仅靠一种检测，难看清芯片全貌

先进芯片如今会产生海量相关数据。芯片在制造前完成建模，制造过程中开展量测，组装阶段进行检测，在晶圆与封装层级完成电测试，在热与功耗负载下做特性表征；芯片投用之后，还能通过硅片内部传感器持续监测。从某种角度来说，工程师能比以往更全面地观测器件。

但问题在于，每一类观测都只能看到局部。一次量测或许各项指标都精准，却依然只观测到系统的非关键区域。

“X射线检测与测试技术，重点关注芯片之间、芯片与外部之间的互连结构。”CyberOptics测试产品产品线经理Yipeng Zhou表示，“空洞、焊料裂纹、枕头效应（head-in-pillow）是几类典型缺陷。这类缺陷因为存在物理接触，能够通过电测试，但往往会引发器件提前失效，就像螺丝拧上却没有拧紧。”

这就引出了更广泛的可视性难题。电测试本身未必出错：器件存在导电通路，在测试条件下，性能表现完全符合预期。真正棘手的问题是，承载电流的物理结构能否长期稳定工作，而这正是可视性缺口越来越突出的地方。

每种检测工具都存在盲区

随着互连尺寸缩小，缺陷越来越难在逃逸检测前被捕捉。过去缺陷面积足够大、容易识别；如今缺陷可能隐藏在密集的凸点、金属线、硅通孔以及周边材料堆叠结构之中。即便存在对应的检测技术，工程师想要观测的内容，和产线中实际可检测的范围之间，往往需要取舍。

“在测试环节，铜柱拉力测试、RDL完整性量测存在缺口，原因是系统对精度要求极高。”Zhou说，“X射线检测方面，堆叠裸片的金属线与焊料凸点重叠区域、硅通孔内的极微小特征，检测能力仍有不足。此外，X射线很难实现可重复、可量化的测量。用户还需要在功率、吞吐量和分辨率之间做权衡。”

部分限制来自物理底层规律。更高分辨率需要更长检测时间，更强穿透能力需要更高功率，更高吞吐量则意味着对单一结构的观测精度下降。难题早已不止是找出不良特征；工程师首先要判断哪里是重点观测区域。

“暴力式高分辨率X射线扫描并不具备实用性。高分辨率对应更小像素，扫描速度慢，会产生GB级数据，部分场景甚至达到TB级。” ZEISS Microscopy市场战略高级总监、电子业务部门负责人Thomas Rodgers说，“需要借助启发式算法，先确定观测目标位置。”

失效分析不再是寻找一款全能工具，而是逐步缩小不确定性范围。电测试定位大致区域，声学或光学检测进一步缩小范围；X射线可以在不破坏样品的前提下观测内部埋藏结构；电子显微镜通常需要切片，在工程师锁定重点区域后，解析对应的物理失效机理。

晶圆层面也是同样逻辑。大范围筛查无法精准定位故障根源，但可以识别出某片区域、晶圆或批次存在异常，从而启动深度检测。晶圆级宏观检测与高分辨率工具配合，承担初筛任务。

“如果遇到新基板或更先进制程带来的问题，你可能需要X射线、红外或者其他技术定位特定缺陷。”Microtronic市场副总裁Mike LaTorraca表示，“但我们这类设备可以作为整体状态核验工具，如同高空俯瞰的眼睛，从更高维度全局观测。当然不能止步于此，它和其他微观检测工具是互补关系。”

产线里更有价值的问题，不是哪款工具可以观测最小特征，而是每一次观测能否充分降低不确定性，帮助工程师确定下一步观测方向。

缺失信息或许早已存在

并非所有盲区都源于缺少量测。有时候数据早已存在，藏在数据流之中，只是在后续故障发生前，这些数据没有被重视。

“测试逃逸并不总是因为缺少测量数据。” 泰瑞达（Teradyne）智能制造产品经理Eli Roth说，“相关信号可能已经存在于晶圆数据里。”

有效信号也可能保存在设备遥测数据、制造记录、终测结果或现场失效数据中。难点在于，这些记录分散在不同设备、不同工程团队，或是器件生命周期的不同阶段。流程早期采集的数值，无法提示它会在后续若干道工序后成为关键线索，这也是留存历史记录至关重要的原因。

