《Optics & Laser Technology》：Through-silicon vias (TSV) critical dimension (CD) characterization by shadow image modeling and analysis
编辑推荐：
为解决硅通孔(TSV)侧壁线边缘粗糙度(LER)现有表征方法多为定性或破坏性、缺乏模型化定量非破坏性测量手段的问题，研究人员开发了一种基于红外阴影成像与物理建模的TSV关键尺寸(CD)综合测量方法。该研究利用斜入射红外照明将TSV上下轮廓投影至单一成像平面，提取了顶部/底部直径及深度等几何尺寸，并结合蒙特卡洛光线追迹模拟与机器学习模型，首次实现了对高深宽比TSV侧壁LER的模型化定量估计。该方法为3D集成电路的在线计量提供了一种快速、低成本、非破坏性的实用解决方案。
随着摩尔定律逐渐逼近物理极限，三维集成电路（3D ICs）与先进封装技术成为了延续半导体性能提升的关键路径。在这一技术蓝图中，硅通孔（Through-silicon vias, TSVs）扮演着至关重要的角色，它们是连接堆叠芯片层的垂直互联结构，能够提供最短的电气路径，从而提升集成密度、降低功耗并增加信号带宽。然而，TSV的制造工艺充满挑战，尤其是主流的博世（Bosch）深反应离子刻蚀（Deep Reactive Ion Etching, DRIE）工艺。该循环工艺会在TSV侧壁上产生周期性的扇贝状起伏，即线边缘粗糙度（Line Edge Roughness, LER）。这种粗糙度并非无害的表面瑕疵，它会严重影响器件性能与可靠性，例如在后续的铜填充过程中诱发空洞形成、增加高频信号衰减，甚至导致铜扩散进入硅衬底，引发电学失效。
为了控制工艺、确保器件可靠，对TSV的几何尺寸（包括顶部直径、底部直径和深度）以及侧壁LER进行精确测量是必不可少的。遗憾的是，现有的测量方法各有局限。光学显微镜只能看到顶部表面；扫描电子显微镜（SEM）虽然分辨率高，但需要破坏性的样品横截面制备，无法用于在线监测；X射线计算机断层扫描等技术则成本高昂、耗时漫长。最关键的是，没有任何一种现有的非破坏性方法能够提供基于物理模型的侧壁LER定量估计。这如同试图在黑夜中调整一个复杂机械的微小齿轮，却缺少测量其表面光洁度的工具，严重制约了TSV制造工艺的有效监控与优化。
为了填补这一技术空白，由Kuan Lu、Byunggi Kim、Masahiro Nomura、Jiyong Park和ChaBum Lee组成的研究团队在《Optics 》期刊上发表了题为“通过阴影图像建模与分析表征硅通孔关键尺寸”的研究论文。他们提出了一种创新的红外阴影成像方法，并构建了一个结合物理光学模型与机器学习的完整框架，旨在实现TSV几何尺寸与侧壁LER的单次、快速、非破坏性、模型化定量测量。
该研究主要采用了以下几个关键技术方法：首先，搭建了基于斜入射（15.5°）红外（1200 nm）照明的阴影成像光学系统，利用硅衬底中的折射，将TSV的顶部和底部轮廓同时投影到一个二维成像平面上。其次，建立了TSV几何与光学传播的物理模型，并推导了侧壁LER导致光线散射、进而模糊阴影边缘梯度的卷积关系。第三，通过蒙特卡洛光线追迹（Monte Carlo Ray Tracing, MCRT）模拟，在0.01至0.20 μm的LER范围内生成了大量模拟数据，验证了阴影边缘梯度全宽半高（FWHM）与LER的正相关物理关系。最后，由于从复杂的阴影轮廓中直接反演LER解析解极其困难，研究采用了随机森林（Random Forest, RF）和卷积神经网络（Convolutional Neural Network, CNN）两种机器学习模型，从模拟的阴影边缘梯度剖面中学习并预测LER。实验所用的TSV样品由东京大学提供，为采用DRIE工艺制备的盲孔结构。
2. 物理建模与理论框架
研究首先建立了高深宽比TSV的几何模型，定义了其顶部直径、底部直径和深度等关键参数。在光学模型部分，研究阐述了红外阴影成像的基本原理：斜入射光在硅中折射后，由于光线传播路径的偏移，TSV的底部轮廓会与顶部轮廓在成像平面上产生分离。通过测量两个投影圆之间的中心偏移量，并结合斯涅尔定律，可以精确计算出TSV的深度，而直径则直接从阴影轮廓中测得。对于侧壁LER，研究提出了一个卷积光学模型，指出粗糙的侧壁会散射入射光，导致理想的锐利阴影边缘被模糊化。理论推导表明，测量得到的阴影边缘强度梯度剖面，本质上等同于由表面粗糙度决定的散射点扩散函数。这为通过分析阴影边缘的模糊程度（如梯度剖面的FWHM）来量化侧壁LER奠定了物理基础。
