[发明专利]一种晶圆表面缺陷检测方法、系统、电子设备及介质

说明书

本发明公开一种晶圆表面缺陷检测方法、系统、电子设备及介质，涉及半导体晶圆制造领域，该方法将每种类型晶圆取若干张有缺陷和无缺陷图片划分为支持集和查询集，构成任务集；并构建深度学习模型和MAML框架；执行MAML内层循环，取部分任务集中的支持集进行模型训练，训练中的学习率采用ADAM算法进行更新，使用梯度下降法更新内层参数；然后执行MAML外层循环，用查询集继续训练模型，将所有任务的损失函数相加作为外层循环的损失函数，使用梯度下降法对外层参数进行更新；重复执行MAML内层循环和外层循环，直至模型收敛。本发明能够使用较少量的训练样本得到鲁棒性较好的缺陷检测模型，并且泛化能力强、效率高且实用性强。

技术领域

本发明涉及半导体晶圆制造技术领域，特别是涉及一种晶圆表面缺陷检测方法、系统、电子设备及介质。

背景技术

近年来计算机科学、人工智能的创新和发展带动了半导体产业的发展，各个行业对于芯片的需求量大大增加，因此提高半导体晶圆的良品率具有很大的经济意义，而缺陷检测无疑是提高良品率的重要一步。在半导体晶圆的制造过程中，各工艺流程环环相扣，技术复杂，材料、环境、工艺参数等因素的微变常导致芯片产生缺陷，例如沾污、划痕、崩边等缺陷，如果不能及时找出并剔除，将会导致生产资源的浪费以及更多的次品流入市场而造成经济损失。

传统的机器视觉方法存在速度慢、准确率低的问题，并且泛化性能不好，通常换一批晶圆就需要调整缺陷检测算法，过程繁琐，效率低下。当下流行的常规深度学习方法虽然强大，但需要大量的数据样本才能训练一个好的检测模型，而现实工业场景中晶圆的缺陷样本是很少的，因此常规的深度学习方法很难达到好的效果。

发明内容

本发明的目的是提供一种晶圆表面缺陷检测方法、系统、电子设备及介质，能够使用较少量的训练样本得到鲁棒性较好的缺陷检测模型，并且泛化能力强、效率高且实用性强。

为实现上述目的，本发明提供了如下方案：

一方面，本发明提供一种晶圆表面缺陷检测方法，包括：

采集不同类型芯片的晶圆图片构成任务集；所述不同类型芯片包括压力传感器芯片、LED芯片、红外传感器芯片；所述任务集包括支持集和查询集；

基于多个深度学习模型构建MAML框架，并对多个深度学习模型的参数进行随机初始化，得到MAML内层循环的初始化参数；

基于所述MAML框架执行MAML内层循环，利用部分任务集中的支持集训练所述MAML内层循环的初始化参数，得到MAML内层循环更新后的参数向量；

基于所述MAML框架执行MAML外层循环，利用部分任务集中的查询集训练所述MAML内层循环更新后的参数向量，得到MAML外层循环更新后的参数向量；

在执行MAML外层循环过程中，将每个深度学习模型的损失函数相加作为外层循环的总损失函数，并判断所述总损失函数是否收敛；

若所述总损失函数未收敛，将所述MAML外层循环更新后的参数向量作为所述MAML内层循环的初始化参数，返回所述“基于所述MAML框架执行MAML内层循环，利用部分任务集中的支持集训练所述MAML内层循环的初始化参数，得到MAML内层循环更新后的参数向量”的步骤；

若所述总损失函数收敛，将所述MAML外层循环更新后的参数向量赋给所述多个深度学习模型，得到不同类型芯片晶圆的表面缺陷检测模型；

利用所述表面缺陷检测模型对待检测晶圆图片进行表面缺陷检测。

可选地，所述采集不同类型芯片的晶圆图片构成任务集，具体包括：

针对T种类型芯片中每种类型芯片的晶圆，分别采集k张有缺陷晶圆图片和k张无缺陷晶圆图片，构成k对晶圆图片；