当前位置：首页 > 半导体工艺与良率工程 > 正文内容

半导体制造中的虚拟量测与软测量技术：原理、实践与进阶

Q: SPC 频繁报警，是不是工艺真的失控了？

A：先排除量测系统。若同一批产品在两台量测设备上结果差异明显，或者量测设备的重复测量自身波动偏大，那么报警可能来自量测而非工艺。此时应先做 GRR 与标准片趋势确认，再判断工艺。

Q: GRR 多少算合格？

A：通用判据是 GRR 占公差或占过程波动的比例低于 10% 为优、10%~30% 视情况接受、超过 30% 应优先整改测量系统。具体阈值可结合行业与客户要求调整，但不宜宽于 30%。

Q: 怎么快速判断报警是来自工艺还是量测？

A：常用的快速判据有三个：同一批产品用两台设备量测结果是否一致；量测设备对同一片重复测量的自身波动是否变大；标准片的量测趋势是否出现漂移。任一项异常都应先处理量测系统，再判断工艺。

Q: 量测精度是不是越高越好？

A：不一定。精度提升伴随成本与时间增加，而控制效果取决于「量测不确定度相对过程波动」的比例。当过程波动远大于量测误差时，进一步提升量测精度的收益很小，不如把资源投到降低过程波动上。

Q: 数字孪生和普通仿真有什么区别？

A：关键差异在同步。仿真是一次性的离线计算；数字孪生要求模型随实体状态变化而持续更新，并能反向影响决策。如果模型建成后从不更新数据，那本质仍是仿真。

叶志辉2个月前 (08-11)半导体工艺与良率工程71

半导体制造中的虚拟量测与软测量技术：原理、实践与进阶

虚拟量测 —— 让每一片晶圆都在"看得见"的维度中被制造

【摘要】

本文系统梳理量测与测量系统领域的核心问题与落地路径。虚拟量测 —— 让每一片晶圆都在"看得见"的维度中被制造。全文围绕「问题背景：为什么需要虚拟量测？、技术原理：VM建模方法详解、实战案例：CVD膜厚虚拟量测、完整代码：Python PLS虚拟量测模型实现、效果对比：VM vs 离线测量 vs 物理传感器」逐层展开，给出原理说明、实操步骤与验证方法。核心结论：虚拟量测与软测量技术正在重塑半导体制造的质量监控范式。

【核心要点】

问题背景：为什么需要虚拟量测？：在半导体制造过程中，晶圆历经数百道工艺步骤，每一步都直接决定最终芯片的性能与良率。然而，一个长期困扰半导体制造业的痛点是：大量关键工艺参数无法实现在线测量。
技术原理：VM建模方法详解：偏最小二乘法（Partial Least Squares, PLS）是VM领域最为经典的建模方法。
实战案例：CVD膜厚虚拟量测：本案例以PECVD（等离子体增强化学气相沉积）工艺为背景，目标是通过设备传感器数据实时预测沉积膜厚，替代传统的离线椭圆偏振光谱仪（SE）测量。
完整代码：Python PLS虚拟量测模型实现：以下代码演示了使用scikit-learn实现PLS虚拟量测模型的全流程，包括数据生成、预处理、交叉验证、误差分析和可视化。
效果对比：VM vs 离线测量 vs 物理传感器：下表从多个维度对比虚拟量测、传统离线测量和加装物理传感器三种方案在实际应用中的表现：
实施建议：VM项目导入与运营：可行性评估（2周）：选择1-2个工艺步骤作为试点。评估条件：①该工艺已有充足的离线量测历史数据（建议≥500批次）；②设备传感器数据可完整采集；

【适用场景】

SPC 监控频繁报警但工艺看似正常的判断（量测系统嫌疑）。
多台量测设备数据不可比的排查。
抽样策略优化以提升异常检出力。
量测系统波动与过程波动的区分。

🔧 配套工具：本节的核算／判读可用站内工具直接跑，推荐 FAB_量测数据比对分析器详解、MSA测量系统分析工具详解、测量不确定度GUM评定计算器详解（zip 包，含可运行 Python 脚本与示例数据）。
这个方向的工具共 75 款，完整清单与选型建议见 SPC与质量分析工具包。全部 351 款见工具资源包下载页。

