一种基于深度学习网络的晶圆表面缺陷分类方法技术

本发明专利技术提出一种基于深度学习网络的晶圆表面缺陷分类方法，该方法可以快速准确的判断出晶圆表面缺陷模式，定位其缺陷模式成因。该方法旨在解决晶圆缺陷检测方法中人工强度大，检测效率低等问题。具体流程包括：根据WM

【技术实现步骤摘要】
一种基于深度学习网络的晶圆表面缺陷分类方法


[0001]本专利技术涉及工业生产过程中的晶圆表面缺陷检测分类
，具体为一种基于深度学习网络的晶圆表面缺陷分类方法。

技术介绍

[0002]半导体行业是信息技术时代的核心产业，也是支持现今的科技革命，加快相关高科技产业变革的重要支柱产业，具有基础性、先导性的特点。对制造业而言，产量与质量的同步发展情况是决定制造企业在市场竞争中能否成功生存、有多少竞争力的主要因素。产品良率在很大程度上影响着制造的成本、利润和竞争力，良率越高则生产所需的单位成本越低，企业的市场竞争力越强。高良率是半导体制造业在激烈的市场竞争环境中始终追求的重要目标之一。
[0003]晶圆制造具有上百道工序，是个非常精密的过程，其中任何一个步骤出现问题，都会造成晶圆缺陷，具有缺陷的晶圆芯片会被淘汰，不会进入下一个制程，以免徒增制造成本。同时，晶圆产生的缺陷会在晶圆图中呈现特定的空间图案，这些空间图案包含了晶圆在制造层面发生的异常信息，如薄膜沉积问题、蚀刻问题、清洗不均匀、紫外线曝光不均匀、晶圆物料运输过程被刮坏或晶圆处理不当等问题。传统的晶圆检测分类依靠人工检测，人工检测方法主观性强，效率低，速度慢，基于深度学习的晶圆缺陷分类代替人工分类更加的快速准确，避免错误分类，可以节省大量的劳动力。

