集成电路光刻胶残留缺陷AI视觉识别改进方法.docxVIP

集成电路光刻胶残留缺陷AI视觉识别改进方法

摘要：本文系统研究了集成电路光刻胶残留缺陷AI视觉识别改进方法。针对先进制程晶圆检测面临的光刻胶残留形态细微、传统算法漏检率高、误报干扰产线及缺陷分类依赖人工等核心痛点，提出了融合高分辨光学采图、深度分割网络与主动学习迭代的视觉识别框架。文章详细分析了技术架构、实施流程、典型场景与风险防控，旨在为半导体制造良率提升提供可落地的缺陷管控规范。

关键词：集成电路；光刻胶残留；缺陷识别；AI视觉；晶圆检测

第一章缺陷识别困境与视觉破局

集成电路制造进入纳米节点后，光刻胶残留成为导致桥连失效的关键缺陷，而在线光学检测长期陷入信噪比恶化与判别乏力的双重困境。传统规则算法依据灰度阈值分割残胶区域，但显影后残留边缘与基底衬度极低，且受散焦与纹路干扰，漏检率居高不下；操作员在复查站手动框选疑似点，视觉疲劳致微残遗漏，单片晶圆耗时数分钟；误报海量涌入，正常工艺波动被标为缺陷，造成不必要的停机清洗；缺陷形态未数字化归档，制程改进缺乏数据支撑。AI视觉识别改进方法的系统构建为破局提供了全新路径。高分辨光学采图以深紫外同轴光掠射晶圆，凸显亚微米残胶三维形貌；深度分割网络采用编码解码结构学习残胶不规则轮廓，输出像素级概率图；主动学习迭代从未标注池中甄选最难样本交由专家标注，反哺模型收敛；分类头同步判定残留所属工艺步，锁定根源机台。理解这一从人眼盯屏到算法琢痕的范