[发明专利]用于检测半导体装置中的缺陷的方法

权利要求书

1.一种用于检测半导体装置中的缺陷的方法，所述方法包括：

使用从第一数据集提取的采样的干净数据集对预训练卷积神经网络模型进行预训练；

使用第一数据集的第一数据和预训练卷积神经网络模型来训练正常卷积神经网络模型和标签噪声卷积神经网络模型；

使用第二数据集的第二数据和正常卷积神经网络模型来输出关于第二数据是好还是坏的第一预测结果；

使用第二数据和标签噪声卷积神经网络模型来输出关于第二数据是好还是坏的第二预测结果；

将第一预测结果与第二预测结果进行比较，以在存在标签差异时执行噪声校正；

将作为噪声校正的结果创建的第三数据添加到采样的干净数据集，以更新采样的干净数据集；以及

使用更新的采样的干净数据集对正常卷积神经网络模型和标签噪声卷积神经网络模型进行附加地训练。

2.根据权利要求1所述的方法，其中，在存在标签差异时执行噪声校正的步骤包括：

使用针对标签差异而创建的注意力图来确定第二数据中是否存在缺陷，以及

当确定第二数据中存在缺陷时，校正第二数据的标签。

3.根据权利要求1所述的方法，其中，标签噪声卷积神经网络模型使用自举损失函数作为损失函数。

4.根据权利要求1所述的方法，还包括：

在使用更新的采样的干净数据集对正常卷积神经网络模型和标签噪声卷积神经网络模型进行附加地训练之后，使用第一数据和正常卷积神经网络模型输出关于第一数据是好还是坏的第三预测结果；以及

使用第一数据和标签噪声卷积神经网络模型输出关于第一数据是好还是坏的第四预测结果。

5.根据权利要求4所述的方法，还包括：

将第三预测结果与第四预测结果进行比较，以在存在标签差异时附加地执行噪声校正；以及

将作为附加地执行噪声校正的结果创建的第四数据添加到采样的干净数据集，以更新采样的干净数据集，并再次执行所述附加地训练。

6.根据权利要求1所述的方法，还包括：

当不存在标签差异时，基于在采样的干净数据集被更新之后创建的干净数据集来生成坏数据的可视化；

其中，坏数据的可视化基于：根据从坏数据检测的缺陷的属性对坏数据执行聚类，

其中，坏数据的可视化还基于：基于聚类的结果来创建通过缺陷的属性对坏数据进行分类的缺陷分类模型。

7.根据权利要求1所述的方法，还包括：

当不存在标签差异时，基于在采样的干净数据集被更新之后创建的干净数据集来生成坏数据的可视化；

其中，坏数据的可视化基于：根据从坏数据检测的缺陷的属性对坏数据执行聚类，

其中，对坏数据执行聚类的步骤包括：使用卷积神经网络自动编码器对坏数据执行聚类。

8.一种用于检测半导体装置中的缺陷的方法，所述方法包括：

使用第一数据集的第一数据和预训练卷积神经网络模型对正常卷积神经网络模型和标签噪声卷积神经网络模型进行第一训练；

使用第二数据集的第二数据和正常卷积神经网络模型输出关于第二数据是好还是坏的第一预测结果；

使用第二数据和标签噪声卷积神经网络模型来输出关于第二数据是好还是坏的第二预测结果；

将第一预测结果与第二预测结果进行比较，以在存在标签差异时执行噪声校正；

针对作为噪声校正的结果创建的第三数据对预训练卷积神经网络模型进行附加地训练；

使用针对第三数据进行附加地训练的预训练卷积神经网络模型，来对正常卷积神经网络模型和标签噪声卷积神经网络模型进行第二训练；

使用第一数据和正常卷积神经网络模型输出关于第一数据是好还是坏的第三预测结果；

使用第一数据和标签噪声卷积神经网络模型输出关于第一数据是好还是坏的第四预测结果；

将第三预测结果与第四预测结果进行比较，以在存在标签差异时附加地执行噪声校正；以及

针对作为附加地执行的噪声校正的结果创建的第四数据，对预训练卷积神经网络模型进行附加地训练。