02 maj 2025·8 min
KLA i wydajność fabu: inspekcja i metrologia, które redukują koszty
Praktyczny przewodnik, jak inspekcja i metrologia w stylu KLA kształtują yield, złom, czas cyklu i koszty — co warto śledzić i jak faby wybierają narzędzia.
Praktyczny przewodnik, jak inspekcja i metrologia w stylu KLA kształtują yield, złom, czas cyklu i koszty — co warto śledzić i jak faby wybierają narzędzia.
Inspekcja i metrologia to „oczy” fabu, ale szukają różnych rzeczy.
Inspekcja odpowiada: Czy coś jest nie tak gdzieś na krążku? Skanuje w poszukiwaniu defektów takich jak cząstki, zarysowania, przerwania wzoru, zanieczyszczenia lub subtelne anomalie powiązane z przyszłymi awariami.
Metrologia odpowiada: Czy proces robi to, co zamierzaliśmy? Mierzy wymiary krytyczne (CD), overlay (zgranie warstw), grubości filmów i inne parametry, które decydują o tym, czy układ będzie działał.
Fab może kontrolować tylko to, co potrafi zmierzyć — a sama czynność pomiaru zużywa czas narzędzi, uwagę inżynierów i miejsce w kolejce. To rodzi stały kompromis:
Jeśli inspekcja jest zbyt wolna, defekty mogą się rozprzestrzeniać na partie zanim ktoś to zauważy. Jeśli metrologia jest zbyt „głośna”, inżynierowie mogą „gonić widma”, dostrajając proces, który faktycznie się nie przesunął.
Większość decyzji o największym wpływie w fabie nie jest dramatyczna — to rutynowe wybory podejmowane dziesiątki razy dziennie na podstawie danych pomiarowych:
Te decyzje cicho determinują yield, czas cyklu i koszt na krążek. Najlepsze faby nie tylko „mierzą dużo” — mierzą właściwe rzeczy, we właściwej częstotliwości, z zaufaniem do sygnału.
Ten tekst skupia się na koncepcjach, które pomogą zrozumieć, jak dostawcy tacy jak KLA wpisują się w zarządzanie wydajnością — dlaczego pewne pomiary są ważne, jak wymuszają działania i jaki mają wpływ ekonomiczny.
Nie będziemy wchodzić w szczegółowe specyfikacje czy deklaracje modelowe. Zamiast tego wyjaśnimy praktyczną logikę stojącą za wyborami inspekcji i metrologii oraz jak te wybory przekładają się na konkurencyjność.
Krążek nie jest „mierzony raz”. Sprawdzany jest wielokrotnie w miarę przechodzenia przez pętle wzorcowania i zmiany materiałów. Uproszczona ścieżka wygląda tak: litografia (wydruk wzoru) → trawienie (przeniesienie wzoru) → osadzanie (dodanie filmów) → CMP (planaryzacja) → powtórka dla dziesiątek warstw → testy elektryczne i sortowanie końcowe.
Pomiary wstawia się tam, gdzie zmienność jest kosztowna do naprawienia później:
Faby nie mierzą wszystkiego w tym samym tempie. Krytyczne warstwy (surowe reguły projektowe, wąskie budżety overlay, nowe kroki procesu) zwykle mają wyższe próbkowanie — więcej krążków na partię, więcej punktów na krążek i częstsze inspekcje. Mniej krytyczne lub dojrzałe warstwy często stosują lżejsze próbkowanie, by chronić przepustowość.
Plan próbkowania to decyzja biznesowa równie mocna jak techniczna: mierząc za mało, zwiększysz liczbę ucieczek; mierząc za dużo, skrócisz przepustowość.
Cel praktyczny to równowaga: wystarczające pokrycie inline, by prowadzić proces na czas, plus ukierunkowana praca offline, gdy dane sygnalizują zmianę.
Inspekcja często bywa opisywana jako „znajdowanie defektów”, ale operacyjna rola to decydowanie, które sygnały warto skwitować reakcją. Współczesny fab może generować miliony „zdarzeń defektowych” dziennie; tylko część wpływa na parametry elektryczne. Platformy i narzędzia (w tym systemy klasy KLA) pomagają przetworzyć surowe obrazy w decyzje — ale kompromisy zawsze istnieją.
Defekty zależą od warstwy, wzoru i etapu procesu:
Wiele z nich wygląda podobnie początkowo. Jasna „plamka” może być nieszkodliwym speckiem rezystu na jednej warstwie, a zabójcą wydajności na innej.
