在晶圓製造的複雜流程中，缺陷檢測與分類是確保產品質量和生產效率的關鍵環節。傳統的自動光學檢測（AOI）技術雖能發現疑似缺陷，但後續的真偽判定和分類工作卻面臨諸多挑戰。微鏈道愛（DaoAI / WeLinkirt）的 AI-ADC 自動缺陷分類模組為解決這些問題提供了創新方案。
行業背景與使用者場景：在半導體晶圓製造行業，隨著晶片製程不斷縮小，對晶圓表面缺陷的檢測精度要求越來越高。自動光學檢測（AOI）裝置作為晶圓缺陷初檢的重要工具，被廣泛應用於前道工序。晶圓廠的質檢員需要依據 AOI 裝置輸出的結果，對疑似缺陷進行進一步的復判和分類。然而，傳統 AOI 裝置只能標記出疑似缺陷點位，無法準確區分真實缺陷與偽報，這使得大量的後續工作都依賴人工完成。在大規模生產的背景下，質檢員面臨著巨大的工作壓力，如何提高缺陷分類的準確性和效率成為了晶圓廠亟待解決的問題。
痛點深挖：為什麼難
從量化維度來看，傳統 AOI 裝置存在多方面的問題。首先是過殺率高，某晶圓廠長期執行資料顯示，其 AOI 過殺率維持在 20%以上。這意味著每五個報警中就有一個是好的被誤判，大量合格晶圓被退回重檢。例如，在一個月的生產週期內，由於過殺問題導致的額外重檢工時達到數百小時，嚴重消耗了人力和時間成本。其次，復判人機比過高，該晶圓廠前道 AOI 裝置每片晶圓產出大量疑似缺陷點位，所有點位都需要由質檢員逐一在顯微影象上人工復判與歸類，三班倒仍難以覆蓋產量高峰，復判環節人機比嚴重失衡。最後，產線節拍受到影響，復判積壓直接頂到出貨節點，導致整線節拍降低，約 30%的產能被浪費。
這些問題之所以難以解決，根因在於傳統 AOI 技術本身的侷限性。其成像和演算法只能基於預設的簡單規則進行疑似缺陷檢測，無法有效區分真實缺陷與劃痕反光、顆粒殘留等偽報情況。而且，隨著生產規模的擴大和產品複雜度的增加，缺陷型別也變得更加多樣化，人工標註和分類的方式難以跟上變化的速度，導致復判工作越來越繁重，資料準確性也受到影響。
技術原理
微鏈道愛的 AI-ADC 自動缺陷分類模組採用了先進的演算法和成像技術。在演算法方面，針對歷史樣本不均衡的類別，採用 APDT 正樣本學習配合 DaoAI World 世界模型泛化。APDT 正樣本學習能夠聚焦於低頻缺陷，透過少量的正樣本資料進行學習和訓練，從而快速識別這些低頻缺陷。DaoAI World 世界模型則具有強大的泛化能力，能夠適應不同型別的缺陷和複雜的生產環境。在成像方面，該模組能夠在顯微/微米級精度下對 AOI 輸出的疑似點點陣圖像進行分析，準確區分真偽缺陷。
與傳統方法相比，AI-ADC 具有顯著優勢。傳統方法主要依賴人工經驗和簡單的規則進行判斷，容易受到主觀因素的影響，且效率低下。而 AI-ADC 透過自動化的二次判定和分類，能夠快速、準確地過濾偽報，提高缺陷分類的準確性和效率。同時，它還能將分類結果反哺工藝端，幫助工藝人員更好地定位真實異常源，最佳化生產工藝。
典型應用場景
- 顆粒檢測：在晶圓製造過程中，顆粒汙染是常見的問題。AI-ADC 可以對 AOI 檢測出的疑似顆粒點位進行二次判定，透過分析顆粒的大小、形狀、位置等特徵，準確區分真實顆粒與偽報。難點在於顆粒可能非常微小，需要高精度的成像和演算法來識別。
- 劃傷檢測：劃傷可能會影響晶圓的效能和良率。AI-ADC 能夠檢測出不同型別的劃傷，如直線劃傷、曲線劃傷等，並對其進行分類。難點在於劃傷的形態和程度各不相同，需要演算法具有較強的適應性。
