2. 晶圆缺陷与良率损失机理
良率工程的核心任务，是把“晶圆上出现了什么异常”与“最终损失了多少可出货芯片”建立可量化、可追溯的因果链。KLA 的检测与量测设备之所以在良率工程中占据关键位置，正是因为它同时提供了这条因果链的两端数据：缺陷检测给出“哪里有什么异常”，量测给出“图形尺寸、膜厚、套刻是否偏离规格”。理解缺陷类型、来源与良率损失模型，才能判断该用哪类检测、在哪个工序后检测、以及检测结果如何转化为良率行动。
一、常见缺陷类型：按形态与电性后果分类
晶圆缺陷通常先按几何形态分类，再按对器件电性的影响归类。形态分类便于检测设备设定光学条件与算法，电性分类便于良率工程师判断致命性。
- 颗粒（Particle）：外来微粒落在图形上，典型尺寸从几十纳米到数微米。落在关键尺寸线条之间会造成桥连（bridge）或断线（open）。
- 划伤（Scratch）：CMP 研磨、机械搬运或卡盘接触造成的线状损伤，常跨越多个 die，属于典型系统性缺陷。
- 图形缺陷（Pattern defect）：包括光刻胶残留、显影不足、刻蚀残留、线条塌陷、通孔未开（via not open）等，与光刻、刻蚀工艺窗口直接相关。
- 空洞与夹杂（Void / Inclusion）：多见于铜互连电镀、钨塞填充与介质沉积，空洞导致电阻升高或断路。
- 晶体缺陷与堆垛层错：外延、退火或衬底引入，属于材料级缺陷，往往表现为漏电升高。
- 电性缺陷：如栅氧针孔、结漏电、接触电阻异常，形态上可能不可见，需靠电性测试或 e-beam 检测发现。
按致命性可分为三类：致命缺陷（直接导致 die 失效）、潜在缺陷（初期通过，可靠性阶段失效）、非致命缺陷（落在非关键区域，不影响功能）。同一颗颗粒落在密集布线区是致命的，落在划片道附近则可能无害——这正是缺陷检测必须结合版图坐标与设计关键区域（critical area）分析的原因。
二、缺陷来源：从工序到设备
缺陷来源可沿工艺流程定位。前段（FEOL）主要来源是清洗不彻底、光刻胶涂布不均、刻蚀副产物再沉积、离子注入损伤；中段（MOL）集中在接触孔刻蚀与钨填充；后段（BEOL）则以 CMP 划伤、铜电镀空洞、介质沉积颗粒为主。设备侧来源包括腔体内壁剥落、机械手搬运污染、卡盘颗粒、化学品纯度不足与过滤失效。
区分来源的关键是空间分布特征：随机分布通常指向颗粒污染或化学品问题；边缘环状分布常与涂胶、显影、刻蚀均匀性相关；中心聚集可能与旋涂或气流场有关；重复的 die 级图案则指向光罩或扫描曝光问题。KLA 检测系统输出的缺陷分布图（defect map）与叠加图（overlay map），正是把空间特征转化为来源判断的第一手依据。
三、良率损失模型：从缺陷密度到良率
良率损失建模的经典起点是泊松模型：若芯片面积为 A、单位面积致命缺陷密度为 D，则良率 Y = e−AD。该模型假设缺陷随机且独立，适合缺陷密度较低的情形。当缺陷呈聚集分布时，负二项模型更贴近实际：
Y = (1 + A·D / α)^(−α)
A：单颗 die 面积（cm²）
D：致命缺陷密度（defects/cm²）
α：聚集因子，α 越大越接近随机分布
举例说明（示例参数，非实测）：某 28 nm 逻辑产品 die 面积 A = 0.8 cm²，某工序后检测换算得到致命缺陷密度 D = 0.15 defects/cm²，取 α = 2.0。代入负二项模型：
Y = (1 + 0.8 × 0.15 / 2.0)^(−2.0)
= (1 + 0.06)^(−2.0)
≈ 0.890
即该工序单独贡献约 89% 的良率，损失约 11%。
若把 D 降到 0.10 defects/cm²，则 Y ≈ (1+0.04)^(−2) ≈ 0.925，良率提升约 3.5 个百分点。这个计算说明：良率提升的杠杆在于降低致命缺陷密度，而非单纯增加检测频次。检测的价值在于尽早、准确地测出 D，并定位 D 的来源工序。
实际良率工程中还会区分系统性良率损失（由工艺窗口、光罩、设计规则引起，可复现、可归因）与随机良率损失（由颗粒、污染引起，服从统计分布）。前者靠工艺与设计协同优化，后者靠洁净度控制与检测拦截。
四、KLA 检测量测在良率工程中的定位
KLA 的检测（Inspection）与量测（Metrology）在良率工程中承担三个不可替代的角色：发现、量化、反馈。
- 发现：明场/暗场晶圆缺陷检测系统在关键工序后扫描整片晶圆，输出缺陷坐标、尺寸、类别，形成缺陷分布图。
- 量化：CD-SEM、膜厚仪、套刻量测设备给出关键尺寸、膜厚、套刻误差的数值，判断工艺是否漂移出规格窗口。
- 反馈：缺陷与量测数据回流到 APC（先进过程控制）与良率管理系统，触发工艺参数调整、设备维护或光罩复检。
需要强调的是，检测与量测不是孤立工序，而是嵌入“检测—分析—归因—纠正—再验证”的闭环。检测灵敏度设得过高会带来大量 nuisance（误报）缺陷，拖慢复检与归因；设得过低则漏掉致命缺陷，良率损失无法拦截。因此灵敏度、采样率与复检策略必须结合缺陷密度模型与良率目标共同确定。
五、从机理到行动：良率工程师的判断顺序
面对一次良率下降，合理的判断顺序是：先看缺陷分布图判断是随机还是系统性；随机分布优先排查颗粒污染与化学品，系统性分布优先排查设备与光罩；再用缺陷密度模型估算当前 D 对应的良率损失量级，判断是否值得立即停机；最后结合量测数据确认是尺寸漂移还是缺陷新增。KLA 检测量测提供的坐标、尺寸、类别与数值，是这条判断链的输入；而良率损失模型则把输入换算成可比较的损失量，帮助工程师决定优先处理哪一项。