晶圆缺陷AI复判的实验，主要卡在两件事上：一是不同扫描机台、不同工艺批次的图像灰度与噪声分布不一致，同一类缺陷在不同机台上特征漂移明显；二是缺陷类别之间形态差异小，而可用的标注样本往往只有几百条，直接训练容易过拟合。
阶段进展：我们把缺陷的几何与纹理特征统一编码，在输入端加入按机台分组的自适应归一化，再将复判结果与 die 级坐标一起回写到 wafer map 做空间聚合。离线评估中，跨机台复判一致率由约 81% 提升到 93% 左右，误报量压到可人工抽检的水平。
要点：
- 缺陷坐标与腔体分区映射后，系统输出可疑腔体排序，首轮验证中约七成与工程复检结论一致，现阶段定位为排查方向而非结论。
- 下一步接入良率分析数据做弱监督训练，验证该排序对良率波动的提前指示能力，并扩展到 300mm 全片与更小尺寸缺陷的识别。
评论