半导体制造晶圆切片检查

在半导体晶圆厂中运行晶圆切片操作时，边缘质量检测对于确保模具在下游包装和测试中存活至关重要。切割过程必须提供干净的切割，而不会出现过度的切屑、边缘毛刺或微裂纹，从而损害设备的完整性。通过检查的每个模具在分层光刻和蚀刻步骤方面都投入了大量资金，使精确的缺陷检测对于良率保护和长期可靠性至关重要。

切屑、碎片和侧壁裂纹等缺陷直接影响切屑性能和寿命。在晶片级芯片级封装 （WLCSP） 中，薄晶粒特别容易受到处理应力的影响，而标准晶粒需要原始边缘来执行诸如引线接合等步骤。在这两种情况下，边缘缺陷都会带来严重的可靠性风险。高处理量要求，加上严格的洁净室集成标准，使得传统的人工检测不足，并推动了对专为半导体制造而设计的自动化、高速检测解决方案的需求。 

在微观尺度下晶圆切片检查变得特别困难，其中挑战在于将真实缺陷与正常切割标记分开。晶圆锯切工艺自然产生可变的切屑和边缘毛刺，在每个模具上看起来不同，而WLCSP侧壁检查引入了复杂的结构层，可以掩盖微裂纹。传统的基于规则的视觉系统在这些环境中挣扎，因为它们无法可靠地区分可接受的切割变化和质量关键缺陷。

限制传统晶圆切片检查的主要挑战包括：

• 微尺度检测要求：以微米为单位的边缘切屑和毛刺形成需要非常精细的光学分辨率
• 可变缺陷模式：根据晶圆材料特性切割方法和锯片磨损而出现不同缺口和毛刺
• 令人困惑的背景：WLCSP结构层，产生视觉噪声和低对比度条件，掩盖裂纹检测
• 高处理量要求：检查必须跟上洁净室的生产速度，提供即时的质量决策
• 虚假拒绝成本：模具错误地标记为有缺陷，导致不必要的收益率损失和投资浪费

最终，基于规则的检查无法扩展到晶圆切片的复杂性。随着切割特性的不断变化和无数可接受的变化，尝试对每个可能的边缘条件进行编程变得不切实际，而且成本高昂。 

康耐视 AI 技术通过为半导体晶圆厂构建的可靠、自动化质量控制，转变了晶晶圆切片检测的困难、容易出错的任务。通过对可接受和缺陷模具边缘的代表性图像进行训练，我们的 AI 工具学会区分真正的质量关键缺陷和正常切割标记，同时保持半导体晶圆厂所需的快速检测速度。

康耐视 AI 如何改善晶圆切片检查：

• 智能缺陷分类：自动将不可接受的切屑和边缘毛刺与正常切割痕迹分离
• 微裂纹检测：识别 WLCSP 封装中的侧壁裂纹，同时过滤掉结构层图案
• 自适应学习：适应不断变化的锯片条件、刀片磨损和新的模具设计，只需最少的再培训
• 洁净室兼容性：无缝集成到工厂环境中，无污染风险

其结果是一致的边缘质量和最大良率 - 仅拒绝有缺陷的模具，而基于规则的系统可能错误分类的有价值的设备。对于 WLCSP 应用，这意味着可靠的微裂纹检测可以防止现场故障，而不会导致误报。

无论是监控锯切质量、跟踪刀片磨损，还是在装配前验证模具边缘，康耐视都能提供晶圆厂所需的检查精度，而不会减慢生产速度。为了使生产以最高速度运行，康耐视通过全球支持专家网络和庞大的训练帮助内容库来支持我们的产品，这些内容可以在您希望的时间和方式上提供。