半导体制造中AI缺陷检测的技术与应用

20XX/XX/XX半导体制造中AI缺陷检测的技术与应用汇报人:XXXCONTENTS目录01

分享引言：为什么关注该领域02

半导体缺陷检测基础认知03

AI缺陷检测的核心技术路径04

AI缺陷检测的落地应用场景CONTENTS目录05

当前行业落地的现存问题06

AI缺陷检测的行业发展趋势07

给微电子专业学生的建议分享引言：为什么关注该领域01半导体制造的核心需求

芯片性能升级随着消费电子和算力需求提升，行业对更小制程、更高集成度芯片的需求持续增长。

良率提升降本芯片制造工艺复杂，每一步缺陷都可能导致良率下降，提升良率是控制成本关键。

生产效率提高台积电、三星等头部厂商加快产能扩张，高效缺陷检测能缩短生产周期提升产出。AI给缺陷检测带来的变革检测效率提升传统人工检测速度慢产能低，AI缺陷检测可实现晶圆级在线高速检测，匹配大规模量产需求。微小缺陷识别AI算法可捕捉纳米级缺陷特征，能识别人眼和传统仪器难以发现的微小缺陷，提升检出率。降本增效优化AI缺陷检测可减少人工检测岗位配置，降低人力成本，同时降低漏检错检带来的生产损耗。半导体缺陷检测基础认知02按缺陷尺寸分类按尺寸可分为宏观缺陷、微观缺陷和纳米级缺陷，芯片划痕属于典型的宏观缺陷。按缺陷出现位置分类可分为表面缺陷和体内缺陷，常见的表面缺陷有晶圆表面颗粒污染和划痕。按缺陷形成原因分类可分为原生缺陷和工艺诱导缺陷，离子注入偏差引发的缺陷属于典型工艺诱导缺陷。半导体缺陷的定义与分类传统缺陷检测技术的局限

人工检测效率瓶颈半导体晶圆缺陷微小密集，人工检测速度慢误差大，无法满足当前大规模量产的产能需求。

规则算法适配性差基于固定规则的检测算法，对新型隐形缺陷识别能力弱，难以适配不断迭代的芯片制程。

微小缺陷识别精度不足传统光学检测对纳米级制程的暗缺陷、边缘缺陷漏检率高，无法满足先进芯片的良率要求。AI缺陷检测的核心技术路径03基于传统机器学习的方法

手工特征提取与分类通过SIFT、HOG算法提取半导体缺陷纹理轮廓特征，输入SVM分类器完成缺陷识别分类。

统计建模检测法基于正常晶圆纹理建立高斯统计模型，通过对比像素偏差阈值判断半导体表面是否存在缺陷。

传统聚类分割法利用K-means聚类算法对半导体图像像素特征分组，将缺陷区域与正常晶圆背景分割开。监督学习缺陷检测利用已标注的缺陷样本训练模型，典型应用如台积电缺陷分类模型，可精准识别已知缺陷。无监督异常检测仅通过正常样本训练，就能发现未知缺陷，广泛应用于面板厂商新品缺陷初检场景。半监督缺陷检测结合少量标注样本与大量未标注样本训练，平衡了检测精度与标注成本，在中芯国际量产线应用。基于深度学习的检测方案小样本缺陷检测优化技术

数据增强优化法通过GAN生成多样化的虚拟缺陷样本，扩充训练数据集，缓解半导体缺陷样本不足的问题。

迁移学习适配法将自然图像缺陷检测预训练模型迁移到半导体缺陷场景，微调参数适配小样本训练需求。

元学习训练法通过多任务小样本训练学习泛化特征，让模型快速适应新类型半导体缺陷的检测任务。实时检测的工程化加速方案

轻量化模型剪枝蒸馏英伟达TensorRT加速缺陷检测模型时，通过剪枝冗余参数降低计算量，提升推理速率。

硬件底层算子优化台积电缺陷检测产线中，基于ASIC硬件定制AI算子，减少数据搬移损耗加速检测。

多流水线并行处理中芯国际晶圆检测中，采用多流水线并行拆分任务，将单张检测时延压缩至毫秒级。多模态融合检测技术路径

图像-语义特征融合将光学图像特征与缺陷标注语义特征结合，可提升细小划痕类缺陷的识别准确率，台积电已落地试点。

多传感器数据融合融合光学成像、超声扫描等多传感器缺陷数据，能检测芯片内部隐缺陷，三星先进制程已应用该方案。

多尺度特征融合融合神经网络浅层细节特征与深层语义特征，可同时识别微小颗粒和大面积划痕缺陷，中芯国际已测试应用。AI缺陷检测的落地应用场景04光刻环节AI缺陷检测ASML推出搭载AI缺陷检测的光刻机，可快速识别极紫外光刻产生的微小图案缺陷。晶圆蚀刻环节缺陷检测台积电在7nm制程蚀刻工序中应用AI检测，可精准捕捉侧壁粗糙、过蚀等缺陷。晶圆抛光环节缺陷检测应用材料公司的AI检测系统可识别化学机械抛光产生的划痕、凹陷等缺陷。晶圆制造环节缺陷检测芯片封装环节缺陷检测