举例来说，某片晶圆最终在热工艺阶段开裂，而在前期工序中看起来完全正常。但如果工程师保留了检测图像，就可以反向追溯，有时会发现最终裂纹起源于晶圆边缘一处微小形变。

“关键之一就是留存历史图像。”Microtronic应用总监Errol Akomer说，“产品在产线末端的热工艺环节发生断裂，就可以凭借图像回溯，找到失效源头。”

失效定位之后，早期看似无关紧要的特征，会变成记录中最有价值的线索。反向证据同样有用，沿着图像逆向追溯，和正向观察缺陷演化过程一样有启发。

“知道哪里没有缺陷非常重要。逆向排查时，可以放大特定区域持续观察。”Microtronic总裁Reiner Fenske说，“某一刻，那条细微痕迹会消失。如果某张图像里存在痕迹，前一张没有，就能判断问题出在这两个时间点之间。”

测试数据也会以类似方式隐藏线索，尤其是结果看起来一切正常的时候。工程师更容易去调查良率下滑、测试时间变长这类负面现象，而忽略反向变化的数据。

“异常常常被忽略，因为对应的趋势是正向变化，不会带来质量或测试时长的负面影响。” 爱德万测试（Advantest）测试技术总监Brent Bullock说，“如果异常带来更短测试时间或者更高良率，就更容易被漏掉。”

良率提升有可能确实是工艺改善，测试时间缩短也可能是优化生效。但如果没人弄清数据变化背后的原因，这个变化背后就还有未被解读的信息。

同理，海量数据并不像听起来那么可靠。现代测试程序、检测系统、设备日志、嵌入式传感器和制造数据库，能够记录器件的大量状态信息；更大的难题是，判断哪些数据属于同一失效事件。

模型无法预测未知信息

模型的作用，是填补工程师无法直接观测的部分。基于测试与制造数据构建的统计模型，可以在海量器件样本中标记异常；基于物理的仿真，可以估算不可见结构内部温度、计算电源网络压降、预测复杂材料堆叠中的应力。两类模型有同一个局限：模型只能识别它学习过的场景。

“模型在统计层面可能正确，但在实际工况下依然会出错。” 泰瑞达Roth表示，“问题不是模型本身运算出错，而是模型缺少上下文信息。”

模型还会被另一种因素误导：量测链路本身引入的波动，会掩盖工程师想要寻找的特征。

“如果测试座带来的随机失效噪声超过其他特征信号，你就无法识别真实缺陷。”Modus Test应用与产品管理总监Jack Lewis说，“缺陷会淹没在噪声里。原始数据噪声过大就没有意义，必须滤除噪声，提取真实数据，再基于真实数据搭建模型。”

良率看起来稳定，控制图表正常，异常检测器也没有触发告警。但只要模型从未见过某一类失效机理，或是关键线索藏在更早工序或其他制造记录里，模型依旧会漏掉重要信息。

缺失的上下文可能很久之后才暴露，等到其他故障出现时才被发现。到那时工程师回看前期有效的测量数据，才意识到这些数据只是同一问题的片段。

有时缺失变量和测量环节本身紧密相关。测试数据通常默认临时互连结构工作正常，但测试座的电阻会随磨损、污染、反复插拔发生变化，很难和器件本身的特性区分。

“测试座常常被忽略。”Lewis说，“大家总是默认互连良好，但事实并非如此。当问题不再是开路短路，而和接触电阻强相关时，真实情况就很难判断。”

仿真也面临同类问题：物理方程本身无误，但模型的表征粒度太粗。

“行业一直在持续做仿真与实测的对标验证，以此校验工具精度。” 新思科技（Synopsys）首席产品经理Lang Lin说，“EDA工具提供热仿真，客户会提出验证要求：‘你需要提供和我的硅片对标的数据，我才能信任仿真结果。’这类对标工作一直在开展，且匹配精度持续提升。”

封装级热模型不需要预测每一个逻辑门，就具备使用价值。但嵌入式传感器一旦采集到靠近器件层的数据，对标要求就会严苛很多。把整片裸片当成单一热块的模型，观测视角太过宏观。

“不能只做单裸片、单封装或者单PCB仿真。”Lin说，“必须把所有组件组装起来，保持结构、位置完全一致，和量测设备匹配堆叠。”

