CN116342554A - 采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置 - Google Patents
采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置 Download PDFInfo
- Publication number
- CN116342554A CN116342554A CN202310330655.4A CN202310330655A CN116342554A CN 116342554 A CN116342554 A CN 116342554A CN 202310330655 A CN202310330655 A CN 202310330655A CN 116342554 A CN116342554 A CN 116342554A
- Authority
- CN
- China
- Prior art keywords
- wafer
- deep learning
- data
- marking
- die
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 208000003464 asthenopia Diseases 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置,包括:采集待检测的晶圆数据,建立深度学习训练用的晶圆数据集;构建预先训练好的管芯自动标记深度学习模型;将待检测的晶圆数据输入到预先训练好的管芯自动标记深度学习模型中,进行标注,将被标注的管芯在晶圆的二维图像阵列中突出显示;根据管芯在晶圆的二维图像阵列中突出显示,判断标注结果是否准确,如果不准确,输出提示修改标注的信息,以及将此修改后的标注结果更新模型的信息。
Description
技术领域
本发明涉及半导体领域,尤其是涉及采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置。
背景技术
随着半导体技术的发展,晶圆的尺寸越来越大同时特征尺寸不断减小,对半导体制造工艺的要求不断提高。半导体芯片的生产过程中,晶圆加工的工艺流程多,工艺过程复杂。如何在复杂漫长的工艺流程中严控质量,是提升最后芯片的成品性能,降低成本的关键。
在半导体芯片的加工过程中,光刻、抛光、刻蚀、切割等工艺难免会导致晶圆表面出现各种类型的缺陷和划痕。为保证质量,几乎加工过程中的每一步工序质量都需要进行检测,并基于检测结果搜寻、标注、筛选和淘汰缺陷管芯,以保证最后管芯的质量。
在诸多的检测需求中,根据缺陷标注缺陷附近的管芯是一个重要的内容,将缺陷管芯附近的部分管芯标记为缺陷管芯或者质量等级较低的管芯,对于提升最后成品的品质具有重要意义;
目前,晶圆缺陷检测相关的快速自动检测设备几乎全被国外企业高价垄断,国内半导体企业仍然大都使用人工检测手段。人工检测存在诸多弊端,如长时间的高强度工作会产生视觉疲劳导致误判增多;受人为主观因素影响难以形成统一的检测标准致使成品质量参差不齐;因此人工检测已经无法满足工业生产高精度、高效率的要求。
发明内容
本发明的目的在于提供采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置,以解决现有技术人工检测存在诸多弊端,如长时间的高强度工作会产生视觉疲劳导致误判增多的问题。
为实现上述目的,本发明采用以下技术方案:
本发明第一方面,提供采用深度学习的晶圆规则性失效邻近管芯标记方法,包括:
采集待检测的晶圆数据,建立深度学习训练用的晶圆数据集;
构建预先训练好的管芯自动标记深度学习模型;
将待检测的晶圆数据输入到预先训练好的管芯自动标记深度学习模型中,进行标注,将被标注的管芯在晶圆的二维图像阵列中突出显示;
根据管芯在晶圆的二维图像阵列中突出显示,判断标注结果是否准确,如果不准确,输出提示修改标注的信息,以及将此修改后的标注结果更新模型的信息。
可选的,待检测的晶圆数据是带有每个管芯位置编号和管芯各个测试项是否通过的晶圆数据。
可选的,所述将被标注的管芯在晶圆的二维图像阵列中突出显示,具体为:将待标记的晶圆数据显示为二维图像阵列,其中图像点的位置是管芯在晶圆上的相对位置的坐标数据,其中检测通过和不通过的管芯分别采用不同的颜色显示。
可选的,判断标注结果是否准确具体为:
将有管芯被标注的提示信息,增加了被标注管芯信息的晶圆的二维图像阵列,待确认标注结果是否准确的信息进行显示,如果确认标注结果准确,将晶圆数据和检测结果存入数据存储模块;如果确认标注结果不准确,输出提示修改标注的信息,以及是否将此修改后的标注结果更新模型的信息。
可选的,管芯自动标记深度学习模型采用以下步骤建立:
步骤1,建立深度学习模型训练用的晶圆数据集;
对标记前后的晶圆数据进行预处理,对数据按照管芯在晶圆上的相对位置排序,将每个测试项目是否通过与否分别置1和0的逻辑值,人工标记的数据置测试不通过对应的逻辑值;
步骤3,使用深度学习框架训练深度学习模型;将步骤2处理好的未标记数据矩阵作为输入,将人工标记的晶圆数据作为输出,构建“序列to序列”的回归型长短期记忆深度学习网络;
