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。

「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」。

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。

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」

3.2 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。

3.3 根因定位：假设 → 验证 → 闭环

4. 关键数据表设计

4.1 缺陷记录表t_defect

4.2 良率汇总表t_yield_summary

5. 代码模块

5.1 缺陷严重度分级（Python）

fromdataclassesimportdataclass@dataclassclassDefect: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 1=Minor 2=Major 3=Critical"""low,high=SEVERITY_RULES.get(d.defect_class,(100.0,400.0))ifd.area_um2>=highor(d.is_edgeandd.area_um2>=low):return3ifd.area_um2>=low:return2return1

5.2 Wafer Map 空间模式识别（Python + OpenCV）

importcv2importnumpyasnpdefdetect_pattern(wafer_map:np.ndarray)->str:"""wafer_map: 0/1 二值图，1 表示失效 die"""h,w=wafer_map.shape ys,xs=np.nonzero(wafer_map)iflen(xs)==0:return"none"cx,cy=w/2,h/2dist=np.sqrt((xs-cx)**2+(ys-cy)**2)radius=min(cx,cy)edge_ratio=np.mean(dist>radius*0.8)center_ratio=np.mean(dist<radius*0.3)ifedge_ratio>0.6:return"edge_ring"ifcenter_ratio>0.6:return"center"iflen(xs)>0.3*h*w:return"donut"return"random"

5.3 良率损失归因（SQL）

SELECTd.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_id=y.wafer_idWHEREd.lot_id=#{lotId}ANDd.review_status=1GROUPBYd.defect_classORDERBYdefect_cntDESC;

5.4 根因假设生成（Java）

publicclassRootCauseEngine{publicList<Hypothesis>generate(YieldAnomalyanomaly){List<Hypothesis>result=newArrayList<>();Stringpattern=anomaly.getPatternType();switch(pattern){case"edge_ring":result.add(newHypothesis("ETCH_UNIFORMITY",0.82));result.add(newHypothesis("COATER_THICKNESS",0.65));break;case"center":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（Python）

defcanary_release(new_model,baseline,sample_batch,threshold=0.02):"""新模型 mAP 不低于基线 2% 才允许全量"""new_map=evaluate(new_model,sample_batch)base_map=evaluate(baseline,sample_batch)ifnew_map>=base_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

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」。