在半导体晶圆的 AI 缺陷检测系统中，我们近期把重心从单工序的检出率移到了跨工序误报抑制上。原因很直接：在客户 12 英寸线的实测中，光刻后与刻蚀后的缺陷图样在灰度与边缘形态上高度相似，模型容易把上一工序残留的工艺标记判为真实缺陷，导致复判队列被无效样本占满。
本轮实验采用两条思路并行：一是把工序上下文（机台号、配方、前后道站点）作为弱条件输入，让同一张图在不同工序下给出不同判定阈值；二是对复判结果做在线回流，仅把工程师最终确认的样本纳入增量训练，避免把误报当成正样本污染模型。
阶段性进展：在保持召回率基本不变（下降约 0.6 个百分点）的前提下，跨工序误报率下降约 34%，单班人工复判量由约 900 片降至 620 片左右。需要说明的是，该结果来自单一产线的两周数据，样本仍偏窄。
下一步计划：接入第二家客户的存储产线，验证工序上下文策略在更少标注量下的可迁移性，并评估把阈值调整下沉到边缘端后的推理延迟影响。
要点：
· 把工序上下文作为条件输入，是抑制跨工序误报的低成本切入点。
· 复判回流必须只采信工程师确认样本，否则误报会被固化进模型。
评论