تشخیص نقصهای دفنشده؛ چالش اصلی در نودهای پیشرفته
تشخیص و تعیین علت نقص در ساختارهای فشرده و چندلایهٔ تراشههای مدرن، یکی از اصلیترین مسئولیتهای مهندسی نیمههادی است. با ورود توزیع توان به پشتبُرد و گسترش یکپارچهسازی سهبعدی (3D)، روشهای سنتی تحلیل خرابی کفایت نمیکنند و نیاز به همگرایی دقیق بین دادههای الکتریکی و تصویرنگاری میکروسکوپی احساس میشود.
تعریف خرابی و اهمیت آن در نیمههادی
خرابی به معنای نرسیدن به عملکرد مورد انتظار است؛ در صنعت نیمههادی تمرکز بر معیارهای فنی است: آیا دستگاه مشخصات الکتریکی، حرارتی و مکانیکی را برآورده میکند یا خیر. هر رخداد خرابی، منبع ارزشمندی برای اصلاح فرآیند و بهبود طراحی فراهم میآورد.
مرور جریانکاری استاندارد تحلیل خرابی منطق
- ایزولاسیون غیرمخرب نقص در سطح بستهبندی (مثلاً با لاک‑این ترموگرافی)
- بازکردن بستهبندی (decapsulation) و تعیین چیپ معیوب
- ایزولاسیون در سطح چیپ تا مقیاس گیت (FIB delayering و پروبینگ)
- مشخصهیابی الکتریکی و تعیین سایت دقیق خطا
- آمادهسازی نمونهٔ TEM موقعیتخاص (FIB‑SEM و lift‑out)
- تصویربرداری TEM/(S)TEM و تعیین علت ریشهای
این جریانکاری ترکیبی از ابزارهای الکترونیکی و میکروسکوپی است. شرکتهایی مانند Thermo Fisher مجموعهای از ابزارها از Helios FIB‑SEM تا Talos/Spectra (S)TEM را برای این نوع کارها ارائه میدهند.
پروبینگ الکتریکی و ایزولاسیون غیرمخرب
برای نقطهزنی اولیه معمولاً از لاک‑این ترموگرافی استفاده میشود: سیستمهایی با دوربین حرارتی حساس میتوانند تولید حرارت ناشی از نشت یا اتصال کوتاه را در سهبعد موقعیتیابی کنند و ناحیهٔ مشکوک را محدود سازند. پس از بازکردن بستهبندی، ابزارهای ایزولاسیون از سطح بستهبندی تا سطح تکترانزیستور به کار گرفته میشوند تا محل خطا مشخص شود.
FIB delayering و کمینهسازی آرتیفکت
حذف لایه با پرتو یونی متمرکز (FIB) روش استاندارد برای افشای لایههای دفنشده است؛ با این حال فرایند میتواند آسیب یا آلودگی ایجاد کند. نکات کلیدی برای کاهش آرتیفکت:
- رسوب لایهٔ محافظ (مثلاً کربن یا پلاتین) پیش از فرآیند فرز
- آغاز با جریانهای بالاتر برای برش سریع و سپس کاهش جریان برای پرداخت نهایی
- بهکارگیری PFIB (یونهای Xe) برای حذف سریعتر مواد با مشخصهٔ آرتیفکت متفاوت نسبت به Ga
- در موارد حساس، استفاده از روشهایی مانند cryo‑FIB برای کاهش حرکت و واکنشهای شیمیایی
مودالیتهای پروبینگ و ترکیب آنها برای دقت بیشتر
هیچیک از مودالیتها به تنهایی کامل نیست؛ ترکیب چند مودالیتی خروجی надежدارتری ارائه میکند:
- پروبینگ نوری برای فیلتر و محدودسازی سریع نواحی بزرگ
- مشاهده با پرتو الکترونی برای بررسی ناهنجاریهای سطحی و ساختارهای فعال
- نانوپروبینگ فیزیکی برای تماس الکتریکی مستقیم و اندازهگیری کمی I/V در سازههای در معرض
این سطوح مکمل یکدیگر عمل میکنند: پروبینگ نوری ناحیه را محدود میکند، مشاهدهٔ الکترونی جزئیات ساختاری را آشکار میسازد و نانوپروبینگ دادههای الکتریکی کمّی فراهم میآورد.
از مکانیابی الکتریکی تا نمونهبرداری TEM موقعیتخاص
پس از تعیین سایت خطا با ترکیب پروبهای الکتریکی و تصویرنگاری، نمونهبرداری موقعیتخاص برای TEM ضروری است. مراحل کلیدی:
- محافظت از سایت با رسوبات محافظ در محل
- FIB lift‑out برای تهیه لامینای دقیق از ناحیهٔ هدف
- صیقل نهایی با جریان پایین برای رسیدن به ضخامت مناسب TEM و کاهش آسیب
در TEM از تصویربرداری (BF/DF)، (S)TEM برای رزولوشن اتمی و از طیفسنجیهای EDX/EELS برای تحلیل ترکیب شیمیایی استفاده میشود تا مکانیزم خرابی مشخص گردد.
روشهای تعیین علت ریشهای و مکانیسمهای متداول
یک تحلیلگر مؤثر، شواهد الکتریکی و ساختاری را همزمان تلفیق میکند. مکانیسمهای متداول عبارتاند از:
- مهاجرت یا خوردگی فلزات در لایههای اتصال (metal migration)
- خرابی دیالکتریک و نقاط تخلیه موضعی (dielectric breakdown)
- افزایش موضعی تولید حرارت ناشی از نشت یا اتصال کوتاه
- آلودگی فرآیندی یا ذرات بینلایهای که پیوندها را تضعیف میکنند
- آسیب ناشی از ESD یا فرآیندهای مکانیکی حین ساخت
معمولاً از ترکیب نقشههای جریان، طیفسنجی TEM و تصویرنگاری اتمی برای تدوین روایت علت-معلولی استفاده میشود.
چالشها و بهترین شیوهها
- حفظ تکرارپذیری: نمونهبرداری موقعیتخاص باید قابل تکثیر باشد تا نتایج قابل دفاع باشند.
- کاهش آرتیفکتهای FIB: طراحی جریانهای برش، اعمال لایهٔ محافظ و در صورت نیاز استفاده از cryo جهت حفظ ساختار.
- همگامسازی دادهها: تطبیق دادههای الکتریکی با تصاویر میکروسکوپی نیازمند ثبت دقیق موقعیت و متادیتا است.
- مراقبت از ساختارهای حساس: برای مواد low‑k یا لایههای نازک سیلیکون، پارامترهای برش و پاکسازی باید متناسب انتخاب شوند.
جهت آینده: اتوماسیون و هوش افزوده
ترکیب ابزارهای تصویرنگاری پیشرفته با الگوریتمهای تشخیص خودکار و یادگیری ماشینی میتواند زمان تحلیل و تعیین علت را کاهش دهد و خطاهای انسانی را کم کند. سرمایهگذاری روی پایگاههای دادهٔ علت-اثری و الگوریتمهای تطبیق الگو راهکاری مؤثر برای افزایش بازدهی تحلیل خرابی در نودهای آتی است.
ارجاعات منتخب و مطالعات بیشتر: صفحات ویکیپدیا دربارهٔ خرابی، FIB و TEM شرحهای فنی پایه را فراهم میکنند؛ همچنین Thermo Fisher اطلاعات محصول و جریانکاریهای صنعتی مرتبط منتشر کرده است.
