FAB制造：为什么有的制程需要Pi-run？

为什么晶圆厂要“先跑一批”？Pi-run 背后的工艺与良率逻辑》
一批晶圆先加工，后面的批次暂时等待；先行批到指定站点完成量测，结果满足条件，后续批次才获准继续。
在采用这种控制方式的晶圆厂里，看似“不够快”的等待，承担着一个关键任务：在风险扩大之前，先拿到关于真实加工结果的证据。
这正是理解 Pi-run 的一个入口。
光刻机能完成曝光，不代表图形的尺寸和位置已经达标；刻蚀设备顺利跑完配方，也不代表晶圆上的结构符合要求。
设备执行了什么，与产品最终变成什么，中间还隔着材料、图形、设备状态和测量方法的共同影响。
Pi-run 的核心，是把“可以继续生产”的判断，建立在经过验证、具有明确适用范围的数据之上。
01
Pi-run 到底是什么？
Pi-run 是晶圆制造现场使用的术语。
公开中文专利中，可以看到“试运行”和“试生产”两种表述，但这些文件并未为它规定统一的英文全称。
本文沿用 Pi-run 的写法，重点讨论工艺控制中的先行试跑。中芯国际的一项公开专利，在介绍光刻辅助配方的生成流程时，明确写到采集Pi-run晶圆显影后、刻蚀后的关键尺寸数据。
这说明，在该技术场景中，试跑服务于特定工艺结果的测量与校正。
另一项关于半导体自动化试生产的公开专利，则描述了从晶圆批次中分出子批次先行加工，同时限制相关后续批次派工，待指定量测站点的数据满足条件后解除限制的方案。
这是一个具体的自动化实现，并不代表所有工厂都采用相同流程。
把这两类公开实践放在一起，Pi-run 的逻辑就比较清楚了：先让有限范围的晶圆承担验证任务，再决定是否扩大加工范围、调整参数或继续调查。
这里的“有限范围”，可能是一个先行批，也可能是按规则拆分出的部分晶圆；这里的“验证”，可能只覆盖一个工艺层，也可能服务于更长的新产品试产流程。
具体含义要结合工厂定义、执行路线和放行条件来理解。
因此，不能把 Pi-run 简单等同于“新芯片从头到尾试产一次”，也不能认为它只是“拿空白硅片把设备开一遍”。
前者可能涉及整条制造流程，后者主要回答特定设备或薄膜状态的问题，验证对象和结论范围都不同。
判断一次 Pi-run 是否有意义，可以先看三个问题：