步骤4,计算训练获得的模型对训练输入数据的预测值,计算预测值和实际输出值之间的误差,采用遗传算法寻找预测值和实测值之间的误差的最小值,以获得网络参数的最优值。
可选的,深度学习框架是LSTM回归模型,神经元个数128~512,学习率大小为0.001~0.05,迭代次数为200~2000。
可选的,建立深度学习训练用的晶圆数据集采用以下步骤建立:
收集晶圆的测试数据,对晶圆数据进行预处理,去掉重复的数据,对数据按照测试点在晶圆上的相对位置排序,将每个测试项目是否通过与否分别置1和0;
本发明第二方面,提供采用深度学习的晶圆规则性失效邻近管芯标记***,其特征在于,包括:
数据采集模块,用于采集待检测的晶圆数据,建立深度学习训练用的晶圆数据集;
深度学习模块,用于构建预先训练好的管芯自动标记深度学习模型;
深度学习模块,用于将待检测的晶圆数据输入到预先训练好的管芯自动标记深度学习模型中,进行标注,将被标注的管芯在晶圆的二维图像阵列中突出显示;
显示预警模块,用于根据管芯在晶圆的二维图像阵列中突出显示,判断标注结果是否准确,如果不准确,输出提示修改标注的信息,以及将此修改后的标注结果更新模型的信息。
本发明第三方面,提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现采用深度学习的晶圆规则性失效邻近管芯标记方法的步骤。
本发明第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现采用深度学习的晶圆规则性失效邻近管芯标记方法的步骤。
与现有技术相比,本发明有以下技术效果:
本发明可以自动标注缺陷晶圆附近的晶圆。本发明采用深度学习方法,基于历史测试和标注数据,建立可以准确识别缺陷管芯和标注缺陷附近管芯的模型,为晶圆中缺陷管芯的标注和筛选提供参考。并可以根据需求更新训练数据,从而可以充分考虑不同半导体工艺和工艺环境的个性化差异,为用户提供更精确的划痕检测和定位。
本发明采用新的测试数据更新深度学习网络,使模型具有更强的适应性和可移植性。
附图说明
图1为本发明***结构图。
图2为本发明流程图。
具体实施方式
以下结合附图对本发明进一步说明:
请参阅图1和图2,采用深度学习的晶圆规则性失效邻近管芯标记方法,包括:
采集待检测的晶圆数据,建立深度学习训练用的晶圆数据集;
构建预先训练好的管芯自动标记深度学习模型;
将待检测的晶圆数据输入到预先训练好的管芯自动标记深度学习模型中,进行标注,将被标注的管芯在晶圆的二维图像阵列中突出显示;
根据管芯在晶圆的二维图像阵列中突出显示,判断标注结果是否准确,如果不准确,输出提示修改标注的信息,以及将此修改后的标注结果更新模型的信息。
一种采用深度学习的晶圆规则性失效邻近管芯标记方法,具体包括以下步骤:
在深度学习模块中存入预先训练好的管芯自动标记深度学习模型;
提示用户是否输入新的训练数据;
如果用户输入了新的训练数据,则将此数据用于更新管芯自动标记深度学习模型。
通过人机交互模块输入待标记的晶圆数据;
中央处理模块将待标记的晶圆数据显示为二维图像阵列,其中图像点的位置是管芯在晶圆上的相对位置的坐标数据,其中检测通过和不通过的管芯分别采用不同的颜色显示。
中央处理模块调用深度学习模块中存放的管芯自动标记深度学习模型对待检测的晶圆数据进行标注。
如果有管芯被标注,将被标注的管芯在晶圆的二维图像阵列中突出显示。
中央处理模块将有管芯被标注的提示信息,增加了被标注管芯信息的晶圆的二维图像阵列,待用户确认标注结果是否准确的信息显示在人机交互模块上。
如果用户确认标注结果准确,将晶圆数据和检测结果存入数据存储模块。
如果用户确认标注结果不准确,中央处理模块输出提示用户修改标注的信息,以及是否将此修改后的标注结果更新模型的信息。
如果用户选择将此数据用于更新模型,则将此数据标记后存入数据存储模块,并更新模型。
管芯自动标记深度学习模型采用以下步骤建立:
步骤1,建立深度学习模型训练用的晶圆数据集;
对标记前后的晶圆数据进行预处理,对数据按照管芯在晶圆上的相对位置排序,将每个测试项目是否通过与否分别置1和0的逻辑值,人工标记的数据置测试不通过对应的逻辑值。
步骤3,使用深度学习框架训练深度学习模型;将步骤二处理好的未标记数据矩阵作为输入,将人工标记的晶圆数据作为输出。构建“序列to序列”的回归型长短期记忆深度学习网络。
步骤4,计算训练获得的模型对训练输入数据的预测值,计算预测值和实际输出值之间的误差,采用遗传算法寻找预测值和实测值之间的误差的最小值,以获得网络参数的最优值;
深度学习框架是LSTM回归模型,神经元个数128~512,学习率大小为0.001~0.05,迭代次数为200~2000。
管芯自动标记深度学习模型的建立深度学习训练用的晶圆数据集采用以下步骤建立:
步骤1,收集晶圆的测试数据,对晶圆数据进行预处理,去掉重复的数据,对数据按照测试点在晶圆上的相对位置排序,将每个测试项目是否通过与否分别置1和0。
人机交互模块,将晶圆数据显示为二维图像阵列,其中二维数据是测试点的位置信息,其中检测通过和不通过的测试点分别采用不同的颜色显示。
用户在上述二维图像阵列上人工输入需要引入管芯标记的晶圆缺陷相对位置。将此数据作为深度学习模型的输入数据。
用户在上述二维图像阵列上人工输入需要标记的管芯的相对位置。将此数据作为深度学习模型的输出数据。
