第三章 缺陷数据采集与Recipe建立：检测Recipe参数设置

各位工程师，大家好。今天我们来聊聊缺陷检测中一个非常关键、也容易让人头疼的环节——Recipe的参数设置。

说白了，Recipe就是检测设备的“操作手册”。你给它设定好参数，它就知道怎么去扫描晶圆、怎么识别缺陷。参数设得好，缺陷无处遁形；设得不好，要么漏掉真缺陷，要么被假缺陷淹没。我见过不少项目，良率上不去，最后追根溯源，问题就出在Recipe上。

3.1 检测Recipe的核心参数

我们先看看Recipe里那几个最关键的参数。我个人习惯把它们分成三类：扫描参数、灵敏度参数、还有模式选择。

3.1.1 阈值（Threshold）

阈值，就是判断“这是不是缺陷”的门槛。信号强度超过阈值，设备就报缺陷；低于阈值，就放过。

阈值设得太低，噪声都会被当成缺陷。你想想看，一片晶圆上成千上万个假缺陷，工程师光复查就累死了。阈值设得太高，真缺陷又可能漏掉。嗯，这里要注意，阈值不是一成不变的，它跟工艺层、材料、甚至晶圆批次都有关系。

3.1.2 像素（Pixel Size）

像素大小决定了检测的分辨率。像素越小，能看到的缺陷就越小，但扫描时间也越长，数据量也越大。

我记得有一次，一个客户非要追求极致分辨率，把像素设到最小。结果呢？一片晶圆扫了三个小时，数据量几十个G，最后发现大部分都是噪声。其实对于大多数工艺缺陷，0.5微米到1微米的像素就够用了。

像素大小	适用场景	扫描时间
0.1 - 0.3 μm	关键层、小缺陷检测	长
0.5 - 1.0 μm	常规工艺层	中等
1.0 - 2.0 μm	粗检、非关键层	短

3.1.3 扫描模式（Scan Mode）

扫描模式主要有两种：明场和暗场。明场适合检测表面缺陷，比如划伤、颗粒；暗场对边缘和沟槽里的缺陷更敏感。

我个人的经验是，对于金属层，优先用暗场；对于介质层，明场效果更好。当然，现在很多设备支持混合模式，可以同时采集明场和暗场图像，但代价是时间翻倍。

3.2 灵敏度与误报率的平衡

这是Recipe设置里最核心的矛盾。灵敏度高了，误报率也高；灵敏度低了，漏检率又上去了。怎么平衡？

说白了，没有完美的Recipe，只有适合当前工艺的Recipe。

3.2.1 灵敏度设置策略

我建议分三步走：

1. 粗调：先用高灵敏度扫一遍，看看缺陷分布。这时候误报多没关系，关键是别漏掉真缺陷。
2. 精调：根据粗调结果，调整阈值和像素。把那些明显是噪声的假缺陷过滤掉。
3. 验证：用一批已知良率的晶圆跑一遍，看看Recipe的检测结果和实际良率是否吻合。

3.2.2 误报率控制

误报率太高，工程师的复查工作量会爆炸。我见过最夸张的一次，一片晶圆报了上万个缺陷，结果复查下来99%都是假缺陷。那段时间，整个团队都在做无用功。

控制误报率，有几个实用方法：

• 使用参考晶圆：拿一片已知无缺陷的晶圆做基准，设备会自动减去背景噪声。
• 设置最小缺陷尺寸：小于某个尺寸的缺陷直接忽略。这个尺寸要根据工艺能力来定。
• 启用复查规则：比如，只有连续出现3次以上的缺陷才上报。这样可以过滤掉随机噪声。

3.3 Recipe建立的实战流程

好了，理论讲完了，我们来看看实际操作。我一般按这个流程走：

3.3.1 第一步：收集历史数据

先看看之前类似工艺的Recipe是怎么设的。如果没有历史数据，就找一片有代表性的晶圆，先跑一遍默认参数。

3.3.2 第二步：参数初设

根据工艺层和缺陷类型，初步设定阈值、像素和扫描模式。这时候不用太纠结，后面还会调。

3.3.3 第三步：试跑与调整

拿几片晶圆试跑，看看结果。重点关注：

• 缺陷数量是否合理？
• 缺陷分布是否符合预期？
• 有没有明显的漏检或误报？

我记得有一次，试跑后发现缺陷都集中在晶圆边缘。一开始以为是Recipe问题，后来才发现是机械手抓取时造成的划伤。嗯，有时候问题不在Recipe，而在工艺本身。

3.3.4 第四步：验证与固化

用一批晶圆做验证，确认Recipe的稳定性和准确性。验证通过后，就把Recipe固化下来，以后同类产品直接调用。

3.4 常见问题与避坑指南

最后，分享几个我踩过的坑：

• 坑一：不同批次的晶圆，表面状态可能不同。Recipe要定期校准，不能一套参数用到底。
• 坑二：设备老化会影响检测灵敏度。我建议每季度做一次Recipe验证，必要时重新校准。
• 坑三：不要完全依赖自动Recipe生成功能。自动生成的Recipe往往偏保守，需要人工微调。

好了，这一章就到这里。下一章我们会讲缺陷数据的分析与分类，到时候再聊。