上接：晶圓表面缺陷檢測方法綜述【上】
4. 基于機(jī)器學(xué)習(xí)的晶圓表面缺陷檢測
機(jī)器學(xué)習(xí)主要是將一個(gè)具體的問題抽象成一個(gè)數(shù)學(xué)模型，通過數(shù)學(xué)方法求解模型，求解該問題，然后評估該模型對該問題的影響。根據(jù)訓(xùn)練數(shù)據(jù)的特點(diǎn)，分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。本文主要討論這三種機(jī)器學(xué)習(xí)方法在晶圓表面缺陷檢測中的應(yīng)用。機(jī)器學(xué)習(xí)模型比較如表2所示。
表 2.機(jī)器學(xué)習(xí)算法的比較。| 分類 | 算法 | 創(chuàng)新 | 局限 |
|---|---|---|---|
| 監(jiān)督學(xué)習(xí) | KNN系列 | 對異常數(shù)據(jù)不敏感，準(zhǔn)確率高。 | 復(fù)雜度高，計(jì)算強(qiáng)度高。 |
| 決策樹-Radon | 應(yīng)用Radon以形成新的缺陷特征。 | 過擬合非常熟練。 | |
| SVM | SVM 可對多變量、多模態(tài)和不可分割的數(shù)據(jù)點(diǎn)進(jìn)行高效分類。 | 它對多個(gè)樣本不友好，內(nèi)核函數(shù)難以定位。 | |
| 無監(jiān)督學(xué)習(xí) | 多層感知器聚類算法 | 采用多層感知器增強(qiáng)特征提取能力。 | 取決于激活函數(shù)的選擇。 |
| DBSCAN | 可以根據(jù)缺陷模式特征有選擇地去除異常值。 | 樣本密度不均勻或樣本過大，收斂時(shí)間長，聚類效果差。 | |
| SOM | 高維數(shù)據(jù)可以映射到低維空間，保持高維空間的結(jié)構(gòu)。 | 目標(biāo)函數(shù)不容易確定。 | |
| 半監(jiān)督學(xué)習(xí) | 用于增強(qiáng)標(biāo)記的半監(jiān)督框架 | 將監(jiān)督集成學(xué)習(xí)與無監(jiān)督SOM相結(jié)合，構(gòu)建了半監(jiān)督模型。 | 培訓(xùn)既費(fèi)時(shí)又費(fèi)時(shí)。 |
| 半監(jiān)督增量建?？蚣?/td> | 通過主動(dòng)學(xué)習(xí)和標(biāo)記樣本來增強(qiáng)模型性能，從而提高模型性能。 | 性能取決于標(biāo)記的數(shù)據(jù)量。 |
4.1. 監(jiān)督學(xué)習(xí)
監(jiān)督學(xué)習(xí)是一種學(xué)習(xí)模型，它基于該模型對所需的新數(shù)據(jù)樣本進(jìn)行預(yù)測。監(jiān)督學(xué)習(xí)是目前晶圓表面缺陷檢測中廣泛使用的機(jī)器學(xué)習(xí)算法，在目標(biāo)檢測領(lǐng)域具有較高的魯棒性。
Yuan，T等提出了一種基于k-最近鄰（KNN）的噪聲去除技術(shù)，該技術(shù)利用k-最近鄰算法將全局缺陷和局部缺陷分離，提供晶圓信息中所有聚合的局部缺陷信息，通過相似聚類技術(shù)將缺陷分類為簇，并利用聚類缺陷的參數(shù)化模型識(shí)別缺陷簇的空間模式。Piao M等提出了一種基于決策樹的晶圓缺陷模式識(shí)別方法。利用Radon變換提取缺陷模式特征，采用相關(guān)性分析法測度特征之間的相關(guān)性，將缺陷特征劃分為特征子集，每個(gè)特征子集根據(jù)C4.5機(jī)制構(gòu)建決策樹。對決策樹置信度求和，并選擇總體置信度最高的類別。決策樹在特定類別的晶圓缺陷檢測中表現(xiàn)出更好的性能，但投影的最大值、最小值、平均值和標(biāo)準(zhǔn)差不足以代表晶圓缺陷的所有空間信息，因此邊緣缺陷檢測性能較差。
