自动晶圆缺陷检测方法、系统、设备及存储介质技术方案

本发明专利技术涉及集成电路制造领域，尤其涉及一种自动晶圆缺陷检测方法、系统、设备及存储介质。应用于分布式检测设备中，所述分布式检测设备与晶圆生产机台一一对应，该方法包括：获取待检测晶圆的晶圆图像；获取所述分布式检测设备对应的学生网络模型；将所述晶圆图像输入所述学生网络模型，得到所述待检测晶圆的分类结果。可以解决通过人工的形式，对晶圆的表面进行缺陷检查，筛选得到表面存在缺陷的晶圆，筛选效率低，且耗费大量时间和人力的问题以及容易造成漏检和错检的问题。通过训练学生网络模型来对晶圆的表面进行缺陷检查，可以提高晶圆表面缺陷检查的效率，快速地确定晶圆缺陷位置及尺寸，同时减少了漏检和错检的情况。同时减少了漏检和错检的情况。同时减少了漏检和错检的情况。

【技术实现步骤摘要】
自动晶圆缺陷检测方法、系统、设备及存储介质


[0001]本专利技术涉及集成电路制造领域，尤其涉及一种自动晶圆缺陷检测方法、系统、备及存储介质。

技术介绍

[0002]晶圆是生产集成电路所用的载体，一片晶圆的生产将经过上百个分层，不同的分层可以获取不同的标准样板图像。晶圆进出机台需要机台的各种机械手来进行传递，而机械手可能会对晶圆造成刮伤。因此，每道工序流程对晶圆的处理都可能会产生一些缺陷，这些缺陷会造成芯片无法正常工作，因此，在生产过程中需要对晶圆进行缺陷检测。
[0003]传统的晶圆缺陷检测方法，包括：以人工的形式，对晶圆的表面进行缺陷检查，筛选得到表面存在缺陷的晶圆。
[0004]然而，以人工的形式筛选效率低，且耗费大量时间和人力，并且随着集成电路尺寸的不断减小，晶圆缺陷的种类和数量增多，存在容易造成漏检和错检的问题。