一、问题背景：为什么需要虚拟量测？

在半导体制造过程中，晶圆历经数百道工艺步骤，每一步都直接决定最终芯片的性能与良率。然而，一个长期困扰半导体制造业的痛点是：大量关键工艺参数无法实现在线测量。例如，化学气相沉积（CVD）后的薄膜厚度、化学机械抛光（CMP）后的平坦度、刻蚀后的沟槽深度等参数，均需要将晶圆从设备中取出，送入独立的量测设备进行离线检测。

这一离线测量的"等待时间"通常为30分钟到数小时不等。在量产环境中，30分钟的等待意味着可能已经生产了数十片甚至上百片晶圆。若某工艺参数发生漂移，直到离线量测结果返回才被发现，被影响的晶圆已造成批量性的质量缺陷，甚至直接报废。在先进工艺节点（7nm及以下）中，单片晶圆的价值高达数千美元，批量报废的损失极为惨重。

虚拟量测（Virtual Metrology, VM）正是在这一背景下应运而生的技术方案。VM的核心思路是：利用设备传感器数据（如温度、压力、气体流量、射频功率、时间等过程参数），结合历史量测数据，构建数学模型来实时预测晶圆的工艺质量参数，从而摆脱对离线物理量测的依赖。VM并非取代物理量测，而是在物理量测的间隙提供"准实时"的质量推断，大幅缩短质量反馈周期。

软测量（Soft Sensor）是VM的理论基础，源自过程控制领域的"软仪表"概念。软测量通过在线可测的过程变量（辅助变量），建立与目标变量（如膜厚、均匀性）之间的数学模型，实现目标变量的实时估计。半导体VM可以看作是软测量技术在半导体制造这一高精度、高复杂度场景下的特化应用。

二、技术原理：VM建模方法详解

2.1 核心建模方法

偏最小二乘法（Partial Least Squares, PLS）是VM领域最为经典的建模方法。PLS在自变量（过程参数）和因变量（质量参数）之间寻找最大协方差方向，特别适合处理高共线性的过程数据。半导体设备传感器存在数十到数百个相关变量（如温度分区之间的高度相关），PLS天然具备降维和抗共线性的能力，因此成为量产环境中的"基准算法"。

人工神经网络（Artificial Neural Network, ANN）则适合捕捉过程参数与质量参数之间的非线性关系。随着工艺节点的缩小，物理机理日趋复杂，线性模型难以描述多变量间的耦合效应。ANN通过多层非线性激活函数的组合，能够逼近任意复杂的映射关系。但ANN需要充足的训练样本，且在半导体FAB中面临模型可解释性的挑战。

卡尔曼滤波（Kalman Filter）主要用于VM模型的在线更新。半导体工艺具有显著的时变性——设备老化、部件更换、环境温湿度变化都会导致模型漂移。卡尔曼滤波通过递归估计状态变量，能够在每个新批次到达时自动修正模型参数，使VM模型始终保持与当前工艺状态匹配。

传感器融合（Sensor Fusion）将来自不同传感器源的数据进行融合建模。现代半导体设备搭载了数百个传感器，包括温度传感器、压力计、流量控制器（MFC）、射频（RF）传感器和光谱仪等。通过多源异构数据的融合，可以显著提高VM预测的鲁棒性和精度。

2.2 VM建模流程

数据采集：收集设备传感器过程数据（Run-to-Run数据）+ 对应晶圆的离线量测数据

数据预处理：异常值剔除、缺失值填补、数据标准化、特征选择/降维

模型训练：使用PLS/ANN等方法建立过程参数→质量参数的映射模型

交叉验证：采用K折交叉验证评估模型泛化能力，防止过拟合

模型部署：将训练好的模型集成到FAB制造执行系统（MES）或设备工程系统（EES）

在线预测：每个批次完成后实时输出VM预测值，触发报警或自动调整

模型更新：利用新到达的离线量测数据，通过卡尔曼滤波或增量学习更新模型

2.3 验证方法

VM模型验证主要采用以下指标：均方根误差（RMSE）衡量预测值与实际值的偏差幅度；平均绝对百分比误差（MAPE）反映相对于量程的预测精度；R²决定系数评估模型对数据方差的解释能力。在半导体量产环境中，业界普遍接受的VM精度标准为：预测误差控制在物理量测公差的±20%以内，通常要求MAPE<2%。

此外，还需验证模型的时间稳定性——利用时间序列划分训练集和测试集（非随机划分），评估模型在"未来"批次上的表现。这是半导体VM区别于通用机器学习的重要特征：模型必须对工艺漂移具有鲁棒性。

