3. 缺陷类型与分类体系
在KLA晶圆缺陷检测流程中，缺陷分类体系是连接“检出”与“处置”的核心枢纽。检测设备（如KLA 29xx宽波段明场、Puma暗场、Surfscan无图形检测等）输出的原始缺陷事件，本质上只是坐标、尺寸、散射强度、相位对比度等物理量；只有把这些事件映射到有工程含义的类别，才能判断它是否影响良率、该由哪道工序负责、是否需要复判。因此，缺陷分类不是简单的命名问题，而是一套从物理形貌到工艺归因、再到处置决策的层级体系。
一、按形貌与成因划分的六大常见类别
颗粒（Particle）是晶圆表面或膜层中的外来异物，典型来源包括CVD腔体颗粒、CMP研磨液残留、传送机械手摩擦、光刻胶涂布飞溅等。在明场检测中，颗粒通常表现为亮场中的暗点或亮点，取决于其材质与背景反射率差异；在暗场中则因散射增强而呈高亮信号。颗粒的关键参数是等效球径（ESD）、计数密度（defects/cm²）和分布形态——随机分布多指向环境洁净度，而环状或簇状分布往往对应特定腔体或工艺位置。
划伤（Scratch）是机械接触造成的线状损伤，常见于CMP抛光垫硬颗粒拖拽、机械手夹持、片盒摩擦等环节。其检测特征是长宽比大、方向性强，长度可从几十微米到跨越整个晶圆。划伤在明场中表现为连续或断续的暗线，暗场中则可能因边缘散射呈现亮线。工程上需要区分“浅划伤”（仅伤及表面膜层）与“深划伤”（穿透至下层金属或多晶硅），后者通常直接导致断路或短路。
空洞（Void）包括膜层空洞和填充空洞两类。膜层空洞常出现在铜互连电镀填充、钨塞CVD填充过程中，因填充速率不均或添加剂配比失衡形成；在检测图像中表现为局部反射率异常低的暗区，边缘可能伴随应力环。空洞的尺寸、深度和位置决定其是否构成致命缺陷——位于通孔或接触孔内的空洞会直接导致开路。
残留（Residue）是刻蚀或清洗后未完全去除的材料，典型如栅极刻蚀后的多晶硅残留、通孔刻蚀后的聚合物残留、光刻胶去除不净等。残留的检测信号通常较弱，在明场中表现为浅灰色斑块或细线，暗场中可能因薄膜干涉呈现彩色条纹。残留的难点在于其与正常膜厚变化的对比度低，容易漏检，因此常需结合膜厚测量或电子束复检确认。
图形缺陷（Pattern Defect）指光刻、刻蚀过程中图形转移出现的异常，包括线宽偏差、断线、桥连、拐角圆化、图形缺失等。这类缺陷与设计版图强相关，检测时需与黄金参考图像（Golden Reference）做Die-to-Die或Die-to-Database比对。图形缺陷的判定高度依赖设计规则和工艺窗口，同一形貌在不同技术节点可能被归为不同严重等级。
电性缺陷（Electrical Defect）是最终影响器件电学性能的缺陷，如栅氧击穿、金属间短路、接触电阻异常等。这类缺陷往往无法被光学检测直接捕获，而是通过电性测试（WAT/CP）或电压对比（VC）检测间接发现。电性缺陷与前述物理缺陷存在因果链：一个微小的金属残留可能导致桥连，进而表现为短路电性缺陷。
二、ADC标签体系与人工复判的对应关系
自动缺陷分类（ADC, Automatic Defect Classification）利用机器学习模型对检测图像进行特征提取与类别预测，输出标准化的标签（Label）。ADC标签体系通常采用层级结构：一级为物理大类（如Particle、Scratch、Void、Residue、Pattern、Electrical），二级为子类（如Particle→Organic/Inorganic/Metal），三级可细化为具体工艺归因（如Particle→CVD Chamber A）。
ADC与人工复判（Manual Review）并非替代关系，而是“初筛—确认—反馈”的闭环。ADC负责高速处理海量缺陷事件，将置信度高的缺陷直接归档，将低置信度或类别模糊的缺陷推送给人工复判。人工复判结果一方面用于修正当批次的缺陷分类，另一方面作为标注数据回流至ADC模型训练集，持续提升模型精度。
实际工程中，ADC标签与人工复判的对应关系需要关注三个关键指标：分类准确率（Accuracy）、漏判率（Escape Rate）和误判率（False Alarm Rate）。以某28nm逻辑工艺的颗粒检测为例，ADC对Particle大类的准确率可达92%以上，但对Residue与Pattern Defect的区分准确率可能降至75%左右，此时人工复判的介入阈值应设置在ADC置信度低于0.8的区间。
三、分类体系在缺陷图谱中的落地方式
在KLA缺陷图谱分析中，分类体系最终要落到“缺陷类型—空间模式—工艺归因”的三维关联上。同一类缺陷在不同空间模式下指向不同根因：例如Particle呈随机分布时，优先排查洁净室环境与传送路径；呈环状分布时，指向旋涂或CMP转盘；呈簇状分布时，则可能对应某个特定腔体的瞬时异常。因此，ADC标签必须与空间模式分析结果联合使用，才能形成可执行的工程判断。
上图展示了从物理大类到ADC标签、再到人工复判和工艺归因的完整映射链路。需要强调的是，这条链路不是单向的：人工复判的结果会作为标注数据回流至ADC模型，形成持续优化的闭环。在实际产线中，ADC模型的更新频率通常与工艺变更节奏挂钩，而非固定周期。
四、分类体系落地的关键检查点
建立可用的缺陷分类体系，需要关注以下检查点：第一，ADC标签定义必须与检测设备的能力边界匹配——暗场检测对划伤敏感但对残留不敏感，不能强行要求ADC在暗场图像上区分Poly Residue与PR Residue。第二，人工复判的抽样策略要覆盖所有ADC低置信度区间，而非随机抽样，否则模型偏差会被系统性忽略。第三，分类体系需要版本管理，每次ADC模型更新或标签定义调整都应记录版本号，确保历史缺陷数据的可追溯性。
以某存储工艺的实战为例：ADC将一批缺陷标记为“Particle-Metal”，置信度0.65，触发人工复判。SEM复判发现实际为“Poly Residue”，原因是刻蚀后清洗不净。该批缺陷的空间分布呈扇区状，指向清洗腔体的喷淋臂角度异常。这一案例说明，ADC标签与人工复判的差异本身携带工艺诊断信息——差异集中的区域和类别，往往就是工艺异常的指向标。
总结来说，KLA缺陷分类体系的核心价值在于将海量检测事件转化为可执行的工程语言。物理大类定义了“是什么”，ADC标签实现了“快速归类”，人工复判完成了“确认与纠偏”，工艺归因回答了“为什么”和“怎么办”。四者缺一不可，且必须通过数据闭环持续校准，才能保证分类体系在工艺演进中保持有效。