晶圆宏观缺陷检测与分类
缺陷检测是晶圆（芯片）制造过程不可或缺的一部分。它可以在整个过程中进行缺陷检测和分类，以提高晶圆厂的良率（已加工晶圆总数中合格芯片的数量）。每个检测到的缺陷都被视为某些过程故障的指示。这意味着缺陷本身不能在其晶片出现时修复。工艺工程师应纠正工艺本身，以避免此类缺陷。
典型的晶圆缺陷是（每个缺陷按其原因分类）：
1. EBR太宽（去除边缘 胶粒）
2.曝光不均匀
3.溶剂滴落
4.残留物
5.条纹
6.热点
7. 划痕或阵列放置
8.抵抗气泡
9.场倾斜
10.彗星（划痕）
11.颗粒
12.偏离中心的抗蚀剂分配
13.（宏观）剥离
14.（宏观）刮擦
15.（宏观）大颗粒
一旦检测到缺陷，就需要对其进行分类，以便能够对制造过程进行校正。分类基于缺陷属性，例如特定的图案，几何形状等。一些缺陷是较大的情况的一部分，例如晶圆划痕。在这种情况下，一组小的局部缺陷会形成较大的事件（缺陷）。预分类分组对于确保准确的缺陷报告至关重要。在晶片上出现的，作为一组小的局部缺陷的缺陷称为宏观缺陷。如此处定义，它们的大小（差异幅度）比基于局部单次出现的缺陷大。
晶圆缺陷扫描仪现已上市，由高端制造商制造。这种扫描仪是高度精确的多学科机器（电光计算机化）。他们使用各种显微镜和照明技术来检测当今最具挑战性的技术（小至10nM）中的晶圆缺陷。该检测基于相邻染料或细胞的像素比较。这样的高分辨率扫描仪非常昂贵，并且（由于使用了高分辨率），扫描整个晶片的过程过慢。这导致了基于采样的缺陷检测操作：简单地说，并不是检查每个晶片。
微小（与芯片相关）的缺陷
近年来，出现了其他类型的缺陷检测扫描仪。他们是Macro缺陷扫描仪。它们旨在处理大规模（宏观）缺陷。通常，扫描仪能够在单个FOV（视场）中扫描晶圆。它们相对便宜，相对复杂（相对于高端缺陷扫描仪），易于操作且具有更快的操作周期（即，完整的晶圆扫描所花费的时间要少得多）。他们可以检测到较大的缺陷，但不能检测出局部的小的缺陷。
宏缺陷扫描具有其自身的功能和优点。由于快速扫描，可以检查每个晶片。通常，该操作更简单，并且不需要复杂的配方。由于基本结构仅由显微镜，照相机和某些处理装置组成，因此许多公司进入了该市场，并提供了许多产品。
Macro晶圆缺陷也需要自动缺陷检测和分类。在这种情况下，可以使用经典的检测方法（请参阅上面的像素比较）。但是，用于缺陷分类的深度学习技术也可以用于检测过程本身。这是由于这样的事实，与高分辨率扫描相反，我们拥有完整的FOV：可以训练深度学习分类器根据宏缺陷的图像签名来检测宏缺陷。借助深度学习，整个操作更快，更准确。
的CNN分类被训练为每个缺陷类型一大组样品。它们应包含许多局部晶圆元件上的宏观缺陷实例。例如，晶圆划痕（一种宏晶圆缺陷）正越过晶圆元件，如金属走线，硅垫片等。对于晶片制造的所有中间步骤，包括样品很重要。同样，重新培训对于确保分类器能够正常运行并使用新客户的新设计至关重要。基于深度学习的缺陷分类提供了没有人为错误的分类。
CNN被配置为处理低分辨率图像，以保持合理的性能：例如300×300像素的图像。CNN由4个具有线性激活的卷积层组成。跟随具有S型激活的FC（完全连接）层。根据需要可以添加其他FC层。最后一层是提供分类的SoftMax。
深圳秘银科技是深度学习技术和晶圆检测领域的专家；我们已经成功地为VLSI（晶圆）设备制造商完成了许多计算机视觉项目。