支持向量機(jī)（SVM）在監(jiān)督學(xué)習(xí)中也是缺陷檢測的成熟應(yīng)用。當(dāng)樣本不平衡時(shí)，k-最近鄰算法分類效果較差，計(jì)算量大。決策樹也有類似的問題，容易出現(xiàn)過度擬合。支持向量機(jī)在小樣本和高維特征的分類中仍然具有良好的性能，并且支持向量機(jī)的計(jì)算復(fù)雜度不依賴于輸入空間的維度，并且多類支持向量機(jī)對過擬合問題具有魯棒性，因此常被用作分類器。R. Baly等使用支持向量機(jī)（SVM）分類器將1150張晶圓圖像分為高良率和低良率兩類，然后通過對比實(shí)驗(yàn)證明，相對于決策樹，k-最近鄰（KNN）、偏最小二乘回歸（PLS回歸）和廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN），非線性支持向量機(jī)模型優(yōu)于上述四種晶圓分類方法。多類支持向量機(jī)在晶圓缺陷模式分類中具有更好的分類精度。L. Xie等提出了一種基于支持向量機(jī)算法的晶圓缺陷圖案檢測方案。采用線性核、高斯核和多項(xiàng)式核進(jìn)行選擇性測試，通過交叉驗(yàn)證選擇測試誤差最小的核進(jìn)行下一步的支持向量機(jī)訓(xùn)練。支持向量機(jī)方法可以處理圖像平移或旋轉(zhuǎn)引起的誤報(bào)問題。與神經(jīng)網(wǎng)絡(luò)相比，支持向量機(jī)不需要大量的訓(xùn)練樣本，因此不需要花費(fèi)大量時(shí)間訓(xùn)練數(shù)據(jù)樣本進(jìn)行分類。為復(fù)合或多樣化數(shù)據(jù)集提供更強(qiáng)大的性能。
4.2. 無監(jiān)督學(xué)習(xí)
在監(jiān)督學(xué)習(xí)中，研究人員需要提前將缺陷樣本類型分類為訓(xùn)練的先驗(yàn)知識(shí)。在實(shí)際工業(yè)生產(chǎn)中，存在大量未知缺陷，缺陷特征模糊不清，研究者難以通過經(jīng)驗(yàn)進(jìn)行判斷和分類。在工藝開發(fā)的早期階段，樣品注釋也受到限制。針對這些問題，無監(jiān)督學(xué)習(xí)開辟了新的解決方案，不需要大量的人力來標(biāo)記數(shù)據(jù)樣本，并根據(jù)樣本之間的特征關(guān)系進(jìn)行聚類。當(dāng)添加新的缺陷模式時(shí)，無監(jiān)督學(xué)習(xí)也具有優(yōu)勢。近年來，無監(jiān)督學(xué)習(xí)已成為工業(yè)缺陷檢測的重要研究方向之一。
晶圓圖案上的缺陷圖案分類不均勻，特征不規(guī)則，無監(jiān)督聚類算法對這種情況具有很強(qiáng)的魯棒性，廣泛用于檢測復(fù)雜的晶圓缺陷圖案。由于簇狀缺陷（如劃痕、污漬或局部失效模式）導(dǎo)致難以檢測，黃振提出了一種解決該問題的新方法。提出了一種利用自監(jiān)督多層感知器檢測缺陷并標(biāo)記所有缺陷芯片的自動(dòng)晶圓缺陷聚類算法（k-means聚類）。Jin C H等提出了一種基于密度的噪聲應(yīng)用空間聚類（DBSCAN）的晶圓圖案檢測與分類框架，該框架根據(jù)缺陷圖案特征選擇性地去除異常值，然后提取的缺陷特征可以同時(shí)完成異常點(diǎn)和缺陷圖案的檢測。Yuan， T等提出了一種多步晶圓分析方法，該方法基于相似聚類技術(shù)提供不同精度的聚類結(jié)果，根據(jù)局部缺陷模式的空間位置識(shí)別出種混合型缺陷模式。利用位置信息來區(qū)分缺陷簇有一定的局限性，當(dāng)多個(gè)簇彼此靠近或重疊時(shí)，分類效果會(huì)受到影響。
