一种晶圆缺陷未知类别检测及分类的方法及系统技术方案

本发明专利技术公开了一种晶圆缺陷未知类别检测及分类的方法及系统，涉及半导体工业缺陷检测领域，方法包括：使用晶圆图预处理模块，将晶圆生产线AOI设备获取的晶圆图数据转换为用于模型训练的数据集数据；建立基于增量学习方法的卷积神经网络模型；训练卷积神经网络模型；通过TensorRT技术对模型原有的网络结构进行参数压缩、维度缩减操作；部署压缩后的模型至半导体工厂晶圆生产线AOI中，并实现对未知缺陷类别的准确分类。系统包括基于ResNet50的卷积神经网络结构模型；在线的增量学习PathInt策略；损失函数调整模块以及增量学习模型。本发明专利技术提高了晶圆表面缺陷检测的准确性和效率。明提高了晶圆表面缺陷检测的准确性和效率。明提高了晶圆表面缺陷检测的准确性和效率。

【技术实现步骤摘要】
一种晶圆缺陷未知类别检测及分类的方法及系统


[0001]本专利技术涉及半导体工业缺陷检测领域，更具体地说，涉及一种晶圆缺陷未知类别检测及分类的方法及系统。

技术介绍

[0002]晶圆作为现代半导体产业的关键原材料之一，在人工智能、电子产品、汽车电子等领域的芯片需求快速增长的背景下，其短缺问题已成为全球广泛关注的热点科技议题。因此，提高半导体产业的总体产能已成为新的发展目标。其中，晶圆表面缺陷是影响产量的主要因素之一。通过对晶圆表面缺陷进行准确识别和分类，可以防止有缺陷的晶圆进入后续制程，并帮助专业人员根据可靠的结果定位故障环节，找出制造系统中存在的故障和可优化环节。
[0003]近年来，随着晶圆生产技术的不断进步和制造设备的更新换代，以及复杂精细的制造工艺，晶圆表面缺陷的形态越发不规则且随机分布。相较于传统的人工检测方法，自动光学检测（AOI）设备大大缩短了缺陷识别时间，并显著提高了识别准确率。然而，对于晶圆制造过程中出现的未知缺陷，AOI设备因技术局限性而无法进行准确分类。
[0004]为此，迫切需要在晶圆表面缺陷检测与分类过程中采用深度学习和增量学习方法，以实现对未知缺陷的快速、准确的自动化检测和分类。这样不仅能避免半导体次品的产生，降低因缺陷导致的制造成本，还有助于优化和调整晶圆制造系统。最终，这将促进半导体制造业的总体良率和产量的提升。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种晶圆缺陷未知类别检测及分类的方法及系统，以解决
技术介绍
中提到的问题。
[0006]为了达到上述目的，本专利技术采取以下技术方案：一种晶圆缺陷未知类别检测及分类的方法，包括以下步骤：(a) 使用晶圆图预处理模块，将晶圆生产线AOI设备获取的晶圆图数据转换为用于模型训练的数据集数据；(b) 建立基于增量学习方法的卷积神经网络模型；该模型包括：(i) 基于ResNet50的卷积神经网络结构模型；(ii) 在线的增量学习PathInt策略；(iii) 损失函数保持接近旧缺陷类型的学习参数；(iv) 增量学习模型，用于未知缺陷的分类；(c) 训练卷积神经网络模型，包括：(i) 对基础晶圆缺陷数据集进行重做，并按照缺陷类型进行随机划分；(ii) 使用多种数据集训练模型，将缺陷类型增量式输入模型进行训练与测试；(iii) 使用轻量级的缓存保存已知缺陷，保持每个类别存在等量的N个缺陷样本；
(iv) 多次重复模型训练及测试过程，直到获得稳定的模型；(d) 通过TensorRT技术对模型原有的网络结构进行参数压缩、维度缩减操作；(e) 部署压缩后的模型至半导体工厂晶圆生产线AOI中，并实现对未知缺陷类别的准确分类。
[0007]优选的，步骤(a)包括：收集包含环形、划痕的晶圆图，将所有晶圆图统一尺寸，并通过图像压缩、增强和降噪方式对晶圆图进行图像处理，得到包含缺陷的标准化晶圆图；根据不同缺陷类型的显著特征，给图像数据添加相应标签，制作成晶圆缺陷数据集。
[0008]优选的，步骤(b)(ii)中，对旧缺陷任务分类有重大影响的权重进行约束，在学习第二缺陷类型时，在参数空间中计算使损失函数L达到最小值的学习轨迹，同时保持在第一缺陷类型的低损失区域，从而保护模型在第一缺陷类型上的表现。
[0009]优选的，步骤(c)(iii)中，当学习到第i个缺陷类型时，模型将损失函数保持为接近旧缺陷类型的学习参数。
[0010]优选的，其特征在于：步骤(c)(iv)中，使用轻量级的缓存保存已知缺陷；每个类别等量保存N个缺陷样本，当检测第i个样本时，如果缺陷已知则加入到对应类别，若缺陷未知，则创建新的缺陷类别；当第j个缺陷类别的样本大于N时，则删除旧样本，保持每个类别存在等量的N个缺陷样本。
[0011]优选的，步骤(c)(i)中的基础晶圆缺陷数据集通过重排列及拆分方式生成多种具有差异性结构的新晶圆图数据集。
