给掩模版一个数字替身

MASK DEFECT INSPECTION · 上篇

die-to-database：掩模缺陷检测里最难走的那条路

凌晨两点，掩模厂的检测间里，一台检测机刚刚扫完一块 6 英寸的石英板。

屏幕上跳出一个候选缺陷：坐标 (52.3 mm, 17.8 mm)，尺寸约 40 nm。值班工程师没有立刻按下“判废”，也没有随手把它划进“噪声”。他知道，这个亮点可能是真的断线，也可能是模型算错了那么一点点——而这两种判断，指向的结局完全不同。

在掩模行业，这样的判断每天要重复上千次。支撑它的那条技术路线，叫 die-to-database。

它解决的问题很朴素：如果一块掩模上真的有一个不该有的东西，我们怎么知道？

一、一块被放大四倍的“母版”

先说清楚掩模版是什么。

它是一块 6 英寸见方、约 6.35 mm 厚的石英玻璃（fused silica），一面镀着吸收紫外光的薄膜——传统是铬（Cr），先进工艺里更多是 MoSi 这类相移材料。图形用电子束或激光直写上去，经过显影、刻蚀、去胶、修复，最后盖上一层薄膜防尘罩（pellicle），送进晶圆厂。

它不直接参与芯片的电学结构，却决定了芯片长什么样。光刻机把掩模上的图形用一束光投影到晶圆上，镜头把这个图形缩小四倍。所以晶圆上 30 nm 的线，在掩模上是 120 nm；晶圆上 100 nm 的间距，在掩模上是 400 nm。

这个 4 倍，是光刻工程里少见的“宽容”。它让掩模的加工精度不必和晶圆一样苛刻，也让掩模厂有了几纳米的容错空间。但随着晶圆上的图形越做越小，这个容错空间正在被一点点吃掉。

一块掩模只管一层。一颗先进逻辑芯片，动辄需要几十块掩模组成一套“mask set”。一块 300 mm 晶圆上要曝光几十到上百个场（field），每个场都完整地复刻一次掩模的图形。一片晶圆几百亿个晶体管，全部由这些“母版”一层层叠出来。

这就是掩模的地位：它不是耗材，它是源头。

二、一个缺陷，会被复制多少次

掩模上的缺陷，大致有几类：该有图形的地方多了东西（extension），该连续的地方断了（notch），该挡光的地方漏了光（pinhole），表面落了颗粒（particle），或者修复时留下了痕迹。

它们的尺寸往往只有几十纳米。放在日常生活里，这个尺度什么都不是；放在掩模上，却可能是致命的。

原因在于“复印”。掩模上的一个缺陷，不会被投影一次就消失，它会被复制到这片晶圆的每一个曝光场，再复制到这一批次的每一片晶圆。如果这个缺陷落在关键尺寸上，一片晶圆上可能有几十个甚至上百个芯片因此报废；如果这批晶圆已经流到后续工序，损失还要再乘上几倍。

但“有缺陷”和“会打印”是两件事。

掩模上有些图形，本来就不打算在晶圆上成像——比如光学邻近效应修正（OPC）加出来的亚分辨率辅助图形（SRAF）。落在这些辅助图形上的小缺陷，可能对晶圆毫无影响；而落在主线条边缘上的同样大小的缺陷，却可能让整条线断开。

所以掩模检测真正要回答的，不是“这里有没有不一样”，而是“这里的不一样，会不会被印到晶圆上”。这个判断，叫可打印性（printability）。

它把检测从一道“找不同”的题，变成了一道“预测”的题。

三、三条路：看邻居、看设计、看空间像

要找出“不一样”，先得有一个“应该是什么样”的参照。参照从哪里来，决定了检测路线的分野。

第一条路，看邻居：die-to-die（D2D）。一块掩模上如果排着几个完全相同的图形（die），那就把 A 和 B 逐像素比一比。A 有而 B 没有的，就是缺陷。这个方法直观、可靠，不需要任何物理模型，从上世纪七十年代的自动掩模检测系统（AMIS）开始，一直是主力。

但它有两个天生的盲区。

其一，它要求掩模上有至少两个相同的图形。先进逻辑掩模常常只有一个主 die，EUV 掩模更是如此，D2D 直接失效。

其二，它看不见“共模”缺陷。两个 die 由同一台写入机、同一套工艺做出来，如果某个缺陷在两边同时出现——比如写入机的某次扫描错误、或者落在 pellicle 上的一颗颗粒——比较时它会完美抵消。越是系统性的问题，越容易被 D2D 放过。

第二条路，看设计：die-to-database（D2DB）。既然版图数据（GDSII / OASIS）里写着“应该是什么样”，那就把它“渲染”成检测机应该看到的样子，再和实测图像比。不需要邻居，不依赖重复图形，单 die 也能检。

