对于半导体制造工厂确保运营效率和产量最大化的关键决策而言，可靠且可定性的气体分子污染物（AMC）测量至关重要。本文展示了选定离子流动管质谱（SIFT-MS）产品在实时、连续监测各式各样的挥发性有机与无机化合物（VOC/VIC）中的应用。与离子迁移谱和色谱技术等传统方法相比，SIFT-MS无需复杂的样品制备或繁琐的实验室分析，即可提供高特异性、近乎即时的精确测量。其检测限低至符合半导体制造要求的pptV级，同时配备专门的数据可视化软件，能够快速响应污染事件。

空气分子污染物：半导体良品率提升的潜在威胁

空气分子污染物（  AMC）会降低半导体制造工厂（又称晶圆厂）的晶圆良品率。研究表明，特定AMC会与工艺设备及半导体晶圆的表面产生反应，导致缺陷出现，进而对工艺产量和设备性能造成不利影响，严重影响制造商的收入(Lu, 2022)。

半导体制造环境中的AMC包含多种挥发性和半挥发性化合物。已知不同AMC会与硅晶圆加工至成品的不同工艺环节发生相互作用。据观察，酸类物质、氮氧化物（NO_x）、硫氧化物（SO_x）、碱金属或金属元素会导致晶圆腐蚀(Fontaine, 2009)。已有例证明，邻苯二甲酸酯和增塑剂会导致晶圆变形(Hattori, 1996, 2001)。三甲基硅醇和其他硅氧烷通过在晶圆表面形成有机硅化合物产生反应，可能造成不良电气影响（Pey, 2007）。含硼化合物也会造成有害的电气影响(Gabhale, 2022)。酸类和其他挥发性有机化合物（VOC），比如丙二醇甲醚醋酸酯（PGMEA），可能导致晶圆表面的盐类析出，即雾化现象(Pic, 2010)。[ly1] 

洁净室的环境空气是AMC的主要来源。这些污染物可能来自气体管道泄漏、过滤器老化或故障、建材或者现场工作人员。若是不加处理，污染物会渗入用于运输半导体晶圆的前开式晶圆传送盒（FOUP），损坏其中的产品。研究同样表明，洁净晶圆进入遭受污染的FOUP后，同样会受到影响(Nyugen, 2013) (Jeong, 2019)。若过滤器效率不足，AMC可能在洁净室内循环扩散，若无法确定污染源，则会影响多片晶圆的良品率。这意味着不止污染源的源头，整个晶圆厂区域都可能被污染，造成大范围的损失。

要高效识别并主动应对污染事件，并确保晶圆不在制造工序之间的运输过程中接触AMC，必须在洁净室多区域部署高效监测手段。有效的缺陷预防手段依赖于分子定性分析，即能够区分并量化各类化学性质不同的活性化合物，以精确定位污染源，进而识别会遭受影响的制造工序乃至具体的晶圆。通过高时间分辨率测量各类导致缺陷的化合物，可精准实现环境浓度评估与快速响应。现有技术存在关键限制：分析的广度和速度不足，且缺乏特异性。例如，离子迁移谱无法区分同类化合物中的单个化合物，因而也无法确定生产环节中具体哪种酸洗槽出现了泄漏。液相色谱法既需要人工采样，还需要训练有素的分析人员解读结果。气相色谱法（GC-MS）则涉及复杂的预浓缩和样品制备步骤。这些劳动密集型技术会显著延迟获得结果的速度，而且需要额外停机来监测全部有害化学物质。

相较而言，SIFT-MS安装简便、操作简单、易于维护，人工干预需求更少，并能高频次提供涵盖广泛的化学成分和形态的数据。本应用报告阐述了SIFT-MS在洁净室AMC监测方面的应用。所呈现的数据表明，SIFT-MS具备灵敏度、特异性、复现性、速度和准确性，能够广泛测量半导体晶圆厂所需要测量的各种关键污染物，为这类应用提供完整的解决方案。

