企业官网建设流程全解析

简介：面向半导体晶圆制造与良率分析岗位的入门到进阶培训资料，围绕KLA缺陷检查设备的实际操作与缺陷判定展开，帮助工艺整合、设备与检测工程师快速建立从机台运行到缺陷归因的完整认知。压缩包共1个文件，为PPT演示文稿，大小约2.05MB，页面式结构便于按主题分节讲解与随堂演示。已有416人学习下载，可作为新员工上岗培训或产线内部分享的参考材料。内容覆盖21xx系列检测平台的能力概览、晶圆检查任务的入队与运行流程、检查中止的时机判断，以及缺陷监控对良率提升的统计意义；重点部分以图文对照方式逐条讲解十九类缺陷，包括假缺陷、未知缺陷、表面颗粒与膜内颗粒、划痕、色差、掩蔽与桥连、环状与葡萄状缺陷、残留物、图案异常、凹陷与COP、剥落、盲孔、金属图案损伤、W残留、底层图案失败、硅化物异常及晶粒等，并给出对应的工艺成因线索与处理方向，便于读者对照实际缺陷图谱完成分类与复查。

1. 20 页缺陷图谱，比操作手册更值得先啃的那部分

绝大多数人拿到一份晶圆缺陷检测的培训文档资料，第一反应是翻到“怎么跑片”那几页，把按钮顺序背下来，觉得能独立开机就算入门了。真正卡人的环节在出片之后：屏幕上出现一屏花花绿绿的缺陷图，同一个白点，有人标颗粒、有人标残留、有人直接判假缺陷，三种标法对应三条完全不同的工艺排查方向，标错一次，工艺端可能白忙一周。这份 20 页的 PPT 培训资料，价值恰好落在后半段，它把 19 类缺陷代码连同典型形貌图摆在一起，把“看到什么形状、落在什么位置、归到哪个工艺模块”这条链路固化下来。适合刚接手缺陷 review 的工艺工程师、设备操作员，也适合需要看懂 defect map 做良率分析的人。

2. 21xx 平台的能力边界与跑片链路：四个必须盯住的环节

先明确一件事：这套培训资料里，平台被称作 21xx 系列（资料内部代号），属于明场光学检测设备，核心工作方式是用相邻 die 做图像比对，把和邻居长得不一样的地方挑出来。这个原理决定了后面所有操作逻辑——它挑的是“差异”，不是“缺陷”。理解不了这句话，后面所有的误报、假缺陷、阈值调整都会变成玄学。

2.1 灵敏度、吞吐与误报：三个指标只能取两个

检测配方（recipe）里最容易被新人乱动的，是灵敏度和阈值这一组参数。像素尺寸越小，能分辨的物理尺寸越小，可检缺陷的尺寸门槛大致落在 2 到 3 个像素的量级；但像素一小，扫描同样一片晶圆需要的时间就成倍上升，吞吐直接掉下来。同时，灵敏度一提高，工艺本身的正常波动、膜厚微小差异、甚至图形边缘的粗糙度都会被当成缺陷抓出来，review 工作量暴涨。

常见做法是分两步定基线：先用一片已知状态的黄金片（golden wafer）跑一遍，把阈值压到“该抓的都能抓到”的程度，记下缺陷总数；再用几片正常量产片跑同样的配方，看总数是否稳定在同一个数量级。如果正常片跑出来数量波动超过三成，说明阈值设得太紧，抓的是噪声。

这张表里最值得反复看的是 care area。它很容易设错：圈大了，划片道、边缘的膜残留全部进队列，review 的人被淹没；圈小了，关键图形区边角漏掉，真正的桥连（bridge）跑掉，那才是要命的杀手缺陷。我一般会先把 care area 叠加在 die layout 图上核一遍，确认关键层的关键图形全部落在框内，再存配方。

2.2 Run Overview：从入队到出片的完整链路

培训资料里“跑一片晶圆”这件事被拆成了几个页面，实际现场的操作链是下面这样，顺序不能乱：

1. 建 lot、选片，确认片号与批次对应关系，别拿错监控片。
2. 上片，读 FOUP 与片号，机台自动读 ID 失败时手动补录，这一步出错后面所有数据都对不上片。
3. 对准（alignment），用对准标记建立坐标系，对准残差超标必须重做，不能凑合往下走。
4. 调用或新建 recipe，确认层位、die 布局、care area、阈值四项与本批一致。
5. 加入检测队列（inspection queue），排队执行，多片时注意队列顺序与优先级。
6. 扫描出片，得到 defect map 与缺陷列表。
7. 进 review，用宏观（macro）看分布、微观（micro）看形貌，逐条定代码。
8. 导出数据、分类汇总，交工艺端做后续分析。

