康耐德智能晶圆CMP后平坦度机器视觉检测系统

晶圆CMP（化学机械抛光）后的平坦度检测是半导体制造中的关键环节。平坦度直接影响光刻工艺的焦深，进而决定芯片的良率。针对这一应用，一套基于机器视觉的高精度检测系统通常需要集成光学干涉测量（而非传统意义上的2D机器视觉）、高精度运动控制以及先进的算法

1. 系统核心检测原理
由于CMP后的晶圆表面呈现高反射镜面效果，且需要测量纳米级的面形起伏，单纯的2D相机无法满足需求。该系统通常采用非接触式光学干涉原理：

白光干涉（垂直扫描）： 适用于测量粗糙度及局部台阶高度，轴向分辨率可达亚纳米级。

激光干涉/相移干涉： 适用于检测全局平坦度（如TTV、Bow、Warp），利用干涉条纹的相位变化来重建3D形貌。

深度成像： 结合高分辨率线扫相机，通过特定光源角度获取缺陷（划痕、桔皮、残留物）的对比度图像。

2. 硬件系统架构
光学模块：

干涉物镜： 配备Mirau或Michelson型干涉物镜，根据晶圆材质（如SiC、Si、GaN）选择对应波长的光源（通常为绿光或白光）。

高精度Z轴扫描： 使用压电陶瓷或音圈电机，实现亚纳米级的步进精度。

运动与承载平台：

气浮平台： 采用花岗岩基座与气浮导轨，消除环境振动对纳米级测量的影响。

多轴运动： 实现全晶圆的螺旋式或光栅式扫描。对于12英寸晶圆，需保证运动过程中的动态平面度误差小于检测精度的1/3。

对准与识别：

利用低倍率视觉系统识别晶圆的Notch或平边，建立极坐标基准，确保检测区域的可重复定位。

3. 软件与算法核心
3D形貌重建：

算法需处理干涉条纹的相位解包裹。在CMP后的晶圆边缘，由于塌边严重，相位跳变剧烈，需要高鲁棒性的算法来避免形貌扭曲。

深度学习缺陷分类：

传统的机器视觉难以区分“水痕”与“刮伤”。

模型： 基于CNN（如ResNet或轻量化EfficientNet）的语义分割模型，对深度图与灰度图进行融合推理。

功能： 自动识别并分类 蝶形缺陷、腐蚀坑、微划痕 以及 残留物。同时，算法需能够区分真实缺陷与CMP后残留的“虚影”。

平坦度参数计算：

自动拟合基准面，计算 总厚度变化、弯曲度、翘曲度。

根据用户定义的Die区域，计算每个芯片区域的局部平坦度（如SFQR，局部区域全局平坦度），并生成Pass/Fail的Mapping图。

4. 关键挑战与应对策略
膜厚透明层干扰：
CMP后的晶圆表面往往覆盖有氧化硅或氮化硅等透明膜层。入射光会在膜层上下表面发生反射，形成复合干涉信号，导致测量误差。
应对： 采用白光垂直扫描干涉，利用白光相干长度短的特点，通过定位相干峰位置精确确定上表面位置；或采用光谱反射辅助修正。

边缘塌边效应：
晶圆边缘3mm区域是平坦度最难控制的区域，也是机械手抓取和光刻边缘曝光的关键区域。
应对： 系统需配备边缘专用夹具和动态对焦功能。在边缘检测算法上，需采用圆形掩模处理，避免边缘反射率突变导致的特征点误匹配。

高吞吐量需求：
在量产Fab中，检测节拍要求极高（通常< 60秒/片 12英寸）。
应对： 采用多相机阵列或 快速光谱共焦 技术，结合GPU加速的并行计算（CUDA），在运动过程中实时进行相位计算与缺陷检测，避免先采集后处理的离线模式导致的效率瓶颈。

5. 数据集成 (SECS/GEM)
系统必须支持 SECS/GEM 协议（半导体设备通信标准/通用设备模型），以便与制造执行系统集成。
实时上报： 将每片晶圆的平坦度数据、缺陷统计、良率图实时上传至工厂主机。
前馈/反馈： 检测结果需反馈给CMP设备进行工艺参数调整（如压力、转速），同时前馈给光刻机作为曝光补偿的参考依据。

康耐德智能晶圆CMP后的平坦度检测系统正在从传统的“接触式探针扫描”向“高速光学干涉+AI融合”转变。未来的技术趋势是一体化集成，即在一个机台上同时完成宏观形貌测量（全局平坦度）、微观粗糙度测量以及 缺陷自动光学检测，从而缩短Cycle time并降低晶圆在多个机台间传输带来的污染风险。