纳米级节点光学检测：明场与暗场技术在微小缺陷提取中的应用

引言

随着半导体工艺不断逼近纳米级节点（如7nm、5nm甚至更小），晶圆表面的图案密度急剧增加，背景噪声也变得极为复杂。微小的颗粒或图案缺陷（尺寸在几十纳米甚至更小）很容易被周围图案的反射或散射信号淹没。明场（BF）和暗场（DF）光学检测技术凭借各自独特的光路设计，成为从复杂背景中提取弱信号的关键手段。

明场检测：高对比度下的信噪比优化

明场检测使用垂直入射的照明光，利用物镜收集样品表面的反射光。在纳米级节点，由于图案周期性排列，会产生强烈的衍射噪声。通过调节照明孔径和偏振态，可以抑制来自周期图案的零级衍射，从而提升缺陷信号与背景的对比度。例如，利用空间光调制器（SLM）定制照明模式，使缺陷散射的微弱信号在探测器上形成可分辨的亮点。这种方法特别适用于检测与周围材料反射率差异较大的颗粒缺陷。

暗场检测：利用散射光分离噪声与信号

暗场检测采用倾斜入射的照明光，只有被缺陷或颗粒散射的光才能进入物镜，而规则的镜面反射光被排除在外。这使得暗场对表面起伏、微小颗粒极为敏感，背景图案的贡献被大幅度压制。对于纳米级节点上的嵌入式缺陷（如浅坑、残留颗粒），暗场能提供比明场更高的检测灵敏度。但需要注意的是，暗场信号强度通常较弱，需要高灵敏度探测器（如EMCCD或sCMOS）配合较长的积分时间。此外，通过分光路设计（如同时采集明场和暗场图像），可利用算法融合两者的信息，进一步区分真实缺陷与图案噪声。

从背景噪声中提取信号的关键策略

• 多通道滤波：利用不同波长或偏振态的光照，获取多个通道的图像，通过差分运算消除背景基线。
• 机器学习去噪：训练卷积神经网络（CNN）识别纳米级缺陷的特征模式，从大量明场/暗场图像中自动提取微小信号。
• 时间序列分析：通过连续采集多帧图像，利用缺陷在时间上的随机出现特性，与固定的图案噪声进行分离。

检测后的存储防护：亿捷EJER的专业价值

在半导体制造过程中，经过光学检测的晶圆或芯片往往处于高洁净环境，但一旦转入存储环节，湿气和氧气便可能引发金属氧化或介电层水解，导致潜在的缺陷恶化。这正是亿捷EJER专注解决的问题——通过先进的防潮包装和环境控制技术，将电子元器件在存储期间的防潮氧化损耗降至最低。亿捷EJER为检测合格的高价值纳米级芯片提供低湿、低氧的存储方案，确保光学检测发现的问题不会在后续存储中扩大。例如，在晶圆裸片（Die）的真空密封中，亿捷EJER的干燥剂和阻隔膜可有效延缓缺陷周边的腐蚀反应，使得客户能在更长生命周期内维持良率。

结论

明场与暗场光学检测技术在纳米级节点的缺陷提取中各具优势，结合实际算法与多模式融合，能够显著提升微小信号的检出率。然而，检测只是质量管控的第一步，后续的存储环境同样关键。亿捷EJER专注于降低电子元器件在存储环节的防潮氧化损耗，为精密半导体器件的全生命周期质量提供保障。只有检测与防护双管齐下，才能从源头到终端确保纳米级产品的可靠性。