1. 课程导入与全景认知

在半导体制造中，良率不是最后测出来的，而是在每一道工序中被“守住”的。KLA 的检测（Inspection）与量测（Metrology）设备，正是这条守线体系中最密集、最敏感的一环：前者负责发现“哪里出了问题”，后者负责回答“问题有多大、偏了多少”。而本课程要讨论的，是把这两类设备从“单机工具”变成“产线数据源”的那一层——自动化与生产数据集成。

先厘清三个概念。检测（Inspection）通常指对晶圆表面、图形或薄膜缺陷的发现与分类，典型输出是缺陷坐标、尺寸、类别与缺陷图（Defect Map）；量测（Metrology）则是对关键尺寸（CD）、膜厚、套刻（Overlay）、形貌等参数的定量测量，输出的是带单位的数值与统计量。二者共同构成工艺监控的“眼睛”。而自动化与数据集成，指的是让设备自动跑货、自动传片、自动上传结果，并把结果按统一模型汇入工厂级系统，供 SPC、 APC、良率分析与追溯使用。

为什么这件事值得单独成课？因为一台 KLA 设备如果只被工程师手动操作、结果存在本地，它的价值仅限于“当次判断”；一旦接入自动化与数据集成，它就从一次性工具变成持续产出的数据资产。具体价值可以拆成四条主线：

• 产能与一致性：自动化传片与配方调用减少人工干预，降低误操作与等待时间，机台利用率（Utilization）和重复性同步提升。
• 数据可信与可追溯：每片晶圆、每个测量点都带 Lot/Wafer/Slot/Recipe 上下文，事后可回溯到具体机台与时刻。
• 闭环控制：量测结果实时回馈到工艺设备，支撑 APC 的反馈/前馈调整，把“事后拦截”变成“事中修正”。
• 决策效率：缺陷与量测数据进入统一分析平台后，良率工程师不必再逐台导数据，异常定位从小时级压缩到分钟级。

下面这张图给出本节的全景认知：从晶圆进入 KLA 检测/量测设备，到结果经自动化通道汇入工厂系统，再回流到工艺与良率决策的完整数据链路。它也是后续各章节的“地图”。

这张图里有三条值得记住的“流”。第一条是物料流：晶圆经 AMHS 进入工艺设备，再进入 KLA 检测或量测机台，这是物理世界。第二条是数据流：机台产生缺陷图与量测值，经自动化接口采集、解析、映射为统一数据模型，再上传到 MES/SPC/APC 等系统。第三条是控制流：系统根据数据做出判断，把配方修正或派工调整回写到工艺设备，形成闭环。三条流方向不同、节奏不同，却必须对齐同一片晶圆的身份标识，否则数据就会“张冠李戴”。

典型场景可以举三个。其一是在线缺陷监控：某批次晶圆在刻蚀后自动送检，KLA 检测机台按预设配方扫描，发现缺陷数超过阈值，系统自动触发 SPC 报警并暂停该批次后续派工。其二是关键尺寸闭环：光刻后量测 CD，若均值偏移 +1.8 nm，APC 模型计算曝光剂量修正量并回写下一批配方。其三是良率追溯：某天良率下降，工程师通过集成平台按机台、时间、缺陷类别交叉筛选，快速锁定某台沉积设备的颗粒污染。这三个场景分别对应“发现—报警”“测量—修正”“分析—追溯”，也是本课程后续反复出现的三类任务。

整体学习路径可以按“由物到数、由数到控”推进。第一阶段认识设备与接口：了解 KLA 检测与量测机台的基本输出、SECS/GEM 通信、远程命令与配方管理，知道自动化“能控什么”。第二阶段打通数据链路：掌握结果采集、解析、数据模型映射与上传机制，理解 Wafer Map、参数命名、单位与坐标系约定，知道数据“怎么走、怎么对齐”。第三阶段进入应用与闭环：把数据接入 SPC、APC、良率分析与追溯系统，学会看控制图、判断报警、评估修正效果。第四阶段面向运维与排障：处理通信中断、数据缺失、时间戳错位、重复上传等常见问题，保证链路长期稳定。