半导体材料为何在量产中"失控"

从实验室到晶圆厂，先进封装中的材料行为一直被默认为是可预测的——但这一假设正面临前所未有的挑战。

实验室结果通常会转化为规格参数，再成为资质认证的基准，最终成为评判现场性能的标准。在半导体行业发展的大部分时间里，这条推断链条运作良好。材料种类少、堆叠结构简单，层间交互行为可预测，规格表上的数据足以指导量产实践。

但随着异构集成从工程探索演变为高性能计算的主流架构，单个封装中的材料数量急剧增加，交互关系愈发复杂，而封装所处的工作环境也远比认证测试条件更为苛刻。

Amkor公司芯粒与FCBGA集成副总裁Mike Kelly表示："现在已经不像以前那样简单了，以前只要有单个芯片、了解其工艺，就能直接投产。如今大多数封装在机械和电气方面都相当复杂，需要大量测试和现场开发工作，才能得到一个可靠的解决方案。这一点怎么强调都不为过。"

某种材料在孤立状态或受控实验室条件下的表现，越来越难以反映它在被异种材料包围、经历多步骤热处理、并需在数百万工作小时内稳定运行时的真实表现。

复杂性问题

材料在量产中"失控"，最直接的原因也是最令人不安的：当前构建的系统过于复杂，没有人能够提前完整建模，而往往导致问题的交互正是没有任何单一学科想到去检测的那些。

Critical Manufacturing项目与程序经理Tiago Tavares表示："当你把一堆不同的材料、不同的硅片集成在一起，所有这些都会带来固有的变异性。认为我们可以从设计阶段就预测并掌控一切，这种想法是不现实的。要覆盖所有情况，你需要模拟数十年。这条路走不通。"

半导体制造一直需要管理变异，但变化之处在于：如今在单个封装内相互影响的变异来源数量大幅增加，且这些交互之间的耦合程度更深。传统单片芯片拥有单一材料集、单一工艺流程，数十年的量产经验使其交互行为具有合理的可预测性。而现代多芯片组件——含叠层存储器、异构芯粒和有机中介层——每引入一种新材料，潜在交互组合就会呈指数级增长。

Tavares进一步说明："你在中间使用了越来越多的异种材料，就像一块三明治，你不清楚火腿和奶酪会怎样相互影响。这就是为什么工艺管控和工艺设计依然关键，但已不再充分——你还需要对正在发生的一切进行持续监控。"

在异构封装中，每个工艺步骤都继承了前序步骤的机械、热和化学历史，任何调整都会向后传播影响，且往往要到很久之后才能显现。Tavares指出："你不能再把一个工艺步骤当作孤岛来分析。交互越来越多，越来越明显。因此，你不能在步骤A做出改变，而不考虑后续步骤B、C、D会发生什么。"

仿真的盲区

即便可以运行更全面的仿真，这也只是在原则上可解决问题。仿真工具建立在明确选择哪些效应为一阶、二阶或可忽略的基础上。在典型条件下，这些选择是合理的。但先进封装所遭遇的条件并不总是典型的，一个在简单封装中属于二阶的效应，可能在更复杂的封装中成为主导失效机制。

Synopsys产品营销总监Marc Swinnen表示："机械应力不仅影响可靠性，还会改变受力器件和导线的电气参数。但机械与电气方面鲜少被同时考量。任何仿真器都基于对包含哪些效应的基本选择。问题在于，在某些情况下，一个微小效应实际上会变得非常显著。"

因此，一个封装可能通过了电气和机械仿真，却在量产中失效，原因是两种效应之间的交互从未被建模。芯片设计师未受过电磁仿真训练，封装工程师未受过静态时序分析训练，这些学科边界正是模型与现实最频繁产生偏差之处。

Swinnen补充道："芯片、封装和电路板设计通常是分别进行的，但它们之间联系紧密。这种联系往往被宽裕的安全余量所掩盖。然而安全余量并非免费，它会拖累性能、增加成本。"

材料数据的困境

仿真挑战之下，还有一个更根本的问题：用作仿真输入的材料属性值往往是错误或不完整的，且难以纠正，因为所需的数据制造商不愿共享。

Synopsys产品管理负责人Lang Lin表示："仿真工具从互联网、科学测量数据或晶圆厂提供的数据中获取通用属性。制造商必须将其秘密的材料属性提供或披露给我们的仿真工具，仿真结果才能与实际情况良好吻合。否则，就无法建立对应关系。"

问题在于，最准确的材料属性数据也是最具商业敏感性的。一家花费多年开发特定玻璃成分和抛光工艺的基板制造商，没有动力将该材料的精确机械和热行为公之于众。这就造成了结构性错位：最需要准确材料数据来构建可靠仿真的工程师，使用的却是最不准确的版本，而掌握准确数据的组织有充分理由不予公开。

对于前沿新型材料，问题更加根本。Lin表示："你必须对材料机械属性随温度变化的非线性行为进行建模。对纯铜我们了解得很清楚，但对于具有某些改性属性的玻璃，其温度依赖性会如何？它的非线性变化方式我们可能并不了解。"

当现场发现实验室遗漏的问题

这些建模空白的后果会在量产中显现，有时甚至在下游现场失效时才暴露，而且难以追溯根源。

Amkor公司键合线与BGA产品副总裁Prasad Dhond表示："许多现场问题源于制造过程中引入的潜在缺陷。污染、工艺变异和设备偏差是潜在缺陷的来源，这些缺陷在现场会被进一步放大。除了资质认证，工厂和装配线的生产管控方式也至关重要。"

