摘要：伴随着集成电路制程与工艺的不断进步和对于集成电路产业链国产化要求的逐步提升，国内集成电路产业迎来了发展机遇。然而在集成电路生产制造过程中面临更高的量检测要求和柔性生产等挑战，借助人工智能的发展浪潮应对这些挑战成为了集成电路国产化过程中一个充满无限可能的课题。

关键词：集成电路；加工工艺；视觉量测；视觉检测；人工智能；大模型；AI视觉平台

一、集成电路加工与量检测设备目前的难点与痛点

1.1 更高量检测要求的困难

1.1.1 场景复杂多样的挑战

1.1.1.1 集成电路工艺段极多

集成电路生产制造主要分为晶圆制造段和封装测试段。前者可以细分为提纯、拉晶、切片、减薄抛光、涂胶显影、光刻、离子注入、薄膜沉积、电镀、抛光、测试与检测等工艺段；后者可以细分为背面减薄、切割与清洗、Die Bond与Wire Bond、Molding、激光打标、固化、电镀、切筋与成型、电测、数道检测、包装等工艺段。若将这些工艺段再次拆分，工序数量有上千道，而每个工艺段都有显著的工艺特性，不同工序的关注点大相径庭。

1.1.1.2 各工艺段光学量检测差异大

光学量检测在晶圆制造和封装测试段的若干工艺段多有运用，光学量检测占集成电路生产制造过程中整体量检测比例的95%左右，比较典型的诸如：成品晶圆的光学量检测、晶圆切割清洗后的光学量检测、Wire Bond后的光学检测、成品芯片外观的光学量检测等。这些不同工艺段的量检测，在产品的尺寸、缺陷的成因与外观表现、检测方法、后续处理工艺等维度上面有很大区别，对于产品和工艺的理解，在很大程度上影响着光学量检测最后的呈现效果。

图1 半导体生产制造光学量检测概览图

1.1.2 检测多尺度的挑战

1.1.2.1 复杂纹理低对比度的检测要求

集成电路若干工艺段的光学检测大多有两个共性特点：一是产品表面的纹理复杂，晶圆表面不仅有形态颜色各异、线路走向复杂的die、线路，有还有在显微成像场景下常见却又无法忽略的落尘，不少工艺段在实际生产过程中会产生或引入碎屑、液体，封装完毕的成品芯片亦有各式的引脚、pad、丝印，前序工艺的材料残留与各式凹凸则进一步加剧了在光学成像下产品表面的纹理复杂度。二是对于先进工艺和高附加值产品，成像低对比度却存在较高质量不良风险的产品缺陷需检出，例如存在表面细微隐裂缺陷的车规级芯片往往能通过电性能测试，然而在车辆工作环境下却会加剧失效风险，其导致的后果难以预料。 

图2 集成电路复杂纹理低对比度产品缺陷图

1.1.2.2 空间多尺度的检测要求

集成电路制程技术的不断迭代，从大规模向超大规模和极大规模发展，晶圆尺寸从 4 寸、6 寸、8 寸向 12 寸、14 寸突破，硅通孔TSV、CoWoS封装、3D堆叠封装WoW等先进封装技术不断涌现，集成电路产品的光学检测面临着两大“小”和两个“大”：即制程技术节点越来越小，而晶圆芯片等待检测产品尺寸越来越大；产品工艺中潜伏的微小缺陷尺寸越来越小，宏观缺陷的尺寸越来越大。这对光学检测的成像、算法、软件和整体系统设计带来了更大的挑战。

图3 不同尺寸的缺陷对比图

1.1.3 高精度要求的挑战

在其他行业的光学检测领域，较低概率的漏检往往是可以容忍的。而集成电路产品的单值较高，产业链下游包含IDC、汽车等对品质要求极高的行业，因此对于产品的良率要求极高，尤其不允许出现缺陷产品的漏检(under kill)，即零漏检要求。

集成电路生产制造行业的另一个特点是对产率的高要求。集成电路生产制造的速度快、稼动率高，第一次检测时检查出的疑似缺陷产品如果需要频繁做复检，会影响整条工艺段的产率。因此，集成电路产品光学检测往往要求极低的误判率。