• 这次发生了什么变化？
• 准备观察哪些后果？
• 什么证据足以支持后续动作？

如果这三个问题没有答案，多跑几片晶圆也很难得到可靠结论。
伦敦纳米技术中心的光刻实验室，图源：维基共享资源；作者：O. Usher／伦敦大学学院数学与物理科学学院；许可：知识共享署名 2.0
02
为什么监控片合格，产品晶圆仍然需要验证？
晶圆不是一张无差别的“白纸”。
经历前道加工后，它已经带着薄膜、台阶、沟槽、孔洞和不同密度的图形进入下一道工序。
这些结构会参与后续的物理化学过程。
因此，同一套配方作用在无图形的薄膜监控片和具有复杂结构的产品片上，得到的信息并不完全相同。
监控片适合回答某些基础问题，例如指定膜层的沉积厚度、去除量或表面颗粒情况；产品结构则可能暴露图形相关的加工差异。
刻蚀中的负载效应就是一个直观例子。
泛林集团的技术文章解释了两种影响：局部反应物消耗会改变刻蚀速度，结构开口大小又会影响反应物进入深处的能力。
两种机制在特定条件下甚至可能呈现不同趋势，所以不能用一句“图形越密，刻蚀一定越慢”概括所有情况。
由此可以理解：如果验证目标是产品结构中的沟槽深度、孔底残留或局部轮廓，仅有平坦监控片的数据，未必足以回答问题。
先行晶圆是否具备相应的膜层、图形和加工历史，直接决定试跑结果能否代表后面的晶圆。
设备之间也有类似问题。相同型号、相同配方名称，不等于不同腔体在所有工艺条件下都具有完全一致的加工表现。
泛林关于设备数据分析的公开材料，把腔体之间的结果差异列为需要识别和控制的对象。
这给试跑设计带来一个要求：代表性要落实到具体条件，不能只看产品名字相同。
需要核对的条件可以包括产品与工艺层、进入该站点前的膜层状态、实际加工腔体、配方版本、设备维护后的状态，以及量测使用的目标结构。
哪些条件必须一致，哪些差异可以接受，应由所研究的失效机制和已经建立的工艺知识决定。
同样，试跑结论也有边界。
在某个腔体、某种结构、某个配方版本上得到合格结果，并不能自动覆盖另一种材料、另一类图形或另一台设备。把结论外推到新条件，需要额外证据。
Pi-run 的难点，往往不是“先挑哪一片”，而是讲清楚：这片晶圆凭什么能代表后续生产？
已形成芯片图形的硅晶圆，图源：维基共享资源；作者：Mister rf；许可：知识共享署名—相同方式共享 4.0
03
从试跑到放行：真正重要的是把每一道判断接起来
可以把一次有明确目标的先行试跑，理解为五个连续动作：定义问题、确定样本、控制流转、取得证据、限定放行。
这是一种便于理解的工程拆解，实际步骤和审批权限仍取决于工厂制度。
首先，验证目标必须具体。
“看看有没有问题”太宽泛；“确认配方调整后，目标层的线宽与片内均匀性是否仍满足要求”才有可执行的测量对象。
目标还应包含可能受牵连的指标，避免只看到一个参数改善，却漏掉另一种风险。
其次，样本安排要与问题匹配。
如果只是确认一个已知条件下的参数偏移，试跑方案与探索多个变量的方案不会相同。涉及多个因素时，可以采用DOE（Design of Experiments，实验设计），区分比较、筛选、优化等不同目标。
实验设计的价值，是让结果能够回答问题，而不仅仅是积累数据。
例如，若同时更换材料、修改配方，又把加工转到另一台设备，即使结果变好，也很难直接判断是哪项改变发挥了作用。
需要通过合理的对照、分组与重复，减少不同因素相互混杂造成的解释困难。
第三，试跑要与后续晶圆的流转关联起来。
前述自动化专利提供的一个实例，就是让先行子批次继续加工，让相关后续批次等待指定结果。
它揭示了“先行”的实际含义：先行批获得信息的时间，应早于大范围晶圆承担同类加工风险的时间。
第四，量测必须能追溯到对应晶圆和加工条件。
批次、片号、工艺层、设备、腔体、配方版本与量测时间一旦错配，数字即使看起来合理，也可能被用来回答错误的问题。
数据质量还包括测量本身的不确定性；显示的小数位数多，并不等于结论更可靠。
第五，判定应导向明确动作。
满足预设条件，才在批准范围内放行；出现异常，则调查、调整或补充验证。若只是没有拿到数据，就不能把“尚未发现不合格”当成“已经证明合格”。
这里尤其容易忽略时间因素。
试跑加工完成后，如果量测长时间排队、数据没有及时关联，或者结果仍等着人工确认，后续批次就无法获得有效的放行依据。
提升效率要优化整条验证链，不能只压缩设备上的加工时间。
先行批真正交付的，是可执行的判断。
晶圆跑完，工作未必完成。
计算机历史博物馆收藏的晶圆检查设备，图源：维基共享资源；作者：Don DeBold；许可：知识共享署名 2.0
04
以光刻为例：Pi-run 数据怎样变成工艺修正？
光刻最容易让人产生一种直觉：图形曝光出来，就算这一站成功了。
实际需要回答的问题更细。

• 图形宽度是否达到目标？
• 不同位置是否一致？
• 这一层与下层的位置是否对准？

这些问题分别对应尺寸、空间分布和套刻等不同维度，不能相互替代。
CD（Critical Dimension，关键尺寸）可以理解为对器件制造具有关键意义的特征尺寸，例如某类线条的宽度。套刻关注的则是不同层图形之间的位置关系。
线条做得足够窄，并不意味着它一定落在正确位置。
应用材料公司的图形控制资料，明确把尺寸、位置、片内均匀性和热点结构等列为在线量测的重要对象；阿斯麦的量测介绍也说明了如何通过晶圆上的测量目标监控套刻、焦点等参数，并把数据反馈给光刻系统。
还要注意测量发生在哪一步。
ADI（After Develop Inspection，显影后检测）观察的是显影后的图形状态；AEI（After Etch Inspection，刻蚀后检测）关注刻蚀转移后的结果。
光刻胶图形经过刻蚀转移，最终结构还会受到刻蚀过程影响，因此两类数据不能简单互换。
中芯国际前述专利的背景流程，正是把 Pi-run 的显影后与刻蚀后尺寸数据联系起来，再建立辅助配方并在晶圆上确认效果。
它说明了跨工序验证的意义：真正需要控制的，可能是下游形成的结构，而不只是上游某一次量测的数字。
在适用的系统中，这些数据可以进入 APC（Advanced Process Control，先进工艺控制）体系。理解它时，需要分清两条信息路径：

