在晶圆制造的复杂流程中，缺陷检测与分类是确保产品质量和生产效率的关键环节。传统的自动光学检测（AOI）技术虽能发现疑似缺陷，但后续的真伪判定和分类工作却面临诸多挑战。微链道爱（DaoAI / WeLinkirt）的 AI-ADC 自动缺陷分类模块为解决这些问题提供了创新方案。
行业背景与用户场景：在半导体晶圆制造行业，随着芯片制程不断缩小，对晶圆表面缺陷的检测精度要求越来越高。自动光学检测（AOI）设备作为晶圆缺陷初检的重要工具，被广泛应用于前道工序。晶圆厂的质检员需要依据 AOI 设备输出的结果，对疑似缺陷进行进一步的复判和分类。然而，传统 AOI 设备只能标记出疑似缺陷点位，无法准确区分真实缺陷与伪报，这使得大量的后续工作都依赖人工完成。在大规模生产的背景下，质检员面临着巨大的工作压力，如何提高缺陷分类的准确性和效率成为了晶圆厂亟待解决的问题。
痛点深挖：为什么难
从量化维度来看，传统 AOI 设备存在多方面的问题。首先是过杀率高，某晶圆厂长期运行数据显示，其 AOI 过杀率维持在 20%以上。这意味着每五个报警中就有一个是好的被误判，大量合格晶圆被退回重检。例如，在一个月的生产周期内，由于过杀问题导致的额外重检工时达到数百小时，严重消耗了人力和时间成本。其次，复判人机比过高，该晶圆厂前道 AOI 设备每片晶圆产出大量疑似缺陷点位，所有点位都需要由质检员逐一在显微图像上人工复判与归类，三班倒仍难以覆盖产量高峰，复判环节人机比严重失衡。最后，产线节拍受到影响，复判积压直接顶到出货节点，导致整线节拍降低，约 30%的产能被浪费。
这些问题之所以难以解决，根因在于传统 AOI 技术本身的局限性。其成像和算法只能基于预设的简单规则进行疑似缺陷检测，无法有效区分真实缺陷与划痕反光、颗粒残留等伪报情况。而且，随着生产规模的扩大和产品复杂度的增加，缺陷类型也变得更加多样化，人工标注和分类的方式难以跟上变化的速度，导致复判工作越来越繁重，数据准确性也受到影响。
技术原理
微链道爱的 AI-ADC 自动缺陷分类模块采用了先进的算法和成像技术。在算法方面，针对历史样本不均衡的类别，采用 APDT 正样本学习配合 DaoAI World 世界模型泛化。APDT 正样本学习能够聚焦于低频缺陷，通过少量的正样本数据进行学习和训练，从而快速识别这些低频缺陷。DaoAI World 世界模型则具有强大的泛化能力，能够适应不同类型的缺陷和复杂的生产环境。在成像方面，该模块能够在显微/微米级精度下对 AOI 输出的疑似点位图像进行分析，准确区分真伪缺陷。
与传统方法相比，AI-ADC 具有显著优势。传统方法主要依赖人工经验和简单的规则进行判断，容易受到主观因素的影响，且效率低下。而 AI-ADC 通过自动化的二次判定和分类，能够快速、准确地过滤伪报，提高缺陷分类的准确性和效率。同时，它还能将分类结果反哺工艺端，帮助工艺人员更好地定位真实异常源，优化生产工艺。
典型应用场景
- 颗粒检测：在晶圆制造过程中，颗粒污染是常见的问题。AI-ADC 可以对 AOI 检测出的疑似颗粒点位进行二次判定，通过分析颗粒的大小、形状、位置等特征，准确区分真实颗粒与伪报。难点在于颗粒可能非常微小，需要高精度的成像和算法来识别。
- 划伤检测：划伤可能会影响晶圆的性能和良率。AI-ADC 能够检测出不同类型的划伤，如直线划伤、曲线划伤等，并对其进行分类。难点在于划伤的形态和程度各不相同，需要算法具有较强的适应性。