3. 仿真结果与讨论
为了验证物理模型并建立LER与阴影特征之间的量化关系，研究团队开发了MCRT仿真。仿真配置了与实际样品匹配的TSV几何参数，并生成了具有不同LER幅值（0.01-0.20 μm）的粗糙侧壁模型。模拟结果显示，随着LER增大，阴影边缘的强度过渡变得平缓，其梯度剖面的峰值降低、宽度（FWHM）增加，这与理论预测完全一致。图7(c)清晰地展示了FWHM与LER之间的正相关趋势，证实了利用阴影边缘梯度信息反演侧壁粗糙度的可行性。研究还优化了照明入射角（15.5°），在保证足够信号强度和避免轮廓重叠之间取得了平衡，并将该框架推广到多种不同的TSV几何结构，证明了其普适性。
4. 反问题表述与基于机器学习的解决方案
从阴影特征反推LER是一个复杂的“反问题”。由于随机粗糙度分布和实验噪声的影响，FWHM与LER并非简单的一一对应关系，直接解析求解非常困难。为此，研究将机器学习模型作为解决这一反问题的工具。他们利用MCRT仿真生成了包含5000个样本的数据集，每个样本包含特定的LER值及其对应的模拟阴影边缘梯度剖面。在此基础上，训练了RF和CNN两种模型。RF模型提取梯度剖面的统计特征（如宽度、方差）进行预测，而CNN模型则直接将整个梯度剖面作为输入，自动学习深层特征。在仿真数据上的验证表明，RF和CNN模型均能较好地预测LER，预测值与真实值之间的均方根误差分别约为0.031 μm和0.031 μm，验证了机器学习模型作为“反演算子”的有效性。
5. 实验方法
实验使用东京大学提供的TSV样品，其平均顶部直径约9.62 μm，深度约90 μm，侧壁粗糙度峰值（PV）可达0.20 μm。实验系统采用15.5°入射角的红外LED光源和红外相机。通过对采集的阴影图像进行形态学滤波、Canny边缘检测和霍夫圆变换等图像处理，可以自动识别并拟合出投影的顶部和底部圆轮廓，从而提取出直径和轮廓偏移量，进而计算出深度。为了估计LER，从底部阴影轮廓中提取强度剖面并计算其一阶导数，然后将此导数剖面输入到预先训练好的RF和CNN模型中，即可得到侧壁LER的估计值。
6. 实验结果
在几何尺寸测量方面，将阴影成像法的结果与光学显微镜和扫描电子显微镜的测量结果进行对比验证。对于顶部直径，与光学显微镜结果对比的均方根误差为0.19 μm；对于深度，与扫描电子显微镜结果对比的均方根误差为1.04 μm，证明了该方法在几何尺寸测量上的可靠性。此外，该方法还能一次性对TSV阵列进行测量和三维重建，直观展示各个通孔的几何差异，展现了其在在线、大面积检测中的应用潜力。在侧壁粗糙度估计方面，将六个TSV样本的阴影边缘梯度剖面输入训练好的模型。RF模型的预测值在0.07至0.10 μm之间，而CNN模型的预测值在0.10至0.15 μm之间。虽然两个模型的绝对数值存在差异，但它们在所有样本上表现出了一致的相对趋势（例如，都认为TSV #2的粗糙度较高）。图16(c)展示了这一结果。预测的粗糙度范围与扫描电子显微镜横截面观察到的最大PV值（0.20 μm）处于同一量级，也与文献报道的DRIE工艺典型粗糙度范围相符。
7. 结论与讨论
本研究成功开发并验证了一套基于红外阴影成像的TSV非破坏性综合检测系统。该系统利用单次光学测量，即可同时获取TSV的顶部直径、底部直径和深度等关键几何尺寸，测量精度与传统方法相当。更重要的是，研究通过建立光线-粗糙侧壁相互作用的物理散射模型，首次实现了对高深宽比TSV侧壁LER的模型化定量估计。蒙特卡洛光线追迹仿真明确了阴影边缘模糊度与LER的相关性，而机器学习模型（RF和CNN）则有效解决了从复杂阴影特征中反演LER的难题。实验结果表明，该方法对几何尺寸的测量是可靠的，对侧壁粗糙度的估计是合理且具有趋势一致性的。
这项研究的意义在于，它为解决3D集成电路制造中的关键计量难题提供了一种全新的、实用的解决方案。该方法兼具非破坏性、快速、低成本以及适用于阵列检测等优点，完美契合半导体生产线对在线计量工具的需求。尽管侧壁粗糙度测量的绝对校准仍需未来通过原子力显微镜等直接手段进一步验证，但本研究首次展示了从单一光学图像中同时提取TSV几何与粗糙度信息的完整技术路径，为TSV乃至玻璃通孔（Through-Glass Via, TGV）的先进计量学开辟了新的可能性，有望成为推动先进半导体封装技术发展和工艺控制水平提升的重要工具。