潜在缺陷起初并不总是以缺陷的形式出现，可能只是轻微的色差、光学异常或看似无关紧要的东西。直到积累了足够多的数据，早期可见现象与后续失效之间的关联才会变得清晰。

Microtronic应用总监Errol Akomer表示："你看到一个缺陷，有时很难分辨，可能只是分析时的一处变色。如果只是无关紧要的外观问题，也许什么都不会发生。但等到这批产品进入探针测试时，它却失效了。这就是你学到哪些缺陷有害、哪些可以忽略、哪些需要深入研究的方式。"

Amkor的Kelly进一步指出："只有在有足够失效样本的情况下，汇总数据来判断失效原因才有意义。失效越少，数据越少，模型越不准确——这是一个两难困境。到某个时刻你会停止建模、开始制造，然后在早期量产阶段持续改进，逐步接近真正想要的结果。差距依然存在。"

差距案例：钼的引入

钼作为中段金属化工艺中钨的替代材料，从一个与封装无关的角度诠释了实验室与晶圆厂之间的差距。

在逻辑芯片、DRAM和NAND所针对的小特征尺寸下，钼相比钨具有显著的电阻率优势。它还无需单独的阻挡层和衬垫层，因为它可以直接附着在氧化物上而不渗入介电层，从而使更多空间由功能性金属填充。在实验室中，针对单工艺认证的相关规格，钼表现优异。

但在量产中导入新材料是另一回事。Lam Research公司企业副总裁兼总经理Kaihan Ashtiani表示："当我们进入测试阶段、客户开始试用时，挑战在于将该薄膜集成到他们的工艺流程中。单元工艺要求——如沉积速率、接触孔填充效果、电阻率是否达标、均匀性和颗粒行为——是我们在工具开发阶段要解决的。但集成到客户现有流程中，才是真正的学习发生之处。DRAM、NAND和逻辑芯片的要求各不相同，这些都是进入测试阶段乃至量产时面临的挑战。"

多年的单元工艺开发买到的是一个特性明确的薄膜，却无法买到预先特性化的集成方案——因为每个客户的集成方案因设备类型而异。正是在这最后一公里，实验室结果与量产现实相遇的地方，差距得以存在。

弥合差距

面对这些挑战，业界并未坐以待毙。大量工程投入正致力于利用机器学习弥合虚拟与物理世界之间的鸿沟，并将晶圆厂视为持续的模型校准来源，而非下游终点。

然而，不受约束地将机器学习应用于制造数据，本身对所导航的物理空间没有内在理解，意味着它可能在训练数据范围内进行激进优化，却因模型从未考虑到的原因在量产中失效。

Lam Research Semiverse Solutions业务董事总经理Joseph Ervin表示："你可以基于某个数据集进行训练，但机器学习对自己所处的空间以及如何在其中优化确实没有概念。使用虚拟硅片将约束和物理规律引入机器学习空间，从而引导工艺步骤和参数真正达到可实现的结果。"

这一方法涉及构建被制造器件的三维虚拟表示，将其与实际量产过程中的内联计量数据对齐，并利用对齐后的虚拟模型同时引导多种良率失效模式的机器学习优化。

数据问题依然更难解决。Critical Manufacturing的Tavares表示："人们仍在学习各种效应及其组合，这需要一段时间才能沉淀下来。数据是存在的，但首先你需要知道自己在寻找什么。数据不等于信息，将数据转化为信息的能力仍然是一大挑战。"

弥合实验室与晶圆厂差距的工具正在改进——有更好的仿真框架、物理约束的机器学习、更丰富的内联计量，以及更成熟的数字孪生技术。但被要求在这些新环境中运行的材料确实是全新的，它们之间的交互仅被部分理解，而在量产中可靠表征其行为所需的经验基础仍在积累之中。差距之所以存在，是因为材料采用的速度已经超过了全面理解其影响的速度。

Q&A

Q1：为什么先进封装中的材料在量产时会出现与实验室不同的行为？

A：随着异构集成成为主流，单个封装中的材料数量和交互关系急剧增加。实验室只能在受控环境下对单一材料进行表征，无法完整复现量产中多步骤热处理、多种异质材料共存以及客户特定工艺流程等复杂条件。材料在量产中的真实行为高度依赖周围的工艺上下文，而这种上下文在开发环境中无法被完整模拟，导致实验室结果与量产现实之间存在越来越大的差距。

Q2：先进封装的仿真工具为什么无法准确预测量产中的失效？

A：仿真工具在构建时需要预设哪些物理效应是重要的、哪些可以忽略。在先进封装中，机械应力和电气参数等跨学科效应往往相互耦合，但不同领域的仿真工具通常独立开发，边界处的交互效应容易被遗漏。此外，仿真所需的精确材料属性数据往往由制造商出于商业保密原因不愿公开，导致仿真模型只能使用不够准确的通用数据，进一步拉大了模型与现实的差距。

Q3：业界如何尝试弥合实验室与量产之间的差距？

A：目前业界主要通过两类方法推进：一是将物理约束引入机器学习，构建三维虚拟器件模型并与实际内联计量数据对齐，用于同时优化多种良率失效模式；二是将晶圆厂视为持续的模型校准来源，通过量产数据不断修正仿真模型。但数据向信息的转化能力、材料属性的商业敏感性以及新材料集成经验的积累，仍是尚待解决的核心挑战。