[发明专利]基于深度学习的晶圆规则性失效检测定位方法及相关装置

说明书

基于深度学习的晶圆规则性失效检测定位方法及相关装置，包括：采集待检测的晶圆数据；构建预先训练好的晶圆规则性失效检测深度学习模型和晶圆规则性失效定位深度学习模型；将待检测的晶圆数据输入到预先训练好的晶圆规则性失效检测深度学习模型和晶圆规则性失效定位深度学习模型中，分别进行晶圆检测，以及规则性失效定位，输出晶圆的二维图像阵列和规则性失效定位突出显示的二维图像阵列；根据晶圆的二维图像阵列和规则性失效突出显示的二维图像阵列，判断规则性失效的分类结果是否准确，如果不准确，进行人工选择分类，以及是否将此晶圆数据更新晶圆规则性失效定位深度学习模型的信息。

技术领域

本发明涉及半导体领域，尤其是涉及基于深度学习的晶圆规则性失效检测定位方法及相关装置。

背景技术

随着半导体技术的发展，晶圆的尺寸越来越大同时特征尺寸不断减小，对半导体制造工艺的要求不断提高。半导体芯片的生产过程中，晶圆加工的工艺流程多，工艺过程复杂。如何在复杂漫长的工艺流程中严控质量，是提升最后芯片的成品性能，降低成本的关键。

在半导体芯片的加工过程中，光刻、抛光、刻蚀、切割等工艺难免会导致晶圆表面出现各种类型的规则性失效和划痕。为保证质量，几乎加工过程中的每一步工序质量都需要进行检测，并基于检测结果搜寻、标注、筛选和淘汰规则性失效管芯，以保证最后管芯的质量。

目前，晶圆规则性失效检测相关的快速自动检测设备几乎全被国外企业高价垄断，国内半导体企业仍然大都使用人工检测手段。人工检测存在诸多弊端，如长时间的高强度工作会产生视觉疲劳导致误判增多；受人为主观因素影响难以形成统一的检测标准致使成品质量参差不齐；因此人工检测已经无法满足工业生产高精度、高效率的要求。

发明内容

本发明的目的在于提供一种基于深度学习的晶圆规则性失效检测定位方法及相关装置，以解决现有技术针对晶圆人工检测存在的效率低和误检率高的问题。

为实现上述目的，本发明采用以下技术方案：

本发明第一方面，提供一种基于深度学习的晶圆规则性失效检测定位方法，包括：

采集待检测的晶圆数据；

构建预先训练好的晶圆规则性失效检测深度学习模型和晶圆规则性失效定位深度学习模型；

将待检测的晶圆数据输入到预先训练好的晶圆规则性失效检测深度学习模型和晶圆规则性失效定位深度学习模型中，分别进行晶圆检测，以及规则性失效定位，输出晶圆的二维图像阵列和规则性失效定位突出显示的二维图像阵列；

根据晶圆的二维图像阵列和规则性失效突出显示的二维图像阵列，判断规则性失效的分类结果是否准确，如果不准确，进行人工选择分类，以及是否将此晶圆数据更新晶圆规则性失效定位深度学习模型的信息。

可选的，所述进行晶圆检测，以及规则性失效定位，输出晶圆的二维图像阵列和带规则性失效数据的二维图像阵列，具体包括：

调用深度学习模块中存放的晶圆规则性失效检测深度学习模型对待检测的晶圆数据进行预测，如果没有发现规则性失效，就将晶圆数据和检测结果存入数据存储模块；

如果发现规则性失效，调用深度学习模块中存放的晶圆规则性失效定位深度学习模型，然后将规则性失效定位对应的管芯在晶圆的二维图像阵列中突出显示。

可选的，二维图像阵列中每个图像点的位置是管芯的位置信息，其中管芯是否失效的检测结果采用不同的颜色显示。

可选的，所述根据晶圆的二维图像阵列和带划痕数据的二维图像阵列，判断检测结果是否准确，如果不准确则人工分类，以及是否将此晶圆数据更新晶圆规则性失效定位深度学习模型的信息，具体包括：

将发现划痕的提示信息，晶圆的二维图像阵列和对定位的规则性失效突出显示的二维图像阵列，待用户确认划痕检测和定位结果是否准确的信息显示在人机交互模块上；