一种精度高、适应不同密度变化的晶圆缺陷检测方法技术

本发明专利技术公开了一种精度高、适应不同密度变化的晶圆缺陷检测方法，基于变分自编码器(VAE)和教师

【技术实现步骤摘要】
一种精度高、适应不同密度变化的晶圆缺陷检测方法


[0001]本专利技术涉及半导体制造
，具体地说，涉及一种精度高、适应不同密度变化的晶圆缺陷检测方法。

技术介绍

[0002]半导体制造技术是一种涉及到物理、化学、材料科学、电子工程等多个学科的复杂工艺，其主要目标是在硅或其他半导体材料上制造集成电路或微电子设备。这个过程包括多个步骤，如晶体生长、晶圆制备、光刻、蚀刻、掺杂、热处理、金属化、封装等，集成电路是现代电子设备中的核心组件，包括计算机处理器、微控制器和存储芯片(如NAND闪存和DRAM)等。半导体设备的制造是一个多步骤的光刻和物理化学过程，其中电子电路逐渐在晶圆上形成，这些晶圆通常由纯单晶半导体材料制成。在半导体制造过程中，晶圆缺陷检测是一个关键步骤。先进的集成电路制造工艺一般都包含几百步的工序，任何环节的微小错误都将导致整个芯片的失效，特别是随着电路关键尺寸的不断缩小，其对工艺控制的要求就越严格。因此，在生产过程中为能及时地发现和解决问题，都配置有光学和电子的缺陷检测设备对产品进行在线的检测。
[0003]目前，已经存在多种晶圆缺陷检测技术，这些技术主要可以分为两大类：光学检测技术和电子束检测技术。光学及电子的缺陷检测，其工作的基本原理都是通过设备采集到几个芯片的信号，将芯片上的物理图像转换成为可由不同亮暗灰阶表示的数据图像。现有技术中一种检测晶圆上缺陷的方法为，通过对3个芯片(芯片A、B和C)的图像数据进行同时采集，假定芯片B上有一缺陷，然后通过B芯片和A芯片的比较得出有信号差异的位置，再通过B芯片和C芯片的比较得出有信号差异的位置，那么这两个对比结果中相对应的、差异互补的位置就是在B芯片上检测到的缺陷位置。
[0004]然而，随着晶圆制备工艺的发展，晶圆尺寸不断变大，从200毫米转向如今的300毫米甚至到450毫米，晶圆上各芯片区的薄膜厚度、电路尺寸等工艺参数也会有较大差异。这就导致了一个问题，由于各芯片区膜厚的不同，相同的物理结构在同一个检测光源下表现为不同的灰度特征，而目前的缺陷检测方法通常采用无法自适应的检测参数，从而可能会在缺陷检测时产生非常多的噪声信号，甚至将非缺陷区域检测为缺陷区域，不仅降低缺陷检测的精度，更可能导致增加不必要的工艺步骤、从而降低了工艺效率。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术的目的在于提供一种精度高、适应不同密度变化的晶圆缺陷检测方法。
[0007](二)技术方案
[0008]本为实现上述目的，本专利技术提供如下技术方案，一种精度高、适应不同密度变化的晶圆缺陷检测方法，基于变分自编码器(VAE)和教师
‑
学生模型的半监督学习方法来自动检
测晶圆的缺陷,包括以下步骤：
[0009]S1、训练VAE模型：使用语义分割算法找出图像的缺陷区域，将其作为附加信息加入训练的过程，接着使用晶圆数据集预训练一个VAE模型；
[0010]S2、标记和评分：在构建教师模型后，我们对未标记的图像进行标记和评分，这个过程通常使用教师模型的输出作为参考，为未标记的图像生成伪标签；
[0011]S3、构件训练数据集；从伪标记的图像中选择置信度最高的前K个图像，并将它们与原始的标记数据结合，创建一个新的训练数据集；
[0012]S4、学生模型训练：学生模型使用这些伪标签进行训练，对未标记数据进行采样，将VAE中提取的代表图像特征分布的中间层作为补充信息，结合到教师
‑
学生架构中，训练学生模型，在该模型有限量的标记数据上进行训练，以此来学习教师模型的知识，以获得足够的性能，初步指导学生模型；
[0013]S5、数据预处理：在训练学生模型后，使用语义分割模型找出图片中的故障区域，作为附加信息一起训练。
[0014]作为优选方案，所述教师模型是一个已经训练好的模型，或者是一个集成的模型，它可以对未标注的半导体数据进行预测，生成伪标签。
[0015]作为优选方案，所述教师模型和学生模型，其中学生网络通过教师网络生成的伪标签进行优化，教师网络通过从持续学习的学生网络转移权重进行更新，教师
‑
学生网络的交互过程中，两个模型可以相互增强，持续提高检测精度。
[0016]作为优选方案，将所述教师网络和学生网络分开，为了提高精度，只有在从教师网络获取伪标签后，学生网络的可学习权重才能通过反向传播进行更新。
[0017]作为优选方案，为探索晶圆图中的故障分布，使用语义分割算法找出图片的故障区域作为附加信息，使用变分自编码器(VAE)从数据集中获取故障数据分布信息。
[0018]作为优选方案，其中图像预处理包括采用WM
‑
811K晶圆图数据集，它包含来自46,294个批次的811,457张硅片地图图像，其中172,950张带有手动标签，每张图像代表一个半导体晶圆，并包含晶圆上的芯片或设备的信息，以及它们是否通过了质量控制测试。
[0019]作为优选方案，针对晶圆图像数据集采用基于热力图的预处理方法，热图是一种图形显示，它显示从图像中获得的特征值，呈现在特定的颜色范围内。
[0020]作为优选方案，晶圆图图像本质上是二维数组，其中每个元素表示位于晶圆上的一个芯片，其对应的测试结果用数值0、1或2表示；其中，0表示边缘，1表示测试通过，2表示测试失败；构成晶圆图图像的这些小正方形中的每一个都代表位于晶圆上的单个芯片；热图是一种图形显示，它显示从图像中获得的特征值，呈现在特定的颜色范围内。
[0021](三)有益效果
[0022]与现有技术相比，本专利技术提供了一种精度高、适应不同密度变化的晶圆缺陷检测方法，具备以下有益效果：
[0023]一、本专利技术使用了基于变分自编码器(VAE)和教师
‑
学生模型的半监督学习方法来自动检测晶圆的缺陷，这种方法可以有效地利用有限的标记数据，同时还能从大量的未标记数据中学习有用的信息，从而提高模型的性能；
[0024]二、本专利技术采用的半监督学习是一种机器学习范式，它使用大量的未标注数据和少量的标注数据进行模型训练，在许多实际应用中，获取未标注数据相对容易和便宜，而获
取标注数据则需要专业知识和大量的人力，因此半监督学习在处理这类问题时具有很大的优势，这种方法可以有效地利用大量的未标注数据，提高模型的泛化能力，从而提高半导体缺陷检测的准确性。
附图说明
[0025]图1为本专利技术模型框架图；
[0026]图2为本专利技术热力图。
具体实施方式
[0027]下面结合具体实施例和说明书附图对本专利技术做进一步阐述和说明:
[0028]请参阅图1
‑
2，本专利技术：一种精度高、适应不同密度变化的晶圆缺陷检测方法基于变分自编码器(VAE)和教师
‑
学生模型的半监督学习方法来自动检测晶圆的缺陷,包括以下步骤：
[0029]S1、训练VAE本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种精度高、适应不同密度变化的晶圆缺陷检测方法，基于变分自编码器(VAE)和教师
‑
学生模型的半监督学习方法来自动检测晶圆的缺陷,其特征在于,包括以下步骤：S1、训练VAE模型：使用语义分割算法找出图像的缺陷区域，将其作为附加信息加入训练的过程，接着使用晶圆数据集预训练一个VAE模型；S2、标记和评分：在构建教师模型后，我们对未标记的图像进行标记和评分，这个过程通常使用教师模型的输出作为参考，为未标记的图像生成伪标签；S3、构件训练数据集；从伪标记的图像中选择置信度最高的前K个图像，并将它们与原始的标记数据结合，创建一个新的训练数据集；S4、学生模型训练：学生模型使用这些伪标签进行训练，对未标记数据进行采样，将VAE中提取的代表图像特征分布的中间层作为补充信息，结合到教师
‑
学生架构中，训练学生模型，在该模型有限量的标记数据上进行训练，以此来学习教师模型的知识，以获得足够的性能，初步指导学生模型；S5、数据预处理：在训练学生模型后，使用语义分割模型找出图片中的故障区域，作为附加信息一起训练。2.根据权利要求1所述的一种精度高、适应不同密度变化的晶圆缺陷检测方法，其特征在于：所述教师模型是一个已经训练好的模型，或者是一个集成的模型，它可以对未标注的半导体数据进行预测，生成伪标签。3.根据权利要求2所述的一种精度高、适应不同密度变化的晶圆缺陷检测方法，其特征在于：所述教师模型和学生模型，其中学生网络通过教师网络生成的伪标签进行优化，教师网络通过从持续学习的学生网络转移权重进行更新，教师
‑
学生网络的交互过...

【专利技术属性】
技术研发人员：魏启宇，曾锃，
申请(专利权)人：上海大学，
类型：发明
国别省市：