这张流程里第 3 步和第 4 步是翻车高发区。对准残差偏大时，缺陷坐标会整体偏移几十微米，review 阶段按坐标跳过去，看到的是一片干净图形，人会以为机台漏报；实际是坐标系偏了，缺陷就在旁边一两个 die 的位置。recipe 调错更常见——同一台机台跑不同层，配方名字很像，选错了阈值和 care area 全不对，出来的数据看着有模有样，其实完全不能用。

2.3 停止检查的时机判断与现场处置

资料里专门留了一页讲“Stopping the Inspection”，这一页新人往往一扫而过，实际它是现场最需要判断力的地方。触发停止的典型情形有四种：机台报警（真空、气路、光源异常）、对准失败连续发生、缺陷数在扫描过程中突然爆量、defect map 出现整片的条纹或同心圆——最后这种通常不是晶圆问题，是载台或扫描系统的问题，继续跑只会产出一堆垃圾数据。

停止方式要分清暂停和终止。暂停（pause）保留当前扫描进度与已采集数据，处理完异常可以接着跑；终止（abort）直接结束任务，未落盘的数据可能丢掉。我的习惯是，只要不是机台级故障，先走暂停，把当前片的数据保存下来再决定要不要终止。这一条是拿教训换来的：早期一次光源异常，直接终止，前面扫了大半片的数据全部作废，同批的对比基线断了，只能整批重跑，几个小时就这么没了。

停机之后还有一步不能省——记录。停机原因、发生时刻、当前片号、已扫描比例、是否保存原始数据，这几项写进交接记录。缺陷检测的数据是连续的，中间断一段又没有记录，后面做趋势分析时这段曲线就是个黑匣子，谁也解释不清那个坑是怎么来的。

3. 19 类缺陷代码拆解：每一条都对应一个工艺模块

资料后半段是整套文档里最硬的部分，19 类缺陷代码，配典型图。这部分不能死背，得按“这类缺陷是谁造成的”来分组记，分成表面污染类、图形转移类、膜层与填充类、晶圆本体类四组，记忆负担立刻降下来，判读时的思路也会清楚很多。

3.1 先分清假缺陷、未知缺陷与真缺陷

19 类里的前两类其实是定性标签，不是物理缺陷。假缺陷（false）指 review 时用检测数据回看，什么都没找到——可能是前一次检测的残留数据、坐标系偏移、或者机台把噪声当成了候选。未知缺陷（unknown）是确实看到了东西，但现有代码表里没有合适的归类。

这两类的比例是配方质量的温度计。假缺陷占比高，说明阈值偏松或者比对基线漂移；未知缺陷堆积，说明代码表该更新了，或者判读的人对形貌不熟。现场常见的坏习惯是“就近归类”——看着像颗粒就填颗粒，看着像残留就填残留，把 unknown 硬塞进某个已有类别。这么做的直接后果是 Pareto 图失真，工艺端拿着错误的分布去查设备，方向从一开始就偏了。

我的做法是：unknown 允许存在，但每周统计一次占比，超过阈值就把那批缺陷图拉出来集体过一遍，能归类的补进代码表，不能归类的单独建一个观察项。宁可留着一个诚实的 unknown，也不要造一个假的颗粒。

3.2 颗粒、划痕、残留、色差：清洗与传输链路的锅

表面颗粒（fall on particle）和膜内颗粒（in film particle）最容易混。判据在 review 时的调焦：颗粒浮在图形表面，边缘清晰、有立体感、常带阴影；颗粒嵌在膜里（poly、HDP、金属这类膜层），边缘发虚、和周围膜面过渡平缓，有时还能看到膜层包覆的痕迹。这两类的处置方向完全不同，表面颗粒查清洗、传输、FOUP 洁净度；膜内颗粒往前追沉积工序的颗粒源。标错一个，工艺端可能去查一条根本不相关的线。

划痕（scratch）的特征是方向性强、长度长、常伴生颗粒。资料里点明来源是机械手、工装部件或人为操作，所以判读时先看方向是否与传输路径一致、是否集中在片边缘、是否呈平行多条。人为划痕通常短而杂乱，机台造成的往往规整且重复出现在同一位置。

