半导体晶圆图缺陷模式AI视觉检测成效显著

半导体产业的发展对晶圆质量要求日益严格，传统检测方法已难以满足需求。微链道爱利用AI视觉技术，为半导体晶圆图缺陷检测带来新突破。

在半导体行业，晶圆作为芯片制造的核心载体，其质量直接决定了芯片的性能和可靠性。在某头部半导体厂商的晶圆制造产线中，晶圆的生产是一个高度复杂且精密的过程。从硅锭的生长、切片，到晶圆表面的光刻、蚀刻、掺杂等一系列工序，每一步都可能引入各种微观缺陷。这些缺陷可能存在于晶圆的表面、内部，或者在微观图案的结构中。因此，对晶圆图上的各种缺陷进行高精度检测，是确保晶圆质量和性能符合标准的关键环节。只有通过严格的检测，才能筛选出合格的晶圆进入后续的芯片制造流程，从而保证最终产品的质量和稳定性。

痛点：为什么难

传统的检测方法面临着诸多量化困境。首先，漏检率较高，约为3%。这意味着部分有缺陷的晶圆可能会流入后续工序，给整个生产流程带来严重的隐患。一旦这些有缺陷的晶圆进入芯片制造环节，可能会导致芯片性能不稳定、良品率下降，从而增加生产成本。其次，误报率达到了20%。频繁的误报会让操作人员花费大量时间去核实和处理虚假警报，不仅增加了人力成本，还会降低生产效率。例如，在一条繁忙的产线上，每一次误报都可能打断正常的生产节奏，导致生产进度延迟。此外，换型时间较长，每次换型需要30分钟。在半导体生产中，不同类型的晶圆可能需要不同的检测参数和流程，换型时间过长会严重影响产线的灵活性和生产节拍，使得生产线难以快速响应市场需求的变化。

这些问题的根源在于传统检测方法的局限性。传统方法往往依赖于固定的规则和模板进行缺陷识别，难以适应复杂多变的晶圆缺陷模式。而且，传统的2D检测方法只能获取晶圆表面的平面信息，对于隐藏在晶圆内部或者具有复杂三维结构的缺陷，很容易出现漏检的情况。同时，由于缺乏智能的学习和自适应能力，传统方法在面对新的缺陷类型或者工艺变化时，无法及时调整检测策略，导致误报率居高不下。

技术原理

微链道爱采用了先进的深度学习算法和高精度成像技术。深度学习算法通过大量的晶圆图样本进行训练，能够学习到不同缺陷模式的特征和规律。在训练过程中，算法会对每个样本进行细致的分析，提取出缺陷的关键特征，如形状、大小、颜色、纹理等。通过不断地学习和优化，算法能够建立起一个准确的缺陷分类模型，从而能够准确识别各种微小的缺陷。与传统的基于规则的方法相比，深度学习算法具有强大的特征提取和分类能力，能够自动适应不同类型的晶圆和缺陷模式，大大提高了检测的准确性和稳定性。

在成像方面，微链道爱使用自研的3D相机进行数据采集，结合三维形貌重建技术，能够获取晶圆表面的详细三维信息。3D相机可以从不同角度对晶圆进行拍摄，获取丰富的图像数据。然后，通过三维形貌重建技术，将这些图像数据转化为精确的三维模型，能够清晰地展示晶圆表面的微观结构和缺陷情况。这种方法避免了传统2D检测方法可能存在的漏检问题，因为它可以检测到隐藏在表面之下或者具有复杂三维结构的缺陷。例如，对于一些微小的孔洞、凸起或者内部的杂质等缺陷，3D检测方法能够更准确地识别和定位。

典型应用场景

• 光刻工序检测：在光刻过程中，可能会出现光刻图案的变形、缺失或者错位等缺陷。微链道爱的系统通过深度学习算法对光刻图案进行精确分析，识别出正常图案和缺陷图案的特征差异。难点在于光刻图案非常微小，精度要求极高，传统方法很难准确检测到微小的变形和错位。
• 蚀刻工序检测：蚀刻工序可能会导致晶圆表面出现蚀刻不均、过蚀刻或者欠蚀刻等问题。3D相机可以获取晶圆表面的三维形貌信息，通过三维形貌重建技术分析蚀刻后的表面平整度和深度。难点在于蚀刻后的表面微观结构复杂，传统2D检测方法无法准确判断蚀刻的质量。
• 掺杂工序检测：掺杂过程中可能会出现杂质分布不均匀或者掺杂浓度不符合要求的情况。系统可以通过对晶圆表面的元素分布进行分析，利用高精度成像技术检测杂质的分布和浓度。难点在于杂质的含量非常微小，检测需要高灵敏度的设备和算法。
• 表面划痕检测：晶圆表面可能会出现各种划痕，这些划痕可能会影响晶圆的电学性能。深度学习算法可以识别划痕的形状、长度和深度等特征，准确判断划痕是否会对晶圆造成影响。难点在于划痕的形态多样，有些划痕非常细微，容易被漏检。

落地案例

某大型半导体厂商，其晶圆制造产线规模庞大，每天需要处理大量的晶圆产品。在引入微链道爱的解决方案之前，该厂商一直面临着检测效率低下、误报率高和换型时间长等问题。在上线过程中，微链道爱团队将DaoAI 2D / 3D AI AOI设备与产线进行了集成，通过SDK / API / Docker进行部署，并且支持100%本地私有化，确保数据不出厂。同时，对操作人员进行了专业的培训，使其能够熟练使用DaoAI AI AOI软件系统。

微链道爱的解决方案为半导体晶圆图缺陷检测带来了高效、精准的新选择。

上线前，该厂商的晶圆图缺陷检测检出率约为97%，漏检率为3%，误报率为20%，换型时间为30分钟。上线后，检出率保持在97%以上，漏检率降低至<3%，误报率降低了 -60%，大大减少了人力成本和复检工作量。换型时间缩短至5分钟，产线的灵活性和生产节拍得到了显著提升。

微链道爱解决方案与产品

微链道爱提供的DaoAI AI AOI软件系统和DaoAI 2D / 3D AI AOI设备是解决该问题的关键。DaoAI AI AOI软件系统具有视觉基础模型的特征认知能力，仅需1-20张良品，即可在5分钟内实现0代码自动编程。这意味着操作人员无需具备专业的编程知识，就可以快速设置检测参数和规则。同时，该软件系统采用APDT正样本/少样本学习和语义误报过滤技术，能够有效减少误报。通过对正样本的学习，系统可以准确识别正常的晶圆图案，从而更好地判断缺陷的存在。语义误报过滤技术则可以对误报信息进行智能分析和过滤，只保留真正的缺陷警报。

DaoAI 2D / 3D AI AOI设备则结合了自研3D相机和三维形貌重建技术。3D相机可以获取晶圆表面的三维信息，检测隐藏焊点、共面度和微米级形貌，提高了检测的精度和全面性。该设备能够对晶圆表面的微观结构进行精确分析，及时发现各种潜在的缺陷。在实际应用中，设备可以与产线顺畅集成，实现自动化的检测流程，提高生产效率。

量化成效

通过使用微链道爱的解决方案，该半导体厂商的晶圆图缺陷检测检出率提高到了97%以上，漏检率降低至<3%。误报率降低了 -60%，大大减少了人力成本和复检工作量。换型时间缩短至5分钟，产线的灵活性和生产节拍得到了显著提升。这些量化成效表明，微链道爱的解决方案能够有效解决半导体晶圆图缺陷检测的难题，为企业带来显著的经济效益和生产效率提升。

本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。