与全球和本地代表的对比学习,用于混合型晶圆缺陷识别
Shantong Yin1, Yangkun Zhang1, Rui Wang1
1School of Mechanical Engineering and Automation, Harbin Institute of Technology, Shenzhen 518055, China.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
本研究介绍了一种自我监督的对比学习框架,用于识别半导体晶圆缺陷模式. 该模型有效地分类和细分混合缺陷,即使有有限的标记数据,提高效率和质量.
科学领域:
- 半导体制造业 半导体制造业
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 半导体晶圆箱地图 (WBM) 呈现出复杂的缺陷模式,对于集成电路 (IC) 制造至关重要.
- 准确的缺陷分类和细分对于根本原因分析,成本降低和质量提升至关重要.
- 传统的监督方法难以处理复杂的WBM,需要大量的手动标签.
研究的目的:
- 开发一种自我监督的学习框架,用于分类和细分混合型WBM缺陷模式.
- 解决复杂WBM的挑战和劳动密集型监督学习的局限性.
- 提高IC制造中缺陷识别的效率和准确性.
主要方法:
- 提出了一个新的自我监督的对比学习框架.
- 该模型集成了一个用于图像层次表示的全球模块和一个用于区域细节理解的本地模块.
- 这种方法可以从标记和未标记的WBM数据中进行有效的学习.
主要成果:
- 拟议的框架在分类和细分混合WBM缺陷模式方面表现强.
- 即使使用有限数量的标记样本,也可以实现有效的缺陷识别.
- 模型处理复杂,共存的缺陷模式的能力得到了突出强调.
结论:
- 自主监督的对比学习为WBM缺陷模式识别提供了一个可行的解决方案.
- 双模块方法提高了分类和细分能力.
- 这种方法减少了对大型标记数据集的依赖,使其适用于IC行业.