技术概况

SIFT-MS 采用软化学电离反应结合质谱检测技术，从全气体样品中实时、快速定量VOC。该系统使用多达八种标准化学电离试剂离子（H₃O⁺、NO⁺、O₂⁺、OH^-、O^-、O₂-、NO₂^-、NO₃^-）。这些试剂离子经质量挑选后，与痕量挥发性有机物和无机物发生精确可控的离子-分子反应，且不与空气主要成分发生反应；因此SIFT-MS能在pptV级分析全空气中的痕量挥发性有机物和无机物。毫秒级试剂离子切换能力可实现单次扫描便实时区分干扰化合物。这一特性支持使用多种试剂离子同步测量单一分析物的浓度，同时也可以不同试剂离子检测多种化合物。SIFT-MS作为直接电离技术，样品进入进样口便能立即分析，可提升检测通量，并实现快速定量。使用多试剂离子亦能明显降低干扰，使SIFT-MS的特异性远超多数全气体分析技术。SIFT-MS的定量分析基于一个不断扩展的数据库，该数据库目前包含近1500种有机和无机化合物，记录了每种物质的离子分子反应速率和分布比率，再结合仪器的每日自动性能调校，无需校准即可获得精确分析结果。

图1. SIFT-MS技术示意图

产品概况

Syft产品在半导体行业的使用已超过十年。基于该仪器平台开发的Syft Tracer可对广谱化合物实现实时、高灵敏、高选择性、稳定且直接的分析。通过在工厂内不同区域与层级的固定点进行多点监测的Syft AMC Guardian，结合部署至浓度异常点位进行污染源识别的Syft AMC Explorer，可构建覆盖全半导体晶圆厂的污染控制监测网络。

Syft AMC Guardian提供多端口分析能力，可实现连续、全天候的固定式污染监测。本产品将Syft Tracer与多达32个采样端口集成，以覆盖半导体晶圆厂的全区域监测。产品的软硬件支持集成最多两台附加分析仪，比如臭氧分析仪和光腔衰荡光谱仪（CRDS）。Syft AMC Guardian专为连续高效采样传输而设计，确保了数据采集的准确性与效率。

图2. Syft AMC Guardian设备

Syft AMC Explorer是一款供工程师使用的移动设备，可用于精确定位污染源。其电池续航可支持1.5小时的长时间作业。该产品集成了Syft Tracer和内置气源，且电池续航持久，让移动监测成为可能。该功能允许用户在半导体晶圆厂内难以触及的位置进行浓度测量。

Syft AMC Guardian与Syft AMC Explorer包含专为半导体洁净室环境设计的附加硬件功能，例如光塔与紧急停止按钮。

图3. Syft AMC Explorer设备

Syft的软件支持用户设置工作方法、完整数据采集，以及为快速决策提供结果解读。为实现这一功能，软件将产品状态与控制功能整合至统一用户界面，而该界面可提供可视化的直观实时数据，同时保持与现有晶圆厂管理系统兼容的数据结构。为在复杂制造环境中简化工作流程，我们开发了专用软件，确保SIFT-MS技术无需高级培训即可操作。

图4. 用于控制和分析SIFT-MS测量结果的Syft软件界面 

SIFT-MS 技术功能

 在半导体行业，化学污染工程师致力于确保产量最大化。本设备的低检测限对于识别可能影响产量的微量污染物至关重要，而重复性则保证了工艺控制的一致性，同时，特异性能够准确识别目标物质。仪器可比性既能确保各个晶圆厂产品的一致性，也能保证全球运营的一致性。分析的广度使得能够检测到各种污染物，而线性确保了在不同浓度下的准确定量，快速响应时间则让及时干预成为可能。在接下来的章节中，我们将讨论这些关键参数的能力。此外，我们提供的高效服务和技术支持，是确保设备在极端环境中仍然能有高运行时间的关键。

1. 检测限

在半导体晶圆厂的洁净室环境中，在导致晶圆缺陷的相关浓度上测量目标关键化合物是十分重要的。例如，硼化物在 pptV 的水平下就能显示出负电影响（Anderson，2005）。SIFT-MS 凭借高灵敏度，在晶圆制造工艺中，在可能预防缺陷的浓度水平下提供精确的定量分析。

检测限是在洁净室环境中监测的一组关键AMC（大多数AMC的测量时间小于5秒）的洁净干燥空气 (CDA) 矩阵中计算得出的。为了更快或更精确地分析每种化合物，可以通过增加或减少测量时间来进一步优化检测限。表1中显示的代表性检测限是使用3σ（三个标准差）方法重复20次评估得出的。 

表 1. 使用 SIFT-MS 对半导体工厂中关键 AMC 子集的检测值示例限值

2. 分析广度

 图5.使用SIFT-MS 同时测量挥发性有机化合物 (VOC)

3. 可重复性

使用 SIFT-MS 进行可重复测量可确保数据可靠，从而支持运营决策。图 6a-c 包含将 AMC 标准气体注入 SIFT-MS 仪器，同时连续测量一系列具有相似功能的化合物所获得的数据。可重复性体现在每次 AMC标准气体进样时，仪器响应都上升到相同水平。SIFT-MS仪器的稳定性体现在每次进样过程中计算出的相对标准偏差 (% RSD)都很低。

图 6a. 使用 SIFT-MS 对 PGMEA 气体标准以及其他二醇化合物进行选择性测量

高灵敏度实现了仪器的精度，TMS（三甲基硅醇）样品浓度低至 1 ppbV（图6b），信号百分比相对标准偏差 (%RSD) 较低。

图 6b. 使用 SIFT-MS 对 TMS （三甲基硅醇）标准气体以及其他含硅化合物进行选择性、精确的低浓度测量

4. 特异性

半导体环境中的仪器用户需要测量结果具有特异性，以确保他们能够利用这些数据做出运营决策。SIFT-MS 的软电离技术实现了稳定的数据采集，从而最大程度地减少了碎片，并实现了对目标分析物的选择性测量。图 6a-c 显示了SIFT-MS以 30 秒为增量进行的多化合物测量。显著且快速的浓度变化不会影响在低背景浓度下保持稳定的其他类似化合物的测量，由此可证明SIFT-MS具有特异性。

图 6c. 使用 SIFT-MS 对二氧化氮气体标准物以及含硫和含氮化合物进行选择性测量

5. 仪器机差（可重复性）

仪器组内可比的结果可在环境监测框架内提供一致的结果。这意味着，可以使用来自不同仪器和晶圆厂内不同区域的环境浓度测量值来识别需要处理的浓度事件。Syft 的 AMC 产品已在晶圆厂环境中针对洁净室 AMC 监测和泄漏检测进行了评估。表 2 显示了两种 SIFT-MS 仪器环境测量的一致性。图中所示的洁净干燥空气测量值代表仪器的背景浓度。

表 2. 两台 SIFT-MS 设备的设备比较（通过四种化合物的环境空气浓度差异显示）

图7a-d所示的洁净干燥空气（CDA）和环境空气测量结果证明了SIFT-MS仪器结果的可重复性。为了突出SIFT-MS可实现的低浓度精度，图中显示了三甲基硅醇（TMS）和丙二醇（PG）的亚ppbV浓度测量结果。

图 7a. 洁净室环境空气和洁净干燥空气 (CDA) 基质中乙酸浓度测量结果比较

图 7b. 洁净室环境空气和洁净干燥空气 (CDA) 基质中甲苯浓度测量值的比较

图 7c. 洁净室环境空气和洁净干燥空气 (CDA) 基质中三甲基硅烷醇 (TMS) 浓度测量结果比较

图 7d. 洁净室环境空气和洁净干燥空气 (CDA) 基质中丙二醇 (PG) 浓度测量结果比较 

6. 浓度线性

宽动态范围内的线性确保了测量的准确性。这提供了客户可以信赖的浓度测量结果，可用于做出关键决策。图 8a-g 和表 3 显示了五台 SIFT-MS 仪器的校准响应，结果具有高度线性且高度一致，证明了关键分析物的可重复性和可比性。

图 8a. PGMEA 的 SIFT-MS 线性数据

图 8b. 二氧化氮的 SIFT-MS 线性数据

图 8c. 二氧化硫的 SIFT-MS 线性数据

图 8d. 三甲基硅醇的 SIFT-MS 线性数据

图 8e. 硫化氢的 SIFT-MS 线性数据

图 8f. 2-丙醇的 SIFT-MS 线性数据

表3.使用SIFTMS 测试得到的一组标准曲线的平均皮尔逊线性回归系数(R)

7. 快速响应时间

表 4. 使用 SIFT-MS 测量AMC/VOC 子集的仪器响应时间（t₁₀ 和 t₉₀ 值）

鉴于仅暴露于洁净室空气中1小时就会导致有机污染物附着在晶圆表面，快速获得分析结果至关重要 (Sugimoto, 1999)。Syft Tracer 仪器响应时间短，能够快速识别半导体工厂中的污染源。表4列出了部分AMC的仪器响应时间（t₁₀和t₉₀值）。

8. 服务与技术支持

高效的监测程序需要相应的仪器，这些仪器应该附带切实可行的服务和支持计划。持续的服务是确保所有精密分析技术实现最佳正常运行时长和可用性的必要条件。

Syft 产品专为服务而设计，耗材极少，并且作为全球监测项目的一部分，已使用十余年。Syft 在全球所有主要半导体制造地区均设有办事处，可提供及时的 6 个月和 12 个月的仪器预防性维护。分层支持系统结合了现场团队成员、全球服务和支持团队以及产品开发团队的技能，可高效地完成故障排除。 

