晶圆缺陷检测的难点往往不在"能否检出"，而在"缺陷叫什么、值不值得复检"。产线上的自动缺陷分类（ADC）多沿用旧制程的缺陷编码表，颗粒、划痕、针孔、图形坍塌混在同一层级，输出难以直接支撑良率归因；而复检扫描电镜机时有限，全量复检不现实，抽样过少又会让关键缺陷漏统计。
在一套半导体晶圆缺陷检测系统的定制中，我们把重心放在分类体系与复检抽样策略的联合设计上：
- 先理顺类别体系再训练：按"成因—形貌—影响等级"三级重构编码表，合并无法稳定区分或对良率无影响的细类，类别数从数十项压缩到十余项，显著降低标注歧义。
- 用不确定性驱动复检抽样：分类器对每个缺陷输出置信度，低置信度与高影响类别优先进入复检队列，其余走自动判定。测试段数据上，复检样本量较均匀抽样下降约四成，关键缺陷漏检未见上升。
下一步计划是把分类结果与晶圆图空间分布、量测数据对齐，做缺陷密度与良率损失的关联分析，使分类输出直接接入良率分析流程；同时验证该方案在更小线宽制程上的迁移效果。
评论