[發明專利]晶圓缺陷分類方法、裝置、系統、電子設備和存儲介質

在審

• 申請號: 202110477848.3
• 申請日: 2021-04-30
• 公開（公告）號: CN113077462A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 沈劍;劉迪;唐磊;胡逸群;陳建東
• 申請（專利權）人: 上海眾壹云計算科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 重慶恩洲知識產權代理事務所(特殊普通合伙) 50263
• 代理人: 蘭渝宏;熊傳亞

本發明涉及一種晶圓缺陷分類方法，其通過多個對待分類晶圓缺陷圖案進行無監督學習聚類，得到多組晶圓缺陷組，并從每組中選擇相應數量的待分類晶圓缺陷圖案與缺陷圖案參考樣本進行匹配，若匹配則將對應組內所有的待分類晶圓缺陷圖案判定為相應類別的晶圓缺陷。本發明的分類方法無需大量的訓練樣本數據量，也無需進行模型訓練，大大降低了設備的時間資源和計算資源，一定程度上降低了生產成本并提高了生產效率。相應地，本發明還提供了一種晶圓缺陷分類裝置、系統及計算機可讀存儲介質。

技術領域

本發明涉及半導體制造技術領域，尤其涉及一種基于無監督學習的晶圓缺陷分類方法及裝置、系統、電子設備和計算機可讀存儲介質。

背景技術

在半導體晶圓制作中，拉單晶、切片、磨片、拋光、增層、光刻、摻雜、熱處理、針測以及劃片……一系列過程中，化學氣相沉淀、光學顯影、化學機械研磨在這一過程中都可能使晶圓表面產生缺陷，而晶圓上缺陷會直接影響工作壽命和可靠性。晶圓缺陷識別通常分為缺陷檢測和缺陷分類兩個步驟。傳統的缺陷檢測算法通過對比待檢測圖案和參考圖案，選取兩者差異區域作為圖案缺陷。傳統的缺陷分類算法需要先在晶圓圖案中提取特征，再將提取的特征作為分類器的輸入，從而進行模式識別。上述方法主要存在以下2個問題：1)傳統缺陷檢測算法提取出的局部特征無法有效表示特定問題中的不同類型缺陷；2)傳統缺陷檢測分類算法的魯棒性弱，需要根據新的問題重新設計整個識別模型。

隨著機器學習技術的發展，各種識別器被廣泛用于晶圓圖缺陷識別并獲得了較好的效果，例如，監督識別分類方法：反向傳播網絡(back-propagation network，BPN)[6]、廣義回歸神經網絡(general regression neural network，GRNN)[7]、支持向量機(SVM)[8-9]、隨機化廣義回歸網絡(randomized general regression network)[10]、K-臨近算法(K-nearest-neighbor，KNN)[11]、決策樹(CART4.5)[12]、高斯混合模型[13]、多特征決策樹集成[14]、均值標準集成方法[15]等；以及基于深度學習的特征提取方法：卷積神經網絡(CNN)。由于卷積神經網絡通過引入卷積核結構，有效解決了不同領域的圖案分類和目標識別問題，因此，卷積神經網絡是目前較為常用的晶圓缺陷分類方法之一。

然而，將卷積神經網絡模型，如CNN算法，廣泛應用到晶圓缺陷檢測和分類領域還存在以下問題：

1)訓練模型的樣本數據量難以達到。在卷積神經網絡進行芯片缺陷識別的過程中，需要先對卷積神經網絡模型進行訓練，從而得到能夠進行缺陷識別的模型。然而，在訓練過程中，需要大量的缺陷圖案以及對應的缺陷類型，數據集樣本量通常達到幾萬甚至幾十萬。但實際生產中，由于線上產生的缺陷圖片數量有限，以及晶圓缺陷檢測問題的特殊性，因此，訓練模型的缺陷數量樣本量很難達到萬級，并且各個工廠之間并不會共享各自的缺陷數據，也會產生不同類型的缺陷，故而，難以滿足深度卷積神經網絡訓練數據需求量大的特點。若用于訓練的缺陷圖案數量不足，則會影響模型的準確性。

2)大量數據集自然會帶來標注的困難，據統計，標記單張圖案中的單個物體類別大約需要2到3秒的時間，但實際應用中的數據集往往包含上千上萬張圖片，整個標注過程就會變得格外漫長。尤其是在涉及到細粒度分類和多標簽分類任務時，標注成本會隨著目標數量、可辨識難度呈指數級增長。

3)由于不同工廠所產生的缺陷類型不盡相同，因此，即時根據已知缺陷類型的數據集進行訓練得到相應的分類器，該分類器也沒有通用性，也即是說，不同的工廠需要構建不同的數據集，從而訓練不同的分類器以進行缺陷分類，進一步上增加了生產制造成本。

4)整個深度神經網絡架構訓練過程不易擬合，需要大量的時間資源和計算資源。

基于上述的問題，目前無法廣泛地將卷積神經網絡模型，如CNN算法，等應用到晶圓缺陷檢測和分類領域。有鑒于此，為了避免涉及大量的樣本量的獲取和模型訓練，本公開文本提出一種新的晶圓缺陷分類方法。

發明內容