在 5G/6G 通信、電動汽車（EV）功率器件、新能源裝備等戰(zhàn)略領(lǐng)域，化合物半導(dǎo)體（SiC、GaN、GaAs 等）已成為突破硅基材料性能瓶頸的核心載體。然而，其制造流程中 —— 晶體生長與外延階段的隱性缺陷，往往要到最終測試 / 封裝環(huán)節(jié)才暴露 —— 此時晶圓已附加高價值工藝成本，良率損失已成定局。如何將良率管控 “前置” 到缺陷源頭，成為化合物半導(dǎo)體制造商規(guī)模化降本的關(guān)鍵卡點。

PDF

三大技術(shù)痛點，制約化合物半導(dǎo)體良率突破

化合物半導(dǎo)體已在硅基材料無法覆蓋的高性能應(yīng)用場景中占據(jù)核心地位：其高電子遷移率為 5G/6G 射頻芯片、高速電子器件提供了關(guān)鍵性能支撐，保障現(xiàn)代通信的高效運(yùn)行；直接帶隙特性使其具備高效光轉(zhuǎn)換能力，既是 LED、激光二極管實現(xiàn)高亮度發(fā)光的核心，也為紅外傳感器的精準(zhǔn)探測提供了技術(shù)基礎(chǔ)；此外，高擊穿電壓與優(yōu)異熱導(dǎo)率的結(jié)合，讓它能在電動汽車（EV）功率器件、快速充電器及可再生能源系統(tǒng)的極端工況下穩(wěn)定工作，突破硅基器件的環(huán)境適應(yīng)性瓶頸。

但這些性能優(yōu)勢的實現(xiàn)，依賴極高復(fù)雜度的制造流程，也帶來了三大關(guān)鍵技術(shù)痛點：

1. 缺陷追溯難：源頭問題 “遲滯暴露”

晶體生長與外延既是高成本工序，也是缺陷產(chǎn)生的主要源頭 —— 但這些缺陷往往要等到后續(xù)測試、封裝環(huán)節(jié)才會暴露。而此時晶圓已歷經(jīng)多道工序、附加了大量價值，最終卻可能因這些早期缺陷被報廢，或?qū)е抡w良率大幅下降。若沒有集成數(shù)據(jù)系統(tǒng)支撐，要將這些失效問題追溯到襯底或外延層的源頭缺陷，難度極大。

2. 數(shù)據(jù)孤島：多系統(tǒng)協(xié)同失效

制造數(shù)據(jù)分散于不同場景：晶體生長設(shè)備的溫度 / 壓力數(shù)據(jù)、外延機(jī)的氣體流量數(shù)據(jù)、電測設(shè)備的 IV/CV 曲線、封裝環(huán)節(jié)的封裝追溯數(shù)據(jù)……若無法建立能將襯底缺陷、在線工藝數(shù)據(jù)與最終電性能測試結(jié)果串聯(lián)起來的集中化數(shù)據(jù)視圖，工程師開展根本原因分析時，就只能進(jìn)行耗時的手動排查工作，而非遵循規(guī)范的系統(tǒng)化工程流程。

3. 信號干擾：致命缺陷被 “掩蓋”

晶圓缺陷圖中布滿了不影響良率的非關(guān)鍵 “干擾性缺陷”，這些缺陷掩蓋了真正重要的 “致命缺陷”。再加上諸如返工和批次拆分導(dǎo)致的襯底 ID 變更等數(shù)據(jù)質(zhì)量問題，信噪比會變得過低，難以開展有效分析。

PDF

端到端數(shù)據(jù)集成

Exensio 構(gòu)建良率預(yù)測 “數(shù)據(jù)底座”

要應(yīng)對這些挑戰(zhàn)，需構(gòu)建一個能整合全制造流程數(shù)據(jù)的平臺—— 覆蓋從晶體生長、外延、晶圓前段工藝（FEOL），到最終封裝與成品測試的全環(huán)節(jié)。Exensio 大數(shù)據(jù)智能分析平臺可將在線缺陷數(shù)據(jù)、計量數(shù)據(jù)、設(shè)備傳感器數(shù)據(jù)、電學(xué)測試結(jié)果（WAT/CP）及封裝追溯信息，整合為統(tǒng)一連貫的數(shù)據(jù)體系。