1.2 柔性生产的困难

1.2.1 制造工艺设定的困难

1.2.1.1 复合人才与重复工作的要求

集成电路生产制造工厂中的诸多专业设备和生产过程需要具备丰富经验和专业技术的工艺人才，由他们设定设备的参数配方、制定工艺流程。而集成电路工艺人才的培养涉及生产、工程、设备等多个领域的专业知识，培养周期长、数量稀缺。即便是优秀的工艺工程师在针对新产品新材料设定一套新工艺配方和流程时，也需要多方验证、多次实验，中间消耗的实验材料和等待工艺成熟的时间在任何一家公司都无法忽略。

1.2.1.2 材料与工艺参数匹配的要求

集成电路加工设备的工艺参数设定是一个复杂的过程，需要考虑包括设备类型、加工材料、目标产品规格以及生产效率在内的多种因素。例如激光切割的主要工艺参数是切割的激光功率、切口宽度、切割速度和气体流量；而其他因素，如激光束质量、透镜焦距、散焦和喷嘴等对激光效果也有较大影响。越精细、越复杂的设备，参数越多；追求柔性生产，产品的材料、特性千变万化，进而造成设备工艺参数的设定在一定程度上依赖工程师的经验、参照设备手册，另一方面需做实验验证，而实验验证需额外花时间和耗材。因此，如何在较短时间内、使用较少的人力和耗材即设定出符合生产制造要求的工艺参数与流程，成为了集成电路生产制造企业的重要课题。

图4 激光切割某集成电路的示意图

1.2.2 生产换型的困难

1.2.2.1 高效部署的挑战

近几年，集成电路设备的国产化浪潮风起云涌，国产化集成电路设备虽然这几年进步很快，但相对国外设备仍存在品牌影响力偏弱、操作使用方法与国外设备有差异、性能表现与国外设备各有侧重等问题。如何高效地导入国产化设备、尽量缩短设备进场后的调试和验证周期就成为了诸多集成电路生产制造厂家使用国产化集成电路设备的第一道挑战。

1.2.2.2 快速换型的挑战

AI算法以数据为驱动，大规模的AI模型参数需经由模型训练过程做更新，这与传统算法由人工根据经验挑选特征、手动设定参数值的方式大相径庭。如今多品种、小批量的生产模式在集成电路生产制造过程中越来越普遍，以往人工提前设定若干套算法流程与参数、在切换产品型号时同步切换配方的方式在AI时代失去了作用。尤其当产品型号丰富、生产制造工艺快速迭代时，即时训练AI模型几乎成为了绕不过去的选项，是延长产品换型的等待时间，还是勉强接受产品换型后有较长时间的磨合期，成为了诸多集成电路生产制造企业的选择难题。

1.2.3 零样本/小样本场景的挑战

1.2.3.1 客制化多样性

在使用集成电路设备的过程中，由于原材料变化、上游工艺调整、本流程技术迭代等因素，即便是同一尺寸、同一类型的产品，在不同批次上往往也存在着明显的加工工艺或缺陷外观的差异。这种客制化多样性给加工工艺和缺陷检测的AI模型的适应性带来了额外的工作量。

1.2.3.2 数据样本丰富度有限

多品种、小批量的生产模式以及客制化多样性造成了不同批次产生的数据量有限，异常数据量更加缺乏，甚至有些不良品出现概率低至PPM级别。造成了不良数据的采集需消耗比较长的时间，导致AI模型上线周期久，进而明显影响工艺改善和检测效果提升的进度。提升样本的丰富度，尤其尽快准备好足够的异常数据是AI在晶圆制造量检测成功应用落地的关键因素。

1.2.4 操作使用的困难

1.2.4.1 更低使用门槛的要求

AI的运行部署大多基于云环境，具体又分为公有云和私有云。而集成电路工厂大多对数据隐私性要求很高，禁止数据出厂，公有云的方案几乎无法实施。而基于本地化部署服务器的私有云方案不仅成本高，还对工程部署尤其是集成电路生产的无尘环境带来了极大挑战。

AI的流程包括采集数据、清洗和标注数据、训练模型和部署模型等步骤，整体流程比较长，其中的模型训练与部署往往还需要人员具备AI算法、编程、计算机硬件等相关基础知识，具体执行时还需要数据增强方式、学习率调整等诸多技巧。集成电路工厂在使用AI做生产赋能前，迫切需要降低这些门槛。