新材料带来新的变量。在一套模型中适用的参数，无法直接迁移到下一种封装方案。“先进封装让部分基础物理参数（如热导率、杨氏模量）的表征难度大幅上升。”Lin补充道。

整个流程形成闭环：量测找出模型薄弱点，模型被调整，新一轮量测再验证新假设。工程师越能看清器件真实状态，就越能发现模型仍存在推测的部分。

平均值会掩盖问题

即便量测本身没问题，量测位置与方式，也会改变观测结果。温度就是典型例子：封装整体平均温度在规格范围内，但局部小区域温度过高，足以引发可靠性风险。

“平均温度往往会掩盖影响可靠性的隐患。” 西门子旗下Mentor 3D-IC可靠性方案架构师Andras Vass-Varnai说，“封装整体可以满足平均温度指标，但局部区域温度远高于封装平均水平。”

2.5D与3D封装场景难度更高，一处热点会影响相邻裸片，负载变化还会造成热点迁移。某一位置读取的温度数值看起来正常，却无法反映几毫米之外的真实情况。

片上监测器件可以更贴近局部工况，但前提是传感器部署在能采集有效信息的位置。

“一些传统方案使用经典热传感器，这类传感器体积大，需要模拟电源，通常布置在芯片边缘。”ProteanTecs业务发展高级总监Nir Sever说，“过去把传感器放在边缘，估算芯片中心温度。但对于如今的芯片，这套方法已经不够。必须在芯片内多处热点位置直接采集温度。”

即便高密度布放传感器，也无法消除全部盲区。Sever以SRAM举例，存储单元内部行为依旧难以直接观测。“我们可以监测存储器输入与输出信号，但无法获知存储单元内部发生了什么。”

例如一次写入错误，直到后续读取数据时才会暴露。输入输出信号可观测，但中间发生的问题会隐藏起来。所有检测手段都存在这类边界限制：无论是无法全分辨率扫描全部区域的检测设备、无法覆盖全部工况的测试机，还是不能植入每一处结构的监测传感器。

串联多源数据

越来越多量测技术，既是解决方案，也带来新挑战。工程师现在有电测试、X射线、光学与声学检测、设备数据、仿真、嵌入式传感器、制造记录和现场失效数据。缺少的往往不是新增数据源，而是理解不同观测结果之间的关联。

“我认为当下的重点不是获取更多数据。”Roth说，“更大挑战是打通数据、赋予数据上下文，并快速落地决策。我们已经在产生海量数据。”

失效问题不会局限在单一工程领域。结构缺陷最先体现为电性异常；现场失效，也会让一份原本看似正常的早期测试记录变得有参考价值。

“如何把晶圆测试、终测、系统级测试、制造历史与现场性能关联起来？只有整合这些数据，才能发现单独查看时无法识别的规律。”Roth表示，“答案不是构建更大、更智能的巨型模型。我们现在需要搭建互联数据体系，建立闭环反馈的互联生态。”

更广的覆盖范围，不等于延长每项测试时长，或是到处布设监测传感器。测试和监测的价值，恰恰在于它们从不同维度观测问题。

“不能依靠监测替代测试，正如不能认为‘拥有完善测试，就不需要监测’。”ProteanTecs的Sever说，“二者观测目标不同。测试关注质量：芯片在初始时刻，性能是否符合设计预期，这一步必须做测试。但就算拥有顶级测试方案，质量不等于可靠性。可靠性代表初始质量能够在芯片全生命周期内持续保持，这就需要监测。”

随着仿真结果与实测数据的匹配度持续提升，不同观测维度之间的数据对接也在改善。

“我们正在缩小这一缺口。” 新思科技Lin说，“相比过去，现在已经好了很多。”

结语

所有盲区或许永远无法完全消除。每一种检测手段，都要在测量对象、测量位置、分辨率、检测时长之间取舍。随着芯片异构程度不断提高，各类相互作用越来越难拆解，很多关键信息，往往出现在工程师最初没有预料到的位置。

行业观念正在转变：不再指望单次测量就能还原完整真相。电测结果指向物理缺陷，检测图像可以回溯工艺历史，传感器暴露平均温度掩盖的热点，现场失效赋予数月前采集数据全新意义。价值往往蕴藏在不同观测信息的关联之中，而非单一数据本身。

补齐可视性缺口的思路也随之改变。目标不是依靠某一套测试、模型、传感器或检测系统实现全知观测，而是更好识别每一种观测手段的局限，并用另一套观测方式继续推进分析。