[0012]本专利技术还公开一种晶圆缺陷未知类别检测及分类的系统，包括：晶圆图预处理模块，用于将晶圆生产线AOI设备获取的晶圆图数据转换为用于模型训练的数据集数据；基于增量学习方法的卷积神经网络模型；用于处理并输入模型进行增量式训练及测试的模型训练模块；TensorRT优化模块，用于对训练好的模型进行参数压缩、维度缩减；部署模块，用于将优化后的模型部署至半导体工厂晶圆生产线AOI设备，进行实时采集缺陷晶圆图并进行图像预处理和增量式学习。
[0013]优选的，其中基于增量学习方法的卷积神经网络模型包括：基于ResNet50的卷积神经网络结构模型；在线的增量学习PathInt策略，用于对模型中的权重进行约束；PathInt策略的
技术实现思路
可参见论文：On Learning the Geodesic Path for Incremental Learning （https://arxiv.org/abs/2104.08572）；损失函数调整模块，用于在增量式学习新缺陷类型时保持接近旧缺陷类型的学习参数；增量学习模型，用于未知缺陷的分类。
[0014]优选的，所述模型训练模块包括：数据集处理模块，用于对基础晶圆缺陷数据集进行重做；多数据集训练模块，用于使用多种数据集训练模型，将缺陷类型增量式输入模型进行训练与测试；
轻量级缓存模块，用于保存已知缺陷，每个类别等量保存N个缺陷样本；模型评估模块，用于多次重复模型训练及测试过程，并对每次模型的分类结果进行评估。
[0015]本专利技术相对于现有技术的优点在于：1、本专利技术采用基于增量学习算法的深度学习、人工智能应用和计算机视觉技术，实现了对晶圆未知缺陷的准确检测和分类，提高了晶圆表面缺陷检测的准确性和效率。
[0016]2、针对晶圆制造过程中存在的未知缺陷检测与分类问题，本专利技术提出了一种基于增量学习的晶圆未知缺陷自动检测与分类方法，与行业现有解决方案相比，该方法能够更有效地解决未知缺陷的检测和分类问题。
[0017]3、本专利技术采用在线的增量学习方法建立卷积神经网络模型，通过新提出的轻量缓存机制和复合训练方式，能够快速达到模型的最佳表现，实现对未知缺陷类别的高效学习和分类。
[0018]4、本专利技术训练好的模型经过加速优化后，可部署至晶圆生产线的AOI设备，实时采集缺陷晶圆图并进行增量式学习。通过在线更新模型，实现对未知缺陷类型的准确分类，从而促进晶圆制造过程的优化。
[0019]5、本专利技术的晶圆未知缺陷自动检测与分类方法有助于提高晶圆产品的良率，大幅降低半导体制造成本，为半导体行业带来实际经济效益。
[0020]综上所述，本专利技术通过基于增量学习的晶圆表面缺陷分类方法，有效地解决了晶圆制造过程中未知缺陷检测与分类问题，提高了晶圆产品的良率和降低了半导体制造成本。
附图说明
[0021]图1是本专利技术方法的总体流程图；图2是本专利技术通过增量学习建立晶圆表面缺陷分类模型的流程图。
具体实施方式
[0022]下面结合附图对本专利技术的具体实施方式作描述。
[0023]如图1所示，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种晶圆缺陷未知类别检测及分类的方法，其特征在于，包括以下步骤：(a) 使用晶圆图预处理模块，将晶圆生产线AOI设备获取的晶圆图数据转换为用于模型训练的数据集数据；(b) 建立基于增量学习方法的卷积神经网络模型；该模型包括：(i) 基于ResNet50的卷积神经网络结构模型；(ii) 在线的增量学习PathInt策略；(iii) 损失函数保持接近旧缺陷类型的学习参数；(iv) 增量学习模型，用于未知缺陷的分类；(c) 训练卷积神经网络模型，包括：(i) 对基础晶圆缺陷数据集进行重做，并按照缺陷类型进行随机划分；(ii) 使用多种数据集训练模型，将缺陷类型增量式输入模型进行训练与测试；(iii) 使用轻量级的缓存保存已知缺陷，保持每个类别存在等量的N个缺陷样本；(iv) 多次重复模型训练及测试过程，直到获得稳定的模型；(d) 通过TensorRT技术对模型原有的网络结构进行参数压缩、维度缩减操作；(e) 部署压缩后的模型至半导体工厂晶圆生产线AOI中，并实现对未知缺陷类别的准确分类。2.根据权利要求1所述方法，其特征在于，步骤(a)包括：收集包含环形、划痕的晶圆图，将所有晶圆图统一尺寸，并通过图像压缩、增强和降噪方式对晶圆图进行图像处理，得到包含缺陷的标准化晶圆图；根据不同缺陷类型的显著特征，给图像数据添加相应标签，制作成晶圆缺陷数据集。3.根据权利要求1所述方法，其特征在于，步骤(b)(ii)中，对旧缺陷任务分类有重大影响的权重进行约束，在学习第二缺陷类型时，在参数空间中计算使损失函数L达到最小值的学习轨迹，同时保持在第一缺陷类型的低损失区域，从而保护模型在第一缺陷类型上的表现。4.根据权利要求3所述方法，其特征在于：步骤(c)(iii)中，当学习到第i个缺陷类型时，模型将损失函数保持为接近旧缺陷类型...

【专利技术属性】
技术研发人员：李安东，王佳，
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：