残留（residue）多发生在湿法清洗之后，形貌是不规则片状、边缘模糊、常见于图形密集区或疏密交界处。色差（discolor）是颜色差异，多数情况是膜厚微小不均或材料本身差异，一般不构成杀手，但它常常是膜厚异常的前兆，值得记录趋势。

这四类放在一组，是因为它们的共同排查入口都在“片子进来之前干不干净、传得干不干净”。我一般会先看缺陷是否集中在片的某个象限或某条半径上，集中分布基本就能锁定是传输或清洗工位的问题。

3.3 掩蔽、桥连、盲孔、剥落、W 残留：图形转移与填充的锅

掩蔽（masking）指该被刻蚀掉的地方没蚀刻干净，poly、SiN、spacer、金属层都可能出现。它的危险等级取决于形态：孤立的残留块是隐患，如果残留跨接了两条以上的线，那就是桥连（bridge），属于杀手缺陷，直接短路，必须立即反馈。

环状缺陷（ring like）通常和光刻相关，典型来源是抗反射层（ARC）甩胶时的溅射，形貌是同心环或弧形带，位置常与片中心和旋转半径相关。葡萄状缺陷（grape like）同样指向光刻的工艺单元，形貌是一簇簇凸起颗粒聚集，像一串葡萄，这类不要按普通颗粒处理，方向错了查不到根因。

盲孔（blind）指接触孔或通孔没有打开，review 时看到孔底有膜残留、孔径偏小或完全封闭。这类缺陷在电性上表现为开路，属于高优先级。剥落（peeling）指图形移位或缺失，钨塞（W plug）剥落是典型代表，且常出现在晶圆边缘——边缘的应力、膜层附着和 CMP 均匀性都更差，看到边缘一圈规律性剥落，先查 CMP 和膜层应力，别急着怀疑光刻。

W 残留（W residue）的来源资料里写得很直接：氧化层损失，或者 CMP 本身。正常区域和异常区域对比着看，残留通常表现为局部多出一层金属光泽的薄层，边界和 CMP 的图形边界吻合。

3.4 图案异常、凹陷、晶粒、硅化物：光刻焦点与晶圆本体

图案异常（pattern abnormal）是个筐，里面装着粗糙度（roughness）、失焦（defocus）、图形偏移（pattern shift）。粗糙度表现为线条边缘毛刺、侧壁不平整；失焦表现为整片或局部线条变宽变窄、对比度下降；图形偏移则是图形相对下层的位置整体错位。这三者都指向曝光环节，但排查方向不同：粗糙度查胶厚与显影，失焦查焦面与平坦度，偏移查对准与载台。

凹陷（concave）包含三类：COP（晶体定向坑）、氧化层损失、以及各种坑洞。COP 属于晶圆本体缺陷，形貌是规则的晶体学形状凹坑，和工艺无关，遇到成批的 COP 要往硅片供应商方向追，而不是在线上找原因。氧化层损失则是工艺侧的，通常和清洗、刻蚀过度相关。

图案损坏（pattern damage）里金属层损伤和多晶硅断裂都算，资料特别提到多晶硅断裂常发生在高阻抗相关工艺段。晶粒（grain）指多晶硅或金属的晶粒异常，形貌是局部晶粒粗大或异常取向，通常与沉积温度、退火条件相关。硅化物异常（salicide abnormal）是硅化物形成不良，表现为该有硅化物的区域发黑、缺失或形貌不均，直接影响到接触电阻。

底层图形失败（under_pat）是相对概念——它指下层图形本身出了问题，但在当前层的检测里被发现。判读这类缺陷必须调出前层的检测记录对照，只看当前层的图很容易误判成本层工艺问题。

4. 把缺陷代码落成判定规则：一份可抄的决策表

代码表背下来不等于会判。现场真正的难点是：一条缺陷同时具备两三个特征时，该归哪一类。解决办法是把判读顺序固定下来，减少自由发挥的空间。

4.1 判定顺序：层位、位置、形貌、上下文

第一步看层位：这条缺陷出现在哪一层、哪道工序之后。同一张形貌图，出现在多晶硅层和出现在金属层，结论可能完全相反。第二步看位置：片中心还是边缘、die 内相对位置、是否跨 die 边界重复出现。第三步看形貌：调焦看立体感、看边缘清晰度、看颜色与周围图形的对比。第四步看上下文：同片分布是否有规律、和前一批同层数据比是否异常、defect map 上是随机散点还是成带成环。

