人工智能模型赋能缺陷检测与复盘，规模化落地仍存难题

当前人工智能落地应用中，一大亮眼成果便是助力行业高效识别海量缺陷类型，覆盖从光刻、图形化工艺到多芯片封装组装的上百道工序。

工程师优先推进投资回报率最高的项目，其中多数围绕良率提升展开。借助 AI 模型，工作人员能够更精准区分真实缺陷与伪缺陷，还可检出以往难以识别的缺陷。但将 AI 方案从试点推广至工厂乃至企业全域，落地难度极大，这要求数据具备更高质量、更强关联性，同时搭建更完善的基础设施，保障所有数据节点有效互通。

AI 模型能够更好地适配新型缺陷成因。诺信检测设备部门研发副总裁朱查理表示：“传统算法依托统计学原理，工作人员先收集大量数据，再根据数据分布设定标准值与容差范围，一旦参数超出区间，即判定为缺陷。这类算法需要设置多项参数，若新增一项参数，传统方式要进行繁琐的人工配置，且必须依靠专业技术人员完成。而 AI 模型只需逐点标注缺陷样本，只要训练数据具备足够多样性，模型便可自主完成学习。”

他还提到，如今的 AI 算法相比早期版本已有大幅升级：“相较于传统机器视觉算法，即便是支持向量机、主成分分析这类成熟机器学习算法，新一代 AI 模型的稳定性也更出色。”

混合键合等新型工艺不断涌现，也催生了特有的缺陷特征，晶圆边缘区域问题尤为突出。微创科技应用总监埃罗尔・阿科默说道：“业内正运用 AI 检测并分类钨化学机械抛光残留缺陷。这类缺陷集中在晶圆边缘，传统技术完全无法识别，而面向宏观缺陷检测的 AI 技术可有效捕捉该类问题。”

晶圆边缘缺陷之所以成为检测难点，根源在于图形化晶圆的传统检测方式。锐迪科创新产品营销总监韩武荣解释：“传统检测技术高度依赖规整重复的图形与完整芯片基准，主要采用芯片间比对方式，因此很难完成边缘区域及不完整芯片的检测。深度学习模型则具备更强的泛化能力，可适配残缺、不规则结构，有效提升晶圆键合工艺中局部芯片区域的缺陷检测精度。”

在半导体产线中，机器学习模型常与物理模型结合使用。锐迪科创新高级首席应用工程师尼克・凯勒指出：“机器学习与物理融合的混合模型，综合性能优于纯机器学习模型。前者稳定性更强，还能像物理模型一样，对训练数据集之外的场景做出合理推演。”

PDF Solutions 产品管理高级总监肯・哈里斯表示，规模化数据分析的核心难点之一，是处理单颗芯片数百万条检测数据，以及量产环节中芯片、晶圆、批次带来的海量数据。多芯片封装技术的普及，进一步加剧了数据过载问题。“现阶段新产品普遍采用芯片重构技术与先进组装工艺打造，数据量呈爆发式增长，这也让规模化数据分析能力成为刚需。”

面向量测与检测的人工智能应用差异

相比半导体量测领域，AI / 机器学习模型在缺陷检测场景中落地更成熟、应用更广泛。诺信的朱查理对此解释道：“检测环节需要识别空洞、颗粒物、咬边、桥接等各类问题，AI 模型在此类场景优势显著。”

这源于 AI 的核心能力 ——图像模式识别。该技术通过样本训练完成特征比对与分类，只要数据充足，就能精准区分缺陷类型、剔除伪缺陷。

而量测是以物理原理为基础，追求测量结果的真值与精度，工作逻辑完全不同。检测硅通孔轮廓、薄膜厚度、关键尺寸、套刻误差等参数，重点在于特征量化与可溯源的低误差测量，并非模式识别。不过目前，AI 也开始逐步应用于量测环节的优化。

韩武荣介绍：“如今深度学习越来越多地用于量测领域的信号重构、轮廓提取与工艺建模。借助推理运算，AI 可从含噪声、不完整的光学信号中推算出尺寸参数、套刻误差及轮廓特征，同步提升测量精度与检测效率。在先进制程节点，传统物理模型运算成本高、难以规模化，AI 方案就显得尤为重要。”

AI 模型得以快速普及，也得益于产线侧推理运算速度快、功能迭代便捷。以焊球空洞的 X 射线检测为例，朱查理介绍：“传统方案采用二值化算法，针对焊球有效区域与空洞区域设置对比度阈值。但 X 射线穿透焊球的程度存在差异，会导致画面对比度不稳定，以往只能依靠工作人员监控统计过程控制数据并手动调节参数。如今我们基于多家客户数据训练通用 AI 模型，单张 X 射线图像仅需毫秒级处理时间，识别准确率可达 90%。企业无需在自身产线采集海量数据，即可直接投入使用。”

图 1：在多个客户中应用的人工智能模型，即使在客户数据稀缺的情况下，也能提高焊球中的X射线气孔检测。来源： Nordson Test & Inspection

自动缺陷分类

半导体产线中，光学设备检出缺陷后，通常会借助扫描电镜、原子力显微镜等精密量测设备复核判定。AI 与机器学习可大幅优化自动缺陷分类（ADC）流程。

韩武荣表示：“深度学习正在重塑缺陷分类与复核工作。卷积神经网络无需人工设计特征，可直接从图像数据中自主学习复杂缺陷特征，实现颗粒物、划痕、空洞、图形坍塌等缺陷的快速精准分类。这极大减少人工复核工作量，加快良率分析进度。”