Di Palma，F(xiàn)等采用無監(jiān)督自組織映射（SOM）和自適應(yīng)共振理論（ART1）作為晶圓分類器，對1種不同類別的晶圓進(jìn)行了模擬數(shù)據(jù)集測試。SOM 和 ART1 都依靠神經(jīng)元之間的競爭來逐步優(yōu)化網(wǎng)絡(luò)以進(jìn)行無監(jiān)督分類。由于ART是通過“AND”邏輯推送到參考向量的，因此在處理大量數(shù)據(jù)集時(shí)，計(jì)算次數(shù)增加，無法獲得缺陷類別的實(shí)際數(shù)量。調(diào)整網(wǎng)絡(luò)標(biāo)識(shí)閾值不會(huì)帶來任何改進(jìn)。SOM算法可以將高維輸入數(shù)據(jù)映射到低維空間，同時(shí)保持輸入數(shù)據(jù)在高維空間中的拓?fù)浣Y(jié)構(gòu)。首先，確定神經(jīng)元的類別和數(shù)量，并通過幾次對比實(shí)驗(yàn)確定其他參數(shù)。確定參數(shù)后，經(jīng)過幾個(gè)學(xué)習(xí)周期后，數(shù)據(jù)達(dá)到漸近值，并且在模擬數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上都表現(xiàn)良好。
4.3. 半監(jiān)督學(xué)習(xí)
半監(jiān)督學(xué)習(xí)是一種結(jié)合了監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)方法。半監(jiān)督學(xué)習(xí)可以使用少量的標(biāo)記數(shù)據(jù)和大量的未標(biāo)記數(shù)據(jù)來解決問題?；诩傻陌氡O(jiān)督學(xué)習(xí)過程如圖 8?所示。避免了完全標(biāo)記樣品的成本消耗和錯(cuò)誤標(biāo)記。半監(jiān)督學(xué)習(xí)已成為近年來的研究熱點(diǎn)。
監(jiān)督學(xué)習(xí)通常能獲得良好的識(shí)別結(jié)果，但依賴于樣本標(biāo)記的準(zhǔn)確性。晶圓數(shù)據(jù)樣本可能存在以下問題。首先是晶圓樣品數(shù)據(jù)需要專業(yè)人員手動(dòng)標(biāo)記。手動(dòng)打標(biāo)過程是主觀的，一些混合缺陷模式可能會(huì)被錯(cuò)誤標(biāo)記。二是某些缺陷模式的樣本不足。第三，一些缺陷模式一開始就沒有被標(biāo)記出來。因此，無監(jiān)督學(xué)習(xí)方法無法發(fā)揮其性能。針對這一問題，Katherine Shu-Min Li等人提出了一種基于集成的半監(jiān)督框架，以實(shí)現(xiàn)缺陷模式的自動(dòng)分類。首先，在標(biāo)記數(shù)據(jù)上訓(xùn)練監(jiān)督集成學(xué)習(xí)模型，然后通過該模型訓(xùn)練未標(biāo)記的數(shù)據(jù)。最后，利用無監(jiān)督學(xué)習(xí)算法對無法正確分類的樣本進(jìn)行處理，以達(dá)到增強(qiáng)的標(biāo)記效果，提高晶圓缺陷圖案分類的準(zhǔn)確性。Yuting Kong和Dong Ni提出了一種用于晶圓圖分析的半監(jiān)督增量建?？蚣?。利用梯形網(wǎng)絡(luò)改進(jìn)的半監(jiān)督增量模型和SVAE模型對晶圓圖進(jìn)行分類，然后通過主動(dòng)學(xué)習(xí)和偽標(biāo)注提高模型性能。實(shí)驗(yàn)表明，它比CNN模型具有更好的性能。
