CN116228749B - 一种基于反事实解释的晶圆缺陷检测方法及系统 - Google Patents

Abstract

本说明书实施例提供一种基于反事实解释的晶圆缺陷检测方法及系统，属于半导体集成电路制造领域，其中，该方法包括：获取待检测晶圆图像；通过图像生成模型基于待检测晶圆图像，生成待检测晶圆图像对应的反事实解释图像；基于待检测晶圆图像及待检测晶圆图像对应的反事实解释图像，生成空间注意力；基于待检测晶圆图像，生成通道注意力；通过分类模型基于待检测晶圆图像、空间注意力及通道注意力，确定待检测晶圆图像的缺陷类别，具有提升晶圆缺陷检测的自动化水平及检测效率的优点。

Description

一种基于反事实解释的晶圆缺陷检测方法及系统

技术领域

本申请涉及半导体集成电路制造领域，特别涉及一种基于反事实解释的晶圆缺陷检测方法及系统。

背景技术

半导体制造过程中的良率指的合格芯片总数占生产芯片总数的比例，是衡量制造工艺水平的重要参数。芯片由整片晶圆切割而来，而曝光、蚀刻、研磨等诸多复杂工序流程可能会给晶圆表面造成不同的缺陷模式，从而影响芯片生产良率，造成经济损失。目前主流的晶圆表面缺陷检测方法是人工通过电子显微镜观察进行。这种方法高度依赖技工的熟练度，同时检测速度较慢，花费大量时间和人力成本。

因此，需要提供一种基于反事实解释的晶圆缺陷检测方法及系统，用于提升晶圆缺陷检测的自动化水平及检测效率。

发明内容

本说明书实施例之一提供一种基于反事实解释的晶圆缺陷检测方法，所述方法包括：获取待检测晶圆图像；通过图像生成模型基于所述待检测晶圆图像，生成所述待检测晶圆图像对应的反事实解释图像；基于所述待检测晶圆图像及所述待检测晶圆图像对应的反事实解释图像，生成空间注意力；基于所述待检测晶圆图像，生成通道注意力；通过分类模型基于所述待检测晶圆图像、所述空间注意力及所述通道注意力，确定所述待检测晶圆图像的缺陷类别。

在一些实施例中，所述待检测晶圆图像对应的反事实解释图像的缺陷类别与所述待检测晶圆图像的缺陷类别不同。

在一些实施例中，所述图像生成模型的损失函数为：；

其中，表示待检测晶圆图像，/>表示待检测晶圆图像对应的反事实解释图像，/>表示/>的目标类别，/>为目标类别的预测概率；/>为/>的预测概率，/>是待检测晶圆图像与待检测晶圆图像对应的反事实解释图像之间的距离，/>是超参数。

在一些实施例中，所述基于所述待检测晶圆图像及所述待检测晶圆图像对应的反事实解释图像，生成空间注意力，包括：基于所述待检测晶圆图像与所述反事实解释图像之间的差值，生成空间注意力权重；将所述空间注意力权重与所述待检测晶圆图像相乘，生成所述空间注意力。

在一些实施例中，所述基于所述待检测晶圆图像，生成通道注意力，包括：在通道上对所述待检测晶圆图像进行池化和两次全连接，生成所述通道注意力。

本说明书实施例之一提供一种基于反事实解释的晶圆缺陷检测系统，所述系统包括：图像获取模块，用于获取待检测晶圆图像；图像生成模块，用于通过图像生成模型基于所述待检测晶圆图像，生成所述待检测晶圆图像对应的反事实解释图像；空间注意力模块，用于基于所述待检测晶圆图像及所述待检测晶圆图像对应的反事实解释图像，生成空间注意力；通道注意力模块，用于基于所述待检测晶圆图像，生成所述通道注意力；缺陷分类模块，用于通过分类模型基于所述待检测晶圆图像、所述空间注意力及所述通道注意力，确定所述待检测晶圆图像的缺陷类别。