• 前馈控制：利用当前晶圆或批次在加工前已有的信息，为后续工序计算适用参数。
• 反馈控制：利用已经加工完成的结果，修正后续加工的参数或模型状态。

先行批先跑完、测出偏差，再据此调整后续批次，属于利用已完成加工结果进行反馈的思路；把当前晶圆的上游量测传给下游使用，则属于前馈的思路。不能因为都是“给后面提供数据”，就把两者混为一谈。
国际器件与系统路线图的虚拟量测白皮书，对加工前后量测与这两类控制的关系作了说明。
调整完成后，还需要确认新参数是否带来了预期结果。
模型算出了一个补偿量，解决的是“应该怎样调整”；复核晶圆的量测，回答的是“调整后实际发生了什么”。
这也解释了为什么有些试跑需要多轮迭代：测量、解释、修正、再确认，是在逐步建立可使用的工艺知识，而不是反复追求一张好看的报表。
套刻偏差示意：左侧为理想相对位置，中间为发生偏移后的状态，右侧为局部放大，图源：维基共享资源；作者：Cepheiden；许可：知识共享署名—相同方式共享 3.0
05
一次“全绿”，为什么还不能证明量产稳定？
Pi-run 得到合格结果当然有价值，但这个价值必须与样本数量、测量覆盖范围和验证目标一起理解。
第一，要分清产品要求与过程稳定性。
规格界限回答“这个结果是否满足要求”；控制界限帮助判断“过程是否相对历史状态出现了异常变化”。
两者的来源和用途不同。一个过程可以长期稳定地偏离目标，也可能暂时全部落在规格内，却已经出现值得调查的漂移。
因此，SPC（Statistical Process Control，统计过程控制）的意义，不是给结果涂上红色或绿色，而是帮助识别过程变化。
平均值正常，也不代表整片晶圆正常；中心区域改善而边缘恶化时，平均值甚至可能把问题遮住。
第二，要分清“测了很多点”与“观察了很多次独立加工”。

