14、高效深度学习：实现晶圆缺陷实时检测的创新方案

高效深度学习：实现晶圆缺陷实时检测的创新方案

1. 引言

在半导体制造过程中，晶圆缺陷的检测与分类至关重要。传统方法存在效率低、成本高的问题，而深度学习为解决这些问题提供了新的途径。本文将介绍一种基于深度学习的自动晶圆缺陷检测平台，该平台旨在实现高效、实时的缺陷检测与分类。

2. 目标平台需求

为了实现自动、实时且高效的晶圆缺陷检测，我们定义了目标平台的以下要求：
- 可编程与部分可重构的深度学习分类平台 ：深度学习是一种新的编程范式，人类提供输入数据和期望响应，深度神经网络（DNN）处理输入并存储有意义的表示，用于后续自动执行任务。学习阶段是系统将输入数据转换为参数（权重）的过程，通过随机赋值、计算预测、比较损失和反向传播算法调整权重。我们将在离线计算和优化神经网络参数后，通过微控制器和小型可重构设备将硬件/软件模型集成到工业设备中。
- 高效的硬件实现DNN模型 ：专注于参数数量少的神经网络模型和量化技术，以提高分类过程中的功率效率，同时保证高吞吐量。现代高端前端设备每小时可处理150 - 300片晶圆，因此分析需在20 - 40秒内完成。
- 使用经过预处理的真实图像 ：采用多媒体信息检索（MIR）实验室提供的WM - 811K公共数据集，包含811457张真实晶圆地图。该数据集存在不平衡问题，需进行图像预处理和数据增强以提高分类准确性。

3. 硬件/软件系统与方法

3.1 工业硬件/软件系统用于设备端推理

我们提出了一个平台，可在可重构设备中集成预训练的神经网