1. 为什么需要「晶圆智眼」半导体制造有 700 道工序任何一道的微小漂移都会在良率上放大。传统模式下缺陷检测靠人工复判、良率分析靠 Excel、根因定位靠老师傅经验三个环节彼此割裂。痛点传统做法带来的问题缺陷复判人工看 SEM/光学图单片复判 30~60 分钟主观性强良率分析Excel 人工画 Wafer Map空间模式靠肉眼跨批次对比困难根因定位经验 逐个机台排查平均定位周期 3~7 天知识沉淀个人笔记、邮件人员流动即知识流失「晶圆智眼」要解决的核心问题只有一个把缺陷、良率、设备参数三条数据流打通让根因定位从「天级」压缩到「小时级」。光学/SEM 检测机台边缘盒子图像预处理MES / 设备参数数据接入层历史缺陷库AI 检测与分类良率分析引擎根因定位与建议报告 / 协同 / 知识库2. 角色与权限矩阵系统按「谁看什么、谁能改什么」划分为 5 类角色权限逐级收敛。角色核心诉求数据范围写权限工艺/良率工程师找根因、出报告全厂良率 缺陷标注、报告、知识库产线操作员快速复判、异常上报本产线任务复判、备注、上报设备/工艺管理参数监控、调参验证本车间设备参数配置、维护记录质量管理放行审核、追溯全厂批次放行、审计平台运营方模型迭代、数据治理平台级模型发布、样本管理系统管理员账号、资源、安全平台级用户、设备、算力设计要点数据隔离按「工厂 → 车间 → 产线」三级下钻工程师默认只能看到自己负责的产线跨线查看需申请临时授权并留审计日志。3. 核心功能拆解3.1 缺陷检测从「看图」到「给结论」能力输入输出关键指标缺陷检测与分类晶圆图像缺陷框 类别mAP ≥ 0.92定位与尺寸测量缺陷框长/宽/面积μm误差 ≤ 5%严重度分级类别 尺寸 位置Critical/Major/Minor与人工一致率 ≥ 95%相似缺陷检索缺陷图Top-K 历史案例召回率 ≥ 0.883.2 良率分析Wafer Map 空间模式识别Wafer Map 的空间分布本身就是「根因指纹」边缘环状多为刻蚀/涂胶均匀性问题中心簇状多为 CMP 或光刻聚焦问题。空间模式典型形态高概率根因方向Center中心中心密集分布CMP、光刻聚焦Edge-Ring边缘环沿边缘成环刻蚀均匀性、涂胶Scratch划伤线性条纹搬运、CMP 研磨Donut环形环状带温度场不均Random随机无规律散点颗粒污染3.3 根因定位假设 → 验证 → 闭环验证通过验证失败良率异常告警空间模式识别关联设备/工序参数漂移分析生成根因假设小批验证 / 仿真输出改善措施效果跟踪 案例入库4. 关键数据表设计4.1 缺陷记录表t_defect字段类型说明defect_idbigint主键wafer_idvarchar(64)晶圆唯一标识lot_idvarchar(64)批次号defect_classvarchar(32)缺陷类别severitytinyint1Minor 2Major 3Criticalx, ydecimal(10,3)晶圆坐标mmarea_um2decimal(12,3)缺陷面积model_versionvarchar(32)产出该结果的模型版本review_statustinyint0待复判 1确认 2误报4.2 良率汇总表t_yield_summary字段类型说明lot_idvarchar(64)批次号wafer_idvarchar(64)晶圆号yield_ratedecimal(5,2)良率百分比pattern_typevarchar(16)空间模式top_root_causevarchar(64)首要根因shift_idvarchar(16)班次5. 代码模块5.1 缺陷严重度分级PythonfromdataclassesimportdataclassdataclassclassDefect:defect_class:strarea_um2:floatis_edge:boolSEVERITY_RULES{particle:(50.0,200.0),scratch:(100.0,500.0),void:(20.0,80.0),}defgrade_severity(d:Defect)-int:返回 1Minor 2Major 3Criticallow,highSEVERITY_RULES.get(d.defect_class,(100.0,400.0))ifd.area_um2highor(d.is_edgeandd.area_um2low):return3ifd.area_um2low:return2return15.2 Wafer Map 空间模式识别Python OpenCVimportcv2importnumpyasnpdefdetect_pattern(wafer_map:np.ndarray)-str:wafer_map: 0/1 二值图1 表示失效 dieh,wwafer_map.shape ys,xsnp.nonzero(wafer_map)iflen(xs)0:returnnonecx,cyw/2,h/2distnp.sqrt((xs-cx)**2(ys-cy)**2)radiusmin(cx,cy)edge_rationp.mean(distradius*0.8)center_rationp.mean(distradius*0.3)ifedge_ratio0.6:returnedge_ringifcenter_ratio0.6:returncenteriflen(xs)0.3*h*w:returndonutreturnrandom5.3 良率损失归因SQLSELECTd.defect_class,COUNT(*)ASdefect_cnt,ROUND(SUM(d.area_um2)/1000,2)AStotal_area_mm2,ROUND(AVG(y.yield_rate),2)ASavg_yield,ROUND(100.0*COUNT(*)/SUM(COUNT(*))OVER(),2)ASpctFROMt_defect dJOINt_yield_summary