40、基于预测智能的半导体衬底缺陷检测方法

基于预测智能的半导体衬底缺陷检测方法

1. 背景与目标

微芯片是计算机、智能手机和电视等众多电子设备的重要组成部分，它由硅晶圆制成。硅晶圆具有高纯度，其平整光滑的表面非常适合用于半导体生产。本项目的目标是开发一个模型，能够准确识别出有缺陷的晶圆，以便仅关闭生产线的相应部分，更换有缺陷的晶圆，然后恢复该部分生产线的正常运行，避免阻碍整个生产过程。基于此，客户将在其终端配置警报，当我们判定某个晶圆有问题时，警报就会响起。

2. 相关研究概述

在半导体生产领域，有许多关于晶圆检测和质量控制的研究：
- 过程监测与分析 ：过程监测和轮廓分析对于发现半导体生产中的各种异常事件至关重要，因为半导体生产涉及极其复杂、相互关联且耗时的晶圆制造过程，精确及时地识别这些问题对于提高产量和质量控制非常关键。后端处理完成后，会对晶圆进行一系列称为“参数测试”的电气测试。
- 晶圆检测方法 ：
- 图像识别 ：通过收集带有缺陷特征（如凸起、烧伤痕迹和异物）的图像进行训练和测试，利用InceptionV3迁移学习方法对捕获的图像进行嵌入，以识别最佳分类器。InceptionV3模型在图像识别方面比ImageNet数据集的性能提高了78.1%以上。
- 数据驱动方法 ：提出了一种全新的数据驱动方法用于半导体生产中的SVID数据故障检测和诊断，该方法基于数据而非直觉做出决策，具有可量化的优势。
- 深度学习分类 ：利用基于神经网络的目标检测架构，提出了一种基于深度学习的缺