在一些实施例中，所述待检测晶圆图像对应的反事实解释图像的缺陷类别与所述待检测晶圆图像的缺陷类别不同。

在一些实施例中，所述图像生成模型的损失函数为：；其中，/>表示待检测晶圆图像，/>表示待检测晶圆图像对应的反事实解释图像，/>表示/>的目标类别，/>为目标类别的预测概率；/>为/>的预测概率，/>是待检测晶圆图像与待检测晶圆图像对应的反事实解释图像之间的距离，/>是超参数。

在一些实施例中，所述空间注意力模块还用于：基于所述待检测晶圆图像与所述反事实解释图像之间的差值，生成空间注意力权重；将所述空间注意力权重与所述待检测晶圆图像相乘，生成所述空间注意力。

在一些实施例中，所述通道注意力模块还用于：在通道上对所述待检测晶圆图像进行池化和两次全连接，生成所述通道注意力。

相比于现有技术，基于反事实解释的晶圆缺陷检测方法及系统至少具备以下有益效果：

1、通过机器学习模型完成晶圆缺陷检测，提升晶圆缺陷检测的自动化水平，降低人力成本，提高晶圆缺陷检测的效率；

2、利用反事实解释的特性，将决定分类结果的关键位置作为空间注意力叠加在原图上，提高模型分类准确度，结合空间注意力和通道注意力机制，进一步提高模型准确率。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的基于反事实解释的晶圆缺陷检测系统的示例性模块示意图；

图2是根据本说明书一些实施例所示的基于反事实解释的晶圆缺陷检测方法的示例性流程图；

图3是根据本说明书一些实施例所示的基于待检测晶圆图像、空间注意力及通道注意力确定待检测晶圆图像的缺陷类别的示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的基于反事实解释的晶圆缺陷检测系统的示例性模块示意图。如图1所示，基于反事实解释的晶圆缺陷检测系统可以包括图像获取模块、空间注意力模块、通道注意力模块及缺陷分类模块。

图像获取模块可以用于获取待检测晶圆图像。

空间注意力模块可以用于通过图像生成模型基于待检测晶圆图像，生成待检测晶圆图像对应的反事实解释图像。空间注意力模块还可以用于基于待检测晶圆图像及待检测晶圆图像对应的反事实解释图像，生成空间注意力。

在一些实施例中，空间注意力模块还可以用于基于待检测晶圆图像与反事实解释图像之间的差值，生成空间注意力权重；将空间注意力权重与待检测晶圆图像相乘，生成空间注意力。

通道注意力模块可以用于基于待检测晶圆图像，生成通道注意力。

在一些实施例中，通道注意力模块还可以用于：在通道上对待检测晶圆图像进行池化和两次全连接，生成通道注意力。

缺陷分类模块可以用于通过分类模型基于待检测晶圆图像、空间注意力及通道注意力，确定待检测晶圆图像的缺陷类别。

关于图像获取模块、空间注意力模块、通道注意力模块及缺陷分类模块的更多描述可以参见图2及其相关描述，此处不再赘述。

图2是根据本说明书一些实施例所示的基于反事实解释的晶圆缺陷检测方法的示例性流程图。如图2所示，基于反事实解释的晶圆缺陷检测方法可以包括以下流程。在一些实施例中，基于反事实解释的晶圆缺陷检测方法可以由基于反事实解释的晶圆缺陷检测系统执行。

步骤210，获取待检测晶圆图像。在一些实施例中，步骤210可以由图像获取模块执行。

待检测晶圆可以为碳化硅晶圆、硅晶圆或蓝宝石晶圆等。

在一些实施例中，图像获取模块可以通过图像采集设备自动获取待检测晶圆图像。例如，图像获取模块可以通过金相显微镜放大采集得到待检测晶圆图像。

在一些实施例中，图像获取模块可以通过图像采集设备获取晶圆图像数据集，晶圆图像数据集可以包括多张样本晶圆图像，并为样本晶圆图像添加标签，标签可以表征样本晶圆的缺陷类别，缺陷类别可以为中心缺陷、内部环形缺陷、边缘位置缺陷、边缘环型缺陷、内部位置缺陷、随机缺陷、划痕缺陷、全局缺陷、无缺陷中的一种。晶圆图像数据集可以用于训练分类模型。