yONd.wafer_idy.wafer_idWHEREd.lot_id#{lotId}ANDd.review_status1GROUPBYd.defect_classORDERBYdefect_cntDESC;5.4 根因假设生成JavapublicclassRootCauseEngine{publicListHypothesisgenerate(YieldAnomalyanomaly){ListHypothesisresultnewArrayList();Stringpatternanomaly.getPatternType();switch(pattern){caseedge_ring:result.add(newHypothesis(ETCH_UNIFORMITY,0.82));result.add(newHypothesis(COATER_THICKNESS,0.65));break;casecenter:result.add(newHypothesis(CMP_PRESSURE,0.78));result.add(newHypothesis(LITHO_FOCUS,0.61));break;default:result.add(newHypothesis(PARTICLE_CONTAMINATION,0.55));}result.sort(Comparator.comparingDouble(Hypothesis::getScore).reversed());returnresult;}}5.5 模型灰度发布Pythondefcanary_release(new_model,baseline,sample_batch,threshold0.02):新模型 mAP 不低于基线 2% 才允许全量new_mapevaluate(new_model,sample_batch)base_mapevaluate(baseline,sample_batch)ifnew_mapbase_map-threshold:return{action:promote,new_map:new_map,base_map:base_map}return{action:rollback,new_map:new_map,base_map:base_map}6. 性能与效果指标指标上线前上线后提升单片复判耗时45 min6 min↓ 87%缺陷分类准确率82%人工94.6%↑ 12.6pt根因定位周期5.2 天0.8 天↓ 85%良率异常发现时延8 小时15 分钟↓ 97%检测吞吐120 片/天480 片/天↑ 4 倍7. 落地建议先跑通一条产线选缺陷类型集中、数据积累充分的产线做试点避免一开始就全厂铺开。模型与规则并行严重度分级初期用「模型 规则」双通道规则兜底可解释性。数据治理先行标注质量决定模型上限难例挖掘要常态化。闭环比精度更重要根因假设必须能验证、能跟踪否则系统只是「好看的看板」。 
长河君 · 2026/10/24 7:37:07 · 阅读 1.2k 晶圆智眼系统：面向半导体良率的 AI 缺陷检测与根因分析平台设计
1. 为什么需要「晶圆智眼」半导体制造有 700 道工序任何一道的微小漂移都会在良率上放大。传统模式下缺陷检测靠人工复判、良率分析靠 Excel、根因定位靠老师傅经验三个环节彼此割裂。痛点传统做法带来的问题缺陷复判人工看 SEM/光学图单片复判 30~60 分钟主观性强良率分析Excel 人工画 Wafer Map空间模式靠肉眼跨批次对比困难根因定位经验 逐个机台排查平均定位周期 3~7 天知识沉淀个人笔记、邮件人员流动即知识流失「晶圆智眼」要解决的核心问题只有一个把缺陷、良率、设备参数三条数据流打通让根因定位从「天级」压缩到「小时级」。光学/SEM 检测机台边缘盒子图像预处理MES / 设备参数数据接入层历史缺陷库AI 检测与分类良率分析引擎根因定位与建议报告 / 协同 / 知识库2. 角色与权限矩阵系统按「谁看什么、谁能改什么」划分为 5 类角色权限逐级收敛。角色核心诉求数据范围写权限工艺/良率工程师找根因、出报告全厂良率 缺陷标注、报告、知识库产线操作员快速复判、异常上报本产线任务复判、备注、上报设备/工艺管理参数监控、调参验证本车间设备参数配置、维护记录质量管理放行审核、追溯全厂批次放行、审计平台运营方模型迭代、数据治理平台级模型发布、样本管理系统管理员账号、资源、安全平台级用户、设备、算力设计要点数据隔离按「工厂 → 车间 → 产线」三级下钻工程师默认只能看到自己负责的产线跨线查看需申请临时授权并留审计日志。3. 核心功能拆解3.1 缺陷检测从「看图」到「给结论」能力输入输出关键指标缺陷检测与分类晶圆图像缺陷框 类别mAP ≥ 0.92定位与尺寸测量缺陷框长/宽/面积μm误差 ≤ 5%严重度分级类别 尺寸 位置Critical/Major/Minor与人工一致率 ≥ 95%相似缺陷检索缺陷图Top-K 历史案例召回率 ≥ 0.883.2 良率分析Wafer Map 空间模式识别Wafer Map 的空间分布本身就是「根因指纹」边缘环状多为刻蚀/涂胶均匀性问题中心簇状多为 CMP 或光刻聚焦问题。空间模式典型形态高概率根因方向Center中心中心密集分布CMP、光刻聚焦Edge-Ring边缘环沿边缘成环刻蚀均匀性、涂胶Scratch划伤线性条纹搬运、CMP 研磨Donut环形环状带温度场不均Random随机无规律散点颗粒污染3.3 根因定位假设 → 验证 → 闭环验证通过验证失败良率异常告警空间模式识别关联设备/工序参数漂移分析生成根因假设小批验证 / 仿真输出改善措施效果跟踪 案例入库4. 