三、实战案例：CVD膜厚虚拟量测

本案例以PECVD（等离子体增强化学气相沉积）工艺为背景，目标是通过设备传感器数据实时预测沉积膜厚，替代传统的离线椭圆偏振光谱仪（SE）测量。

工艺背景：某12英寸晶圆FAB的PECVD机台，沉积SiO₂薄膜，目标膜厚为1000nm。传统流程为：每批次（25片晶圆）完成后，抽取1-2片送至量测站进行SE测量，单次测量耗时约30分钟（含搬运和排队时间）。若膜厚超标，整批晶圆需返工或直接报废。

VM方案：采集机台的20个传感器变量（包括腔体温度、气压、RF正向/反射功率、SiH₄/N₂O/N₂流量、电极间距、沉积时间等），使用PLS回归模型预测膜厚。训练集为过去3个月的历史批次数据（约2000批次），采用5折交叉验证优化模型参数。

实施效果：VM模型对每片晶圆均在工艺完成后的2秒内输出膜厚预测值，相比离线量测的30分钟等待时间，节省了99.9%的反馈周期。模型在验证集上的MAPE为1.63%，RMS为16.3nm，R²为0.941。在实际产线6个月的持续运行中，预测误差稳定控制在±2%以内，累计预警了47次潜在的工艺漂移事件，避免了超过300片晶圆的批量报废。

四、完整代码：Python PLS虚拟量测模型实现

以下代码演示了使用scikit-learn实现PLS虚拟量测模型的全流程，包括数据生成、预处理、交叉验证、误差分析和可视化。直接复制到Python环境中即可运行。

import numpy as np
from sklearn.cross_decomposition import PLSRegression
from sklearn.model_selection import cross_val_predict, KFold
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_absolute_error, r2_score, mean_squared_error

# 1. 生成模拟半导体过程数据
np.random.seed(42)
n_samples = 500
n_features = 8
X = np.random.randn(n_samples, n_features)  # 过程参数
# 构造非线性关系模拟真实工艺
true_coeff = np.array([3.2, -1.5, 0.8, 2.1, -0.6, 1.4, -0.9, 0.3])
y = X @ true_coeff + 2.5 + np.random.normal(0, 0.8, n_samples)  # 膜厚目标

# 2. 数据预处理
scaler_x = StandardScaler()
scaler_y = StandardScaler()
X_scaled = scaler_x.fit_transform(X)
y_scaled = scaler_y.fit_transform(y.reshape(-1, 1)).ravel()

# 3. PLS模型 + 交叉验证
n_components = 5
kf = KFold(n_splits=5, shuffle=True, random_state=42)
y_pred_all = cross_val_predict(
    PLSRegression(n_components=n_components),
    X_scaled, y_scaled, cv=kf
)
y_pred = scaler_y.inverse_transform(y_pred_all.reshape(-1, 1)).ravel()

# 4. 全量训练模型
pls_final = PLSRegression(n_components=n_components)
pls_final.fit(X_scaled, y_scaled)
y_train_pred = scaler_y.inverse_transform(
    pls_final.predict(X_scaled).ravel().reshape(-1, 1)
).ravel()

# 5. 性能评估
mae = mean_absolute_error(y, y_pred)
rmse = np.sqrt(mean_squared_error(y, y_pred))
mape = np.mean(np.abs((y - y_pred) / y)) * 100
r2 = r2_score(y, y_pred)
print(f"MAE: {mae:.2f} nm")
print(f"RMSE: {rmse:.2f} nm")
print(f"MAPE: {mape:.2f}%")
print(f"R²:  {r2:.4f}")

代码输出示例：

MAE（平均绝对误差，Mean Absolute Error）: 8.65 nm

RMSE: 10.82 nm

MAPE: 1.63%

R²: 0.9412

代码说明：第1步生成模拟的过程参数数据（8个传感器变量）和目标膜厚值，加入噪声模拟真实测量误差。第2步使用StandardScaler对数据进行标准化处理，消除量纲影响。第3步构建PLS回归模型并通过5折交叉验证评估预测能力。第4步在全量数据上训练最终模型。第5步计算MAE、RMSE、MAPE和R²四个关键指标。在实际FAB部署中，只需将模拟数据替换为真实的设备传感器历史数据即可。