- 圖形缺陷檢測：隨著晶片設計的複雜化，圖形缺陷的檢測難度也越來越大。AI-ADC 可以對圖形的完整性、對稱性等進行分析，檢測出圖形缺陷並分類。難點在於圖形的多樣性和複雜性，需要模型具有較高的泛化能力。
- 孔洞檢測：晶圓表面的孔洞可能會導致電路短路等問題。AI-ADC 可以檢測出孔洞的大小、深度等資訊，並進行分類。難點在於孔洞的特徵可能不明顯，需要精細的演算法來識別。
落地案例
某中型晶圓廠在引入微鏈道愛的 AI-ADC 解決方案之前，面臨著嚴重的缺陷分類問題。該廠前道 AOI 裝置每片晶圓產出大量疑似缺陷點位，過殺率長期維持在 20%以上，復判環節人機比過高，產線節拍受到嚴重影響。在上線過程中，微鏈道愛團隊首先對該廠的生產資料和缺陷型別進行了詳細分析，然後將 AI-ADC 自動缺陷分類模組接入 AOI 復判工位。經過一段時間的除錯和最佳化，該模組逐漸適應了該廠的生產環境。
AI-ADC 讓缺陷分類從繁瑣的人工操作走向智慧自動化，為晶圓廠帶來了顯著的效率提升和成本降低。
上線後，與上線前相比，各項指標得到了顯著改善。微鏈道愛幫助客戶將過殺率由 20%以上降至 2%以下，大大減少了合格晶圓的重檢次數，節省了大量的工時和成本。在微鏈道愛的幫助下，客戶的復判環節人機比下降約 90%，質檢員從逐片復判轉向異常仲裁，工作效率大幅提高。微鏈道愛助力客戶的整線節拍提升約 30%，生產效率得到了顯著提升，缺陷分類資料也迴歸可用，為工藝最佳化提供了有力支援。
微鏈道愛解決方案與產品
微鏈道愛的 AI-ADC 解決方案核心是將自動缺陷分類模組接入 AOI 復判工位。AOI 輸出的疑似點點陣圖像直接進入 AI-ADC 模組，模型在高精度下對其進行真偽二次判定，過濾偽報，並按顆粒、劃傷、圖形缺陷等類別自動歸類，然後將分類結果回寫至製造執行系統（MES）。同時，採用 APDT 正樣本學習配合 DaoAI World 世界模型泛化，減少對大量人工標註的依賴，縮短上線週期。該方案不僅能夠提高缺陷分類的準確性和效率，還能為工藝端提供準確的缺陷資訊，幫助企業最佳化生產工藝，提高產品良率。
量化成效
透過引入微鏈道愛的 AI-ADC 解決方案，該晶圓廠取得了顯著的量化成效。過殺率從 20%以上降至 2%以下，有效減少了合格晶圓的誤判和重檢，提高了生產效率和資源利用率。復判環節人機比下降約 90%，大大減輕了質檢員的工作負擔，使他們能夠將更多的精力投入到異常情況的處理中。整線節拍提升約 30%，加速了產品的生產週期，提高了企業的市場競爭力。同時，缺陷分類資料迴歸可用，為工藝改進和質量控制提供了可靠的資料支援。
常見問題
傳統 AOI 裝置存在什麼問題？
傳統 AOI 裝置只能檢出疑似缺陷，真偽判定與分類依賴質檢員。過殺率高，如某晶圓廠超 20%，導致大量合格晶圓被退回重檢，消耗工時，還使良率資料失真。復判積壓影響出貨，且隨著生產規模擴大和產品複雜度增加，人工處理難度加大。
微鏈道愛的產品方案是怎樣的？
微鏈道愛將 AI-ADC 接入 AOI 復判工位，對疑似點位二次判定、過濾偽報，自動歸類並回寫 MES。採用 APDT 配合世界模型，減少人工標註。結果可反哺工藝端，幫助定位真實異常源，最佳化生產工藝。
微鏈道愛方案帶來了哪些效果？
上線後，晶圓廠 AOI 過殺率從 20%以上降至 2%以下，復判人機比降約 90%，質檢員工作負擔減輕。整線節拍提升約 30%，生產效率提高，缺陷分類資料迴歸可用，為工藝改進提供支援。
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。