用户在上述二维图像阵列上人工输入需要引入管芯标记的晶圆缺陷类型,包括连续性失效,聚集性失效等。
本发明再一实施例中,提供采用深度学习的晶圆规则性失效邻近管芯标记***,能够用于实现上述的采用深度学习的晶圆规则性失效邻近管芯标记方法,具体的,该***包括:
数据采集模块,用于采集待检测的晶圆数据,建立深度学习训练用的晶圆数据集;
深度学习模块,用于构建预先训练好的管芯自动标记深度学习模型;
深度学习模块,用于将待检测的晶圆数据输入到预先训练好的管芯自动标记深度学习模型中,进行标注,将被标注的管芯在晶圆的二维图像阵列中突出显示;
显示预警模块,用于根据管芯在晶圆的二维图像阵列中突出显示,判断标注结果是否准确,如果不准确,输出提示修改标注的信息,以及将此修改后的标注结果更新模型的信息。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于采用深度学习的晶圆规则性失效邻近管芯标记方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关采用深度学习的晶圆规则性失效邻近管芯标记方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.采用深度学习的晶圆规则性失效邻近管芯标记方法,其特征在于,包括:
采集待检测的晶圆数据,建立深度学习训练用的晶圆数据集;
构建预先训练好的管芯自动标记深度学习模型;
将待检测的晶圆数据输入到预先训练好的管芯自动标记深度学习模型中,进行标注,将被标注的管芯在晶圆的二维图像阵列中突出显示;
根据管芯在晶圆的二维图像阵列中突出显示,判断标注结果是否准确,如果不准确,输出提示修改标注的信息,以及将此修改后的标注结果更新模型的信息。
2.根据权利要求1所述的采用深度学习的晶圆规则性失效邻近管芯标记方法,其特征在于,待检测的晶圆数据是带有每个管芯位置编号和管芯各个测试项是否通过的晶圆数据。
3.根据权利要求1所述的采用深度学习的晶圆规则性失效邻近管芯标记方法,其特征在于,所述将被标注的管芯在晶圆的二维图像阵列中突出显示,具体为:将待标记的晶圆数据显示为二维图像阵列,其中图像点的位置是管芯在晶圆上的相对位置的坐标数据,其中检测通过和不通过的管芯分别采用不同的颜色显示。
4.根据权利要求1所述的采用深度学习的晶圆规则性失效邻近管芯标记方法,其特征在于,判断标注结果是否准确具体为:
将有管芯被标注的提示信息,增加了被标注管芯信息的晶圆的二维图像阵列,待确认标注结果是否准确的信息进行显示,如果确认标注结果准确,将晶圆数据和检测结果存入数据存储模块;如果确认标注结果不准确,输出提示修改标注的信息,以及是否将此修改后的标注结果更新模型的信息。
5.根据权利要求1所述的采用深度学习的晶圆规则性失效邻近管芯标记方法,其特征在于,管芯自动标记深度学习模型采用以下步骤建立:
步骤1,建立深度学习模型训练用的晶圆数据集;
对标记前后的晶圆数据进行预处理,对数据按照管芯在晶圆上的相对位置排序,将每个测试项目是否通过与否分别置1和0的逻辑值,人工标记的数据置测试不通过对应的逻辑值;
步骤3,使用深度学习框架训练深度学习模型;将步骤2处理好的未标记数据矩阵作为输入,将人工标记的晶圆数据作为输出,构建“序列to序列”的回归型长短期记忆深度学习网络;
步骤4,计算训练获得的模型对训练输入数据的预测值,计算预测值和实际输出值之间的误差,采用遗传算法寻找预测值和实测值之间的误差的最小值,以获得网络参数的最优值。
6.根据权利要求5所述的采用深度学习的晶圆规则性失效邻近管芯标记方法,其特征在于,深度学习框架是LSTM回归模型,神经元个数128~512,学习率大小为0.001~0.05,迭代次数为200~2000。
8.采用深度学习的晶圆规则性失效邻近管芯标记***,其特征在于,包括:
数据采集模块,用于采集待检测的晶圆数据,建立深度学习训练用的晶圆数据集;
深度学习模块,用于构建预先训练好的管芯自动标记深度学习模型;
深度学习模块,用于将待检测的晶圆数据输入到预先训练好的管芯自动标记深度学习模型中,进行标注,将被标注的管芯在晶圆的二维图像阵列中突出显示;
显示预警模块,用于根据管芯在晶圆的二维图像阵列中突出显示,判断标注结果是否准确,如果不准确,输出提示修改标注的信息,以及将此修改后的标注结果更新模型的信息。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述采用深度学习的晶圆规则性失效邻近管芯标记方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述采用深度学习的晶圆规则性失效邻近管芯标记方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330655.4A CN116342554A (zh) | 2023-03-30 | 2023-03-30 | 采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330655.4A CN116342554A (zh) | 2023-03-30 | 2023-03-30 | 采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342554A true CN116342554A (zh) | 2023-06-27 |