Killer defect to taki, który najprawdopodobniej spowoduje awarię funkcjonalną (przerwy, zwarcia, upływy, przesunięcia parametryczne). Nuisance defect jest realny lub pozorny, ale nie wpływa na yield — pomyśl o kosmetycznym szorstkości wzoru, mieszczącym się w marginesie.
Klasyfikacja ma znaczenie, bo faby nie płacą tylko za wykrycie; płacą za konsekwencje wykrycia: czas przeglądu, wstrzymania partii, przeróbki, analizę inżynierską i przestoje narzędzi. Lepsza klasyfikacja oznacza mniej kosztownych reakcji.
Na wysokim poziomie gęstość defektów to „ile defektów na jednostkę powierzchni”. Gdy układy stają się większe lub reguły projektu ciaśniejsze, prawdopodobieństwo, że chociaż jeden killer wpadnie w obszar krytyczny, rośnie. Dlatego nawet umiarkowane zmniejszenie gęstości killerów może dać zauważalny wzrost yield.
Żaden system inspekcyjny nie jest idealny:
Celem nie jest „znaleźć wszystko”. Jest nim znalezienie właściwych rzeczy wystarczająco wcześnie — i tanio — żeby zmienić rezultat.
Metrologia to sposób, w jaki fab zamienia „narzędzie pracowało” w „wzór jest rzeczywiście taki, jaki chcieliśmy”. Trzy pomiary pojawiają się wszędzie w nauce o yield, bo łączą się bezpośrednio z tym, czy tranzystory i przewody będą działać: wymiar krytyczny (CD), overlay i dryf.
CD to zmierzona szerokość wydrukowanej cechy — pomyśl o długości bramki tranzystora czy szerokości wąskiej linii metalowej. Gdy CD jest nawet nieznacznie poza celem, zachowanie elektryczne szybko się zmienia: zbyt wąskie może zwiększyć rezystancję lub spowodować przerwy; zbyt szerokie — zwarcia do sąsiadów lub zmianę prądu napędowego tranzystora. Nowoczesne projekty mają bardzo małe marginesy, więc kilka nanometrów przesunięcia może przenieść Cię z „bezpiecznego” do „systematycznej awarii” na wielu układach.
Problemy z CD często mają rozpoznawalne sygnatury fokus/dawka. Jeśli fokus jest nieprawidłowy, linie mogą wyglądać zaokrąglone, przewężone lub „ściśnięte”. Jeśli dawka ekspozycji jest nieprawidłowa, cechy mogą się drukować za duże lub za małe. To kwestie wierności wzoru: kształt może być zniekształcony nawet jeśli średnia szerokość wygląda akceptowalnie.
Overlay mierzy, jak dobrze jedna warstwa jest ustawiona względem poprzedniej. Jeśli błędy ustawienia się kumulują, via mogą nie trafić w cel, kontakty lądować częściowo, a krawędzie nachodzić w nieodpowiednich miejscach. Układ może mieć „doskonałe” CD na każdej warstwie i mimo to nie działać, bo warstwy się nie pokrywają.
Na wysokim poziomie faby używają metrologii optycznej do szybkich, wysokoprzepustowych pomiarów i SEM gdy potrzebny jest ostrzejszy, bardziej szczegółowy widok małych cech. Dostawcy wybierani są na podstawie tego, jak dobrze pomiary wychwytują rzeczywisty dryf wcześnie — zanim zamieni się w stratę na poziomie partii.
Dryf procesu jest cichym wrogiem: temperatura, chemia, zużycie narzędzia czy zmiany retikla mogą powoli przekręcać CD i overlay, aż fab nagle znajdzie się poza specyfikacją.
Pomiary obniżają koszty tylko wtedy, gdy wywołują spójne decyzje. Ten „ostatni kilometr” to Statistical Process Control (SPC): rutyna, która zamienia sygnały inspekcji i metrologii w działania, którym operatorzy ufają.
Wyobraź sobie, że pomiar CD po etch zaczyna się przesuwać w stronę większych rozmiarów.
Sterowanie feedback to klasyczna pętla: mierzysz wynik, potem dostosowujesz recepturę trawienia, żeby następna partia wróciła na cel. Jest potężne, ale zawsze jest o krok za procesem.
Feedforward używa informacji upstream, aby zapobiec pojawieniu się błędu później. Na przykład, jeśli pomiary overlay lub fokus w litografii wskazują znany bias na konkretnym skanerze, możesz automatycznie skorygować ustawienia trawienia lub osadzania zanim partia zostanie przetworzona.
Wykresy SPC rysują limity kontroli (zazwyczaj bazowane na zmienności procesu) wokół celu. Gdy dane przekroczą te limity, to jest ekskursja — znak, że proces się zmienił, a nie tylko normalny szum.
Jeśli zespoły rutynowo nadpisują alarmy, bo „pewno jest ok”, dzieją się dwie rzeczy:
Zaufane alarmy umożliwiają szybkie, powtarzalne ograniczanie szkód: zatrzymuj linię z właściwych powodów, a nie cały czas.
Opóźnienie to czas między przetworzeniem a użytecznym wynikiem pomiaru. Jeśli wyniki CD pojawiają się po uruchomieniu wielu partii, korekty feedback naprawiają przyszłość, podczas gdy defekty kumulują się teraz. Niższe opóźnienie (lub sprytniejsze próbkowanie) zmniejsza materiał „w ryzyku” i poprawia zarówno feedback, jak i feedforward.
Gdy limity, plany reakcji i odpowiedzialność są jasne, mniej partii trafia na „holding” "na wszelki wypadek", a mniej krążków wymaga kosztownej przeróbki. Zysk to spokojniejsza operacja: mniejsza zmienność, mniej niespodzianek i szybsze uczenie się wydajności.
Pomiary to nie „narzut” w fabie — to zestaw wyborów, które albo zapobiegają drogim błędom, albo tworzą kosztowną pracę. Wpływ kosztowy pojawia się w przewidywalnych kubełkach:
Wyższa czułość inspekcji (np. wykrywanie mniejszych defektów) może zmniejszyć ucieczki — ale może też zasypać inżynierię sygnałami nuisance. Jeśli każde „możliwe uszkodzenie” staje się powodem do wstrzymania, fab płaci w postaci bezczynności narzędzi, wzrostu kolejek i pracy analitycznej. Pytanie ekonomiczne to nie „czy narzędzie to widzi?”, lecz „czy działanie na to zapobiegnie większym stratom niż stworzy?”.
Gdzie mierzysz więcej lub mniej ma takie samo znaczenie jak które narzędzie kupujesz. Warstwy wysokiego ryzyka (nowe kroki procesu, ciasne budżety overlay, znane słabe punkty) zwykle zasługują na gęstsze próbkowanie. Stabilne, dojrzałe warstwy lepiej obsłużyć lżejszym próbkowaniem przy silnych zabezpieczeniach SPC.
Wiele fabów używa wyjść inspekcji/metrologii do strojenia tego warstwa po warstwie: zwiększaj pokrycie tam, gdzie ekskursje są częste, i luzuj tam, gdzie sygnały rzadko wymuszają działanie.
Dobre wykrycie: wczesne wykrycie dryfu fokusu, które mogłoby pogorszyć całą partię, pozwalające na szybką korektę i zaoszczędzenie downstream.
Kosztowny szum: powtarzające się oznaczanie nieszkodliwych artefaktów wzorcowania, które powodują wstrzymania i przeglądy, podczas gdy yield i wyniki elektryczne pozostają niezmienione — spalając czas cyklu bez redukcji złomu.
Uczenie się yield nie odbywa się „za darmo”. Każdy skan inspekcyjny, próbka metrologiczna i przegląd defektów zużywa cenny czas narzędzi — a gdy ta pojemność jest ograniczona, pomiar staje się wąskim gardłem rozciągającym czas cyklu.
Większość wpływu na czas cyklu to nie sam skan, lecz czekanie. Faby zwykle widzą kolejki w:
Te kolejki spowalniają partie na całej linii, zwiększają WIP i mogą zmusić do suboptymalnych decyzji — jak pomijanie potwierdzających pomiarów tylko po to, by materiał ruszył dalej.
Planowanie pojemności pomiarowej to nie tylko „kupić wystarczająco narzędzi”. To dopasować pojemność do miksu receptur. Długa, wymagająca receptura inspekcyjna może pochłaniać wielokrotność czasu narzędzia w porównaniu z lekkim monitorem.
Główne dźwignie, których używają faby:
Automatyzacja poprawia czas cyklu, gdy redukuje „prace pośrednie”:
Największy zwrot z szybkości to uczenie się. Gdy wyniki inspekcji i metrologii szybko trafiają do jasnej, wykonalnej diagnozy, fab unika powtarzania tej samej ekskursji na wielu partiach. To zmniejsza przeróbki, ryzyko złomu i narastający efekt czasu cyklu „więcej próbkowania bo się boimy”.
Zmniejszanie cech nie tylko przyspiesza układy — utrudnia pomiar. Na zaawansowanych węzłach „dopuszczalny błąd” staje się tak mały, że czułość inspekcji i precyzja metrologii muszą jednocześnie się poprawiać. Konsekwencja jest prosta: defekt lub kilka nanometrów dryfu, które wcześniej były nieszkodliwe, mogą nagle zmienić krążek z „dobrego” na „marginalny”.
EUV zmienia problem defektów i metrologii w kilku ważnych aspektach:
To przesuwa faby w stronę bardziej czułej inspekcji, sprytniejszego próbkowania i ścisłych powiązań między tym, co mierzone, a tym, co się koryguje.
Nawet z EUV wiele warstw wymaga multi-patterningu i złożonych stosów 3D (więcej filmów, interfejsów, topografii). To podnosi ryzyko:
Cele metrologiczne mogą stać się mniej reprezentatywne, a receptury często wymagają częstego strojenia, by pozostać skorelowane z yield.
Nie każda warstwa potrzebuje tej samej czułości czy precyzji. Logic, pamięć i urządzenia mocy podkreślają różne mechanizmy awarii, a w obrębie jednego układu brama, kontakt, via i warstwy metalowe mogą wymagać różnych progów inspekcji i niepewności metrologicznej. Zwycięskie faby traktują strategię pomiarową jako inżynierię warstwa-po-warstwie, a nie ustawienie uniwersalne.
Inspekcja i metrologia pomagają osiągnąć yield tylko wtedy, gdy wyniki są powtarzalne między zmianami i narzędziami. W praktyce zależy to mniej od fizyki pomiaru, a bardziej od dyscypliny operacyjnej: receptur, dopasowania narzędzi, kalibracji i kontrolowanych zmian.
„Receptura” to zapisany zestaw lokalizacji pomiarowych, ustawień optyki/wiązki, strategii fokusu, progów, planów próbkowania i reguł klasyfikacji używanych dla danej warstwy/produktu. Dobre zarządzanie recepturami zmienia skomplikowane narzędzie w spójny instrument fabryczny.
Małe różnice w recepturach mogą stworzyć „fałszywe” ekskursje — jedna zmiana widzi więcej defektów tylko dlatego, że czułość się zmieniła. Wiele fab traktuje receptury jako aktywa produkcyjne: wersjonowane, z kontrolą dostępu i powiązane z produktami/warstwami, aby ten sam krążek był mierzony w ten sam sposób za każdym razem.
Wysokowydajne faby obsługują wiele narzędzi (często różnych generacji) dla pojemności i redundancji. Jeśli Narzędzie A pokazuje CD o 3 nm większe niż Narzędzie B, nie masz dwóch procesów — masz dwa linijki.
Kalibracja trzyma linijkę przy odniesieniu. Dopasowanie trzyma różne linijki w zgodzie. To obejmuje okresowe sprawdzenia wzorców, referencyjne krążki i statystyczne monitorowanie offsetów i dryfu. Dostawcy dostarczają workflows do dopasowania, ale faby i tak potrzebują jasnej odpowiedzialności: kto zatwierdza offsety, jak często dopasowywać i jakie limity powodują zatrzymanie.
Receptury muszą się zmieniać przy zmianie materiałów, wzorów lub celów — ale każda zmiana wymaga walidacji. Częstą praktyką jest „tryb cienia”: uruchom zaktualizowaną recepturę równolegle, porównaj różnice, a promuj ją tylko jeśli zachowuje korelację i nie łamie downstreamowych limitów SPC.
Stabilność dnia codziennego zależy od szybkich, spójnych decyzji:
Gdy ten workflow jest sformalizowany, pomiar staje się niezawodnym pętlą kontroli, a nie kolejnym źródłem zmienności.
Pomiary poprawiają konkurencyjność tylko wtedy, gdy zmieniają decyzje szybciej niż proces dryfuje. KPI poniżej łączą wydajność inspekcji/metrologii z yield, czasem cyklu i kosztem — bez zamieniania tygodniowego przeglądu w wysyp danych.
Capture rate: udział „prawdziwych” defektów ograniczających yield, które wykrywa inspekcja. Śledź wg typu defektu i warstwy, nie jako jedną liczbę nagłówkową.
Defect adder: defekty wprowadzane przez same kroki pomiarowe (obsługa, dodatkowy czas w kolejce prowadzący do ryzyka WIP, przeróbka). Jeśli Twój adder rośnie, „więcej próbkowania” może zaszkodzić.
Nuisance rate: odsetek wykrytych zdarzeń, które nie są wykonalne (szum, nieszkodliwe artefakty wzoru). Wysoki nuisance rate konsumuje zdolności przeglądowe i opóźnia dochodzenia przyczyn.
Powtarzalność (precision): powtarzalność narzędzia na tej samej cesze; łączy się z tym, jak wąskie mogą być Twoje limity kontroli.
Dokładność (accuracy): bliskość do prawdziwej wartości (lub uzgodnionego odniesienia). Powtarzalność bez dokładności może prowadzić do systematycznego błędnego sterowania.
TMU (total measurement uncertainty): praktyczne podsumowanie łączące powtarzalność, dopasowanie, efekty próbkowania i czułość receptury.
Dopasowanie narzędzi: zgodność między narzędziami uruchamiającymi tę samą recepturę. Słabe dopasowanie zawyża pozorną zmienność procesu i utrudnia dyspozycję.
Excursion rate: jak często proces wychodzi poza normalne okno (wg modułu, warstwy, zmiany). Paruj z escape rate (ekskursje niezłapane przed downstreamowym skutkiem).
Mean time to detect (MTTD): czas od początku ekskursji do wykrycia. Skrócenie MTTD często daje większe korzyści niż marginalna poprawa specyfikacji narzędzi.
Lots on hold: wolumen i wiek partii wstrzymanych z powodu sygnałów metrologii/inspekcji. Zbyt niskie może oznaczać brak wykrywania; zbyt wysokie szkodzi czasowi cyklu.
Yield learning rate: poprawa yield na tydzień/miesiąc po dużych zmianach (nowy węzeł, nowy zestaw narzędzi, ważna rewizja receptury).
Cost of poor quality (COPQ): złom + przeróbka + przyspieszenia + koszty późnego odkrycia przypisane ucieczkom.
Wpływ na czas cyklu: kolejka i pętle przeróbek wywołane przez pomiar. Przydatne jest spojrzenie „minuty czasu cyklu dodane na partię” wg kroku kontroli.
Jeśli chcesz prostego startu, wybierz po jednym KPI z każdej grupy i przeglądaj je razem z sygnałami SPC na tym samym spotkaniu. Dla więcej o zamianie metryk w pętle działań, patrz /blog/from-measurements-to-action-spc-feedback-feedforward.
Wybór narzędzia w fabie to mniej zakup instrumentu, a bardziej wybór części systemu nerwowego fabryki. Zespoły zwykle oceniają zarówno hardware, jak i otaczający program pomiarowy: co potrafi znaleźć, jak szybko działa i jak wiarygodne są jego dane przy podejmowaniu decyzji.
Najpierw faby patrzą na czułość (najmniejszy defekt lub zmiana procesu, którą narzędzie wykrywa wiarygodnie) i nuisance rate (jak często sygnalizuje nieszkodliwe sygnały). Narzędzie, które wykrywa więcej, nie jest automatycznie lepsze, jeśli przytłacza inżynierię fałszywymi alarmami.
Drugie to przepustowość: krążki na godzinę przy wymaganych ustawieniach receptury. Narzędzie, które spełnia specyfikę tylko w wolnym trybie, może stworzyć wąskie gardło.
Trzecie to koszt posiadania, który obejmuje więcej niż cenę zakupu:
Faby oceniają też, jak płynnie narzędzie wchodzi w istniejące systemy: MES/SPC, standardowe interfejsy komunikacji fabu i formaty danych, które umożliwiają automatyczne wykresy, wykrywanie ekskursji i dyspozycję partii. Równolegle ważny jest workflow przeglądu — jak defekty są klasyfikowane, jak zarządzane jest próbkowanie i jak szybko wyniki wracają do modułu procesu.
Typowa strategia pilotażowa używa split lots (dopasowane krążki przez różne podejścia pomiarowe) plus golden wafers do sprawdzenia zgodności narzędzia w czasie. Wyniki porównuje się z bazą: bieżący yield, bieżące limity wykrywania i szybkość działań korygujących.
W wielu fabach dostawcy tacy jak KLA oceniani są razem z innymi dostawcami inspekcji i metrologii według tych samych kryteriów — możliwości, dopasowania do fabryki i ekonomii — bo zwycięski wybór to ten, który poprawia decyzje na krążek, a nie tylko liczbę pomiarów na krążek.
Uczenie się yield to prosty łańcuch przyczyna→skutek, nawet jeśli narzędzia są złożone: wykryj → zdiagnozuj → popraw.
Inspekcja znajduje gdzie i kiedy pojawiają się defekty. Metrologia wyjaśnia jak bardzo proces zboczył (CD, overlay, grubość filmów itp.). Sterowanie procesem zamienia te dowody na działania — dostrajanie receptur, strojenie skanerów/trawarek, zacieśnianie konserwacji lub zmiana planów próbkowania.
Użyj tej listy, gdy chcesz większego wpływu na yield bez „kupowania więcej pomiarów”.
Jednym z niedocenianych dźwigni jest to, jak szybko zespoły potrafią operacjonalizować dane pomiarowe — pulpity łączące sygnały SPC, status dopasowania narzędzi, wiek wstrzymań i trendy MTTD/escape-rate.
Tu platforma typu vibe-coding jak Koder.ai może pomóc: zespoły opisują workflow, jaki chcą w czacie i generują lekką wewnętrzną aplikację webową (np. konsolę przeglądu SPC, kolejkę triage ekskursji lub pulpit KPI), a potem iterują. Ponieważ Koder.ai wspiera aplikacje React z backendem Go + PostgreSQL — oraz eksport kodu źródłowego — może pasować zarówno do szybkich pilotaży, jak i formalnego przekazania zespołowi inżynierskiemu.
Jeśli chcesz odświeżenia, jak te elementy się łączą, patrz /blog/yield-management-basics. Dla pytań o koszty i adopcję, /pricing pomoże oszacować, jak wygląda „dobry” ROI.
Inspection looks for unexpected defects (particles, scratches, pattern breaks, anomalies) and answers: “Is something wrong somewhere on the wafer?”
Metrology measures intended process outputs (CD, overlay, film thickness, planarity) and answers: “Did the process hit target?”
In practice, fabs use inspection to catch yield killers early, and metrology to keep process drift from turning into lot-wide loss.
Because measurement drives routine decisions that compound into yield and cost outcomes:
Better speed, repeatability, and classification turn measurement into faster containment and fewer expensive surprises.
Typical “insert points” are right after steps where variation becomes expensive to fix later:
The idea is to measure where it changes decisions early enough to matter.
A sampling plan defines how often and how deeply you measure (wafers per lot, sites per wafer, which layers).
Practical rule of thumb:
Over-sampling can bottleneck cycle time; under-sampling increases escape risk.
Inline measurements happen in the production flow, close to the process tool, so they’re faster for control loops and reduce “at-risk” WIP.
Offline measurements are typically slower but deeper (debug, correlation, root-cause confirmation).
A good operating model is: enough inline coverage to steer day-to-day control, plus targeted offline work when inline signals indicate something changed.
A killer defect is likely to cause electrical failure (opens, shorts, leakage, parametric shift).
A nuisance defect is real (or appears real) but doesn’t impact yield.
Why it matters: the cost isn’t just detection—it’s the reaction (holds, reviews, rework, downtime). Improving classification reduces expensive over-reaction without increasing escapes.
False negatives (missed killers) show up later as yield loss—after more value is added—so they’re the most damaging.
False positives create “expensive noise”: unnecessary holds, extra reviews, and longer queues.
The practical goal isn’t “find everything,” but to find the right signals early enough to trigger the right actions at an acceptable cost.
CD (critical dimension) is the measured width/size of a printed feature—like gate length or narrow metal linewidth.
Even small CD drift can quickly change electrical behavior (resistance, leakage, drive current) because modern margins are tiny.
Many CD issues have recognizable focus/exposure signatures, so pairing CD metrology with good SPC response plans is often high ROI.
Overlay measures how well one layer aligns to the previous layer.
A chip can have “good CDs” on each layer and still fail if vias miss targets or contacts land partially due to misalignment.
Overlay control is especially critical when alignment budgets are tight or errors compound across multiple patterning steps.
Latency is the time from processing a wafer to having a usable measurement result.
If results arrive after multiple lots have already run, you can only fix the future while losses accumulate in the present.
To reduce latency impact:
This often improves outcomes more than marginal increases in raw tool sensitivity.