解决半导体制造中长期存在的难题——一种用于检测晶圆缺陷的精细算法

Josiah02

《国际信息与通信技术杂志》上发表的研究可能很快就能帮助解决半导体制造领域长期存在的挑战：准确检测硅片上的表面缺陷。晶体硅是生产集成电路的关键材料，为了为日常电子产品和先进的汽车系统提供计算能力，在硅表面印刷电路的微观特征之前，晶体硅需要尽可能保持纯净。
当然，没有任何制造技术是完美的，制造半导体芯片的复杂过程不可避免地会导致硅片上出现一些缺陷。这会减少一批芯片中可用的芯片数量，并导致生产线产量中一小部分但相当大比例的失败。
发现硅片缺陷的常用方法是人工操作，即人工操作员用肉眼检查每个硅片。这​​既耗时又容易出错，因为需要非常注意细节。随着全球硅片产量不断增加以满足需求，缺陷本身也越来越难以用肉眼发现，这种方法的局限性也变得更加明显。
中国湖南省株洲市湖南铁道职业技术学院的汤晨、尹丽杰和谢永超解释说，自动检测系统已经成为一种可能的解决方案。这些系统在大规模生产环境中也存在效率和准确性问题。因此，该团队转向深度学习，特别是卷积神经网络(CNN)，以改进晶圆缺陷检测。
研究人员解释说，CNN 在图像识别方面表现出了巨大的潜力。他们现在已经证明，这可以用来识别硅片表面的微小不规则性。“你只看一次”系列物体检测算法以能够平衡准确性和检测速度而闻名。
湖南团队在 YOLOv7 算法的基础上更进一步，解决了晶圆缺陷检测中面临的具体问题。这项工作的主要创新之处在于使用 SPD-Conv，这是一种专门的卷积运算，可以增强算法从硅片图像中提取精细细节的能力。此外，研究人员还在模型中加入了卷积块注意模块 (CBAM)，以使系统能够更专注于人工检查或其他算法经常忽略的较小缺陷。
在用于评估晶圆缺陷检测系统的标准数据集 (WM-811k) 上进行测试时，该团队改进的 YOLOv7 算法实现了 92.5% 的平均准确率和 94.1% 的召回率。它以每秒 136 张图像的速度快速完成这一任务，这比早期的系统更快。