1.2.4.2 学习使用设备的挑战

伴随着集成电路制程越来越复杂、第三代集成电路、车规级等高要求芯片的旺盛市场需求，集成电路设备的种类越来越多、设备的功能项越来越多、操作愈加复杂、维护保养愈发精细，集成电路生产制造工作人员面临使用设备的复杂性挑战。

1.2.5 解决方案更贴近客户需求的挑战

1.2.5.1 更低运行与维护成本的要求

集成电路设备在运行过程中，将不可避免地出现耗材消耗、易损件损坏、零部件寿命到期、意外出故障损坏等各种问题。功能模块越复杂的设备往往零部件越多，工作人员熟悉查阅维修维护手册需要较多的专业知识；另外，如果等到故障已经发生再去修理，将消耗大量包括停机时间在内的维修成本。

整台设备的维护保养周期、运行成本是集成电路工厂日常运行过程中无法忽视的重要事项。大规模部署AI应用时，每瓦功耗输出多少数量的token、处理多少张图片数量也是无法忽略的运行成本。

1.2.5.2 更高效率与稳定性的挑战

集成电路生产制造工艺上千道，任意一道工艺流程的效率和稳定性都会影响到整体。伴随着国内集成电路从第一代向第三代做升级、从传统封装向先进封装做迭代，引入了大量以往企业及从业人员未接触过、不熟悉的工艺及对应设备，如何在较短时间内提升这些新导入工艺的生产或检测效率、保持工艺的稳定性和检测结果的准确性，成为近两年国内集成电路企业的一个难题。

二、镁伽自研MEGA AI集成电路解决方案

2.1 针对集成电路检测场景的深度开发

2.1.1 深耕集成电路晶圆制造和封测段切实解决行业难题

2.1.1.1 晶圆量测解决方案

镁伽全自动 Overlay 量测设备适用于8/12寸晶圆厂单面Overlay的自动量测，配置高性能成像系统、实时聚焦系统，具备高精度、高速 Overlay 量测能力，是集成电路光刻制程进行产品良率管理的关键设备。

镁伽全自动 Overlay 量测设备兼容8寸和12寸晶圆，满足90nm及以上工艺节点量测需求；高亮度光源，支持低反射率膜层量测，可调超宽照明光谱，提升对Thick stacks和不透明膜层的量测适用性；多照明可选，保证产品片和工艺片的测量精度；配置纳米精度的运动平台，确保高定位精度和运动稳定性；尤其具备基于MEGA AI算法平台的AI自动图像调优功能。

图5 镁伽全自动Overlay量测设备

2.1.1.2 晶圆检测解决方案

镁伽全自动晶圆AOI设备，适用于有图案晶圆的外观缺陷检测，具备宏观和微观缺陷检测能力，可检出晶圆表面的系统性缺陷和随机缺陷，具备3D结构量测功能，是先进封装厂进行产品良率管理的高性能检测设备。

镁伽全自动晶圆AOI设备兼容8寸和12寸有图形晶圆检测，兼容2D缺陷检测和3D量测能力。可通过客制化兼容4/6寸晶圆及兼容划片后晶圆和重组晶圆的检测需求。适用产品包括SI、化合物、陶瓷、TSV等。其检测能力包括：缺陷定位、长宽、面积、高度、深度、共面性量测、目标长宽/直径/孔径、偏移、缺失等。

基于镁伽自研的AI视觉融合解决方案，镁伽全自动晶圆AOI设备能有效提升缺陷检测能力，降低缺陷过检率；尤其具备基于AI技术的ADC功能，缺陷分类准确性大于98%，能够极大地降低工艺人员复判的工作强度。

图6 全自动晶圆AOI设备

2.1.1.3 激光切割解决方案

镁伽MRS-ST系列激光切割机是基于内聚焦技术的激光精密全自动加工设备，应用于第三代集成电路碳化硅（SiC）晶圆的切割。产品基于镁伽InteVega AI视觉平台和MEGA AI算法平台，包含自动轮廓识别、自动水平校正、自动设置基准点、自动调焦等功能。整机设计为一键式启动，具备自动读取条码调档、生产信息统计、稼动率统计及数据上抛等集成电路晶圆产线规范要求的多种功能。

镁伽MRS-ST系列激光切割机可兼容4/6寸SiC晶圆，使用高精度运动平台,切割轴速度高达1000mm/s，高速运动波动性<1%,具备一键式自动化生产功能。其切割精准度高，可适应±15μm片厚误差；行业工艺领先，非接触式切割，崩边及热影响区小；尤其具备AI辅助生成工艺参数功能，工艺参数调试更便捷。

