光子模块出问题,最头疼的往往不是“知道坏了”,而是“不知道从哪一步开始坏的”。一块硅光芯片、一颗化合物半导体激光器、一片CMOS电路、中介层再加光纤耦合,可能来自不同供应商,各自用不同的编号和测试记录。模块最终测试时信号弱,可能是激光器本身弱,可能是光子电路有波动,也可能是装配时光纤对偏了。症状在最后才暴露,证据却分散在前面好几道工序里。
yieldWerx在PIC Summit Europe 2026相关材料中推出了yieldWerxIQ PhotonX。它的核心目标很明确:把光学、电学、缺陷和工艺数据,全部挂回到成品模块里的每一颗具体芯片上,让工程师能顺着“制造家谱”往回追。
光子模块
痛点很现实:晶圆测过了,模块还是可能挂
很多光子模块在晶圆级测试时是合格的,组装、烧机之后却失败。这时候供应商各说各话,数据格式也不统一,工程师很难快速判断问题到底出在哪一环。PhotonX用平台的DataIQ模块建立“制造家谱”——每一条测量数据都绑在它被采集的那个阶段:批次、晶圆、具体坐标上的芯片、键合后的堆叠,或者最终模块。光学光谱、插入损耗、电学测试结果、检测图谱和工艺记录都能放在一起对比。工程师就能拿最终测试看到的症状,去对照组装前的测量值。
几个智能模块一起干活
平台里还有其他配套模块。APATIQ会筛查那些“单项都在限内,组合起来却异常”的光-电读数组合;SignatureIQ能找出空间图案,比如晶圆边缘的环形异常,提示可能是工艺问题;DefectIQ则把在线检测结果和同一坐标上的光、电测量叠在一起看。团队还可以先在“仅监控”模式下跑规则,看它会标记哪些器件,再决定是否真正影响生产决策。
yieldWerx推出PhotonX
为什么这件事现在特别重要
封装把漏检的代价抬高了。模块失败时,可能已经键合了好几颗芯片、装好了光纤,还做完了测试和烧机。一个能可靠提前识别高风险芯片的筛选规则,就能避免把资源砸在大概率会挂的模块上。反过来,规则太严又会误杀好芯片,直接伤良率。有了晶圆和模块之间的关联记录,团队就能回头看失败组和正常组,验证一条新规则到底能不能抓住故障、又不至于扔掉太多可用件。
共封装光学(CPO)把这个权衡推到了更关键的位置。光子和电子芯片跟高价值ASIC放在同一个封装里时,任何一个组件出问题,整颗组装件都可能报废。如果能把模块级误码率跟更早的光学或电学测量挂上钩,工程师就能判断:该收紧晶圆筛选、改工艺,还是调整组装参数。每一种干预对应不同团队、不同供应商,搞清楚责任边界本身就很有价值。
落地关键在于数据能不能连得上
演示用的是示意数据,真正价值取决于制造商能不能在跨供应商交接时稳定保留芯片身份,以及信号在不同批次、不同组装条件下是否仍然有效。晶圆上的图案可以给工程师一个排查方向,异常分数可以标出值得调查的零件。真正的考验是:这些信号能不能预测后续批次的失败,行动之后能不能真正提升成品模块良率。PhotonX就是为了把这条从晶圆测试到最终组装的链路变得可测量。
当前光子和共封装光学正往更高集成、更多供应商协同的方向走。测试标准和数据格式还不够统一,尤其是光学测试结果往往还是厂商私有格式,芯片一旦切分键合就容易丢身份。这类把全流程数据串起来的分析平台,正好踩在行业痛点上。它不能单独解决所有问题,但能让工程师从“猜”变成“对照数据查”,这一步已经很关键。
总结一下:PhotonX做的事情很朴素——把分散在不同供应商、不同工序里的测试和工艺数据,重新绑回每一颗具体芯片上。光子模块越来越复杂,共封装光学让单点失误的代价越来越高,能把最终失败追溯到源头的工具,会变得越来越刚需。它不是万能药,但能让良率排查从“各说各话”变成“有据可查”,这一步已经值得认真关注。