步骤220，通过图像生成模型基于待检测晶圆图像，生成待检测晶圆图像对应的反事实解释图像。在一些实施例中，步骤220可以由空间注意力模块执行。

待检测晶圆图像对应的反事实解释图像具有两个特点：1、反事实解释图片的缺陷类别与待检测晶圆图像的缺陷类别不同；2、反事实解释图片与待检测晶圆图像之间的区别应可以被人类解读。

在一些实施例中，图像生成模型可以通过可解释性算法基于待检测晶圆图像，生成待检测晶圆图像对应的反事实解释图像。其中，可解释性算法是指可以用人类的语言来解释算法过程的算法。

在一些实施例中，图像生成模型的损失函数为：；

其中，表示待检测晶圆图像，/>表示待检测晶圆图像对应的反事实解释图像，/>表示/>的目标类别，/>为目标类别的预测概率；/>为/>的预测概率，/>是待检测晶圆图像与待检测晶圆图像对应的反事实解释图像之间的距离，/>是超参数。

以上公式可转化为优化问题：使得：其中，/>为反事实的约束参数。

图3是根据本说明书一些实施例所示的基于待检测晶圆图像、空间注意力及通道注意力确定待检测晶圆图像的缺陷类别的示意图，如图3所示，在一些实施例中，可以首先求得存在反事实解释的的上下界范围，然后使用二分法确定满足条件的最大的/>。反事实解释通过Adam优化算法解出。

步骤230，基于待检测晶圆图像及待检测晶圆图像对应的反事实解释图像，生成空间注意力。在一些实施例中，步骤230可以由空间注意力模块执行。

在一些实施例中，空间注意力模块可以基于待检测晶圆图像与反事实解释图像之间的差值，生成空间注意力权重；将空间注意力权重与待检测晶圆图像相乘，生成空间注意力。

步骤240，基于待检测晶圆图像，生成通道注意力。在一些实施例中，步骤240可以由通道注意力模块执行。

如图3所示，在一些实施例中，通道注意力模块可以在通道上对待检测晶圆图像进行池化和两次全连接，生成通道注意力。

在一些实施例中，通道注意力模块可以包括压缩和激励两个模块。在压缩操作中，沿空间维度将待检测晶圆图像进行压缩，输出空间维度变为1x1，通道维度不变。在激励操作中，为每个特征通道生成权重，再经过S型（Sigmoid）函数激活。最后将输出的权重通过乘法逐通道加权到待检测晶圆图像上，生成通道注意力。

步骤250，通过分类模型基于待检测晶圆图像、空间注意力及通道注意力，确定待检测晶圆图像的缺陷类别。在一些实施例中，步骤250可以由缺陷分类模块执行。

分类模型可以包括引入注意力机制的卷积神经网络。如图3所示，分类模型的输入可以包括待检测晶圆图像、空间注意力及通道注意力，分类模型的输出可以包括待检测晶圆图像的缺陷类别。

在一些实施例中，针对当前人工检测晶圆表面缺陷类型过程中存在的成本高、效率低、稳定性不佳、漏检错检等问题，基于反事实解释的晶圆缺陷检测方法及系统利用自动图像测量设备检测输入的晶圆图像，通过卷积神经网络建立分类模型，基于神经网络模型生成反事实解释图像，找出决定分类的关键位置，将其作为空间注意力，与通道注意力叠加，以提高晶圆缺陷检测的准确率。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (2)