这个顺序不能颠倒。先看形貌再想层位，很容易被形状带偏；先看上下文再定形貌，容易被“上一批也有”这种心理暗示误导。顺序固定下来还有个好处——不同人判同一批数据，结论的一致性会明显提升。

4.2 决策表怎么写

把下面的表打印出来贴在 review 工位旁边，比翻 PPT 快得多。判据列只写最关键的区分点，不要写长篇描述。

这张表里，“优先级”这一列是现场调度用的。判出高优先级缺陷，不要等整批 review 完，立刻把图和坐标发给工艺端，尤其是桥连和盲孔——这两类缺陷如果在同片多处出现，基本可以判定这道工序出了系统性问题，继续等数据只会扩大损失。

4.3 复核抽样与代码一致性

判读质量靠两件事保证：抽样复核和代码一致性检查。抽样比例按批次的重要性定，量产监控批抽一成到两成，异常批和新配方首批全检。复核不是重判一遍，而是抽出一部分已经定过代码的缺陷，让另一个人独立判一次，比对差异。

差异集中在哪几类，就针对哪几类做专项对齐。常见的高分歧类别是颗粒与残留、膜内颗粒与凹陷、图案异常与划痕。分歧的原因往往不是眼力，而是判据描述太模糊。把分歧案例做成图集，每条配一句判据，比开三次会有效。

另外要定期看代码分布本身。如果某个月某个代码的数量突然翻倍，先别急着找工艺原因，先确认是不是判读习惯变了——换了个人、换了班次、或者代码表刚更新过，都会造成这种跳变。

5. 避坑与排查：五条现场记录

这一节里的每一条都对应真实翻过的车，按现象、原因、解决的顺序写，能对号入座的就直接拿去用。

5.1 假缺陷占比突然升高，追了一周工艺

现象：某批监控片跑出来缺陷总数比历史均值高出三倍，review 后一大半判为假缺陷，工艺端按缺陷分布查了一周设备，什么都没查到。

原因：查到最后是配方里的比对基线漂移。机台换过光源模块后没有重做黄金片校准，比对阈值仍然按旧基线设置，正常图形波动被大量误抓。另外 care area 在配方复制时被改动了边缘范围，把划片道的膜残留也圈了进去。

解决：建立“光源或光学模块动过必须重跑基线”的硬规则，在配方变更记录里单列一项。假缺陷率设一个上限，超过就停线做基线校验，不要带着漂移的配方继续跑量。

5.2 按坐标去 review，什么都看不到

现象：缺陷列表里明明有坐标，跳到对应位置是一片干净图形，连续几条都是这样。

原因：对准残差超标没有重做，坐标系整体偏移。偏移量小时，review 视野内还能碰运气看到；偏移量大时，缺陷实际落在隔壁一两个 die 的位置，按原坐标找必然扑空。

解决：对准完成后先看残差数值，超过设定门限强制重做，不要用“上次也这样”说服自己。review 时如果连续两条按坐标找不到，先停下来反查对准，而不是继续往下翻。

5.3 停止检查后数据没了，趋势断了一截

现象：机台报警后操作员直接终止任务，故障排除后重新跑片，结果发现前一片未扫完的数据没有保存，同批的趋势曲线中间出现一个无法解释的空洞。

原因：终止与暂停的语义没分清，终止会丢弃未落盘的扫描数据。

解决：非机台级故障一律先暂停、保存数据、记录已扫描比例，再决定是否终止。交接记录里必须有停机原因和数据处理方式，缺一项不算交接完成。

5.4 Unknown 越堆越多，Pareto 图失真

现象：某条产线的未知缺陷占比从个位数涨到两成，工艺端拿到的分布图里“其他”成了最大项，分析做不下去。

原因：新工艺导入后出现了几种新形貌，代码表没更新，判读人员为图省事就近归类，一部分塞进颗粒、一部分塞进残留，剩下的留在 unknown。

解决：每周统计一次 unknown 占比，超阈值就组织一次集中判读，能归类的补充代码并附图，不能归类的单独立观察项。同时把“就近归类”明确列为判读错误，纳入复核检查项。

5.5 Care area 设错，关键区域漏检

现象：电性测试发现某区域开路，回溯检测数据，该区域在 defect map 上干干净净。

原因：recipe 复制自另一层，care area 沿用了上一层的框选范围，本层的关键图形区有一部分落在框外，从来没被检测过。

解决：新建或复制配方后，必须把 care area 叠加到本层 die 布局图上逐一核对，重点看图形密集区和疏密交界处。配方上线前做一次已知缺陷片的验证跑片，确认该抓的能抓到，这一步不能省。

6. 用缺陷 Pareto 反推工艺：周报里该放的三张图和一段代码

缺陷数据如果只停留在“这批有多少条”，价值有限。真正能推动工艺动作的，是把分布、位置、时间三个维度叠起来看。我一般会在周报里放三张图：按代码排序的 Pareto 图、按晶圆位置的分布热力图、按批次的时间趋势图。三张图放一起，很多问题不用解释，看图的人自己就能得出结论。

Pareto 的算法不复杂，但要处理两个细节：一是 unknown 和 false 要不要计入，二是同一缺陷在不同层位的可比性。我的处理是 false 直接剔除，unknown 保留但单独着色，跨层对比时按层分组统计，不做全局合并。

import pandas as pd import numpy as np def pareto_by_layer(df, layer, top_n=10, drop_false=True): """ df: 至少包含 ['layer', 'defect_code', 'wafer_id', 'x', 'y'] 五列 layer: 要统计的层位，如 'poly1' top_n: 只保留前 N 类，其余合并为 OTHER，避免长尾把图压扁 drop_false: 是否剔除假缺陷，默认剔除 """ sub = df[df['layer'] == layer].copy() if drop_false: sub = sub[sub['defect_code'] != 'False'] # 按代码计数并降序排列，这是 Pareto 的基础 counts = sub['defect_code'].value_counts() # 长尾合并：前 top_n 类保留原名，其余归为 OTHER 且单独标记 head = counts.head(top_n) tail_sum = counts.iloc[top_n:].sum() if tail_sum > 0: head['OTHER'] = tail_sum result = head.reset_index() result.columns = ['defect_code', 'count'] result['ratio'] = result['count'] / result['count'].sum() result['cum_ratio'] = result['ratio'].cumsum() # 累积占比，用于找 80% 分界 # 标记是否落入前 80% 累积区间，方便在图上区分重点 result['is_key'] = result['cum_ratio'] <= 0.8 return result def wafer_zone_summary(df, layer, rings=3): """ 把缺陷按半径分环统计，用于判断是否集中在片边缘 rings: 分环数量，3 表示内 / 中 / 外三环 """ sub = df[(df['layer'] == layer) & (df['defect_code'] != 'False')].copy() # 假设坐标已归一化到 [-1, 1]，中心为原点 sub['radius'] = np.sqrt(sub['x'] ** 2 + sub['y'] ** 2) sub['zone'] = pd.cut(sub['radius'], bins=rings, labels=[f'ring_{i+1}' for i in range(rings)]) return sub.groupby(['zone', 'defect_code']).size().unstack(fill_value=0)

pareto_by_layer的关键参数是top_n和drop_false。top_n设得太大，图上一堆长尾类别，看不出重点；设得太小，容易把真正的次要问题合并进 OTHER 里丢掉。实际用下来 8 到 12 之间比较合适，具体看代码表长度。drop_false默认剔除，是因为假缺陷反映的是检测系统状态而不是工艺状态，混进来会干扰判断，但它要单独统计，作为配方健康度的指标。

wafer_zone_summary里的rings决定分环粒度。三环够用，能区分中心和边缘；要看更细的径向规律，可以加到五环。这个函数的输出直接对应热力图，如果某一环的某类缺陷明显突出，基本就能锁定是哪个工位的问题——边缘突出查传输和 CMP，中心突出查旋涂和曝光。

有一点要提醒：Pareto 图只能告诉你哪类多，不能告诉你为什么多。配合位置分布看，价值翻倍。我见过一次，某个缺陷代码数量翻了三倍，单看 Pareto 像是工艺恶化，叠上位置图才发现全部集中在片边缘一圈，最后查出来是传输环节的机械手沾污，跟工艺配方一点关系没有。

从那以后我每次做缺陷分析，都强制自己先把位置分布画出来再看代码排序，哪怕时间再紧也不跳过这一步。顺序反过来，很容易在错误的方向上写出一份看起来很专业的报告。希望帮到你。

本文还有配套的精品资源，点击获取