5. 基于深度學(xué)習(xí)的晶圓表面缺陷檢測
近年來，隨著深度學(xué)習(xí)算法的發(fā)展、GPU算力的提高以及卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，計(jì)算機(jī)視覺領(lǐng)域得到了定性的發(fā)展，在表面缺陷檢測領(lǐng)域也得到了廣泛的應(yīng)用。在深度學(xué)習(xí)之前，相關(guān)人員需要具備廣泛的特征映射和特征描述知識(shí)，才能手動(dòng)繪制特征。深度學(xué)習(xí)使多層神經(jīng)網(wǎng)絡(luò)能夠通過抽象層自動(dòng)提取和學(xué)習(xí)目標(biāo)特征，并從圖像中檢測目標(biāo)對象。
Cheng KCC等分別使用機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法進(jìn)行晶圓缺陷檢測。他們使用邏輯回歸、支持向量機(jī)（SVM）、自適應(yīng)提升決策樹（ADBT）和深度神經(jīng)網(wǎng)絡(luò)來檢測晶圓缺陷。實(shí)驗(yàn)證明，深度神經(jīng)網(wǎng)絡(luò)的平均準(zhǔn)確率優(yōu)于上述機(jī)器學(xué)習(xí)算法，基于深度學(xué)習(xí)的晶圓檢測算法具有更好的性能。根據(jù)不同的應(yīng)用場景和任務(wù)需求，將深度學(xué)習(xí)模型分為分類網(wǎng)絡(luò)、檢測網(wǎng)絡(luò)和分割網(wǎng)絡(luò)。本節(jié)討論創(chuàng)新并比較每個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)模型的性能。
5.1. 分類網(wǎng)絡(luò)
分類網(wǎng)絡(luò)是較老的深度學(xué)習(xí)算法之一。分類網(wǎng)絡(luò)通過卷積、池化等一系列操作，提取輸入圖像中目標(biāo)物體的特征信息，然后通過全連接層，根據(jù)預(yù)設(shè)的標(biāo)簽類別進(jìn)行分類。網(wǎng)絡(luò)模型如圖 9?所示。近年來，出現(xiàn)了許多針對特定問題的分類網(wǎng)絡(luò)。在晶圓缺陷檢測領(lǐng)域，聚焦缺陷特征，增強(qiáng)特征提取能力，推動(dòng)了晶圓檢測的發(fā)展。
圖 9.分類網(wǎng)絡(luò)模型結(jié)構(gòu)圖
在晶圓制造過程中，幾種不同類型的缺陷耦合在晶圓中，稱為混合缺陷。這些類型的缺陷復(fù)雜多變且隨機(jī)性強(qiáng)，已成為半導(dǎo)體公司面臨的主要挑戰(zhàn)。針對這一問題，Wang J等提出了一種用于晶圓缺陷分類的混合DPR（MDPR）可變形卷積網(wǎng)絡(luò)（DC-Net）。他們設(shè)計(jì)了可變形卷積的多標(biāo)簽輸出和一熱編碼機(jī)制層，將采樣區(qū)域聚焦在缺陷特征區(qū)域，有效提取缺陷特征，對混合缺陷進(jìn)行分類，輸出單個(gè)缺陷，提高混合缺陷的分類精度。Kyeong和Kim為混合缺陷模式的晶圓圖像中的每種缺陷設(shè)計(jì)了單獨(dú)的分類模型，并通過組合分類器網(wǎng)絡(luò)檢測了晶圓的缺陷模式。作者使用MPL、SVM和CNN組合分類器測試了六種不同模式的晶圓映射數(shù)據(jù)庫，只有作者提出的算法被正確分類。Takeshi Nakazawa和Deepak V. Kulkarni使用CNN對晶圓缺陷圖案進(jìn)行分類。他們使用合成生成的晶圓圖像訓(xùn)練和驗(yàn)證了他們的CNN模型。此外，提出了一種利用模擬生成數(shù)據(jù)的方法，以解決制造中真實(shí)缺陷類別數(shù)據(jù)不平衡的問題，并達(dá)到合理的分類精度。這有效解決了晶圓數(shù)據(jù)采集困難、可用樣品少的問題。分類網(wǎng)絡(luò)模型對比如表3所示。