图7 镁伽MRS-ST系列激光切割机

2.1.1.4 刀轮切割解决方案

镁伽MRS-DT/DS系列晶圆切割机包含全自动双主轴晶圆切割机和半自动单主轴晶圆切割机，可广泛用于硅晶圆、砷化镓、氮化镓、蓝宝石、陶瓷、铌酸锂，PCB等，具备高清图像精确定位、自动刀痕检测、BBD刀破损检测、NCS非接触测高等功能。

镁伽MRS-DT/DS系列晶圆切割机采用国际同类型世界级高精度产品设计；兼容4寸、6寸、8寸、12寸晶圆，工作界面简洁、易操作；具备行业最高标准UPH；尤其具备自动影像识别、BBD（刀破损检测）、NCS(非接触测高)、AI视觉融合的刀痕检测等优势功能。

图8 镁伽MRS-DT/DS系列晶圆切割机

2.1.1.5 集成电路六面外观检测解决方案

镁伽六面外观检测设备适用于检测多种不同集成电路元器件，如电阻、电容、电感、集成电路芯片(QFN、DFN、LGA、SOP等)、LED等；采用模块化的设计，可检测多种封装缺陷。镁伽六面外观检测设备的检测项目包括：方向、印章、混料、异物、溢胶、气泡、划痕、划伤、露铜、引脚变形、载带破损、缝合线断开等外观缺陷和尺寸量测；具备适应范围广、高通量、AI赋能零漏检、支持快速换型等特点；尤其在镁伽InteVega AI视觉平台和MEGA AI平台的加持下，具备在超高速分选情况下对细微裂纹、细小划伤等易错判、漏判缺陷的高精度检测能力。

图9 镁伽六面外观检测设备系列

2.2 针对集成电路柔性生产场景的深度开发

2.2.1 针对制造工艺

在集成电路加工工艺流程中，由于产品和材料特性与加工参数多方面关联，导致加工结果千差万别。传统方法是基于工艺人员的经验来设定加工工艺流程，而集成电路行业的新材料、新工艺不断涌现，借助AI实现工艺参数的设定成为了可选路径。

镁伽科技结合积累的大量产品特性、工艺参数流程、工艺加工结果与深度强化学习算法，自研了基于强化学习的AI辅助工艺参数流程设定的解决方案，经实际验证，可提升对新产品新材料调试工艺参数效率50%以上。

图10 镁伽基于深度强化学习的AI辅助工艺参数流程设定

2.2.2 针对生产换型——InteVega 零门槛一站式AI视觉平台

镁伽科技自主研发的InteVega零门槛一站式AI视觉平台以底层软件架构和创新的AI算法能力较好地解决了频繁生产换型导致的问题。InteVega AI视觉平台基于5项架构能力、5项算法能力、10项核心技术，实现了：AI算法开发与视觉软件开发零门槛，超大分辨率图像、超高速实时处理、复杂纹理、低对比度、多尺度情况下的零漏检，引导对位、识别、检测、测量四大应用场景全覆盖，本地开发与部署、数据集管理、云/边/端部署、无缝工程移植一站式支持，基于AI大模型的数据标注和分析的50倍效率提升。

2.2.2.1 AI算法开发零门槛

InteVega AI视觉平台团队分析了近千个AI视觉项目需求，归纳出了10类AI任务场景，结合镁伽自主研发的MEGA AI算法平台，对这10类任务场景训练了60余个适用于不同精度、速度要求的AI预训练模型。

表1 镁伽InteVega AI视觉平台10类AI任务场景

用户基于实际的项目需求场景，选择合适的AI任务场景，创建AI工程。通过以下5步即可训练出一款可靠的AI模型：

表2

图11 镁伽InteVega平台AI模型训练测试展示

平台提供各项指标来体现模型的精度与性能，用户也可以添加测试图片来验证模型在测试集上的推理效果。平台支持通过混淆矩阵来快速定位算法推理与用户标注不一致的图片，协助用户对模型进行快速的调试与迭代。

2.2.2.2 视觉算法流程搭建零门槛

训练好的AI模型会存储在用户创建的AI工程文件中。用户可以将该模型文件导入至InteVega流程图，作为一个AI算子来调用。InteVega流程图工具还提供了超过500个标准算子工具，包括：2D几何、2D视觉、3D视觉、数据计算等算法类算子工具和图像采集、图像处理、逻辑判断、程序I/O等流程类算子工具。

