1. 课程导入与工程问题定义

在先进半导体制造中，缺陷检测（Defect Inspection）不是一道可选的质检工序，而是决定良率能否被"守住"的关键环节。KLA 的检测系统（如 29xx 宽频等离子体光学检测平台、Puma 暗场激光扫描平台、Surfscan 无图形晶圆检测平台等）承担的核心任务，是在晶圆完成关键工艺步骤后，以光学方式快速扫描整片晶圆，把可能演化为致命缺陷的异常（颗粒、划伤、空洞、残留、图形桥连、断线等）找出来，并给出其位置、尺寸与类别信息。检测结果一方面用于判断该批次是否继续流片，另一方面被送到缺陷复查与分类环节（如 eDR 电子束复查、ADC 自动缺陷分类），最终反馈给工艺部门做根因定位。

理解 KLA 检测系统的工程价值，需要先看清它在产线中的位置。它处在"工艺完成—检测—判定—反馈"的闭环里：工艺设备产出晶圆，检测设备给出缺陷分布图（Defect Map）与缺陷清单，判定规则决定放行或拦截，工艺工程师据此调整参数。检测系统本身不改变晶圆，但它决定了"哪些晶圆会被拦下、哪些缺陷会被看见"，因此它的两个核心性能指标——灵敏度（Sensitivity）与吞吐量（Throughput）——直接决定了这条闭环的时效性与可信度。

灵敏度与吞吐量的矛盾本质

灵敏度通常用"可捕获的最小缺陷尺寸"或"对特定缺陷类型的捕获率（Capture Rate）"来度量，例如在 26nm 逻辑节点上要求捕获 20nm 以下的颗粒。吞吐量则用"每小时检测晶圆数（WPH）"或"单片检测时间"来度量。二者的矛盾来自同一个物理根源：检测信号的信噪比（SNR）。

光学检测的基本原理是：用激光或宽频光源照射晶圆表面，收集散射光或反射光，与参考图形比对后提取异常信号。缺陷越小，其散射截面越小，信号强度按尺寸的高次幂衰减；而背景噪声（表面粗糙度、薄膜干涉、图形边缘衍射）却不会同步下降。要提升灵敏度，就必须提高信号增益、延长积分时间、减小像素尺寸、增加扫描重复次数或降低判定阈值——这些手段无一例外都会增加单片检测时间，从而压低吞吐量。反过来，为了提升吞吐量而缩短积分时间、放大像素、提高阈值，就会漏掉小缺陷。

这就是"灵敏度—吞吐量"矛盾的本质：它不是两个独立指标的取舍，而是同一套光学与算法参数在信噪比维度上的两端拉扯。任何优化都必须回答一个问题：在当前工艺节点的缺陷分布下，把有限的检测时间预算分配到哪些参数上，才能让"该抓的缺陷抓到、不该拦的晶圆不拦"。

优化工程的目标函数与约束条件

把上述矛盾形式化，就得到本课程贯穿始终的优化问题。设检测配方（Recipe）的可调参数向量为 x，则目标函数可写为：

max  U(x) = w_s · S(x) + w_t · T(x) − w_f · F(x)
s.t.  S(x) ≥ S_min        （灵敏度下限，由工艺节点决定）
      T(x) ≥ T_min        （吞吐量下限，由产线节拍决定）
      F(x) ≤ F_max        （误报率上限，由复查产能决定）
      x ∈ X_feasible       （设备物理与配方合法范围）

其中 S(x) 为灵敏度得分（可用捕获率或最小可检尺寸折算），T(x) 为吞吐量得分（WPH 或单片时间倒数），F(x) 为误报（ nuisance）率，w_s、w_t、w_f 为权重。这个目标函数的关键在于：它不是把灵敏度和吞吐量简单相加，而是用约束把"不可接受的下限"先框住，再在可行域内寻找加权最优。例如某 28nm 产线要求关键层捕获 30nm 以上颗粒（S_min），同时单片检测时间不超过 25 分钟（T_min 对应约 2.4 WPH），误报率不超过 5%（F_max）。在这三条约束下，可调空间其实相当有限，优化的价值就在于把参数推到可行域的"甜点区"。

需要特别强调的是，约束条件并非固定不变。当产线出现突发性缺陷（如某台刻蚀机颗粒超标），工艺部门会临时要求提高灵敏度，此时 S_min 上移，T_min 可能被放宽（允许加班或增加检测机台），目标函数的权重也随之调整。因此优化工程不是一次性求解，而是随产线状态动态重解的过程。

典型产线场景与 KPI 体系

不同场景下，灵敏度与吞吐量的优先级差异很大。以下三类场景在工程中最常见：

围绕这些场景，KPI 体系可分为三层。第一层是检测性能指标：灵敏度（最小可检尺寸、捕获率）、吞吐量（WPH、单片时间）、误报率、重复性（同一缺陷多次检测的一致性）。第二层是产线效益指标：缺陷拦截率、良率损失避免量、检测机台利用率、复查（Review）负载。第三层是工程效率指标：配方建立时间、调参迭代次数、异常响应时间。三层指标之间存在传导关系：检测性能的微小变化，会经过拦截率放大为良率与成本的显著差异。