表3. 分類網(wǎng)絡(luò)模型比較| 算法 | 創(chuàng)新 | Acc |
|---|---|---|
| 直流網(wǎng)絡(luò) | 采樣區(qū)域集中在缺陷特征區(qū)域，該區(qū)域?qū)旌先毕菥哂蟹浅?qiáng)的魯棒性。 | 93.2% |
| 基于CNN的組合分類器 | 針對每個(gè)缺陷單獨(dú)設(shè)計(jì)分類器，對新缺陷模式適應(yīng)性強(qiáng)。 | 97.4% |
| 基于CNN的分類檢索方法 | 可以生成模擬數(shù)據(jù)集來解釋數(shù)據(jù)不平衡。 | 98.2% |
5.2. 目標(biāo)檢測網(wǎng)絡(luò)
目標(biāo)檢測網(wǎng)絡(luò)不僅可以對目標(biāo)物體進(jìn)行分類，還可以識(shí)別其位置。目標(biāo)檢測網(wǎng)絡(luò)主要分為兩種類型。第一種類型是兩級(jí)網(wǎng)絡(luò)，如圖10所示。基于區(qū)域提案網(wǎng)絡(luò)生成候選框，然后對候選框進(jìn)行分類和回歸。第二類是一級(jí)網(wǎng)絡(luò)，如圖11所示，即端到端目標(biāo)檢測，直接生成目標(biāo)對象的分類和回歸信息，而不生成候選框。相對而言，兩級(jí)網(wǎng)絡(luò)檢測精度更高，單級(jí)網(wǎng)絡(luò)檢測速度更快。檢測網(wǎng)絡(luò)模型的比較如表4所示。
圖 10.兩級(jí)檢測網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖
圖 11.一級(jí)檢測網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖
表4. 檢測網(wǎng)絡(luò)模型比較| 算法 | 創(chuàng)新 | Acc | Ap |
|---|---|---|---|
| PCACAE | 基于二維主成分分析的級(jí)聯(lián)輥類型自動(dòng)編碼。 | 97.27% | \ |
| YOLOv3-GAN | GAN增強(qiáng)了缺陷模式的多樣性，提高了YOLOv3的通用性。 | \ | 88.72% |
| YOLOv4 | 更新了骨干網(wǎng)絡(luò)，增強(qiáng)了 CutMix 和 Mosaic 數(shù)據(jù)。 | 94.0% | 75.8% |
Yu J等提出了一種基于二維主成分分析的卷積自編碼器的深度神經(jīng)網(wǎng)絡(luò)PCACAE，并設(shè)計(jì)了一種新的卷積核來提取晶圓缺陷特征。產(chǎn)品自動(dòng)編碼器級(jí)聯(lián)，進(jìn)一步提高特征提取的性能。針對晶圓數(shù)據(jù)采集困難、公開數(shù)據(jù)集少等問題，Ssu-Han Chen等首次采用生成對抗網(wǎng)絡(luò)和目標(biāo)檢測算法YOLOv3相結(jié)合的方法，對小樣本中的晶圓缺陷進(jìn)行檢測。GAN增強(qiáng)了缺陷的多樣性，提高了YOLOv3的泛化能力。Prashant P. SHINDE等提出使用先進(jìn)的YOLOv4來檢測和定位晶圓缺陷。與YOLOv3相比，骨干提取網(wǎng)絡(luò)從Darknet-19改進(jìn)為Darknet-53，并利用mish激活函數(shù)使網(wǎng)絡(luò)魯棒性。粘性增強(qiáng)，檢測能力大大提高，復(fù)雜晶圓缺陷模式的檢測定位性能更加高效。