• 同一片晶圆上的多个测点，能够帮助描述片内差异；
• 不同晶圆的数据帮助观察片间差异；
• 跨批次、跨时间的数据，才有机会揭示更多批间变化。

一片晶圆上测几百个点，不能直接当成几百次相互独立的生产验证。
美国国家标准与技术研究院的统计手册，专门用半导体批次、晶圆和测点的层级关系解释这种嵌套变异。
第三，要分清“样本没有失败”与“总体失败概率为零”。
用一个明确的数学示例说明：假设有30个相互独立、具有相同失败概率的代表性样本，结果全部通过。
基于二项分布，失败概率的单侧95%精确置信上限为：
1－0.05^(1/30) ≈ 9.50%。
这不表示真实失败率就是9.50%，而是说明：仅凭这30个零失败样本，统计证据还不足以把失败概率的上限压得很低。
这是统计推导示例，并非晶圆厂的实测数据或推荐抽样数量。
若样本存在相关性，更不能直接套用上述计算。
同样，过程能力指数也需要谨慎解释。
它比较的是过程分布与规格要求的关系，使用时需要关注过程是否稳定、样本是否足够，以及所用方法的分布假设。
用少量短期数据算出一个漂亮的能力指数，不能自动证明长期量产能力。
所以，合适的放行结论应当是“在什么条件下，哪些证据支持哪些批次继续加工”，而不只是一个没有边界的“通过”。
控制图示意，非晶圆厂实测数据，图源：维基共享资源；作者：DanielPenfield；许可：公有领域
06
Pi-run 的终点，是让后续生产有据可依
一次试跑的结论，应该能被下一班工程师、下一批晶圆和下一次异常调查继续使用。
这要求保留下来的不只是最终报表，还包括试跑原因、验证对象、加工路线、实际设备与配方、量测方法、原始结果、异常处置和最终放行范围。
若后来发生工艺变更，工程师才能判断：过去的证据是否仍然适用，还是需要重新验证。
在自动化场景中，MES（Manufacturing Execution System，制造执行系统）等系统可以承接批次流转、身份追溯和状态控制，工艺控制系统则利用适用数据支持参数计算。
系统之间的配合，决定“数据已经合格”能否及时转化为“正确的批次获得正确权限”。
前述自动化试生产专利展示了这种协同的一种实现方式。
还有一个重要边界：站点试跑通过，与新产品已经具备完整交付资格，是不同层次的结论。
在线量测主要回答制造过程中的尺寸、薄膜、位置或缺陷问题；电参数测试进一步观察器件的电学特性。
是德科技的参数测试资料涵盖电流—电压、电容—电压以及可靠性测试等测量能力，说明产品评价还需要进入电学层面。
对新产品或重大变更，还需要按照适用的资格验证计划评价相关风险。
德州仪器的公开质量资料说明，其产品发布前需要完成资格与可靠性验证，或具有基于相似性的资格认定依据。
这是该公司的公开实践，也提醒我们：不能把某一站点的Pi-run结果，直接当成整颗芯片的可靠性结论。
反过来，也没有必要把每一次站点级先行试跑都扩大成全流程产品验证。
合理做法是让验证深度与变化范围、潜在失效机制相匹配：局部参数确认解决局部问题，涉及下游结构或器件性能的变化，就应把证据延伸到相应层级。
从这个角度看，Pi-run 的价值并不取决于晶圆跑得多不多、报告写得厚不厚，而在于三件事是否成立：样本能够代表目标生产条件，量测能够识别所关心的风险，判定能够约束后续生产动作。
如果试跑没有达到预期，却在后续批次大规模加工前暴露了问题，它仍然完成了重要的验证任务。
相反，一次未经充分解释的“通过”，可能留下尚未被识别的风险。
芯片制造的能力，既体现在把结构做出来，也体现在知道什么时候可以继续、什么时候必须停下来取得更多证据。
Pi-run，就处在这两个判断之间。
晶圆探针台内部结构，图源：维基共享资源；作者：Ixnayonthetimmay；原始来源：MarTek, Inc.；许可：知识共享署名—相同方式共享 3.0
原创声明： 本文综合公开资料梳理，转载需授权。
参考资料：
1.中芯国际集成电路制造（上海）有限公司.一种生成离线辅助程式方案的方法：CN103943525A[P/OL]. 2014-07-23.
2.芯恩（青岛）集成电路有限公司.半导体产品自动化试生产方法、控制系统、设备及介质：CN120258490A[P/OL]. 2025-07-04.
3. KIM J. Using Dummy Patterning to Solve Etch Uniformity Problems[EB/OL]. Lam Research, 2024-10-30.
4. LAM RESEARCH. Virtual Sensor Innovation for Higher Productivity[EB/OL]. 2022-06-01.
5. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY, SEMATECH. How Do You Select an Experimental Design?[EB/OL]//e-Handbook of Statistical Methods, Section 5.3.3. .
6. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY, SEMATECH. Uncertainty Analysis[EB/OL]//e-Handbook of Statistical Methods, Section 2.5. 
7. APPLIED MATERIALS. Patterning Control[EB/OL]. 
8. ASML. Measuring Accuracy[EB/OL].
9. ORJI N G, OBENG Y S, BEITIA C, et al. Virtual Metrology White Paper—International Roadmap for Devices and Systems (IRDS)[R/OL]. 2018-04-09.
10. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY, SEMATECH. What Are Variables Control Charts?[EB/OL]//e-Handbook of Statistical Methods, Section 6.3.2.
11. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY, SEMATECH. How Can I Account for Nested Variation (Restricted Randomization)?[EB/OL]//e-Handbook of Statistical Methods, Section 5.5.5. 
12. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY, SEMATECH. Confidence Intervals[EB/OL]//e-Handbook of Statistical Methods, Section 7.2.4.1.
13. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY, SEMATECH. What Is Process Capability?[EB/OL]//e-Handbook of Statistical Methods, Section 6.1.6. 
14. KEYSIGHT TECHNOLOGIES. Parametric Test Solutions[EB/OL]. 
15. TEXAS INSTRUMENTS. Quality, Reliability & Packaging FAQs[EB/OL].

喜欢就点个“在看”吧