1. 课程导论：晶圆制造中的缺陷检测挑战、微颗粒缺陷对良率的影响、课程目标与学习路径
1.1 晶圆制造中的缺陷检测挑战
在先进半导体制造中，晶圆表面缺陷检测是良率管理的核心环节。随着制程节点向 7nm、5nm 及以下演进，缺陷尺寸已缩小至亚微米甚至纳米级，对检测系统的灵敏度、速度和准确性提出了严苛要求。
核心挑战： 晶圆表面微颗粒缺陷的尺寸通常仅为 0.1–10 µm，在高速流水线上，检测系统需在毫秒级内完成单帧图像的采集、处理与分类，同时保持极低的误检率（< 0.1%）和漏检率（< 0.01%）。
当前主流检测技术对比：
| 检测技术 | 分辨率 | 检测速度 | 适用缺陷类型 | 主要局限 |
|---|---|---|---|---|
| 明场光学显微镜 | 0.2–0.5 µm | 中速 | 表面颗粒、划痕 | 对透明/低对比度缺陷不敏感 |
| 暗场散射显微镜 | 0.05–0.2 µm | 高速 | 纳米级颗粒、微粗糙度 | 易受背景噪声干扰 |
| 扫描电子显微镜 (SEM) | < 0.01 µm | 低速 | 超精细缺陷、形貌分析 | 真空环境、效率低、成本高 |
| 激光扫描散射检测 | 0.03–0.1 µm | 超高速 | 颗粒、污染物 | 无法提供形貌信息 |
课程聚焦： 本课程重点围绕明场/暗场显微图像中的微颗粒缺陷，利用计算机视觉与深度学习技术，实现高精度、高效率的特征提取与检测优化。
1.2 微颗粒缺陷对良率的影响
微颗粒缺陷是晶圆制造中最常见且最具破坏性的缺陷类型之一。一颗直径仅 0.1 µm 的颗粒，若落在关键光刻区域，足以导致整颗芯片失效。
良率损失量化： 在 300mm 晶圆上，每平方厘米增加 1 个微颗粒缺陷，良率平均下降 3%–5%。对于 5nm 制程，单颗 0.05 µm 颗粒即可造成 10% 以上的芯片失效概率。
微颗粒缺陷的主要来源与影响：
- 工艺环境颗粒： 洁净室空气过滤不彻底、人员活动、设备摩擦产生的悬浮颗粒，沉积在晶圆表面。
- 化学品残留： CMP 抛光液、光刻胶显影液、湿法刻蚀液中的固体残留物。
- 设备颗粒： 机械手臂、传输轨道、反应腔室壁的剥落物。
- 交叉污染： 不同工艺步骤间的颗粒转移，如刻蚀副产物沉积。
微颗粒缺陷对良率的影响机制：
| 缺陷位置 | 影响工艺 | 失效模式 | 良率损失程度 |
|---|---|---|---|
| 光刻胶表面 | 光刻 | 图形畸变、桥接、断线 | 高 |
| 栅氧化层 | 栅极形成 | 栅氧击穿、漏电流增大 | 极高 |
| 金属互连层 | 金属沉积/刻蚀 | 短路、开路、电阻增大 | 高 |
| 浅槽隔离 (STI) | CMP | 隔离失效、漏电 | 中高 |
1.3 课程目标与学习路径
本课程旨在培养学员掌握晶圆表面微颗粒缺陷显微图像的特征提取与优化技术，能够独立构建从图像采集到缺陷分类的完整检测流水线。
课程总目标： 学员将能够运用 Python 与深度学习框架，设计并实现一套面向晶圆微颗粒缺陷的显微图像特征提取与优化系统，达到工业级检测精度（F1-score ≥ 0.95）与实时处理速度（单帧 < 50 ms）。
课程学习路径分为五个阶段：
- 基础夯实（第 1–6 章）： 晶圆制造工艺、显微成像原理、图像预处理基础（去噪、增强、校正）。
- 特征提取（第 7–14 章）： 传统图像特征（边缘、纹理、形态学）与深度学习特征（CNN、ResNet、Transformer）提取方法。
- 模型优化（第 15–22 章）： 数据增强、迁移学习、模型压缩、知识蒸馏、超参数调优。
- 系统集成（第 23–27 章）： 检测流水线搭建、实时推理优化、多模态融合、结果可视化。
- 实战项目（第 28–30 章）： 完整晶圆缺陷检测项目实战，涵盖数据标注、模型训练、部署与评估。
各阶段核心技能与产出：
| 阶段 | 核心技能 | 关键工具/框架 | 阶段产出 |
|---|---|---|---|
| 基础夯实 | 图像预处理、噪声抑制 | OpenCV, scikit-image | 预处理流水线脚本 |
| 特征提取 | 手工特征 + 深度特征提取 | PyTorch, TensorFlow | 特征提取模块 |
| 模型优化 | 迁移学习、超参数搜索 | Optuna, Ray Tune | 优化后的分类模型 |
| 系统集成 | 流水线构建、实时推理 | ONNX, TensorRT | 端到端检测系统 |
| 实战项目 | 全流程开发与部署 | Docker, FastAPI | 可部署的检测服务 |
学习建议： 建议学员具备 Python 基础编程能力与机器学习基本概念。每章配套的代码示例与数据集将在课程资源中提供，请务必动手实践以巩固理解。