第三条路，看空间像：AIMS。用一台模拟光刻机光学的显微镜，直接看缺陷在晶圆上会印成什么样。它更像是“复查”和“量刑”的工具，而不是全片普查的工具——速度慢，覆盖小，但判断可打印性很准。

三条路各有各的位置。真正撑起先进掩模全片检测的，是第二条。

四、D2DB 的核心：参考图不是拍出来的，是算出来的

这句话值得单独说一遍。

D2D 的参考图是“拍”出来的——另一颗 die 的图像，有噪声、有工艺误差，但它和被测图像来自同一台机器、同一套物理过程，所以“像”是天然的。

D2DB 的参考图是“算”出来的——从一堆多边形出发，经过栅格化、光学仿真、探测器建模、参数标定，最后生成一张灰度图。这张图上没有噪声，也没有工艺误差，但它必须和实测图像“像”到足以让缺陷显形。

像到什么程度？

假设一个要命的缺陷，在图像上只造成 3% 的灰度变化。那么参考图本身的误差，必须显著小于 3%。换句话说，仿真精度要进入百分之一量级。这就是 D2DB 全部难度的来源。

五、九步：把设计“拍”成照片

工业界成熟的 D2DB 流程，大致可以拆成九步。不同厂商的实现各有差异，但骨架是相通的。

第一步，数据准备。

从掩模厂的数据服务器上取回 GDSII 或 OASIS，选出要检测的层，处理正负性（clear / dark tone），做数据切分（fracture），必要时还要做数据与掩模之间的一致性检查（MRC）。

这里有一个容易被忽略的细节：D2DB 用的“数据库”，不是设计工程师画的那版版图，而是经过 OPC、加过辅助图形、做过 bias 的“掩模数据”。也就是说，参考图对应的是“掩模应该长成什么样”，而不是“晶圆最终应该长成什么样”。两者之间还隔着一层光刻成像。

第二步，栅格化。

把多边形画到检测机的像素网格上。多边形的边很少正好落在像素边界上，所以要按面积做灰度抗锯齿：一个像素被图形覆盖了多少比例，就给它多少灰度。

像素尺寸是一笔账。像素越小，能分辨的缺陷越小，但数据量和计算量按平方增长。先进检测机的像素通常在几十纳米量级——这已经接近 193 nm 光在 0.9 数值孔径下的采样极限，再小也换不来更多信息。

第三步，光学仿真。

这是整条流程的心脏：把栅格化后的掩模，送进一个“虚拟的检测显微镜”，算出它应该呈现的光强分布。

需要建模的东西包括：照明波长与带宽、数值孔径（NA）、照明光瞳的形状与部分相干因子（σ）、像差、离焦、偏振，以及掩模本身的近场。部分相干成像不能用一次简单卷积糊弄过去，必须老老实实做阿贝（Abbe）或霍普金斯（Hopkins）那一套。

这一步有多难，下一篇文章会专门拆开讲。这里先记住一句话：参考图的全部物理，都压在这一步。

第四步，系统响应建模。

光学会聚到探测器上，还要经过一层“非光学”的转换：探测器的点扩散函数、像素的积分窗口、扫描过程中的运动模糊、pellicle 的透过率、电子学的增益与非线性、以及噪声。

只仿光学、不仿相机，参考图和实测图之间会差出一层“系统味”。真正成熟的 D2DB，是连着探测器一起仿的。

第五步，标定。

仿真模型里有一堆参数，厂商不会全部告诉你：NA 的等效值、σ 的实际填充、焦面的位置、残余像差、掩模的侧壁角、探测器的响应曲线。

这些参数不能靠猜。常规做法是拿一组已知结构的测试图形（test pattern），让实测图像和仿真图像去拟合，把参数反解出来。标定不是一次性的：换一台机器、换一批掩模、甚至机器开了几个小时之后，都要重新校。

有一类专利把这件事做得更彻底：连配准参数（x/y 平移）、焦面、像差、波长、像素尺寸都放进模型里，一起优化。这就是“基于模型的配准”——不是先对齐再比较，而是在比较中同时完成对齐。

第六步，实测图像采集。

掩模在平台上连续移动，一束 DUV 光透过掩模，经高 NA 物镜成像到 TDI 相机上。相机逐行读出，平台匀速扫描，焦点实时跟踪，光强逐段归一化。

这一步的工程难度在于“稳”：平台的速度波动、掩模的厚度不均、环境的振动与温漂，都会变成图像里的低频起伏。而这些起伏，恰好和某些缺陷的信号在同一个频段。

第七步，配准。

参考图和实测图，来自两个不同的坐标系：一个是设计数据的坐标，一个是平台运动与相机像素的坐标。两者之间隔着平移、旋转、缩放，还有局部的畸变。

配准要先把“大”的对齐（全局），再把“小”的对齐（局部）。局部对齐必须做到亚像素：不是“对齐到一个像素”，而是“对齐到像素的十分之一”。

为什么这么苛刻？因为缺陷的信号常常就藏在边缘上。一个 50 nm 的像素，偏 0.1 个像素就是 5 nm 的位移；对于一条 100 nm 的线，这已经是 5% 的线宽误差。配准没做好，边缘会先“假报警”，真正的缺陷反而被淹没。

