先進封裝工藝作為半導體產業的關鍵環節，在新工藝量產初期面臨著稀有缺陷樣本不足的嚴峻挑戰。微鏈道愛的 DaoAI 產品憑藉創新的 APDT 正樣本學習技術，為這一難題提供了有效的解決方案。
在半導體行業中，先進封裝工藝對於提升晶片效能、實現系統整合具有至關重要的作用。隨著晶片製造技術的不斷發展，先進封裝新工藝層出不窮。然而，在新工藝量產初期，往往會出現各種複雜的情況。由於新工藝的特性，缺陷型別呈現零星出現的態勢，單類樣本數量極為有限，常常不足十張。在這樣的背景下，傳統的負樣本驅動的監督模型在資料獲取方面面臨巨大困境。
痛點：為什麼難
從量化角度來看，在樣本數量上，單類稀有缺陷樣本常常不足十張，而傳統監督式缺陷分類需要每類成百上千張負樣本才能使模型收斂。從分類效果上看，稀有缺陷的分類率極低，傳統方法難以達到理想的分類效果，導致大量稀有缺陷處於模型盲區。在風險方面，稀有缺陷的逃逸率較高，一旦逃逸到客戶端，追溯成本極高，可能達到數十倍甚至上百倍的生產成本。
造成這種困境的根因在於，新工藝的缺陷形態不斷演化，部分稀有缺陷在整批產品中僅出現數次。傳統的監督式分類方法依賴大量的負樣本，而稀有缺陷由於出現頻率極低，根本無法在短期內湊齊足夠的樣本。這就導致這些稀有缺陷長期無法被模型有效識別，從而形成了模型盲區。過去為了應對樣本短缺問題，只能採取放寬判據或加人工兜底的方式，但這兩種方法都存在嚴重的弊端。放寬判據會導致過殺飆升，即把大量合格產品誤判為缺陷產品；加人工兜底則會增加人力成本，並且仍然難以避免稀有缺陷的逃逸。
技術原理
DaoAI 採用的 APDT 正樣本學習路線具有獨特的演算法機制。該模型主要學習合格樣本的特徵分佈，將合格樣本的各種特徵進行全面提取和分析，形成一個標準的特徵模型。在實際檢測過程中，任何偏離這個標準特徵分佈的樣本都被視為可疑樣本。這種方法的優勢在於，無需為每種稀有缺陷預先收集大量的負樣本。與傳統的負樣本驅動的監督模型相比，傳統模型需要大量的負樣本進行訓練，以區分缺陷和非缺陷樣本，而 APDT 正樣本學習只需要關注合格樣本的特徵，大大降低了對樣本數量的依賴。
同時，DaoAI 配合 DaoAI World 世界模型對缺陷形態做泛化處理。DaoAI World 世界模型透過對大量已知缺陷形態的學習和分析，能夠總結出缺陷的一般特徵和變化規律。即使某類缺陷僅有個位數樣本，憑藉 DaoAI World 世界模型的泛化能力，也能在顯微/微米級精度下被穩定識別並分類。這種泛化能力使得模型能夠適應新工藝中不斷演化的缺陷形態，有效提高了稀有缺陷的檢測能力。
典型應用場景
- 倒裝晶片焊接工序：在倒裝晶片焊接過程中，可能會出現虛焊、焊球缺失等稀有缺陷。傳統檢測方法由於樣本不足，難以準確識別這些缺陷。DaoAI 採用 APDT 正樣本學習，先學習合格焊接點的特徵分佈，對於任何不符合該特徵分佈的焊接點視為可疑點。難點在於焊接點的微小差異可能會影響檢測結果，需要在顯微級精度下進行準確識別。
- 晶圓級封裝工序：在晶圓級封裝中，可能會出現封裝層氣泡、裂紋等稀有缺陷。這些缺陷在整批產品中出現的頻率較低，傳統方法難以收集足夠的負樣本進行訓練。DaoAI 透過學習合格封裝層的特徵，利用 DaoAI World 世界模型對可能出現的氣泡和裂紋形態進行泛化，實現對這些稀有缺陷的有效檢測。難點在於氣泡和裂紋的形態複雜多樣，需要模型具有較強的泛化能力。
- 晶片堆疊工序：晶片堆疊時可能會出現堆疊偏移、晶片損傷等稀有缺陷。由於這些缺陷出現的機率較小，傳統監督式模型難以收斂。DaoAI 以合格堆疊晶片的特徵為基礎，對偏離該特徵的樣本進行識別。難點在於晶片堆疊的微小偏移在微米級尺度下難以準確判斷，需要高精度的檢測技術。
- 引線鍵合工序：引線鍵合過程中可能會出現引線斷裂、鍵合不良等稀有缺陷。傳統方法因樣本不足無法有效檢測。DaoAI 學習合格引線鍵合的特徵，對可疑樣本進行分類。難點在於引線的微小形態變化可能導致缺陷的產生，需要在細微尺度下進行準確檢測。
落地案例
有一家先進封裝廠，規模中等，在新工藝匯入階段面臨著稀有缺陷檢測的難題。該廠在採用 DaoAI 產品之前，稀有缺陷分類準確率極低，僅為 30%左右，稀有缺陷逃逸率高達 10%，新缺陷納入模型的週期長達數週。在上線 DaoAI 產品的過程中，技術團隊首先對合格樣本進行採集和分析，建立了合格樣本的特徵模型。然後，利用 DaoAI World 世界模型對可能出現的缺陷形態進行泛化。經過一段時間的除錯和最佳化，DaoAI 產品成功上線。
DaoAI 產品的應用，讓先進封裝廠在稀有缺陷檢測方面實現了質的飛躍。
微鏈道愛解決方案與產品
微鏈道愛的 DaoAI 產品提供了一套完整的解決方案。其核心是 APDT 正樣本學習路線，透過學習合格樣本的特徵分佈，有效解決了稀有缺陷樣本短缺的問題。同時，DaoAI World 世界模型的泛化能力使得模型能夠適應新工藝中不斷變化的缺陷形態。該產品可以實現稀有類與常見類統一分類輸出，並接入現有判級流程，方便企業進行管理和決策。
量化成效
DaoAI 方案落地後，取得了顯著的量化成效。稀有缺陷分類準確率超過 96%，相比之前的 30%有了大幅提升；稀有缺陷逃逸率約 0.2%，較之前的 10%大幅降低；新缺陷從出現到納入模型的週期由數週壓縮到天級，大大提高了企業對新缺陷的響應速度。這些成效有效控制了量產爬坡期的未知缺陷風險，使得工藝團隊能夠將精力放在工藝改善而非湊樣本上，為企業的生產效率和產品質量提升提供了有力支援。
常見問題
新工藝量產初期稀有缺陷樣本不足會導致什麼問題？
新工藝量產初期，單類稀有缺陷樣本常不足十張，負樣本驅動的監督模型喂不飽，傳統監督式分類無法收斂，導致稀有缺陷長期處於模型盲區，還可能出現過殺或逃逸問題，逃逸到客戶端後追溯成本極高。
DaoAI 如何解決稀有缺陷樣本短缺問題？
DaoAI 採用 APDT 正樣本學習路線，以合格樣本建模，配合 DaoAI World 世界模型泛化缺陷形態，無需為每種稀有缺陷收集大量負樣本，新缺陷出現可快速納入。
DaoAI 方案落地後有什麼效果？
DaoAI 方案落地後，稀有缺陷分類準確率超 96%，逃逸率約 0.2%，新缺陷納管週期從數週壓縮到天級，有效控制量產爬坡期未知缺陷風險，讓工藝團隊可專注工藝改善。
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。