技术实现思路

[0004]本专利技术旨在提出一种基于深度学习网络的晶圆表面缺陷分类方法，该方法能够应用到晶圆生产制造过程中。传统的晶圆检测分类依靠人工检测，人工检测方法主观性强，效率低，速度慢，基于深度学习的晶圆缺陷分类方法代替人工分类更加的快速准确，避免错误分类，可以节省大量的劳动力。
[0005]一种基于深度学习网络的晶圆表面缺陷分类方法，本专利技术具体工作流程如下：
[0006]步骤1，基于晶圆数据集，将数据集中的晶圆特征矩阵转化为晶圆图；根据晶圆数据集(例如WM
‑
811K数据集)，构建并训练晶圆缺陷检测及分类模型。缺陷检测模型基于LeNet
‑
5经典网络进行改进，损失函数设置为交叉熵函数，无缺陷晶圆图标记为0，有缺陷晶圆图标记为1，判断数据集样本是否存在缺陷模式。缺陷分类模型基于ResNet网络的残差块进行网络模型设计，判断晶圆缺陷模式，引入可分离卷积，减少模型参数，加快网络训练速度；引入注意力机制，提高模型准确度。
[0007]步骤2，预处理与数据增强模型，对数据集样本进行数据扩充和标准化，归一化处理；基于步骤1中的WM
‑
811K数据集，对数据集进行标准化和归一化处理，同时对数据集进行扩增，提高分类精度，解决类不平衡问题。
[0008]步骤3，构建晶圆缺陷检测模型并进行训练，利用该模型判断晶圆图是否存在缺陷，无缺陷晶圆图标记为0，有缺陷晶圆图标记为1。缺陷检测模型是基于LeNet
‑
5经典网络
改进而成，网络结构包含输入层，卷积层，池化层，全连接层以及Sigmoid分类输出层，损失函数设置为交叉熵函数，激活函数采用ReLU函数。
[0009]步骤4，构建晶圆缺陷分类模型并进行训练，将步骤三中所有标记为1的晶圆图输入晶圆缺陷分类模型中进行训练，利用该模型判断晶圆缺陷模式类别。在模型构建时，采用N
‑
triplet损失函数代替交叉熵损失函数，解决交叉熵损失函数一定的局限性问题。同时引入CBAM注意力机制，使得网络模型更多的关注感兴趣区域，忽略无用信息，提高模型准确度；
[0010]所述的缺陷分类模型是基于ResNet网络的残差块设计得到，网络结构包含卷积层(Conv Layer)，卷积块层(Conv Block)，残差块层(Residual Block)，全局平均池化层(Global Average Pooling)和全连接层(Dense Layer)，损失函数设置为N
‑
triplet函数，引入CBAM注意力机制，激活函数采用ReLU函数。
[0011]步骤5，基于步骤四训练好的网络模型，将待测样本输入网络模型，通过分析已知缺陷样本的缺陷成因，判断待测样本的缺陷成因。
[0012]基于步骤3和步骤4构建的晶圆缺陷检测与分类模型，提取输出层的晶圆图缺陷特征，将待测样本的缺陷模式与已知样本的缺陷模式进行对比，通过对已知样本缺陷模式的分析，判断其缺陷成因，从而判断待测样本缺陷成因，不断优化工艺流程，提高下一批次的晶圆产品良率。
[0013]步骤2中，要对数据集进行预处理操作，将数据集中的晶圆特征矩阵转化为晶圆缺陷模式图。将数据集进行扩增处理，再进行标准化和归一化处理。该专利技术采用卷积自编码器(CAE,Convolutional Autoencoder)技术，根据公式(1)进行图像扩增，解决数据集类不平衡问题。最后进行图像标准化和归一化，将选定的晶圆图图像尺寸统一缩放到256
×
256，图像像素限制在(0，1)之间。
[0014][0015]公式(1)中，m为数据集样本扩充个数，M为原始晶圆数据集样本总数，N为数据集样本类别数，p为原始数据集中各类样本所占比例。
[0016]卷积自编码器由编码器和解码器组成，编码器由一个卷积层和一个池化层组成，解码器只包括一个反卷积层。预处理与数据增强模型基于PyTorch框架搭建，具体模型结构如下表所示：
[0017][0018]步骤3中，晶圆缺陷检测模型包含三个卷积层和两个全连接层，卷积层的卷积核大小为3
×
3，步长为1
×
1，激活函数为ReLU，每个卷积层后采用最大池化层进行下采样，大小
为3
×
3，步长为1
×
1，第二层全连接层采用Sigmoid激活函数激活输出，为防止过拟合，全连接层后进行Dropout操作，Dropout概率设置为0.5。缺陷检测模型基于PyTorch框架搭建，具体模型结构如下表所示：
[0019]LayerParametersConv2d_1conv_kernel_size＝3
×
3,stride＝1
×
1,ReLU,max_pool_size＝3
×
3,stride＝1
×
1Conv2d_2conv_kernel_size＝3
×
3,stride＝1
×
1,ReLU,max_pool_size＝3
×
3,stride＝1
×
1Conv2d_3conv_kernel_size＝3
×
3,stride＝1
×
1,ReLU,max_pool_size＝3
×
3,stride＝1
×
1Dense_1DropoutDense_2Sigmoid
[0020]步骤4中，晶圆缺陷分类模型包含两个卷积层，两个卷积块层，两个残差块层和两个全连接层。其中卷积块层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络的晶圆表面缺陷分类方法，其特征在于，所述方法包括如下几个步骤：步骤一，基于晶圆数据集，将数据集中的晶圆特征矩阵转化为晶圆图；步骤二，构建预处理与数据增强模型，对数据集样本进行数据扩充和标准化，归一化处理；步骤三，构建晶圆缺陷检测模型并进行训练，利用该模型判断晶圆图是否存在缺陷，无缺陷晶圆图标记为0，有缺陷晶圆图标记为1；步骤四，构建晶圆缺陷分类模型并进行训练，将步骤三中所有标记为1的晶圆图输入晶圆缺陷分类模型中进行训练，利用该模型判断晶圆缺陷模式类别；在模型构建时，采用N
‑
triplet损失函数代替交叉熵损失函数，解决交叉熵损失函数一定的局限性问题；同时引入CBAM注意力机制，使得网络模型更多的关注感兴趣区域，忽略无用信息；步骤五，基于步骤四训练好的网络模型，将待测样本输入网络模型，通过分析已知缺陷样本的缺陷成因，判断待测样本的缺陷成因。2.如权利要求1所述的一种晶圆表面缺陷模式检测与分析方法，其特征在于，步骤二具体如下：采用卷积自编码器(CAE)技术，根据公式1进行图像扩增；卷积自编码器由编码器和解码器组成，编码器由一个卷积层和一个池化层组成，解码器只包括一个反卷积层；模型基于PyTorch框架搭建；公式(1)中，m为数据集样本扩充个数，M为原始晶圆数据集样本总数，N为数据集样本类别数，p为原始数据集中各类样本所占比例。3.如权利要求1所述的一种晶圆表面缺陷模式检测与分析方法，其特征在于，步骤三具体如下：模型基于PyTorch框架搭建，晶圆缺陷检测模型包含三个卷积层和两个全连接层，卷积层的卷积核大小为3
×
3，步长为1
×
1，激活函数为ReLU，...

【专利技术属性】
技术研发人员：周建军，陈森柳，邱权，董然，黄少坡，韦家成，邵阳，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：