第八步，比对与检测。

两张图对齐之后，逐像素相减，得到差分图。差分图上超过阈值的区域，就是候选缺陷。

但阈值不能是一个固定的数。图形的疏密、边缘的走向、局部的对比度，都会影响差分信号的分布。所以实际系统用的是自适应阈值、多尺度分析、边缘容忍带，以及基于局部图形上下文的一整套判别逻辑。

这里有一条经验：缺陷是“孤立的”，模型误差是“成对的”。仿真在边缘算错了一点，差分图上会出现一正一负两条平行的细线；而一颗真实的颗粒或一个缺口，通常是一个孤立的、有明确形状的团块。检测算法的大量智慧，就花在区分这两者上。

第九步，复查、分类与处置。

候选缺陷送到复查环节：先用更高分辨的光学图像看一遍，必要时上 SEM 量尺寸、看形貌，再由自动缺陷分类（ADC）打上标签，最后由工程师决定修复、放行，还是判废。

整条流程跑完，一块先进掩模的检测时间通常在小时量级。这个数字，后面还会再提到。

六、为什么说 D2DB 是技术含量最高的那一个

把 D2D 和 D2DB 放在一起看，差别一目了然。

D2D 的本质是比较。它不需要知道光怎么传播、掩模怎么散射、相机怎么响应。两个相同的图形放在那里，减法就是全部的物理。

D2DB 的本质是预测。它必须先造出一台“虚拟的检测机”，让这台机器在计算机里把设计数据“拍”成一张照片，然后才谈得上比较。预测得准，才比得准；预测不准，比较就变成了制造伪缺陷。

具体来说，有五个坎。

第一，模型误差会直接变成伪缺陷。D2D 里，参考图和实测图来自同一套物理，系统误差天然抵消；D2DB 里，参考图是另一套物理（模型）的产物，任何没建准的地方，都会在差分图上留下信号。误差预算必须压到缺陷信号以下，这是一个非常硬的约束。

第二，掩模不是一张薄纸。吸收层有几十纳米的厚度，和 193 nm 的波长相比不可忽略；到了 EUV，70 nm 的吸收层对着 13.5 nm 的波长，厚度是波长的五倍。光在侧壁上散射、在吸收层里波导、在多层膜里干涉——这些都不是“把图形当成 0/1 透射率”能描述的。

第三，大 NA 与小 CD 把标量近似逼到墙角。NA 越大，光的传播方向越斜，偏振效应越明显；CD 越小，近场耦合越强，衍射级越少、越敏感。两者叠加，仿真必须从标量走向矢量，从薄掩模走向严格电磁场。

第四，算力。一块 6 英寸掩模，图形区约 104 mm × 132 mm。按 50 nm 像素算，是 5.5 万亿个像素。每一个像素都要经过一次成像计算，而整块掩模的检测时间只有一到两个小时。这意味着仿真必须快到“每像素微秒级”，同时又准到“百分之一”。

第五，标定是一个闭环。模型不是买来就能用的，它要在每一台机器、每一块掩模上被“调”出来。调什么、怎么调、调完之后怎么验证，本身就是一门手艺。

所以，D2DB 的门槛从来不在“能不能比”，而在“算得准不准、算得快不快、标得住标不住”。它把一项检测任务，硬生生做成了一套计算成像系统。

七、尾声：胜负手在“算”的那一端

回到凌晨两点的那块掩模。

工程师最终要相信的，不是屏幕上那个 40 nm 的亮点，而是产生这张参考图的那套模型。模型可信，亮点就是缺陷；模型不可信，亮点就是噪声。检测机的灵敏度指标写得再漂亮，最后都要落到“参考图有多真”这一件事上。

而参考图的真，来自于对一束光的计算。

这束光从光源出发，穿过掩模上几十纳米厚的吸收层，在侧壁上散射，被光瞳截断，在像面上干涉，最后落在探测器的像素里。要把这一路算准，需要衍射理论、部分相干成像、严格电磁场、数值方法和工程标定——每一层都有每一层的坑。

下一篇文章，我们就把这台“虚拟检测机”拆开，从最薄的近似讲起，一直讲到最硬的电磁场。

（未完，见下篇《一张算出来的照片，凭什么抓出 40 nm 的缺陷？》。）