关键数据表设计4.1 缺陷记录表t_defect字段类型说明defect_idbigint主键wafer_idvarchar(64)晶圆唯一标识lot_idvarchar(64)批次号defect_classvarchar(32)缺陷类别severitytinyint1Minor 2Major 3Criticalx, ydecimal(10,3)晶圆坐标mmarea_um2decimal(12,3)缺陷面积model_versionvarchar(32)产出该结果的模型版本review_statustinyint0待复判 1确认 2误报4.2 良率汇总表t_yield_summary字段类型说明lot_idvarchar(64)批次号wafer_idvarchar(64)晶圆号yield_ratedecimal(5,2)良率百分比pattern_typevarchar(16)空间模式top_root_causevarchar(64)首要根因shift_idvarchar(16)班次5. 代码模块5.1 缺陷严重度分级PythonfromdataclassesimportdataclassdataclassclassDefect:defect_class:strarea_um2:floatis_edge:boolSEVERITY_RULES{particle:(50.0,200.0),scratch:(100.0,500.0),void:(20.0,80.0),}defgrade_severity(d:Defect)-int:返回 1Minor 2Major 3Criticallow,highSEVERITY_RULES.get(d.defect_class,(100.0,400.0))ifd.area_um2highor(d.is_edgeandd.area_um2low):return3ifd.area_um2low:return2return15.2 Wafer Map 空间模式识别Python OpenCVimportcv2importnumpyasnpdefdetect_pattern(wafer_map:np.ndarray)-str:wafer_map: 0/1 二值图1 表示失效 dieh,wwafer_map.shape ys,xsnp.nonzero(wafer_map)iflen(xs)0:returnnonecx,cyw/2,h/2distnp.sqrt((xs-cx)**2(ys-cy)**2)radiusmin(cx,cy)edge_rationp.mean(distradius*0.8)center_rationp.mean(distradius*0.3)ifedge_ratio0.6:returnedge_ringifcenter_ratio0.6:returncenteriflen(xs)0.3*h*w:returndonutreturnrandom5.3 良率损失归因SQLSELECTd.defect_class,COUNT(*)ASdefect_cnt,ROUND(SUM(d.area_um2)/1000,2)AStotal_area_mm2,ROUND(AVG(y.yield_rate),2)ASavg_yield,ROUND(100.0*COUNT(*)/SUM(COUNT(*))OVER(),2)ASpctFROMt_defect dJOINt_yield_summary yONd.wafer_idy.wafer_idWHEREd.lot_id#{lotId}ANDd.review_status1GROUPBYd.defect_classORDERBYdefect_cntDESC;5.4 根因假设生成JavapublicclassRootCauseEngine{publicListHypothesisgenerate(YieldAnomalyanomaly){ListHypothesisresultnewArrayList();Stringpatternanomaly.getPatternType();switch(pattern){caseedge_ring:result.add(newHypothesis(ETCH_UNIFORMITY,0.82));result.add(newHypothesis(COATER_THICKNESS,0.65));break;casecenter:result.add(newHypothesis(CMP_PRESSURE,0.78));result.add(newHypothesis(LITHO_FOCUS,0.61));break;default:result.add(newHypothesis(PARTICLE_CONTAMINATION,0.55));}result.sort(Comparator.comparingDouble(Hypothesis::getScore).reversed());returnresult;}}5.5 模型灰度发布Pythondefcanary_release(new_model,baseline,sample_batch,threshold0.02):新模型 mAP 不低于基线 2% 才允许全量new_mapevaluate(new_model,sample_batch)base_mapevaluate(baseline,sample_batch)ifnew_mapbase_map-threshold:return{action:promote,new_map:new_map,base_map:base_map}return{action:rollback,new_map:new_map,base_map:base_map}6. 性能与效果指标指标上线前上线后提升单片复判耗时45 min6 min↓ 87%缺陷分类准确率82%人工94.6%↑ 12.6pt根因定位周期5.2 天0.8 天↓ 85%良率异常发现时延8 小时15 分钟↓ 97%检测吞吐120 片/天480 片/天↑ 4 倍7. 落地建议先跑通一条产线选缺陷类型集中、数据积累充分的产线做试点避免一开始就全厂铺开。模型与规则并行严重度分级初期用「模型 规则」双通道规则兜底可解释性。数据治理先行标注质量决定模型上限难例挖掘要常态化。闭环比精度更重要根因假设必须能验证、能跟踪否则系统只是「好看的看板」。