Microtronic

Microtronic 成立於 1994 年，在半導體設備這行算是老面孔，主力產品 EAGLEview 是自動化晶圓巨觀缺陷檢測系統，另外也做晶圓分類機與量測方案。

它值得被放進 AI 工具清單的原因，是官網明確把「AI 應用於 CMP 邊緣殘留與針孔缺陷」列為獨立的能力項目。這兩類缺陷剛好是傳統規則式機器視覺最難處理的——CMP（化學機械研磨）之後的晶圓邊緣殘留形狀不規則、對比低，針孔則小到容易被當成雜訊濾掉。用深度學習來抓這種「說不清楚規則但人眼看得出來」的缺陷，是機器視覺最合理的用法。

系統本身主打的規格也很實在：一天可處理 3,000 片以上晶圓、不需要建 recipe（傳統檢測機台最耗工程師時間的就是每個製程都要調參數）、可同時做晶圓隨機化、支援背面檢測，並整合共通性分析（commonality analysis）找出缺陷與製程站點的關聯。

功能特色與適用場景

「不需要 recipe」這件事值得多講兩句。傳統自動光學檢測（AOI）導入新製程時，工程師要花數天到數週調參數，而且製程一變就要重調。對產品線多、批量小的特殊製程廠（像是 MEMS、功率元件、化合物半導體）來說，這個調機成本有時候比設備折舊還痛。Microtronic 主打免 recipe，等於是直接針對這個痛點。

給台灣使用者的具體用法

台灣是全球晶圓製造的核心，這類設備的潛在用戶密度全球最高，但也正因為如此，台灣客戶對檢測設備的評估遠比一般 SaaS 嚴格。實際導入的判準通常是三個數字：捕捉率（capture rate）、誤判率（false count）與逃逸率（escape rate），廠商的 AI 宣稱必須折算成這三個數字才有意義。建議的做法是要求供應商用你自己產線的 golden wafer 與已知缺陷樣本做評估，而不是看他們帶來的示範樣品。另外 CMP 邊緣殘留在台灣先進封裝（CoWoS、InFO）製程裡同樣是常見議題，這塊的需求可能比傳統前段更值得評估。設備採購還要一併談備品、保養與本地服務據點，這在半導體設備是比功能規格更常出事的環節。