[发明专利]晶圆缺陷分类方法、装置、系统、电子设备和存储介质

说明书

本发明涉及一种晶圆缺陷分类方法，其通过多个对待分类晶圆缺陷图案进行无监督学习聚类，得到多组晶圆缺陷组，并从每组中选择相应数量的待分类晶圆缺陷图案与缺陷图案参考样本进行匹配，若匹配则将对应组内所有的待分类晶圆缺陷图案判定为相应类别的晶圆缺陷。本发明的分类方法无需大量的训练样本数据量，也无需进行模型训练，大大降低了设备的时间资源和计算资源，一定程度上降低了生产成本并提高了生产效率。相应地，本发明还提供了一种晶圆缺陷分类装置、系统及计算机可读存储介质。

技术领域

本发明涉及半导体制造技术领域，尤其涉及一种基于无监督学习的晶圆缺陷分类方法及装置、系统、电子设备和计算机可读存储介质。

背景技术

在半导体晶圆制作中，拉单晶、切片、磨片、抛光、增层、光刻、掺杂、热处理、针测以及划片……一系列过程中，化学气相沉淀、光学显影、化学机械研磨在这一过程中都可能使晶圆表面产生缺陷，而晶圆上缺陷会直接影响工作寿命和可靠性。晶圆缺陷识别通常分为缺陷检测和缺陷分类两个步骤。传统的缺陷检测算法通过对比待检测图案和参考图案，选取两者差异区域作为图案缺陷。传统的缺陷分类算法需要先在晶圆图案中提取特征，再将提取的特征作为分类器的输入，从而进行模式识别。上述方法主要存在以下2个问题：1)传统缺陷检测算法提取出的局部特征无法有效表示特定问题中的不同类型缺陷；2)传统缺陷检测分类算法的鲁棒性弱，需要根据新的问题重新设计整个识别模型。

随着机器学习技术的发展，各种识别器被广泛用于晶圆图缺陷识别并获得了较好的效果，例如，监督识别分类方法：反向传播网络(back-propagation network，BPN)[6]、广义回归神经网络(general regression neural network，GRNN)[7]、支持向量机(SVM)[8-9]、随机化广义回归网络(randomized general regression network)[10]、K-临近算法(K-nearest-neighbor，KNN)[11]、决策树(CART4.5)[12]、高斯混合模型[13]、多特征决策树集成[14]、均值标准集成方法[15]等；以及基于深度学习的特征提取方法：卷积神经网络(CNN)。由于卷积神经网络通过引入卷积核结构，有效解决了不同领域的图案分类和目标识别问题，因此，卷积神经网络是目前较为常用的晶圆缺陷分类方法之一。

然而，将卷积神经网络模型，如CNN算法，广泛应用到晶圆缺陷检测和分类领域还存在以下问题：

1)训练模型的样本数据量难以达到。在卷积神经网络进行芯片缺陷识别的过程中，需要先对卷积神经网络模型进行训练，从而得到能够进行缺陷识别的模型。然而，在训练过程中，需要大量的缺陷图案以及对应的缺陷类型，数据集样本量通常达到几万甚至几十万。但实际生产中，由于线上产生的缺陷图片数量有限，以及晶圆缺陷检测问题的特殊性，因此，训练模型的缺陷数量样本量很难达到万级，并且各个工厂之间并不会共享各自的缺陷数据，也会产生不同类型的缺陷，故而，难以满足深度卷积神经网络训练数据需求量大的特点。若用于训练的缺陷图案数量不足，则会影响模型的准确性。

2)大量数据集自然会带来标注的困难，据统计，标记单张图案中的单个物体类别大约需要2到3秒的时间，但实际应用中的数据集往往包含上千上万张图片，整个标注过程就会变得格外漫长。尤其是在涉及到细粒度分类和多标签分类任务时，标注成本会随着目标数量、可辨识难度呈指数级增长。

3)由于不同工厂所产生的缺陷类型不尽相同，因此，即时根据已知缺陷类型的数据集进行训练得到相应的分类器，该分类器也没有通用性，也即是说，不同的工厂需要构建不同的数据集，从而训练不同的分类器以进行缺陷分类，进一步上增加了生产制造成本。

4)整个深度神经网络架构训练过程不易拟合，需要大量的时间资源和计算资源。

基于上述的问题，目前无法广泛地将卷积神经网络模型，如CNN算法，等应用到晶圆缺陷检测和分类领域。有鉴于此，为了避免涉及大量的样本量的获取和模型训练，本公开文本提出一种新的晶圆缺陷分类方法。

发明内容