通过镁伽自研MegaFlow数据流引擎技术，实现了算法的模块化封装，连线式操作即可完成应用配置，进而实现了2D、3D、AI算子的无缝融合，并支持串行、并行、条件依赖等运行配置，帮助用户零代码快速搭建出视觉算法的流程。平台还提供中间过程记录、分析与回放能力，方便对视觉流程的零代码调试。

图12 镁伽InteVega平台流程图工具展示

为了方便生产现场的操作人员调试，平台支持将参与算法流程搭建的若干算子封装成一个视觉算法，支持自定义设置该视觉算法输入、输出参数。用户可以在InteVega视觉生产页面为某个工位选择指定的视觉算法。

图13 在InteVega 平台生产页面选择视觉算法

2.2.2.3 视觉软件部署零门槛

InteVega视觉生产页面除了支持视觉算法流程的运行与调试外，还支持各类外设的连接与通讯管理，包括：

相机：支持基恩士、堡盟、海康、大恒、埃科、深视等数十种业内主流品牌2D、3D相机的接入与管理

光源：支持接入满足RS232通信、以太网通信协议的光源控制器

PLC：支持接入满足HSL协议（如西门子、三菱、欧姆龙、汇川等多个主流品牌）的PLC设备，并提供PLC标准事件集，方便用户零代码建立PC与PLC之间的标准通信事件，协议支持扩展

图14 镁伽InteVega 平台视觉生产页面展示

InteVega视觉生产页面还提供页面布局设置、生产统计视图与报表定制、日志管理、用户权限管理等关键视觉功能。用户可以按需使用、配置、扩展，实现AI视觉算法零代码部署与生产运行。

2.2.3 针对设备使用与维护

不同类型的设备使用与维护是集成电路生产制造企业员工日常工作中的重要一环。镁伽科技基于最新的大语言模型技术，打造了适用于集成电路生产制造环节辅助员工使用设备、查询使用中遇到的问题的AI助手，其特点包括：私有大模型本地化部署，无网络延迟且数据更安全；工业级精度的模型训练及提示词工程，杜绝大模型产生“幻觉”，结果更可靠、更贴近实际使用操作要求。

针对设备各零部件维护周期不一、部分易损件的寿命仅凭简单条件难以准确预估等维护问题，镁伽科技结合大数据和强化学习等方法，打造了镁伽设备AI维护工具，其特点包括：准确预测易损部件的更换时间，与SECS/GEM系统无缝结合。

三、镁伽科技与InteVega AI视觉平台简要介绍

镁伽科技（MEGAROBO）成立于2016年，是一家专注提供先进生产力工具的科技公司，致力于通过机器人、自动化、人工智能等技术与行业应用的深度融合，赋能生命科学、新药研发、临床诊断、应用化学及先进制造等领域的创新突破和数字化革新，为每个人创建更高效、更健康、更美好的世界。

镁伽科技深度服务集成电路、新型显示、绿色能源等行业。镁伽通过自主掌握的高精度运动控制、亚像素图像处理、高速实时信号处理、2D+3D+AI视觉等技术，结合自主研发的InteVega AI视觉平台、MEGA AI算法平台，开发出多项具有行业先进技术水平的集成电路、新型显示等领域制造和测试装备及生产工艺，目前已覆盖多个行业主流客户群体。

InteVega AI视觉平台是AI赋能的新一代机器视觉平台。立足“Vision Beyond AI”的愿景，根据数十年机器视觉行业项目经验总结，该平台基于数据流引擎和500多个自主研发的2D/3D视觉+AI算子，以流程图的方式搭建视觉流程，实现对生命科学和先进制造领域的机器视觉需求进行零代码开发。

InteVega AI视觉零门槛、一站式开发平台，历经上千台设备运行的打磨，实现了需求快速响应、零门槛使用、快速换型、样本数据高效利用与合成生成、算法指标行业领先等目标；让更多机器视觉从业者接触了解AI，并零门槛地使用AI；帮助企业降低机器视觉解决方案的开发成本、提高开发效率，进而推动AI技术在机器视觉行业的发展和应用。

(第三十期《机器视觉》杂志投稿文章，镁伽科技 孙新）