借助這一統(tǒng)一數(shù)據(jù)結(jié)構(gòu)，制造商可將失效芯片完整追溯至原材料批次、所用的特定設(shè)備與工藝配方，甚至是該芯片生產(chǎn)時的具體工藝參數(shù)。對于化合物半導(dǎo)體制造商而言，這種全流程追溯數(shù)據(jù)，正是預(yù)測性機(jī)器學(xué)習(xí)得以落地應(yīng)用的核心基礎(chǔ)。

目前，該平臺已在全球100 余家半導(dǎo)體企業(yè)完成部署應(yīng)用；其中 10 余家化合物半導(dǎo)體制造商將其用于企業(yè)級良率管理，覆蓋 IDMs、Foundries 及 Fabless 企業(yè)，解決了實際產(chǎn)線問題。

PDF

機(jī)器學(xué)習(xí)核心技術(shù)：從襯底缺陷到良率預(yù)測

核心創(chuàng)新點在于，將襯底缺陷（即制造流程最起始階段產(chǎn)生的缺陷）與最終電學(xué)測試的合格 / 失效結(jié)果相關(guān)聯(lián)。這一關(guān)聯(lián)可實現(xiàn)三大價值：明確哪些缺陷類型真正影響良率、在工藝早期預(yù)測良率，甚至在襯底進(jìn)入下游工序前對其進(jìn)行分級。

技術(shù)流程圍繞半導(dǎo)體技術(shù)人員的實際需求設(shè)計，具體步驟如下：

1. 數(shù)據(jù)采集與映射

采集襯底缺陷數(shù)據(jù)（或后續(xù)工藝步驟的在線缺陷數(shù)據(jù)）及電性能測試分箱圖（binmap）數(shù)據(jù)。通過 Python 腳本，將絕對缺陷坐標(biāo)映射至 binmap 配置所定義的芯片坐標(biāo)系，從而實現(xiàn)缺陷數(shù)量與電性能測試結(jié)果的逐芯片直接對比。

2. 智能缺陷篩選

并非所有缺陷的影響都相同，模型會識別并篩選兩類特殊缺陷：一是強(qiáng)致命缺陷，即致命率（kill ratio）＞0.9 的缺陷，幾乎必然導(dǎo)致芯片失效，含此類缺陷的芯片會被自動標(biāo)記為 “不合格”；二是負(fù)相關(guān)缺陷，即在合格芯片中出現(xiàn)頻率反而高于不合格芯片的缺陷，表明這類缺陷不限制良率。這兩類缺陷均從訓(xùn)練數(shù)據(jù)集中移除，確保模型僅聚焦具有預(yù)測價值的有效信號。

3. 特征降維

對缺陷特征進(jìn)行標(biāo)準(zhǔn)化處理后，采用 PCA 算法保留 95% 數(shù)據(jù)方差。這種降維方式既能捕捉關(guān)鍵信息，又可避免模型被冗余或低價值特征過載。

4. 模型訓(xùn)練

基于篩選后、降維后的特征集，采用 10 折交叉驗證（類別平衡處理，避免對單一結(jié)果的偏向）訓(xùn)練 XGBoost 分類器。模型通過學(xué)習(xí)缺陷特征，預(yù)測芯片級合格 / 失效概率。

5. 預(yù)測與評估

訓(xùn)練完成的模型預(yù)測每顆芯片的電學(xué)測試合格 / 失效結(jié)果。設(shè)置覆蓋規(guī)則：含強(qiáng)致命缺陷的芯片，無論模型輸出的概率如何，均自動判定為失效。評估結(jié)果包括混淆矩陣、分類指標(biāo)（精確率、召回率、F1 分?jǐn)?shù)），且最關(guān)鍵的是預(yù)測與實際晶圓良率對比。

注意

如何平衡【漏判】與【誤判】？

可調(diào)節(jié)的概率閾值是其核心功能，支持用戶根據(jù)業(yè)務(wù)優(yōu)先級調(diào)校模型判定行為：較低閾值：會增加漏判風(fēng)險（將不良芯片誤判為良品），但可能減少誤判（將良品誤判為不良品）；較高閾值則相反。這種靈活性使工程師能根據(jù)具體的經(jīng)濟(jì)約束，平衡良率損失與制造成本。

PDF

交互式操作：工程師 “即學(xué)即用”