5.3. 分段網(wǎng)絡(luò)
分割網(wǎng)絡(luò)對輸入圖像中的感興趣區(qū)域進(jìn)行像素級(jí)分割。大部分的分割網(wǎng)絡(luò)都是基于編碼器和解碼器的結(jié)構(gòu)，如圖12所示是分割網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖。通過編碼器和解碼器，提高了對目標(biāo)物體特征的提取能力，加強(qiáng)了后續(xù)分類網(wǎng)絡(luò)對圖像的分析和理解。在晶圓表面缺陷檢測中具有良好的應(yīng)用前景。
Takeshi Nakazawa等提出了一種深度卷積編碼器-解碼器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于晶圓缺陷圖案的異常檢測和分割。作者設(shè)計(jì)了基于FCN、U-Net和SegNet的三種編碼器-解碼器晶圓缺陷模式分割網(wǎng)絡(luò)，對晶圓局部缺陷模型進(jìn)行分割。晶圓中的全局隨機(jī)缺陷通常會(huì)導(dǎo)致提取的特征出現(xiàn)噪聲。分割后，忽略了全局缺陷對局部缺陷的影響，而有關(guān)缺陷聚類的更多信息有助于進(jìn)一步分析其原因。針對晶圓缺陷像素類別不平衡和樣本不足的問題，Han Hui等設(shè)計(jì)了一種基于U-net網(wǎng)絡(luò)的改進(jìn)分割系統(tǒng)。在原有UNet網(wǎng)絡(luò)的基礎(chǔ)上，加入RPN網(wǎng)絡(luò)，獲取缺陷區(qū)域建議，然后輸入到單元網(wǎng)絡(luò)進(jìn)行分割。所設(shè)計(jì)的兩級(jí)網(wǎng)絡(luò)對晶圓缺陷具有準(zhǔn)確的分割效果。Subhrajit Nag等人提出了一種新的網(wǎng)絡(luò)結(jié)構(gòu) WaferSegClassNet，采用解碼器-編碼器架構(gòu)。編碼器通過一系列卷積塊提取更好的多尺度局部細(xì)節(jié)，并使用解碼器進(jìn)行分類和生成。分割掩模是第一個(gè)可以同時(shí)進(jìn)行分類和分割的晶圓缺陷檢測模型，對混合晶圓缺陷具有良好的分割和分類效果。分段網(wǎng)絡(luò)模型比較如表5所示。
表 5.分割網(wǎng)絡(luò)模型比較| 算法 | 創(chuàng)新 | Acc |
|---|---|---|
| FCN | 將全連接層替換為卷積層以輸出 2D 熱圖。 | 97.8% |
| SegNe | 結(jié)合編碼器-解碼器和像素級(jí)分類層。 | 99.0% |
| U-net | 將每個(gè)編碼器層中的特征圖復(fù)制并裁剪到相應(yīng)的解碼器層。 | 98.9% |
| WaferSegClassNet | 使用共享編碼器同時(shí)進(jìn)行分類和分割。 | 98.2% |
第6章 結(jié)論與展望
