半導體晶圓圖缺陷模式AI視覺檢測成效顯著

半導體產業的發展對晶圓質量要求日益嚴格，傳統檢測方法已難以滿足需求。微鏈道愛利用AI視覺技術，為半導體晶圓圖缺陷檢測帶來新突破。

在半導體行業，晶圓作為晶片製造的核心載體，其質量直接決定了晶片的效能和可靠性。在某頭部半導體廠商的晶圓製造產線中，晶圓的生產是一個高度複雜且精密的過程。從矽錠的生長、切片，到晶圓表面的光刻、蝕刻、摻雜等一系列工序，每一步都可能引入各種微觀缺陷。這些缺陷可能存在於晶圓的表面、內部，或者在微觀圖案的結構中。因此，對晶圓圖上的各種缺陷進行高精度檢測，是確保晶圓質量和效能符合標準的關鍵環節。只有透過嚴格的檢測，才能篩選出合格的晶圓進入後續的晶片製造流程，從而保證最終產品的質量和穩定性。

痛點：為什麼難

傳統的檢測方法面臨著諸多量化困境。首先，漏檢率較高，約為3%。這意味著部分有缺陷的晶圓可能會流入後續工序，給整個生產流程帶來嚴重的隱患。一旦這些有缺陷的晶圓進入晶片製造環節，可能會導致晶片效能不穩定、良品率下降，從而增加生產成本。其次，誤報率達到了20%。頻繁的誤報會讓操作人員花費大量時間去核實和處理虛假警報，不僅增加了人力成本，還會降低生產效率。例如，在一條繁忙的產線上，每一次誤報都可能打斷正常的生產節奏，導致生產進度延遲。此外，換型時間較長，每次換型需要30分鐘。在半導體生產中，不同型別的晶圓可能需要不同的檢測引數和流程，換型時間過長會嚴重影響產線的靈活性和生產節拍，使得生產線難以快速響應市場需求的變化。

這些問題的根源在於傳統檢測方法的侷限性。傳統方法往往依賴於固定的規則和模板進行缺陷識別，難以適應複雜多變的晶圓缺陷模式。而且，傳統的2D檢測方法只能獲取晶圓表面的平面資訊，對於隱藏在晶圓內部或者具有複雜三維結構的缺陷，很容易出現漏檢的情況。同時，由於缺乏智慧的學習和自適應能力，傳統方法在面對新的缺陷型別或者工藝變化時，無法及時調整檢測策略，導致誤報率居高不下。

技術原理

微鏈道愛採用了先進的深度學習演算法和高精度成像技術。深度學習演算法透過大量的晶圓圖樣本進行訓練，能夠學習到不同缺陷模式的特徵和規律。在訓練過程中，演算法會對每個樣本進行細緻的分析，提取出缺陷的關鍵特徵，如形狀、大小、顏色、紋理等。透過不斷地學習和最佳化，演算法能夠建立起一個準確的缺陷分類模型，從而能夠準確識別各種微小的缺陷。與傳統的基於規則的方法相比，深度學習演算法具有強大的特徵提取和分類能力，能夠自動適應不同型別的晶圓和缺陷模式，大大提高了檢測的準確性和穩定性。

在成像方面，微鏈道愛使用自研的3D相機進行資料採集，結合三維形貌重建技術，能夠獲取晶圓表面的詳細三維資訊。3D相機可以從不同角度對晶圓進行拍攝，獲取豐富的影象資料。然後，透過三維形貌重建技術，將這些影象資料轉化為精確的三維模型，能夠清晰地展示晶圓表面的微觀結構和缺陷情況。這種方法避免了傳統2D檢測方法可能存在的漏檢問題，因為它可以檢測到隱藏在表面之下或者具有複雜三維結構的缺陷。例如，對於一些微小的孔洞、凸起或者內部的雜質等缺陷，3D檢測方法能夠更準確地識別和定位。

典型應用場景

• 光刻工序檢測：在光刻過程中，可能會出現光刻圖案的變形、缺失或者錯位等缺陷。微鏈道愛的系統透過深度學習演算法對光刻圖案進行精確分析，識別出正常圖案和缺陷圖案的特徵差異。難點在於光刻圖案非常微小，精度要求極高，傳統方法很難準確檢測到微小的變形和錯位。
• 蝕刻工序檢測：蝕刻工序可能會導致晶圓表面出現蝕刻不均、過蝕刻或者欠蝕刻等問題。3D相機可以獲取晶圓表面的三維形貌資訊，透過三維形貌重建技術分析蝕刻後的表面平整度和深度。難點在於蝕刻後的表面微觀結構複雜，傳統2D檢測方法無法準確判斷蝕刻的質量。
• 摻雜工序檢測：摻雜過程中可能會出現雜質分佈不均勻或者摻雜濃度不符合要求的情況。系統可以透過對晶圓表面的元素分佈進行分析，利用高精度成像技術檢測雜質的分佈和濃度。難點在於雜質的含量非常微小，檢測需要高靈敏度的裝置和演算法。
• 表面劃痕檢測：晶圓表面可能會出現各種劃痕，這些劃痕可能會影響晶圓的電學效能。深度學習演算法可以識別劃痕的形狀、長度和深度等特徵，準確判斷劃痕是否會對晶圓造成影響。難點在於劃痕的形態多樣，有些劃痕非常細微，容易被漏檢。

落地案例

某大型半導體廠商，其晶圓製造產線規模龐大，每天需要處理大量的晶圓產品。在引入微鏈道愛的解決方案之前，該廠商一直面臨著檢測效率低下、誤報率高和換型時間長等問題。在上線過程中，微鏈道愛團隊將DaoAI 2D / 3D AI AOI裝置與產線進行了整合，透過SDK / API / Docker進行部署，並且支援100%本地私有化，確保資料不出廠。同時，對操作人員進行了專業的培訓，使其能夠熟練使用DaoAI AI AOI軟體系統。

微鏈道愛的解決方案為半導體晶圓圖缺陷檢測帶來了高效、精準的新選擇。

上線前，該廠商的晶圓圖缺陷檢測檢出率約為97%，漏檢率為3%，誤報率為20%，換型時間為30分鐘。上線後，檢出率保持在97%以上，漏檢率降低至<3%，誤報率降低了 -60%，大大減少了人力成本和複檢工作量。換型時間縮短至5分鐘，產線的靈活性和生產節拍得到了顯著提升。

微鏈道愛解決方案與產品

微鏈道愛提供的DaoAI AI AOI軟體系統和DaoAI 2D / 3D AI AOI裝置是解決該問題的關鍵。DaoAI AI AOI軟體系統具有視覺基礎模型的特徵認知能力，僅需1-20張良品，即可在5分鐘內實現0程式碼自動程式設計。這意味著操作人員無需具備專業的程式設計知識，就可以快速設定檢測引數和規則。同時，該軟體系統採用APDT正樣本/少樣本學習和語義誤報過濾技術，能夠有效減少誤報。透過對正樣本的學習，系統可以準確識別正常的晶圓圖案，從而更好地判斷缺陷的存在。語義誤報過濾技術則可以對誤報資訊進行智慧分析和過濾，只保留真正的缺陷警報。

DaoAI 2D / 3D AI AOI裝置則結合了自研3D相機和三維形貌重建技術。3D相機可以獲取晶圓表面的三維資訊，檢測隱藏焊點、共面度和微米級形貌，提高了檢測的精度和全面性。該裝置能夠對晶圓表面的微觀結構進行精確分析，及時發現各種潛在的缺陷。在實際應用中，裝置可以與產線順暢整合，實現自動化的檢測流程，提高生產效率。

量化成效

透過使用微鏈道愛的解決方案，該半導體廠商的晶圓圖缺陷檢測檢出率提高到了97%以上，漏檢率降低至<3%。誤報率降低了 -60%，大大減少了人力成本和複檢工作量。換型時間縮短至5分鐘，產線的靈活性和生產節拍得到了顯著提升。這些量化成效表明，微鏈道愛的解決方案能夠有效解決半導體晶圓圖缺陷檢測的難題，為企業帶來顯著的經濟效益和生產效率提升。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。