引脚焊接缺陷识别AI视觉检测可快速识别芯片引脚虚焊、偏焊、缺焊问题，已被英特尔用于处理器封装出厂检测。

封装外壳缺陷检测AI能检出封装外壳划痕、裂纹、变形等外观缺陷，台积电已应用该技术提升芯片封装良率。

键合工艺缺陷检测AI可检测引线键合中引线偏移、断线问题，三星电子已用这项技术优化存储芯片封装流程。面板制造缺陷检测应用01玻璃基板划痕检测京东方产线引入AI视觉检测系统，可快速识别微米级玻璃基板划痕，检出率比人工提升30%。02偏光片异物检测TCL华星利用AI缺陷检测，能精准捕捉偏光片表面微小附着异物，降低面板漏检率。03OLED像素点缺陷检测三星显示通过AI算法识别OLED面板暗点、亮点缺陷，分类精度可达99.5%以上，提升良率。先进封装良率提升应用微凸点缺陷检测英特尔在3D封装生产中，用AI检测10微米以下微凸点的裂纹、偏移缺陷，漏检率降低92%。RDL布线缺陷识别台积电在CoWoS封装制造中，AI快速识别再布线层的开路、短路缺陷，检测效率提升4倍。翘曲缺陷预测三星在Fan-out封装工艺中，AI提前预测塑封层翘曲缺陷，将整批良率提升了8.7个百分点。当前行业落地的现存问题05小众缺陷样本标注成本高半导体产品中部分小众缺陷出现概率低，样本少，标注需专业人员，拉高了整体标注成本。高精度标注人力成本高半导体缺陷标注对精度要求严苛，需专业工程师参与，人工成本远高于普通AI项目标注。跨场景标注复用成本高不同产线、不同芯片制程的缺陷特征差异大，原有标注数据难以复用，需重新标注。标注数据获取成本较高模型泛化能力待提升

跨产品泛化不足不同芯片产品的缺陷特征差异大，训练好的模型换产品后检测准确率大幅下降，需重新标注数据。

跨场景泛化不足同一产品不同产线、不同设备的成像存在差异，实验室训练模型上线工厂后检出率明显下滑。

对新型缺陷泛化不足工艺升级产生的新型缺陷样本量少，现有模型对未见过的缺陷类型识别能力差，漏检率高。AI缺陷检测的行业发展趋势06大模型落地缺陷检测方向

小样本快速建模适配新场景工业缺陷样本少，大模型通过预训练只需少量新样本即可快速部署，台积电已试点该方案。

多类型缺陷统一检测框架大模型可覆盖划痕、偏移、异物等多类缺陷，三星用统一框架替代了原多套分立检测系统。

边缘端轻量化大模型部署通过模型压缩、量化技术实现大模型在产线边缘设备部署，中芯国际已完成产线测试。端侧轻量化推理优化半导体厂商将缺陷检测大模型轻量化裁剪后部署在端侧检测设备，降低数据传输带宽需求。边侧集群化调度协同台积电在14nm生产线部署边缘计算集群，统一调度多条产线检测任务，提升响应效率。云侧模型迭代训练更新企业将端边收集的缺陷样本汇总到云端训练更新模型，再下发更新，持续提升检测精度。端边云协同检测架构演进全流程自动化检测整合

前道晶圆制造缺陷全链路整合台积电已实现AI检测整合刻蚀、沉积环节，可实时捕捉晶圆表面微小缺陷，缩短检测周期。

后道封装测试检测环节整合英特尔将AI检测整合进切割、键合全流程，可同步识别引脚偏移、封装裂纹多类缺陷。

跨设备检测数据协同整合中芯国际打通不同检测设备数据壁垒，依托AI实现全流程缺陷数据联动分析，提升漏检排查效率。给微电子专业学生的建议07核心能力储备方向

半导体制造基础能力掌握晶圆制造、光刻蚀刻等核心制造流程，理解缺陷产生的底层物理机理。

AI算法实践能力学习计算机视觉基础算法，参与公开晶圆缺陷数据集的算法调优实践项目。

跨领域融合能力同时深耕微电子制造专业知识与AI技术，避免单一领域知识局限行业需求。相关就业岗位方向

AI算法研发工程师任职于半导体设备厂商，负责训练半导体缺陷检测