隨著電子信息技術(shù)的不斷發(fā)展和光刻技術(shù)的不斷完善，晶圓表面缺陷檢測在半導(dǎo)體行業(yè)中占有重要地位，越來越受到該領(lǐng)域?qū)W者的關(guān)注。本文對晶圓表面缺陷檢測相關(guān)的圖像信號(hào)處理、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方面的研究進(jìn)行了分析和總結(jié)。早期主要采用圖像信號(hào)處理方法，其中小波變換方法和空間濾波方法應(yīng)用較多。機(jī)器學(xué)習(xí)在晶圓缺陷檢測方面非常強(qiáng)大。k-最近鄰（KNN）、決策樹（Decision Tree）、支持向量機(jī)（SVM）等算法在該領(lǐng)域得到廣泛應(yīng)用，并取得了良好的效果。深度學(xué)習(xí)以其強(qiáng)大的特征提取能力為晶圓檢測領(lǐng)域注入了活力。最新的集成電路制造技術(shù)已經(jīng)發(fā)展到4 nm，預(yù)測表明它將繼續(xù)朝著更小的規(guī)模發(fā)展。然而，隨著這些趨勢的出現(xiàn)，晶圓上表面缺陷的復(fù)雜性也將增加，對模型的可靠性和魯棒性提出了更嚴(yán)格的挑戰(zhàn)。因此，對這些缺陷的分析和處理對于確保集成電路的高質(zhì)量制造變得越來越重要。雖然在晶圓表面缺陷分析領(lǐng)域取得了一些成果，但仍存在許多問題和挑戰(zhàn)。
1、晶圓缺陷的公開數(shù)據(jù)集很少。由于晶圓生產(chǎn)和貼標(biāo)成本高昂，高質(zhì)量的公開數(shù)據(jù)集很少，為數(shù)不多的數(shù)據(jù)集不足以支撐訓(xùn)練?？梢钥紤]創(chuàng)建一個(gè)合成晶圓缺陷數(shù)據(jù)庫，并在現(xiàn)有數(shù)據(jù)集上進(jìn)行數(shù)據(jù)增強(qiáng)，為神經(jīng)網(wǎng)絡(luò)提供更準(zhǔn)確、更全面的數(shù)據(jù)樣本。由于梯度特征中缺陷類型的多功能性，可以使用遷移學(xué)習(xí)來解決此類問題，主要是為了解決遷移學(xué)習(xí)中的負(fù)遷移和模型不適用性等問題。目前尚不存在靈活高效的遷移模型。利用遷移學(xué)習(xí)解決晶圓表面缺陷檢測中幾個(gè)樣品的問題，是未來研究的難題。
2、在晶圓制造過程中，不斷產(chǎn)生新的缺陷，缺陷樣本的數(shù)量和類型不斷積累。使用增量學(xué)習(xí)可以提高網(wǎng)絡(luò)模型對新缺陷的識(shí)別準(zhǔn)確率和保持舊缺陷分類的能力。也可作為擴(kuò)展樣本法的研究方向。
3、隨著技術(shù)進(jìn)步的飛速發(fā)展，芯片特征尺寸越來越小、越來越復(fù)雜，導(dǎo)致晶圓中存在多種缺陷類型，缺陷相互折疊，導(dǎo)致缺陷特征不均勻、不明顯。增加檢測難度。多步驟、多方法混合模型已成為檢測混合缺陷的主流方法。如何優(yōu)化深度網(wǎng)絡(luò)模型的性能，保持較高的檢測效率，是一個(gè)亟待進(jìn)一步解決的問題。
4、在晶圓制造過程中，不同用途的晶圓圖案會(huì)產(chǎn)生不同的缺陷。目前，在單個(gè)數(shù)據(jù)集上訓(xùn)練的網(wǎng)絡(luò)模型不足以識(shí)別所有晶圓中用于不同目的的缺陷。如何設(shè)計(jì)一個(gè)通用的網(wǎng)絡(luò)模型來檢測所有缺陷，從而避免為所有晶圓缺陷數(shù)據(jù)集單獨(dú)設(shè)計(jì)訓(xùn)練模型造成的資源浪費(fèi)，是未來值得思考的方向。
5、缺陷檢測模型大多為離線模型，無法滿足工業(yè)生產(chǎn)的實(shí)時(shí)性要求。為了解決這個(gè)問題，需要建立一個(gè)自主學(xué)習(xí)模型系統(tǒng)，使模型能夠快速學(xué)習(xí)和適應(yīng)新的生產(chǎn)環(huán)境，從而實(shí)現(xiàn)更高效、更準(zhǔn)確的缺陷檢測。
原文鏈接:Electronics | Free Full-Text | Review of Wafer Surface Defect Detection Methods (mdpi.com)