结论

·          SIFT-MS的专用软件与固定式多端口和移动式解决方案的结合，可以为客户提供灵活的设置选项，并确保用户能在半导体晶圆厂环境中便捷地操作仪器。

•    SIFT-MS技术可实现精确、可重复的组分测量，检测限达到亚 ppbV 级，适用于洁净室环境。结果可靠，可用于精确定位和识别可能影响晶圆良品率的化合物污染事件。

• SIFT-MS 仪器组可在整个制造工厂范围内配置，以确保对洁净室空气进行全面分析。由于仪器组中的浓度具备可比性，污染控制团队可以使用这些数据来对比整个晶圆厂的各个位置和工艺流程。

• SIFT-MS具备实时数据采集和响应时间短地特点。通过高时间分辨率的精确测量得到的可靠数据，让污染控制工程师能够依据这些数据得出可靠结论，以评估其对半导体生产的潜在影响。

• SIFT-MS 可同时测量对半导体制造工艺中缺陷预防至关重要的各种化合物。

• 半导体晶圆厂中使用Syft 产品能获得强大的技术支持，服务团队遍布全球。 

本文中介绍的所有化合物的详细信息如下表所示。

（可移动表格底部的滑条以显示全部内容）

参考文献

1.      Smith D, Španěl P, Demarais N, Langford VS, McEwan MJ (2025). Recent developments and applications of [SIFT-MS]. Mass Spec. Rev.44, 101–134. https://doi.org/10.1002/mas.21835

2.     Lu, Yuming & Cao, Guoqing & Feng, Xin & Wu, Yanpeng. (2022). Review on the adsorption of airborne molecular contaminants in electronic industry cleanrooms. International Journal of Low-Carbon Technologies. 17. 10.1093/ijlct/ctac090.

3.     Fontaine, Hervé & Feldis, Hélène & Danel, Adrien. (2009). Impact of the Volatile Acid Contaminants on Copper Interconnects Electrical Performances. ECS Transactions. 25. 10.1149/1.3202638.

4.     Saga, K., & Hattori, T. (1996). Identification and Removal of Trace Organic Contamination on Silicon Wafers Stared in Plastic Boxes. Journal of The Electrochemical Society, 143(7), 3279-3284.

5.      Hattori, T. (2001). Chemical contamination control in ULSI wafer processing. In AIP Conference Proceedings, 550(1), 275–284. https://doi.org/10.1063/1.1354411

6.      Pey, K. (2007). Physical characterization of breakdown in metal-oxide-semiconductor transistors. SPIE Newsroom. https://doi.org/10.1117/2.1200710.0888

7.      Gabhale, B., Borate, H., Bhorde, A., Pandharkar, S., Punde, A., Hase, Y., Shah, S., Waghmare, A., Bade, B., Prasad, M., Rokade, A., & Jadkar, S. (2022). Effect of boron doping on structural, optical, and electrical properties of hydrogenated nanocrystalline silicon thin films grown by the catalytic chemical vapour deposition (Cat-CVD) method. ES Materials & Manufacturing, 18, 84–91. https://doi.org/10.30919/esmm5f725

8.     Pic, N., Martin, C., Vitalis, M., Calarnou, T., Camlay, D., Grosjean, C., ... & Galvez, C. (2010, April). Defectivity decrease in the photolithography process by AMC level reduction through implementation of novel filtration and monitoring solutions. In Metrology, Inspection, and Process Control for Microlithography XXIV (Vol. 7638, pp. 219-230). SPIE.

9.     Nguyen, Q. N., et al. (2013). Identification and quantification of FOUP molecular contaminants inducing defects in integrated circuits manufacturing. Microelectronics Engineering,102, 42-46. https://doi.org/10.1016/j.mee.2012.04.008

10. Jeong, J., et al. (2019). Control of Wafer Slot-Dependent Outgassing Defects during Semiconductor Manufacture Processes. Proceedings of the 2019 IEEE Advanced Semiconductor Manufacturing Conference (ASMC), 1-4. https://doi.org/10.1109/ASMC.2019.8791794

11.  Anderson, S. (2005, January). AMC increasingly affects process yield. Semiconductor Digest. https://sst.semiconductor-digest.com/2005/01/amc-increasingly-affects-process-yield/

12.  Sugimoto, F., & Okamura, S. (1999). Adsorption behavior of organic contaminants on a silicon wafer surface. Journal of The Electrochemical Society, 146(7), 2725-2729.