半导体缺陷检测：从人工目检到AI自动分类的技术演进
核心结论
半导体缺陷检测从ADC升级，AI准确率达95%+，远超人工目检70-80%。检测速度提升数倍，能自动关联缺陷根因。
在先进半导体制造中，缺陷检测是良率管理的第一道防线。随着制程节点从28nm推进到5nm乃至3nm，任何一个纳米级缺陷都可能导致整颗芯片报废。7nm节点的致命缺陷密度（D0）要求低于0.1个/cm²，3nm节点进一步收紧至0.05个/cm²以下。
传统的人工目检模式已经无法满足先进制程的需求。一位经验丰富的缺陷审查工程师每天最多能分类2000-3000张缺陷图片，而一座月产能5万片的12英寸晶圆厂，每天产生的缺陷图像可达数十万张。
一、缺陷检测的三大技术路线
1.1 光学检测（AOI / 明场 / 暗场）
光学检测是晶圆厂中部署量最大的在线检测手段。
- 明场检测（Bright-field）：适合检测图案化缺陷。代表设备包括KLA 39xx系列和Hitachi IS3000。
- 暗场检测（Dark-field）：对微粒污染、划伤等非图案缺陷极为敏感。KLA Surfscan SP7可检测到12nm级别的微粒。
- 核心优势：速度快，单片晶圆检测时间30-120秒，适合100%全检。
1.2 电子束检测（SEM / e-beam）
分辨率可达亚纳米级别，远超光学检测。但速度是致命短板，主要用于抽检。
1.3 在线工艺监控（OES / 传感器融合）
通过监控工艺参数异常来间接预测缺陷发生。真正的实时性，在缺陷产生的瞬间就能发出预警。
二、缺陷分类的核心痛点
2.1 人工分类的双重瓶颈
审查者间一致性通常只有70%-85%。新入职工程师需要6-12个月才能建立足够经验。
2.2 规则引擎维护成本失控
7nm节点缺陷类型可达80-120种，规则库膨胀到数千条后几乎不可维护。
2.3 数据不平衡
常见缺陷占60%-70%，而某些致命缺陷类型只有几十个样本。
三、AI自动缺陷分类（ADC）技术路线
3.1 CNN图像分类
ResNet-50/101在缺陷分类上top-1准确率可达93%-97%。EfficientNet在精度和效率之间取得更好平衡。
3.2 目标检测
YOLO系列速度极快（>100 FPS），mAP@0.5可达85%-92%。Faster R-CNN精度更高但速度约为YOLO的1/3。
3.3 语义分割
基于U-Net或DeepLab的像素级标注，对CD相关缺陷分析尤为重要。
3.4 小样本学习与迁移学习
迁移学习可将小样本类别准确率提升15%-25%。Few-shot Learning在每类仅5-10个样本时可达80%+准确率。
四、部署在哪？——边缘AI是唯一选择
产线对推理延迟的要求不超过100ms。晶圆缺陷图像包含芯片版图信息，属于核心知识产权，不允许离开工厂。
集芯的NeuroBox E5200V正是针对视觉检测场景设计的边缘AI平台。支持ResNet/YOLO/U-Net等主流模型本地推理，端到端延迟控制在50ms以内。部署在检测设备侧，图像数据无需出厂。
五、从检测到控制：构建质量闭环
NeuroBox E5200V负责检测端图像推理，NeuroBox E3200负责控制端数据融合和工艺优化。E5200V的分类结果通过SECS/GEM接口实时传送至E3200，驱动R2R和FDC系统自动调整工艺参数。缺陷发现到工艺响应的周期从数天缩短到分钟级。