Family
ID=86891102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310330655.4A Pending CN116342554A (zh) | 2023-03-30 | 2023-03-30 | 采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342554A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503416A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市谱汇智能科技有限公司 | 半导体缺陷标注方法、装置、终端设备以及存储介质 |
-
2023
- 2023-03-30 CN CN202310330655.4A patent/CN116342554A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503416A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市谱汇智能科技有限公司 | 半导体缺陷标注方法、装置、终端设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11295435B2 (en) | Product defect detection method, device and system | |
CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
US20210209749A1 (en) | Wafer processing method and apparatus, storage medium and electronic device | |
CN109146847B (zh) | 一种基于半监督学习的晶圆图批量分析方法 | |
CN114299066B (zh) | 基于显著性特征预提取与图像分割的缺陷检测方法和装置 | |
CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
JP7393833B2 (ja) | ユーザ入力に基づいて生成された人工知能モデルを使用し、仮想欠陥画像を生成するためのコンピュータプログラム、方法、及び装置 | |
CN116342554A (zh) | 采用深度学习的晶圆规则性失效邻近管芯标记方法及相关装置 | |
CN112967272A (zh) | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 | |
CN113177934A (zh) | 一种基于深度学习的引线框架缺陷定位及等级判定方法 | |
CN111680750B (zh) | 图像识别方法、装置和设备 | |
CN106296689B (zh) | 瑕疵检测方法、***及装置 | |
US10970604B2 (en) | Fusion-based classifier, classification method, and classification system | |
JP2020532122A (ja) | 透明又は半透明ウェハを対象にした欠陥検出 | |
CN115082386B (zh) | 基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置及介质 | |
CN115082392A (zh) | 一种半导体引线框架镀银缺陷检测方法及*** | |
CN116342555A (zh) | 基于深度学习的晶圆规则性失效检测定位方法及相关装置 | |
CN112634203A (zh) | 图像检测方法、电子设备及计算机可读存储介质 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和*** | |
CN115661160A (zh) | 一种面板缺陷检测方法及***及装置及介质 | |
CN110889260A (zh) | 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 | |
Wan et al. | A robotic grinding station based on an industrial manipulator and vision system | |
CN111859571B (zh) | 基于参数化设计的堆垛机安全性评价方法及*** | |
KR102538785B1 (ko) | 컴퓨터 지원 설계(cad) 파일로부터 웨이퍼 이미지를 생성하는 방법 및 시스템 | |
CN112669814B (zh) | 一种数据处理方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |