Fractilia指出，传统制程控制策略无法有效解决这类误差，需要导入全新思维，包括：精准的随机性量测、以机率为基础的制程控制方法，以及设计阶段即导入随机性考量的元件架构。Fractilia技术长Chris Mack强调，随机性限制了电子产业的进一步成长。我们必须缩小所谓的随机性落差（stochastics gap），才能让最先进技术真正成功量产。
这份白皮书也是业界首次从解析度的角度，全面剖析随机性误差对量产可行性造成的系统性冲击。Chris Mack表示，客户在研发阶段虽能成功制作出12奈米等高密度结构，但进入HVM阶段后，由于随机性错误的累积，导致良率与效能无法达标，造成重大生产延误与成本损耗。
Fractilia说明，随著晶圆代工产业向极紫外光(EUV)与高数值孔径极紫外光(High-NA EUV)微影技术推进，最新制程节点来到2奈米以下，过去6个月时间，多家大型半导体公司与原本对外部解决方案持有保留态度的企业，皆省去评估阶段，直接采购 Fractilia 产品，显示业界开始意识到随机性问题造成的显著影响,，并迫切寻求解决方案。
Fractilia拥有核心专利技术FILM（Fractilia Inverse Linescan Model），可透过扫描式电子显微镜（SEM）影像进行随机性误差量测，无需添购新设备或改变现有制程流程，即可快速找出误差热点、优化图案化稳定性。该公司产品如MetroLER与FAME（Fractilia Automated Measurement Environment）已广泛应用于全球晶圆厂与研发实验室。
Fractilia指出，随机性变异与传统系统性变异最大的不同，在于其来自材料本身的机率性行为，无法透过单一参数修正，而是必须从设计端就纳入考量，并以物理建模方式精准测量与预测。这也使得量测本身成为设计与制造沟通的「共通语言」，是提高量产成功率的关键一步。
Fractilia表示，自10奈米制程起，随机性误差的影响已经开始显著，到了2奈米与更先进制程，影响范围更扩大，已占据所有制程变异量的一半以上。这些变异包括微影、沉积与蚀刻等阶段，不仅造成线宽不稳与边缘粗糙，甚至直接影响晶片的可靠度与效能。
Fractilia解释，公司协助工程师理解图案缺陷成因与优化量测参数。近年已逐步延伸至设计前段，包含光学邻近效应修正（OPC）的量测模拟与教育训练，使其成为横跨设计与制造双端的关键工具。Fractilia表示，从初期导入到全线自动化部署，时程大约落在6至18个月，并提供完整教育支援。
针对AI工具应用潜力，Fractilia认为，虽然AI在制程优化与资料分析中已有广泛应用，但目前在随机性误差的物理量测上尚未看到AI可取代传统模型的明确证据。Fractilia认为，AI可作为辅助分析工具，但核心仍须建立在物理基础与可重复的量测之上。
此外，Fractilia的FILM技术亦支援193奈米浸润式(193i)多重图案化制程与矽光子应用场景，如光学模组与先进封装领域。这些应用对表面平整度与边缘解析度要求极高，正好与随机性误差控制密切相关。
Fractilia指出，近半年来亚太地区对随机性误差量测与控制的询问显著增加，未来将进一步强化在地技术支援与伙伴合作，协助产业在2奈米与更先进节点的导入过程中提高生产效率与良率稳定性。
點擊閱讀下一則新聞
