基于机器视觉的晶圆表面缺陷量化探测与辨识研究

This study makes the wafer manufacturing process quality control be the subject of its investigation, and aims to introduce the multi-scales-based image filtering, manifold learning, sparse learning, adaptive learning and knowledge discovery-based machine vision and machine learning theories and methods into quantified monitoring, defect identification and adjustment of wafer manufacturing process. Through analyzing the dynamic behavior and information complexity of wafer maps, this study proposes multi-scales-based image analysis and filtering procedure in the image layer, and manifold learning and sparse learning-based image feature extraction and selection method in the feature layer. The dynamic and random changes of wafer manufacturing process states generally result in data distribution complexity and time-varying characteristics. This study further proposes manifold regularization, Gaussian mixture model (GMM) and adaptive learning-based online dynamic modelling scheme and integrated monitoring system. A wafer defect identification and process adjustment system is finally established based on learning ensemble, adding learning and knowledge discovery techniques. Therefore, this study will extend the theories and methods of wafer manufacturing process quality control based on machine vision, and realize the process quality information fusion, uncertainty information dealing and process quality flaw foretelling and reduction. Finally, this study will provide effective theory and method supports for the highly effective and reliable running of semiconductor manufacturing processes.

本研究以晶圆制造过程质量智能控制为研究对象，系统地将多尺度图像滤噪、流形学习、稀疏学习、流形调节、自适应学习、知识发现等先进机器视觉与机器学习方法引入到晶圆制造过程的缺陷量化探测、监控、辨识与调整。在分析晶圆表面图像在制造过程的动态行为与信息复杂性基础上，在图像层建立多尺度图像自适应分析与高效滤噪流程，在特征层提出基于流形与稀疏学习集成的图像特征提取与选择方法；针对晶圆制造过程状态动态随机变化引起的数据分布复杂性与时变性特点，提出了基于流形调节、高斯混合模型和自适应学习的晶圆状态在线动态建模策略和综合量化监控系统；建立了基于集成学习、增量学习和知识发现相融合的晶圆缺陷动态辨识诊断系统与过程调整体系。通过本研究，扩展和完善基于机器视觉的晶圆制造过程质量智能控制的理论与方法体系，实现制造过程质量信息的融合、不确定性处理及质量缺陷的预示和消减，为晶圆制造过程持续稳态运行提供有效的理论和技术。

本研究以晶圆制造过程质量智能控制为研究对象，系统地将多尺度图像滤噪、流形学习、稀疏学习、深度学习、自适应学习、知识发现等先进机器视觉与机器学习方法引入到晶圆制造过程的缺陷量化探测、监控、辨识与调整。在分析晶圆表面图像在制造过程的动态行为与信息复杂性基础上，在图像层建立多尺度图像自适应分析与高效滤噪流程，在特征层提出基于流形与稀疏学习集成的图像特征提取与选择方法；针对晶圆制造过程状态动态随机变化引起的数据分布复杂性与时变性特点，提出了基于流形调节、无监督学习模型和自适应学习的晶圆状态在线动态建模策略和综合量化监控系统；建立了基于深度学习、迁移对抗学习、增量学习和知识发现相融合的晶圆缺陷动态辨识诊断系统与过程调整体系。系统地突破了晶圆制造过程的图像滤噪、图像特征提取与选择、过程状态建模、状态量化监控、缺陷检测与识别、在线调控的关键技术，建立了基于机器视觉与深度学习的晶圆制造过程质量智能控制系统，并进行了相关的工程应用。另外开展了原计划没有列入的一些研究工作，包括基于深度学习、迁移对抗学习的旋转机械设备的健康状态智能监控与诊断方法，同时解决了基于深度学习的制造过程状态监控与故障诊断问题，这为后续研究奠定了良好的基础。本项目产生了丰富的科研成果，共发表（或录用）学术论文90篇，其中SCI源期刊论文48篇（包括IEEE/ASME Transactions系列的长文论文21篇），在科学出版社出版专著一部，申请7项国家发明专利和5项软件版权。目前我们的成果已经引起了国内外学者的一些关注，项目负责人2014-2020连续七年入选爱思唯尔中国高被引学者榜单。通过本研究，扩展和完善基于机器视觉和深度学习的晶圆制造过程质量智能控制的理论与方法体系，实现制造过程质量信息的融合、不确定性处理及质量缺陷的预示和消减，为晶圆制造过程持续稳态运行提供有效的理论和技术。