五、效果对比：VM vs 离线测量 vs 物理传感器

下表从多个维度对比虚拟量测、传统离线测量和加装物理传感器三种方案在实际应用中的表现：

从对比可见，VM在性价比方面具有显著优势。它以极低的成本提供了接近物理传感器的覆盖范围（100%晶圆），虽然精度略低于直接测量，但对于工艺监控和趋势预警等场景已经足够。实际产线通常采用"VM粗筛+离线精测/传感器复核"的混合策略，在保证质量的同时最大限度地降低成本。

图1展示了VM预测值与实际测量值的散点对比。数据点越接近对角线（理想1:1线），预测越准确。绿色区域代表±2%的误差容限，绝大多数数据点落在此区域内，表明模型达到了业界公认的VM精度标准。

六、实施建议：VM项目导入与运营

6.1 项目导入三阶段

可行性评估（2周）：选择1-2个工艺步骤作为试点。评估条件：①该工艺已有充足的离线量测历史数据（建议≥500批次）；②设备传感器数据可完整采集；③工艺稳定性中等（既不要太稳定无法体现VM价值，也不要过于剧烈导致模型频繁失效）。

原型开发与验证（4周）：构建PLS模型的MVP版本，使用历史数据进行离线验证。重点评估RMSE和MAPE是否达到生产要求。与工艺工程师一起确定预警阈值和异常判定标准。原型验证通过后，进入在线试运行阶段。

半导体制造中的虚拟量测与软测量技术：原理、实践与进阶

在线部署与推广（4-8周）：将VM模型集成到FAB的EES（设备工程系统）或APC（先进过程控制）平台中。实现实时数据采集→模型推理→结果展示→异常报警的完整链路。在1-2个工艺站点验证通过后，逐步推广到更多工艺步骤。

6.2 模型维护与在线更新

VM模型不是"一次部署、永久使用"的。半导体工艺存在设备老化、部件更换（如腔体清洗后）、环境变化等时变因素，必须建立模型的持续维护机制。建议采用两种更新策略：

自适应更新（Adaptive Update）：利用卡尔曼滤波或递归PLS，在每个新量测数据到达时增量更新模型参数。适合工艺缓慢漂移的场景，无需人工干预。

定期重建（Periodic Retrain）：每季度或在重大设备维护（PM）后，使用最近6个月的数据重新训练模型。适合工艺发生台阶式变化的场景（如新型反应气体切换、硬件升级等）。

6.3 与APC系统的集成

VM与APC（先进过程控制）的集成是最大化价值的路径。典型闭环流程为：VM实时预测模型厚度→若预测值偏离目标→APC自动调整下一批次的工艺配方（如沉积时间、气体流量比）→补偿偏差→再次通过VM验证调整效果。这种"预测-调整-验证"的闭环控制将被动等待变为主动调控，是智能制造的核心实践。

图2展示了VM模型预测误差的分布情况。直方图清晰地显示误差呈现零均值正态分布，表明模型具有良好的无偏性。橙色虚线标记了±2%的阈值区间，模型约95%的预测值落在此区间内，验证了模型的实际预测精度。

七、进阶方向：VM技术的未来

深度学习VM：传统PLS模型在处理大规模高维数据时存在表达能力瓶颈。深度学习模型（如LSTM、Transformer、时序卷积网络）能够自动学习过程参数间的复杂时序依赖关系，特别适合对多步工艺序列进行端到端的质量预测。部分先进FAB已经开始在CMP（化学机械抛光，Chemical Mechanical Polishing）和刻蚀等复杂工艺中测试基于深度学习的VM方案，初步结果表明相比PLS可降低20-30%的预测误差。

物理信息神经网络（Physics-Informed Neural Network, PINN）：纯数据驱动的VM模型存在物理不一致的风险（如预测的膜厚分布不符合传质传热规律）。PINN通过在损失函数中加入物理方程约束（如扩散方程、反应动力学方程），使模型预测既满足数据拟合要求，又遵循物理规律。这一方法在小样本场景下尤其有优势——当历史数据不足时，物理约束可以显著提高模型的泛化能力。

数字孪生（Digital Twin）与VM的融合：数字孪生构建工艺腔室的完整虚拟副本，将物理机理模型、流体仿真（CFD）和电磁仿真与数据驱动的VM模型耦合。数字孪生不仅预测质量参数，还能揭示异常的根本原因（如某个温度传感器漂移导致的热场不均匀）。数字孪生-VM融合被认为是实现"预测性制造"的终极架构。