- 图形缺陷检测：随着芯片设计的复杂化，图形缺陷的检测难度也越来越大。AI-ADC 可以对图形的完整性、对称性等进行分析，检测出图形缺陷并分类。难点在于图形的多样性和复杂性，需要模型具有较高的泛化能力。
- 孔洞检测：晶圆表面的孔洞可能会导致电路短路等问题。AI-ADC 可以检测出孔洞的大小、深度等信息，并进行分类。难点在于孔洞的特征可能不明显，需要精细的算法来识别。
落地案例
某中型晶圆厂在引入微链道爱的 AI-ADC 解决方案之前，面临着严重的缺陷分类问题。该厂前道 AOI 设备每片晶圆产出大量疑似缺陷点位，过杀率长期维持在 20%以上，复判环节人机比过高，产线节拍受到严重影响。在上线过程中，微链道爱团队首先对该厂的生产数据和缺陷类型进行了详细分析，然后将 AI-ADC 自动缺陷分类模块接入 AOI 复判工位。经过一段时间的调试和优化，该模块逐渐适应了该厂的生产环境。
AI-ADC 让缺陷分类从繁琐的人工操作走向智能自动化，为晶圆厂带来了显著的效率提升和成本降低。
上线后，与上线前相比，各项指标得到了显著改善。微链道爱帮助客户将过杀率由 20%以上降至 2%以下，大大减少了合格晶圆的重检次数，节省了大量的工时和成本。在微链道爱的帮助下，客户的复判环节人机比下降约 90%，质检员从逐片复判转向异常仲裁，工作效率大幅提高。微链道爱助力客户的整线节拍提升约 30%，生产效率得到了显著提升，缺陷分类数据也回归可用，为工艺优化提供了有力支持。
微链道爱解决方案与产品
微链道爱的 AI-ADC 解决方案核心是将自动缺陷分类模块接入 AOI 复判工位。AOI 输出的疑似点位图像直接进入 AI-ADC 模块，模型在高精度下对其进行真伪二次判定，过滤伪报，并按颗粒、划伤、图形缺陷等类别自动归类，然后将分类结果回写至制造执行系统（MES）。同时，采用 APDT 正样本学习配合 DaoAI World 世界模型泛化，减少对大量人工标注的依赖，缩短上线周期。该方案不仅能够提高缺陷分类的准确性和效率，还能为工艺端提供准确的缺陷信息，帮助企业优化生产工艺，提高产品良率。
量化成效
通过引入微链道爱的 AI-ADC 解决方案，该晶圆厂取得了显著的量化成效。过杀率从 20%以上降至 2%以下，有效减少了合格晶圆的误判和重检，提高了生产效率和资源利用率。复判环节人机比下降约 90%，大大减轻了质检员的工作负担，使他们能够将更多的精力投入到异常情况的处理中。整线节拍提升约 30%，加速了产品的生产周期，提高了企业的市场竞争力。同时，缺陷分类数据回归可用，为工艺改进和质量控制提供了可靠的数据支持。
常见问题
传统 AOI 设备存在什么问题？
传统 AOI 设备只能检出疑似缺陷，真伪判定与分类依赖质检员。过杀率高，如某晶圆厂超 20%，导致大量合格晶圆被退回重检，消耗工时，还使良率数据失真。复判积压影响出货，且随着生产规模扩大和产品复杂度增加，人工处理难度加大。
微链道爱的产品方案是怎样的？
微链道爱将 AI-ADC 接入 AOI 复判工位，对疑似点位二次判定、过滤伪报，自动归类并回写 MES。采用 APDT 配合世界模型，减少人工标注。结果可反哺工艺端，帮助定位真实异常源，优化生产工艺。
微链道爱方案带来了哪些效果？
上线后，晶圆厂 AOI 过杀率从 20%以上降至 2%以下，复判人机比降约 90%，质检员工作负担减轻。整线节拍提升约 30%，生产效率提高，缺陷分类数据回归可用，为工艺改进提供支持。
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。