線寬小于光學分辨率極限（如使用明場顯微鏡時），傳統光學成像無法直接“看清”短路點，只能依靠缺陷散射光或邏輯比對。

二、 成像硬件：光學系統設計
對于在線檢測（Inline Inspection），主流方案并非直接“看到”短路，而是通過光學特性變化來推斷。

1. 明場與暗場結合
UV-DIC（紫外微分干涉差）：利用短波長（深紫外，如266nm）提高分辨率。DIC技術能將金屬線表面的微小高度變化或邊緣梯度轉化為強烈的明暗對比，對于檢測金屬殘留導致的橋接非常有效。

暗場散射：短路點通常是一個不規則的微小“金屬須”或殘留物。暗場照明下，平坦的金屬線表面反射光進入物鏡較少，而短路點會產生強烈的散射光（亮點），形成高對比度。

2. 多角度/多光譜成像
多通道檢測：使用不同角度（正入射、斜入射）和不同波長的光源。金屬對不同波長的反射率不同，通過多光譜圖像融合，可以凸顯異常區域的材質變化。

3. 電子束檢測
當光學檢測無法分辨時，電子束檢測被用作補充或抽檢。雖然速度慢，但分辨率極高，且能檢測“隱藏”短路（如金屬線下方或內部的橋接），還能通過電壓襯度檢測電路邏輯短路。

三、 核心算法：從圖像到缺陷
單純依靠圖像灰度閾值分割，已無法滿足先進制程的需求。現代系統采用圖像比對與深度學習相結合的方式。

1. 基于設計的 Die-to-Die 與 Die-to-Database 比對
這是半導體檢測的基石。

Die-to-Die：假設同一晶圓上相鄰的芯片（Die）是完美的。將當前Die的圖像與相鄰Die對齊后相減，差異處即為缺陷。這種方法對晶圓工藝波動不敏感，但對“重復性缺陷”（即每個Die同一位置都有的設計缺陷）無效。

Die-to-Database：將拍攝圖像與原始的GDS/OASIS設計版圖進行高精度配準。這種方法能識別出“非設計”的金屬連接（即短路）。

2. 深度學習語義分割
傳統算法難以區分“工藝波動”和“真實短路”。

基于CNN的缺陷檢測：訓練深度卷積神經網絡（如U-Net變體）對圖像進行像素級分割。

關鍵點：需要大量的標注數據（含真實短路、假缺陷、正常金屬線）。

優勢：能夠學習金屬線的拓撲結構，即使短路點對比度極低，模型也能通過上下文（如兩條本應平行的線突然出現了連通區域的形態）進行判斷。

3. 高精度配準與差分
深度學習輔助的亞像素級配準是降低誤報的關鍵。由于晶圓在載物臺移動中存在微小震動和伸縮，如果圖像疊加不準，金屬線邊緣的輕微錯位會被誤判為短路。需要利用深度學習提取金屬線特征點，實現納米級配準。


五、 當前技術趨勢與痛點
從2D走向3D：

先進封裝（如HBM、Chiplet）中的金屬線（RDL重布線層）具有大高寬比。單純的2D圖像無法區分“表面異物”和“金屬橋接”。3D白光干涉或激光掃描共聚焦正在被引入，通過獲取高度信息，判斷金屬線之間是否存在物理連接。

人工智能的挑戰：未知缺陷

深度學習擅長識別“見過的”短路形態。對于全新的、未曾在訓練集中出現的工藝缺陷，容易出現漏檢。

解決方案：異常檢測模型，不學習缺陷長什么樣，而是學習“正常金屬線”長什么樣，任何偏離正常流形的區域都被報警。

計算負載

一片12英寸晶圓的數據量可達TB級別。如何在保證檢測精度的同時，實現每小時處理數十片晶圓的吞吐量，對硬件加速提出了極高要求。


構建一個高效的晶圓金屬線短路機器視覺檢測系統，核心在于：

硬件上：采用深紫外光+多模態（明暗場結合） 成像，突破衍射極限，獲取高信噪比的原始圖像。

算法上：必須結合設計版圖信息，通過高精度配準區分設計與制造差異，并利用深度學習對極微小的形態異常進行語義理解。

系統上：需要構建高速光學初篩+高精度SEM復檢的閉環，以平衡產能與精度。