半导体缺陷检测的生成式数据增强：解决晶圆制造中缺陷样本极度不均衡问题.docxVIP

PAGE2

《半导体缺陷检测的生成式数据增强：解决晶圆制造中缺陷样本极度不均衡问题》

一、调研概述

1.1调研背景与目的

随着晶圆制造工艺迈向3nm及以下节点，集成电路结构日趋复杂，缺陷检测的精度要求呈指数级上升。自动光学检测（AOI）设备在晶圆制造过程中承担着把关良率的重任。然而，在实际产线中，严重缺陷与致命缺陷的发生率极低，导致AOI系统采集的缺陷样本呈现极度不均衡状态。这种长尾分布使得传统深度学习模型在训练时极易产生过拟合，对罕见缺陷的漏检率居高不下。

生成式数据增强技术通过扩散模型、生成对抗网络等架构，能够合成高保真、多样化的罕见缺陷样本，从而打破真实数据的稀缺瓶颈。本次调研旨在深入剖析生成式模型在提升AOI检测精度中的核心作用，量化评估其在提升晶圆良率方面的投资回报率。研究不仅有助于厘清该技术的商业化潜力，更为半导体设备厂商及晶圆厂在智能化升级中的战略决策提供科学依据，具有深远的产业实践意义。

1.2研究范围与方法

本次调研聚焦于半导体晶圆制造前道与中道工序中的自动光学检测（AOI）领域，重点研究生成式数据增强技术在解决微尘、划痕、桥接等罕见缺陷样本不均衡问题中的应用。研究范围涵盖全球及中国大陆主要晶圆制造基地，时间维度追溯至深度学习引入半导体检测的起点，并展望未来五年技术演进。

在研究方法上，采用定量与定性相结合的多元分析框架。通过爬取全球半导体设备公开招标数