分析工具的價值，僅在于工程師能將其切實應(yīng)用于日常工作中。為此，該平臺配套設(shè)計了交互式用戶界面，支持直觀操作，具體包括：

登錄頁

提供概覽信息及側(cè)邊導(dǎo)航；

介紹頁

列出輸入要求與數(shù)據(jù)導(dǎo)入流程；

使用頁

引導(dǎo)用戶完成輸入設(shè)置，并說明如何用定制化 Python 腳本替換默認(rèn)模型；

預(yù)測頁

為核心操作區(qū)，包含輸入字段，支持選擇分組列、運(yùn)行缺陷坐標(biāo)映射、設(shè)置合格 / 失效閾值及執(zhí)行預(yù)測；

結(jié)果區(qū)

展示特殊缺陷類別、分類性能指標(biāo)、晶圓圖三方對比（實際圖、預(yù)測圖及差異圖-差異圖顯示假陰性與假陽性），以及按晶圓和批次劃分的實際與預(yù)測良率對照表 / 散點圖；

附錄頁

匯總支持該模板的背景知識。

部分交互式頁面展示

關(guān)鍵在于，用戶可在模板內(nèi)直接打開并修改 Python 腳本，從而根據(jù)自身工藝知識與需求調(diào)整模型。

PDF

實際應(yīng)用：碳化硅案例研究

該平臺已在碳化硅（一種對電動汽車和高功率應(yīng)用至關(guān)重要的寬帶隙材料）制造中得到驗證。在本案例中，研究團(tuán)隊將襯底缺陷與電性能測試結(jié)果關(guān)聯(lián)，對缺陷進(jìn)行篩選和分類，并訓(xùn)練 XGBoost 模型預(yù)測芯片級良率，成效如下：

在附加大量價值前，基于襯底缺陷實現(xiàn)早期良率預(yù)測；

區(qū)分真正影響良率的致命缺陷與無害的干擾缺陷；

在晶圓進(jìn)入高成本下游工序前，實現(xiàn)襯底分級；

通過binmap 對比提供可視化依據(jù)，輔助工程師決策；

提供模型性能與良率預(yù)測準(zhǔn)確性的量化指標(biāo)。

PDF

行業(yè)價值：化合物半導(dǎo)體規(guī)?；?“良率基石”

隨著化合物半導(dǎo)體進(jìn)入 “規(guī)模化量產(chǎn)” 階段，良率已成為企業(yè)競爭的核心壁壘。Exensio 大數(shù)據(jù)智能分析平臺通過 “數(shù)據(jù)集成 + 機(jī)器學(xué)習(xí)” 的組合方案，從根本上解決了化合物半導(dǎo)體制造的三大痛點：

缺陷遲滯暴露→早期預(yù)測：將良率管控從 “最終測試”前移至 “襯底階段”。

數(shù)據(jù)孤島→全流程追溯：打通多系統(tǒng)數(shù)據(jù)，實現(xiàn)根因分析高效化。

干擾缺陷→智能缺陷篩選：精準(zhǔn)鎖定關(guān)鍵缺陷，避免盲目工藝調(diào)整。

PDF

未來展望：技術(shù)驅(qū)動下的良率突破新路徑

隨著 5G/6G 通信、電動汽車到可再生能源等市場對化合物半導(dǎo)體的需求爆發(fā)，制造復(fù)雜度與規(guī)?；枨蟮拿軐⒂l(fā)突出。制造商需要能應(yīng)對其日益增長的復(fù)雜性的工具。制造商通過統(tǒng)一數(shù)據(jù)、智能篩選與機(jī)器學(xué)習(xí)預(yù)測相結(jié)合，可實現(xiàn)更早干預(yù)、更明智決策，并最終提升良率。

對于半導(dǎo)體技術(shù)人員而言，“從源頭預(yù)測良率” 已不再是技術(shù)構(gòu)想，Exensio 大數(shù)據(jù)智能分析平臺已在 10 多家企業(yè)的實踐中得到驗證，是可落地、可優(yōu)化、可復(fù)制的解決方案。隨著行業(yè)持續(xù)擴(kuò)大規(guī)模，預(yù)測并預(yù)防源頭缺陷導(dǎo)致的良率損失，將不再只是一項優(yōu)勢，而是企業(yè)具備制造競爭力的必備要求。