在2010-2011年，主要受到电视/电脑平板显示器背光板需求的驱动，LED制造商在其生产设备上投入了巨资。由于目前这一需求驱动趋势已经放缓，使得有机金属化学气相沉积(MOCVD)的生产能力已经出现了供过于求的状况。LED厂商都在期待LED能在普通照明领域应用上产生新一轮的市场需求，而LED在这一领域的增长将高度依赖于能否进一步降低其每流明发光的成本。由于对新增MOCVD生产能力的需求预期增长乏力，使得LED厂商在提高现有工艺设备的效率和产品良率上面临着很大的压力。

图1 ADC具有确认对良率有着最大影响缺陷的能力。

　　MOCVD工艺是决定LED器件性能最为重要的因素。由于需要漫长的工艺时长和复杂的动态过Defective die (thousands) 程，使得MOCVD工艺极难进行控制，其芯片良率损失可高达50%。此外，MOCVD工艺步骤位于整个制造工艺流程的早期阶段，工厂将没有机会对晶圆进行返工处理或在随后的加工工艺中剔除这些低性能或无功能的不良芯片。虽然LED生产商对后续的生产工艺环节，尤其是对封装加工环节正在进行着卓有成效的努力来降低成本，但进一步改进MOCVD工艺仍然是提高LED制造工艺良率和经济性的最为重要的机会和挑战。

　　MOCVD设备制造商已经将实时工艺参数检测功能整合进了它们的设备中，LED器件制造商也纷纷加大了其在整个制造过程中的数据收集工作，然而这些数据所反映的对工艺认知内涵还是处于被埋没状态，其价值也未能被充分认识。

　　应用自动数据分析软件可以在庞大数量的原始数据中比较容易地找到能发挥作用的信息，能够明显缩短对工艺参数偏移的响应时间，使得工程师能将精力集中在解决工艺问题和进行改进上，从而来显著提高工艺质量。良率管理系统可以提供对工艺的审察能力来提高良率和产量，该系统的自动缺陷分类功能可以找出产生缺陷的直接工程原因，而缺陷是影响良率的最为重要的因素。该系统的空间图形识别功能可以分辨出晶圆级的系统缺陷并加以删除。自动缺陷检测和分类功能可以对Tb量级的检测数据进行筛选，来识别出真正影响良率的设备参数，并且还能预测出设备可能将会产生的工艺缺陷，这种先进的工艺控制技术可以应用于较窄的工艺窗口中。

[NT:PAGE]

　　MOCVD工艺

　　现代LED是一种具有多层半导体材料结构的器件，其中各个薄层的厚度及其组分决定了其发光的颜色，亮度以及器件的发光效率。这些薄层均由MOCVD工艺来进行逐层的依次生长，在外延时每一个新生长薄层的晶体结构都需要与下一层材料的晶体结构进行晶格上的对准。在MOCVD工艺中，反应前驱体气流在经过加热衬底的表面时，通过反应和分解来沉积所需的材料薄层。前驱体气体的组分及其流量、衬底的温度以及许多其他工艺参数都必须要进行精确的控制，以确保所制作器件的质量。MOCVD工艺耗时很长(6-12小时)，它已成为构成器件最终成本的最为主要因素。由于LED器件要到完成整个器件的组装和封装工艺并经测量后才能知道其实际性能的优劣，能满足器件所需性能指标的芯片良率通常会低至50%。

图2一旦检测到缺陷，SPR通常能够迅速地识别出产生该缺陷的根本原因。

图3在MOCVD应用中，FDC可以向前追溯到单个反应腔室，甚至可追溯到特定的衬底容器。

　　MOCVD设备制造商已经对其设备的物理和技术性能进行了稳步的改进。经革新后的反应器设计改善了在整个衬底表面上沉积工艺的均匀性，采用了多个反应器的串接组合配置、经工程控制的晶圆衬底和更高的生长速率等措施来提高MOCVD设备的产量。实时的工艺检测和诊断会产生大量有关设备和工艺性能参数的数据。改善制造过程经济性的最具效益成本比的机会将决定于是否能有效地收集和分析这些所采集到的数据，来进一步提高器件制造工艺的良率。

[NT:PAGE]

　　良率管理系统

　　在数十年经验积累的基础上，集成电路制造商已经开发出先进的良率自动化管理系统(YMS)。虽然LED和IC的制造工艺有很多相似之处，但也存在明显的差异。虽然与包含有数百万个晶体管和多层互连的IC而言，LED是一个相对较为简单的器件，但为IC制造优化的分析工具并不能直接用来满足LED制造商的要求。数据收集和分析所面临的挑战在于：如每个晶圆上包含有数目巨大的器件芯片，耗时很长的MOCVD工艺过程又会产生天量的、又具有价值的工艺数据，需要对数百个PLM分布图进行“叠合”，然后还需将这些“叠合”后数据与器件最终测试结果进行逐一器件芯片的关联处理，未经专门设计用于LED工艺的数据收集和分析系统就无法胜任上述任务。在LED良率管理上还存在其他方面的障碍，但更多的是文化方面的因素而不是技术方面的因素，例如各个生产工艺区域间一般都处于相对隔离状态，缺乏贯穿整个工艺过程一致的和全面的数据收集和共享。外延工艺区往往是处于物理上和数据上的隔离状态，或者是其位置与芯片制造车间分开并且它们之间在数据通讯上只有部分或根本就没有连网。

　　良率管理可以产生极大的效益，它所收集的数据贯穿了从原材料进厂到产品最终测试的整个生产过程，可以找出良率损失的原因以及提高良率的机遇。自动化良率管理最为重要的优势之一便是它能避免数据收集和分析过程的冗长和乏味，通过自动生成报告来将数据转化为有价值的信息，使得工程师可以将更多的精力集中在工艺创新和解决问题上。

　　自动缺陷分类

　　自动缺陷分类(ADC)是根据缺陷的多种特征，包括大小、形状和颜色来将缺陷进行分类。进行缺陷分类的常规方法往往只是基于缺陷尺寸或是某个其他参数，如将散射光强度来与其缺陷尺寸相对应。还存在另一个假设，即缺陷尺寸与其杀伤率(kill ratio)正相关，也即越大尺寸的缺陷就越有可能导致器件彻底失效，但是上述这两种假设并非普遍适用。图1显示了自动缺陷分类(ADC)在确定对良率有着最大影响缺陷的能力。二类缺陷和三类缺陷都有着很高的杀伤率，其中二类缺陷更加常见，这两类缺陷对良率都有着显著的影响。一类缺陷虽然在数量众多，但通常不会对芯片性能产生杀伤性影响。四类缺陷少见且无杀伤性。