图2：无害缺陷通常与实际缺陷表现相似（左侧图像）。基于机器学习的自动缺陷分类可以去除干扰性缺陷（右侧晶圆图）。来源： Onto Innovation

数据不足的应对方案

半导体晶圆工艺管控严苛，实际缺陷样本数量稀少，难以满足机器学习模型的训练需求，合成数据就此成为重要解决方案。

微创科技的阿科默说道：“AI 检测与分类模型需要足量标注完好的缺陷样本，但半导体晶圆缺陷本身十分罕见，样本采集难度极大。数据增广与仿真技术能够有效弥补真实缺陷图像不足的问题，是训练稳定检测模型的关键。”

合成数据还能助力企业提前布局下一代制程产品，适配全新工艺参数。韩武荣补充：“基于生成式算法与仿真技术的 AI 模型，可模拟出形态、结构、工艺特征高度贴近真实情况的缺陷样本。在新工艺节点、先进封装技术落地初期，或是面对罕见缺陷类型时，即便没有充足真实样本，也能利用仿真数据集完成检测系统的训练与验证。在稀疏数据集基础上叠加高仿真缺陷样本，可有效提升模型稳定性、检测灵敏度与整体性能。”

朱查理也认同这一思路：“很多客户提供的数据集都存在样本不均衡问题。半导体产线良品占比远高于缺陷品，且缺陷种类繁杂，这给检测模型训练带来不小挑战。真实数据固然最优，但在样本缺失时，基于生成式算法的仿真模拟已成为业内主流探索与应用方向。”

AI 规模化落地的难点与体系建设

工厂及企业级的数据治理，是目前多数厂商面临的核心困境。PDF Solutions 无晶圆厂解决方案架构高级总监马克・雅各布斯表示：“数据分析服务商的核心价值，在于完成数据采集、对齐、标准化，并实现模型全域部署。模型本身固然重要，但底层的数据工程平台才是根基。”

据 PDF Solutions 统计，超过 70% 的 AI 项目止步于试点阶段，无法规模化推广。主要原因包括数据碎片化、工厂老旧系统兼容性差、专业技术人员精力有限，以及企业级 AI 部署缺乏清晰的运营体系。

PDF Solutions 全球晶圆应用解决方案经理乔恩・霍尔特提出，企业若要实现 AI 规模化落地，需搭建完整实施框架，将技术愿景转化为贯穿半导体全流程、可持续创造高价值的实际应用，并总结出八大落地支柱：

1.       符合国际半导体产业协会标准的物理设备与传感器；

2.       故障检测分类与批次闭环控制体系；

3.       依托计算机集成制造 / 制造执行系统完成数据整合，搭建适配 AI 的数据仓库；

4.       用于工厂规划、排产与任务调度的数字孪生系统；

5.       支持分级权限管理的知识共享平台；

6.       面向模型训练与部署的企业级 AI 平台；

7.       融合智能体 AI 与专家人工反馈的多协同系统；

8.       人工监督下的自主工程运维体系。

落地过程中，数据链路的精度保障是一大隐患。雅各布斯解释：“人工分析人员可凭借经验规避元数据异常，识别并修正数据断层问题。但自动化系统不具备这种容错能力，一旦元数据无法对齐，后续流程就会缺失关键上下文信息，无法正常运行。”

数据在产线、封测厂等源头位置时完整性最佳。将实时数据与制造执行系统、企业资源规划系统中的真值信息交叉比对，可完成缺失、错误数据的补全与修正。元数据不一致是行业长期存在的问题，加之企业并购整合频发，不同厂区的数据标准、批次命名规则、标签体系互不兼容，进一步加剧了治理难度。

总结

目前各家企业的数据整合与 AI 落地进度不一，但 AI 模型的易用性持续提升，可大幅降低传统编程工作量。

朱查理谈到：“以往针对图形化芯片，我们需要分步训练模型，分别识别硅通孔、重布线层、焊球等结构。如今性能更强的新一代模型，可直接完成全域目标检索，大幅减少定制化编程工作。”

现有 AI 模型擅长捕捉工艺细微波动，精准区分真实缺陷与伪缺陷。通过学习海量检测、量测及工艺数据，模型可识别出工艺异常趋势。韩武荣表示：“传统阈值判定方式存在局限，而机器学习能够识别从未出现过的低频异常，提前预判工艺隐患、设备漂移及潜在缺陷。该能力可在降低误报率的同时，提升异常识别灵敏度。”

当工厂实现全域数据互联互通后，产品失效的根因分析效率也会大幅提升。“在良率优化工作中，AI 可串联多道工序的缺陷特征、工艺参数、设备状态与电性测试结果，快速挖掘高维数据中的隐性关联，帮助工程师定位良率瓶颈，实现工艺精准优化。”

依托模式识别的技术特性，AI 在缺陷检测领域如鱼得水；而量测技术侧重精准数值输出，AI 应用仍处于发展阶段。不过对于散射测量中的严格耦合波分析等复杂运算场景，AI 可有效简化计算流程；以标杆设备 / 腔体数据完成模型训练，也能优化设备、腔体之间的参数匹配效果。

行业面临的核心挑战，并非 AI 算法本身，而是繁琐的数据打通工作：打破各工艺环节、检测、测试、封装乃至终端应用的数据孤岛。当工程师发现新品缺陷后，能在短时间内溯源至具体设备、具体生产批次并快速完成工艺整改，AI 的真正价值才能彻底释放。