随着先进制程节点不断缩小，晶圆制造过程中的缺陷检测正面临前所未有的挑战——不仅缺陷尺寸微缩至纳米级，而且工艺噪声与真实缺陷信号愈发难以区分。与此同时，半导体厂为了降低高昂的停工损失，迫切需要在检测环节引入更智能、更高效的解决方案。人工智能，尤其是深度学习技术，正在成为这一领域的关键突破口。下面将详细介绍两家头部设备厂商——科磊（KLA）与应用材料（Applied Materials）——如何将AI技术融入晶圆缺陷检测设备，从而帮助制造商实现更精准、更快速的缺陷识别与分类。
一、晶圆缺陷检测为何需要AI？
在半导体制造中，晶圆缺陷检测是确保良率与产能的至关重要环节。一旦因缺陷导致产线停工排查，损失可能高达数百万美元。随着工艺迈向7nm及以下，传统光学或电子束检测工具面临两大难题：
- 检测效率不足：先进工艺产生的数据量爆炸式增长，传统算法难以实时处理。
- 噪声干扰严重：工艺本身引入的噪声常常掩盖真实缺陷，导致误报或漏检。
而AI的介入，尤其是深度学习算法，能够从海量图样特征中自动提取细微的缺陷信号，同时过滤掉工艺噪声，实现更高精度的缺陷定位与分类。
小提示：即便是旧一代的检测设备，通过软件升级或外设AI模块，也能显著提升检测能力，而无需完全更换硬件。这为厂商节省了大量成本。
二、科磊（KLA）的AI晶圆缺陷检测方案
科磊早在2020年就推出了系列AI驱动的晶圆缺陷检测设备，覆盖了从电子束检测到封装检测的多个环节。主要产品线包括：eSL10、Kronos 1190、ICOS F160 XP和ICOS T3/T7。
1. eSL10：电子束晶圆缺陷检测系统
eSL10专为加速高性能逻辑与内存芯片的上市速度而设计，尤其适用于依靠EUV***系统打造的芯片（如7nm以下先进工艺）。由于EUV***系统制造的芯片特征尺寸极小，产生的数据足迹超乎寻常，因此对检测工具的性能要求极高。
eSL10搭载了科磊自研的SMARTs深度学习算法，该算法能在图样特征和工艺噪声之间精准辨别极其细微的缺陷信号，从而帮助工程师快速定位影响设备性能的关键问题。
- 应用场景：先进逻辑芯片、2D/3D NAND、DRAM等工艺节点的缺陷检测。
- 核心优势：高速扫描 + 深度学习实时分类，显著降低误报率。
2. ICOS T3/T7：封装缺陷检测系统
ICOS T3/T7系列负责封装环节的检测，支持在托盘T3和编带T7输出之间灵活重新配置。该系列同样集成了深度学习算法，能够对缺陷类型进行智能分类，并提供准确的封装质量反馈，方便操作员快速进行产品质量分类。
- 智能分类：自动识别划痕、颗粒、裂纹等常见缺陷。
- 效率提升：相比传统规则式算法，分类速度提升数倍，且适应不同封装形态。
小提示：对于同时生产多种封装形式的工厂，ICOS T3/T7的快速重配置能力可大幅减少换线时间，提升整体设备利用率。
三、应用材料（Applied Materials）的AI晶圆缺陷检测方案
2021年，应用材料宣布在其晶圆检测设备中引入自研人工智能技术——ExtractAI。该技术充分利用了应用材料的Enlight光学检测工具和SEMVision电子束审查系统，通过深度学习实现高效的缺陷发现与验证。
ExtractAI的工作原理
ExtractAI的核心作用是连接Enlight（快速但分辨率有限）和SEMVision（慢但分辨率高）两大系统。具体流程如下：
- Enlight快速扫描：光学检测工具生成潜在的缺陷大数据库。
- ExtractAI分类：利用深度学习算法将数据库中的信号分为缺陷和噪声两类。
- SEMVision验证：电子束审查系统对提取的缺陷进行高分辨率确认，同时反馈训练数据，进一步优化ExtractAI模型。
如此一来，Enlight系统加上ExtractAI即可自动识别晶圆上的特定缺陷，无需人工逐一排查。通过额外训练，该方案还能提供更高的精度和性能，并且过程中产生的缺陷数据库可以在晶圆厂之间共享。
应用材料透露，该技术早在正式公布前，就已在头部逻辑晶圆厂使用。随着DRAM工艺越来越复杂，预计会有更多制造商采用这一组合方案。
- 适用场景：逻辑芯片、DRAM、3D NAND等先进制程的在线缺陷检测。
- 核心优势：光学检测的高通量 + 电子束检测的高精度，配合AI智能联动，实现成本与效率的最优平衡。
小提示：应用材料的ExtractAI方案特别适合混合检测场景：先用快速光学筛查出所有可疑位置，再用AI决定哪些位置需要电子束复查。这样可大幅减少电子束系统的使用时间，降低设备投资成本。
四、常见问题（FAQ）
Q1：AI晶圆缺陷检测会完全取代人工检测吗？
不会完全取代，但会大幅减少人工介入。 AI主要承担自动识别与分类工作，将检测结果以数据形式呈现。工程师仍然需要对AI输出进行抽样复核，并配合工艺改进。不过，AI能够将人工审查的工作量降低80%以上，同时提高检测一致性和速度。
Q2：部署AI检测设备对晶圆厂有哪些硬件或软件要求？
主要要求包括：计算资源（如GPU服务器）用于模型训练与推理；数据存储用于积累缺陷样本库；以及网络架构支持与现有制造执行系统（MES）的数据交互。许多设备厂商（如科磊、应用材料）已提供软硬件一体化的解决方案，降低部署门槛。另外，AI模型需要定期用新产生的缺陷数据重新训练，因此需要持续的数据标注流程。
Q3：AI检测能否适用于成熟制程（如28nm以上）的晶圆？
完全可以。 AI算法对缺陷信号的敏感度远高于传统规则式算法，即使在成熟制程中，也能发现传统方法漏检的微小缺陷（如衬底裂纹、金属残留等）。此外，AI还能帮助产线建立更精确的工艺窗口，从而提升良率。对于已经投产多年的成熟产线，升级AI检测系统通常只需软件更新或增加计算模块，无需更换整个检测设备。
五、结语
从科磊的SMARTs深度学习算法，到应用材料的ExtractAI联动方案，人工智能正在深刻改变晶圆缺陷检测的规则。AI带来的不仅是更高的检测精度和更快的处理速度，更重要的是让半导体制造商能够在更早的环节发现缺陷，从而大幅降低止损成本。未来，随着检测负载中数据量的进一步增长，HPC级别的计算模块也有望直接集成到检测设备中，实现更实时的智能化分析。半导体制造工艺的进步，正是由上游各领域（材料、光学、算法）通力协作推动的——而AI，正成为其中不可或缺的一环。