半导体良率难升，缺陷地图先说话

良率卡住时，最先该看的往往不是终测报表，而是缺陷地图。半导体产线里的失效如果有空间分布，问题通常已经不是单个器件坏，而是某道工序在系统性偏移。

缺陷地图能把随机颗粒、环边污染、工位偏移和工具签名区分开。随机颗粒往往是散点，机械偏移常沿扫描方向成带状，环边缺陷则会沿晶圆边缘成环。把这些图样和电性失效点叠在一起，才能知道是清洗、光刻、刻蚀还是沉积先出了问题。

统计过程控制则负责把这种图样变成早期报警。控制图、均值漂移和极差变化能告诉你，某条设备线是短时波动，还是已经越过稳定边界。若只盯平均良率，很多工艺漂移要等到报废片显著增多才会暴露；若把SPC和缺陷地图连起来，批次漂移往往在量产前段就能被抓到。

半导体良率分析最怕把电性失效和物理缺陷分开看。开路、短路、漏电、阈值漂移和击穿点对应的空间位置不同，若地图和电测没有对齐，就很容易把器件设计问题误判成设备问题。

工具签名需要按工位追溯。若某台沉积腔总在晶圆固定角度留下颗粒，缺陷图会随设备编号重复；若是搬运手臂或卡盘造成的划伤，图样会与机械路径一致。把缺陷坐标与设备履历、批次时间和维护记录合并，才能从统计相关走向真实根因。

SPC阈值也不能设得太宽。阈值太紧会带来误报警，产线疲于处理；阈值太松则等到终测良率下降才反应。更好的做法是把关键缺陷类型分级，对会导致电性失效的图样设置更敏感的报警，对无关散点保留较宽容限。

工艺优化也不能只看一次改善。某次清洗后缺陷少了，不代表下一批不会因为腔体记忆效应或材料批次变化再漂回来。统计过程控制的意义，就是让你知道波动是随机噪声，还是已经成了系统偏差。

良率爬坡还要防止局部最优。压低颗粒数可能增加刻蚀残留，降低漏电又可能牺牲接触电阻。缺陷地图提供方向，最终仍要和电性分布、可靠性抽测和返工成本一起判断。

缺陷分类模型也要定期复核。自动光学检测会把水印、划伤、颗粒和图形残留分成不同类别，但模型训练样本若偏旧，新型缺陷会被归到错误类别。分类错了，SPC再漂亮也会报警到错误工序。量产线应保留人工复判和失效分析闭环。

批次漂移往往先从边缘片或特定槽位出现。炉管、清洗槽和沉积腔都有位置效应，若只按整批平均良率判断，槽位签名会被抹平。把缺陷地图按槽位、设备腔体和时间排序，能更早发现设备状态变化。

电性抽测还要和版图坐标绑定。某个IP块良率差，可能不是全片工艺问题，而是该区域附近密度、金属填充或应力环境不同。把失效坐标映射回版图，可以区分工艺漂移和局部设计敏感性。

缺陷密度还要换算成面积风险。大面积功率器件对随机缺陷更敏感，小面积逻辑单元则更怕系统性偏移；同样缺陷数，对不同产品的良率含义并不相同。

因此，良率要往上推，先把缺陷地图和SPC一起看。图样一旦说话，比单个数字更早告诉你问题在哪。