技术实现思路

[0005]本申请提供了自动晶圆缺陷检测方法、设备及存储介质，可以解决通过人工的形式，对晶圆的表面进行缺陷检查，筛选得到表面存在缺陷的晶圆，筛选效率低，且耗费大量时间和人力的问题以及容易造成漏检和错检的问题。本申请提供如下技术方案：
[0006]第一方面，提供了自动晶圆缺陷检测方法，应用于分布式检测设备中，所述分布式检测设备与晶圆生产机台一一对应，包括：获取待检测晶圆的晶圆图像；获取所述分布式检测设备对应的学生网络模型；所述学生网络模型是基于教授网络模型和采样数据集训练得到的，所述教授网络模型设置于云计算中心内，所述分布式检测设备与所述云计算中心建立有通信连接；所述采样数据集包括样本晶圆图像和所述样本晶圆图像对应的缺陷标签；所述缺陷标签用于指示所述样本晶圆图像对应的晶圆缺陷情况；将所述晶圆图像输入所述学生网络模型，得到所述待检测晶圆的分类结果。
[0007]可选地，所述获取所述待检测晶圆所在的分布式检测设备对应的学生网络模型，包括：获取所述采样数据集；获取预设的第一神经网络模型；将所述样本晶圆图像输入所述第一神经网络模型，得到所述第一神经网络模型的softmax层输出第一平滑概率；所述第一平滑概率用于指示所述样本晶圆图像在所述第一神经网络模型的softmax层中被划分到不同的预设类别的概率；基于所述通信连接，将所述采样数据集发送至所述云计算中心，以使所述云计算中心将所述样本晶圆图像输入所述教授网络模型，得到所述教授网络模型的softmax层输出第二平滑概率后，返回所述第二平滑概率；接收所述第二平滑概率；所述第二平滑概率用于指示所述样本晶圆图像在所述教授网络模型的softmax层中被划分到不同的预设类别的概率；将所述第一平滑概率和所述第二平滑概率输入预设的第一损失函数，得到第一损失函数值；将所述样本晶圆图像输入所述第一神经网络模型，得到预测标签；将所述预测标签和所述缺陷标签输入预设的第二损失函数，得到第二损失函数值；基于所述
第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练，得到所述学生网络模型。
[0008]可选地，所述基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练，得到所述学生网络模型，包括：使用所述第一损失函数值对所述第一神经网络模型进行迭代训练，得到初始学生网络模型。使用所述第二损失函数值对所述初始学生网络模型进行迭代训练，得到所述学生网络模型。
[0009]可选地，所述基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练，得到所述学生网络模型，包括：获取所述第一损失函数的第一损失权重和所述第二损失函数的第二损失权重；确定所述第一损失函数值和所述第一损失权重的乘积与所述第二损失函数值和所述第二损失权重的乘积之和，得到第三损失函数值；使用所述第三损失函数值对所述第一神经网络模型进行迭代训练，得到学生网络模型。
[0010]可选地，所述预设类别包括至少一个分类类别；不同分类类别对应的学生网络模型不同。
[0011]可选地，所述教授网络模型基于总数据集训练得到；所述总数据集包括至少一个晶圆生产机台对应的采样数据集。
[0012]第二方面，提供一种电子设备，包括存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执行第一方面提供的自动晶圆缺陷检测方法。
[0013]第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时用于实现第一方面提供的自动晶圆缺陷检测方法。
[0014]第四方面，提供一种自动晶圆缺陷检测系统，所述系统包括：影像测量设备，用于采集待检测晶圆的晶圆图像，并发送至分布式检测设备；所述分布式检测设备，与所述影像测量设备建立有通信连接，用于获取所述待检测晶圆所在的分布式检测设备对应的学生网络模型；所述学生网络模型是基于教授网络模型和采样数据集训练得到的；将所述晶圆图像输入所述学生网络模型，得到所述待检测晶圆的分类结果。
[0015]可选地，所述系统还包括云计算中心，所述云计算中心与所述分布式检测设备建立有通信连接；所述云计算中心，用于接收所述分布式检测设备发送的所述采样数据集；基于所述采样数据集得到总数据集；基于所述总数据集对预设的神经网络模型进行训练，得到所述教授网络模型。
[0016]本申请的有益效果至少包括：通过训练教授网络模型和学生网络模型来对晶圆的表面进行缺陷检查，可以提高晶圆表面缺陷检查的效率，快速地确定晶圆缺陷位置及尺寸，同时减少了漏检和错检的情况。
[0017]另外，通过将教授网络模型设置于云计算中心内，学生网络模型设置于机台内的分布式检测设备中，可以大大降低工厂对于计算设备的维护成本，同时设置于分布式检测设备中的学生网络模型也能快速地确定晶圆的分类、缺陷位置及缺陷尺寸，减少计算成本，提高晶圆缺陷检测的速度与精确度。
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体
实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本申请一个实施例提供的自动晶圆缺陷检测系统示意图；
[0020]图2是本申请一个实施例提供的自动晶圆缺陷检测的流程图；
[0021]图3是本申请一个实施例提供的学生网络模型训练的示意图；
[0022]图4是本申请一个实施例提供的自动晶圆缺陷检测装置的框图；
[0023]图5是本申请一个实施例提供的电子设备的框图。
具体实施方式
[0024]下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动晶圆缺陷检测方法，其特征在于，应用于分布式检测设备中，所述分布式检测设备与晶圆生产机台一一对应，所述方法包括：获取待检测晶圆的晶圆图像；获取所述分布式检测设备对应的学生网络模型；所述学生网络模型是基于教授网络模型和采样数据集训练得到的，所述教授网络模型设置于云计算中心内，所述分布式检测设备与所述云计算中心建立有通信连接；所述采样数据集包括样本晶圆图像和所述样本晶圆图像对应的缺陷标签；所述缺陷标签用于指示所述样本晶圆图像对应的晶圆缺陷情况；将所述晶圆图像输入所述学生网络模型，得到所述待检测晶圆的分类结果。2.根据权利要求1所述的方法，其特征在于，所述获取所述待检测晶圆所在的分布式检测设备对应的学生网络模型，包括：获取所述采样数据集；获取预设的第一神经网络模型；将所述样本晶圆图像输入所述第一神经网络模型，得到所述第一神经网络模型的softmax层输出第一平滑概率；所述第一平滑概率用于指示所述样本晶圆图像在所述第一神经网络模型的softmax层中被划分到不同的预设类别的概率；基于所述通信连接，将所述采样数据集发送至所述云计算中心，以使所述云计算中心将所述样本晶圆图像输入所述教授网络模型，得到所述教授网络模型的softmax层输出第二平滑概率后，返回所述第二平滑概率；接收所述第二平滑概率；所述第二平滑概率用于指示所述样本晶圆图像在所述教授网络模型的softmax层中被划分到不同的预设类别的概率；将所述第一平滑概率和所述第二平滑概率输入预设的第一损失函数，得到第一损失函数值；将所述样本晶圆图像输入所述第一神经网络模型，得到预测标签；将所述预测标签和所述缺陷标签输入预设的第二损失函数，得到第二损失函数值；基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练，得到所述学生网络模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练，得到所述学生网络模型，包括：使用所述第一损失函数值对所述第一神经网络模型进行迭代训练，得到初始学生网络模型。使用所述第二损失函数值对所述初始学生网络模型...

【专利技术属性】
技术研发人员：王佳，李安东，
申请(专利权)人：昆山润石智能科技有限公司，
类型：发明
国别省市：