先进封装工艺作为半导体产业的关键环节，在新工艺量产初期面临着稀有缺陷样本不足的严峻挑战。微链道爱的 DaoAI 产品凭借创新的 APDT 正样本学习技术，为这一难题提供了有效的解决方案。
在半导体行业中，先进封装工艺对于提升芯片性能、实现系统集成具有至关重要的作用。随着芯片制造技术的不断发展，先进封装新工艺层出不穷。然而，在新工艺量产初期，往往会出现各种复杂的情况。由于新工艺的特性，缺陷类型呈现零星出现的态势，单类样本数量极为有限，常常不足十张。在这样的背景下，传统的负样本驱动的监督模型在数据获取方面面临巨大困境。
痛点：为什么难
从量化角度来看，在样本数量上，单类稀有缺陷样本常常不足十张，而传统监督式缺陷分类需要每类成百上千张负样本才能使模型收敛。从分类效果上看，稀有缺陷的分类率极低，传统方法难以达到理想的分类效果，导致大量稀有缺陷处于模型盲区。在风险方面，稀有缺陷的逃逸率较高，一旦逃逸到客户端，追溯成本极高，可能达到数十倍甚至上百倍的生产成本。
造成这种困境的根因在于，新工艺的缺陷形态不断演化，部分稀有缺陷在整批产品中仅出现数次。传统的监督式分类方法依赖大量的负样本，而稀有缺陷由于出现频率极低，根本无法在短期内凑齐足够的样本。这就导致这些稀有缺陷长期无法被模型有效识别，从而形成了模型盲区。过去为了应对样本短缺问题，只能采取放宽判据或加人工兜底的方式，但这两种方法都存在严重的弊端。放宽判据会导致过杀飙升，即把大量合格产品误判为缺陷产品；加人工兜底则会增加人力成本，并且仍然难以避免稀有缺陷的逃逸。
技术原理
DaoAI 采用的 APDT 正样本学习路线具有独特的算法机制。该模型主要学习合格样本的特征分布，将合格样本的各种特征进行全面提取和分析，形成一个标准的特征模型。在实际检测过程中，任何偏离这个标准特征分布的样本都被视为可疑样本。这种方法的优势在于，无需为每种稀有缺陷预先收集大量的负样本。与传统的负样本驱动的监督模型相比，传统模型需要大量的负样本进行训练，以区分缺陷和非缺陷样本，而 APDT 正样本学习只需要关注合格样本的特征，大大降低了对样本数量的依赖。
同时，DaoAI 配合 DaoAI World 世界模型对缺陷形态做泛化处理。DaoAI World 世界模型通过对大量已知缺陷形态的学习和分析，能够总结出缺陷的一般特征和变化规律。即使某类缺陷仅有个位数样本，凭借 DaoAI World 世界模型的泛化能力，也能在显微/微米级精度下被稳定识别并分类。这种泛化能力使得模型能够适应新工艺中不断演化的缺陷形态，有效提高了稀有缺陷的检测能力。
典型应用场景
- 倒装芯片焊接工序：在倒装芯片焊接过程中，可能会出现虚焊、焊球缺失等稀有缺陷。传统检测方法由于样本不足，难以准确识别这些缺陷。DaoAI 采用 APDT 正样本学习，先学习合格焊接点的特征分布，对于任何不符合该特征分布的焊接点视为可疑点。难点在于焊接点的微小差异可能会影响检测结果，需要在显微级精度下进行准确识别。
- 晶圆级封装工序：在晶圆级封装中，可能会出现封装层气泡、裂纹等稀有缺陷。这些缺陷在整批产品中出现的频率较低，传统方法难以收集足够的负样本进行训练。DaoAI 通过学习合格封装层的特征，利用 DaoAI World 世界模型对可能出现的气泡和裂纹形态进行泛化，实现对这些稀有缺陷的有效检测。难点在于气泡和裂纹的形态复杂多样，需要模型具有较强的泛化能力。
- 芯片堆叠工序：芯片堆叠时可能会出现堆叠偏移、芯片损伤等稀有缺陷。由于这些缺陷出现的概率较小，传统监督式模型难以收敛。DaoAI 以合格堆叠芯片的特征为基础，对偏离该特征的样本进行识别。难点在于芯片堆叠的微小偏移在微米级尺度下难以准确判断，需要高精度的检测技术。
- 引线键合工序：引线键合过程中可能会出现引线断裂、键合不良等稀有缺陷。传统方法因样本不足无法有效检测。DaoAI 学习合格引线键合的特征，对可疑样本进行分类。难点在于引线的微小形态变化可能导致缺陷的产生，需要在细微尺度下进行准确检测。
落地案例
有一家先进封装厂，规模中等，在新工艺导入阶段面临着稀有缺陷检测的难题。该厂在采用 DaoAI 产品之前，稀有缺陷分类准确率极低，仅为 30%左右，稀有缺陷逃逸率高达 10%，新缺陷纳入模型的周期长达数周。在上线 DaoAI 产品的过程中，技术团队首先对合格样本进行采集和分析，建立了合格样本的特征模型。然后，利用 DaoAI World 世界模型对可能出现的缺陷形态进行泛化。经过一段时间的调试和优化，DaoAI 产品成功上线。
DaoAI 产品的应用，让先进封装厂在稀有缺陷检测方面实现了质的飞跃。
微链道爱解决方案与产品
微链道爱的 DaoAI 产品提供了一套完整的解决方案。其核心是 APDT 正样本学习路线，通过学习合格样本的特征分布，有效解决了稀有缺陷样本短缺的问题。同时，DaoAI World 世界模型的泛化能力使得模型能够适应新工艺中不断变化的缺陷形态。该产品可以实现稀有类与常见类统一分类输出，并接入现有判级流程，方便企业进行管理和决策。
量化成效
DaoAI 方案落地后，取得了显著的量化成效。稀有缺陷分类准确率超过 96%，相比之前的 30%有了大幅提升；稀有缺陷逃逸率约 0.2%，较之前的 10%大幅降低；新缺陷从出现到纳入模型的周期由数周压缩到天级，大大提高了企业对新缺陷的响应速度。这些成效有效控制了量产爬坡期的未知缺陷风险，使得工艺团队能够将精力放在工艺改善而非凑样本上，为企业的生产效率和产品质量提升提供了有力支持。
常见问题
新工艺量产初期稀有缺陷样本不足会导致什么问题？
新工艺量产初期，单类稀有缺陷样本常不足十张，负样本驱动的监督模型喂不饱，传统监督式分类无法收敛，导致稀有缺陷长期处于模型盲区，还可能出现过杀或逃逸问题，逃逸到客户端后追溯成本极高。
DaoAI 如何解决稀有缺陷样本短缺问题？
DaoAI 采用 APDT 正样本学习路线，以合格样本建模，配合 DaoAI World 世界模型泛化缺陷形态，无需为每种稀有缺陷收集大量负样本，新缺陷出现可快速纳入。
DaoAI 方案落地后有什么效果？
DaoAI 方案落地后，稀有缺陷分类准确率超 96%，逃逸率约 0.2%，新缺陷纳管周期从数周压缩到天级，有效控制量产爬坡期未知缺陷风险，让工艺团队可专注工艺改善。
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。