在做《半导体晶圆AI缺陷检测系统定制》时，我们把重点从单点缺陷分类移向晶圆图的空间模式识别：环形、弧形、划痕、中心簇、边缘密集等形态，往往比单个缺陷的类别更能指向具体制程环节。
进展：以产线现有的缺陷坐标数据为输入，将每片晶圆的缺陷点转为稀疏栅格与统计特征，训练轻量分类模型区分6类典型模式，在实验数据集上准确率约九成；误判主要集中在划痕与弧形样本的交界处，这也是我们下一步重点清理的部分。
要点：
- 图谱分类只是第一步。我们同步把模式标签与FDC数据、机台履历按时间窗对齐，输出可疑工序与机台的排序供工程师优先复核，目前排序前两位的命中率约七成。
- 下一步计划是将工程师的复核结论回流为弱标签，逐步替代逐点标注以降低维护成本；同时补充不同产品与工艺节点的验证数据，观察跨制程泛化是否稳定，再决定是否扩大上线范围。
评论