受SCIE期刊《International Journal of Extreme Manufacturing（极端制造）》编辑部邀请，机械学院刘世元教授团队于4月21日在该刊上发表了《Optical wafer defect inspection at the 10 nm technology node and beyond（10nm及以下技术节点晶圆缺陷光学检测）》的综述文章。对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾。机械学院研究员朱金龙、博士后刘佳敏为本文共同第一作者，刘世元、朱金龙为本文共同通讯作者。
伴随智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷（包括随机缺陷与系统缺陷）的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。
晶圆缺陷光学检测方法的最新进展包含三个方面：缺陷可检测性评估、光学缺陷检测方法、后处理算法。缺陷可检测性评估包含两个方面：材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响；多样化的光学缺陷检测方法：晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类，下图展示了该综述研究所总结的代表性晶圆缺陷检测新方法，具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像；后处理算法：根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像（例如差分图像）中含缺陷区域的信号强度应明显大于预定义的阈值，基于深度学习的缺陷检测方法的实施流程非常简单：首先，捕获足够的电子束检测图像或晶圆光学检测图像（模拟图像或实验图像均可）；其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能；最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。
尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。其前景主要包含以下方面：为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新；为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理；为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。
通过对上述研究工作进行评述，从而阐明晶圆缺陷检测技术的可能发展趋势，并为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。刘世元教授团队一直从事纳米光学测量仪器、集成电路IC制造在线测量装备等方面的研究工作，致力于精密仪器、集成电路、光电材料等学科的交叉融合。
原文链接：https://iopscience.iop.org/article/10.1088/2631-7990/ac64d7