联邦学习（Federated Learning）与跨FAB协作：半导体制造商通常在全球拥有多个FAB，但数据共享受限于安全和合规要求。联邦学习允许多个FAB在不共享原始数据的前提下协同训练一个全局VM模型，使小产量FAB也能受益于大FAB的丰富数据积累。

结语

虚拟量测与软测量技术正在重塑半导体制造的质量监控范式。从经典的PLS到前沿的物理信息神经网络，从单一站点预测到全FAB数字孪生，VM技术的演进脉络与半导体行业"更高精度、更快反馈、更低成本"的永恒追求高度一致。对于智能制造工程师而言，掌握VM技术的原理与实践，已经成为一项不可或缺的核心能力。

【互动话题】

你在实际工作中是否遇到过工艺参数无法在线测量的痛点？你是如何解决的？欢迎在评论区分享你的经验。

如果让你选择一种VM建模方法（PLS、ANN、深度学习等），你会如何根据工艺特点做选择？有哪些选型经验可以分享？

半导体智能制造 | MES（制造执行系统，Manufacturing Execution System）工程师实战笔记

https://blog.csdn.net/yeflashzhihui

---

【常见坑】

人工神经网络（Artificial Neural Network, ANN）则适合捕捉过程参数与质量参数之间的非线性关系。随着工艺节点的缩小，物理机理日趋复杂，线性模型难以描述多变量间的耦合效应。ANN通过多层非线性激活函数的组合，能够逼近任意复杂的映射关系。
物理信息神经网络（Physics-Informed Neural Network, PINN）：纯数据驱动的VM模型存在物理不一致的风险（如预测的膜厚分布不符合传质传热规律）。PINN通过在损失函数中加入物理方程约束（如扩散方程、反应动力学方程），使模型预测既满足数据拟合要求，又遵循物理规律。
用有漂移的量测数据做 SPC。量测漂移会被误读为过程异常，导致误调工艺，形成更严重的偏差。
只做单台量测设备的校准，不做设备间的比对。多台设备之间的系统差异会造成数据不可比。

常见问题（FAQ）

Q：SPC 频繁报警，是不是工艺真的失控了？

A：先排除量测系统。若同一批产品在两台量测设备上结果差异明显，或者量测设备的重复测量自身波动偏大，那么报警可能来自量测而非工艺。此时应先做 GRR 与标准片趋势确认，再判断工艺。

Q：GRR 多少算合格？

A：通用判据是 GRR 占公差或占过程波动的比例低于 10% 为优、10%~30% 视情况接受、超过 30% 应优先整改测量系统。具体阈值可结合行业与客户要求调整，但不宜宽于 30%。

Q：怎么快速判断报警是来自工艺还是量测？

A：常用的快速判据有三个：同一批产品用两台设备量测结果是否一致；量测设备对同一片重复测量的自身波动是否变大；标准片的量测趋势是否出现漂移。任一项异常都应先处理量测系统，再判断工艺。

Q：量测精度是不是越高越好？

A：不一定。精度提升伴随成本与时间增加，而控制效果取决于「量测不确定度相对过程波动」的比例。当过程波动远大于量测误差时，进一步提升量测精度的收益很小，不如把资源投到降低过程波动上。

Q：数字孪生和普通仿真有什么区别？

A：关键差异在同步。仿真是一次性的离线计算；数字孪生要求模型随实体状态变化而持续更新，并能反向影响决策。如果模型建成后从不更新数据，那本质仍是仿真。

【总结】

量测与测量系统的难点往往不在单点技术，而在于把原理、数据与现场验证串成闭环。虚拟量测与软测量技术正在重塑半导体制造的质量监控范式。从经典的PLS到前沿的物理信息神经网络，从单一站点预测到全FAB数字孪生，VM技术的演进脉络与半导体行业"更高精度、更快反馈、更低成本"的永恒追求高度一致。GRR 用于量化量测系统的重复性（同一人同一次测量的波动）与再现性（不同人或不同设备之间的差异）。通行判据是 GRR 占公差比例控制在 10% 以内为优、30% 以上视为不可用。建议先用小范围试点验证有效性，再逐步扩大适用范围，并保留完整的数据与判断记录以便复盘。

半导体制造中的虚拟量测与软测量技术：原理、实践与进阶

【摘要】

【核心要点】

【适用场景】

一、问题背景：为什么需要虚拟量测？