1.一种基于反事实解释的晶圆缺陷检测方法，其特征在于，包括：

获取待检测晶圆图像；

通过图像生成模型基于所述待检测晶圆图像，生成所述待检测晶圆图像对应的反事实解释图像；

基于所述待检测晶圆图像及所述待检测晶圆图像对应的反事实解释图像，生成空间注意力；

基于所述待检测晶圆图像，生成通道注意力；

通过分类模型基于所述待检测晶圆图像、所述空间注意力及所述通道注意力，确定所述待检测晶圆图像的缺陷类别；

所述待检测晶圆图像对应的反事实解释图像的缺陷类别与所述待检测晶圆图像的缺陷类别不同；

所述图像生成模型的损失函数为：

；

其中，表示待检测晶圆图像，/>表示待检测晶圆图像对应的反事实解释图像，/>表示/>的目标类别，/>为目标类别的预测概率；/>为/>的预测概率，/>是待检测晶圆图像与待检测晶圆图像对应的反事实解释图像之间的距离，/>是超参数；

以上公式转化为优化问题：

使得：/>其中，/>为反事实的约束参数；

首先求得存在反事实解释的的上下界范围，然后使用二分法确定满足条件的最大的，反事实解释通过Adam优化算法解出；

所述基于所述待检测晶圆图像及所述待检测晶圆图像对应的反事实解释图像，生成空间注意力，包括：

基于所述待检测晶圆图像与所述反事实解释图像之间的差值，生成空间注意力权重；

将所述空间注意力权重与所述待检测晶圆图像相乘，生成所述空间注意力；

所述基于所述待检测晶圆图像，生成通道注意力，包括：

在通道上对所述待检测晶圆图像进行池化和两次全连接，生成所述通道注意力；

具体包括：

在压缩操作中，沿空间维度将待检测晶圆图像进行压缩，输出空间维度变为1x1，通道维度不变；

在激励操作中，为每个特征通道生成权重，再经过S型函数激活，最后将输出的权重通过乘法逐通道加权到待检测晶圆图像上，生成通道注意力。

2.一种基于反事实解释的晶圆缺陷检测系统，其特征在于，包括：

图像获取模块，用于获取待检测晶圆图像；

空间注意力模块，用于通过图像生成模型基于所述待检测晶圆图像，生成所述待检测晶圆图像对应的反事实解释图像；还用于基于所述待检测晶圆图像及所述待检测晶圆图像对应的反事实解释图像，生成空间注意力；

通道注意力模块，用于基于所述待检测晶圆图像，生成通道注意力；

缺陷分类模块，用于通过分类模型基于所述待检测晶圆图像、所述空间注意力及所述通道注意力，确定所述待检测晶圆图像的缺陷类别；

所述待检测晶圆图像对应的反事实解释图像的缺陷类别与所述待检测晶圆图像的缺陷类别不同；

所述图像生成模型的损失函数为：

；

其中，表示待检测晶圆图像，/>表示待检测晶圆图像对应的反事实解释图像，/>表示/>的目标类别，/>为目标类别的预测概率；/>为/>的预测概率，/>是待检测晶圆图像与待检测晶圆图像对应的反事实解释图像之间的距离，/>是超参数；

以上公式转化为优化问题：

使得：/>其中，/>为反事实的约束参数；

首先求得存在反事实解释的的上下界范围，然后使用二分法确定满足条件的最大的，反事实解释通过Adam优化算法解出；

所述基于所述待检测晶圆图像及所述待检测晶圆图像对应的反事实解释图像，生成空间注意力，包括：

基于所述待检测晶圆图像与所述反事实解释图像之间的差值，生成空间注意力权重；

将所述空间注意力权重与所述待检测晶圆图像相乘，生成所述空间注意力；

所述基于所述待检测晶圆图像，生成所述通道注意力，包括：

在通道上对所述待检测晶圆图像进行池化和两次全连接，生成通道注意力；

具体包括：

在压缩操作中，沿空间维度将待检测晶圆图像进行压缩，输出空间维度变为1x1，通道维度不变；

在激励操作中，为每个特征通道生成权重，再经过S型函数激活，最后将输出的权重通过乘法逐通道加权到待检测晶圆图像上，生成通道注意力。