1. 课程导论：缺陷密度监控在半导体/电子制造中的重要性，课程目标与学习路径
1.1 为什么缺陷密度监控是良率管理的核心
在半导体与电子制造中，缺陷密度（Defect Density, DD）是衡量工艺洁净度与设备稳定性的关键指标。它直接决定了晶圆或基板的最终良率（Chip Yield）。随着制程节点向 3nm 以下演进，单个致命缺陷就可能导致整颗芯片报废，缺陷密度的实时监控已成为 Fab 厂与 SMT 产线的“生命线”。
核心公式： 缺陷密度 (DD) = 总缺陷数 / 检测面积 (单位：defects/cm²)
传统依赖离线抽检（如每周一次 SEM 复查）的方式已无法满足先进制程需求。实时缺陷密度看板通过连接在线检测设备（如 KLA、AMAT 的暗场/明场检测机台），将数据以秒级频率推送至看板，实现从“事后分析”到“事中控制”的转变。
1.2 课程目标与学习路径
本课程旨在培养学员构建从数据采集、看板可视化到异常报警阈值设计的全链路能力。学习路径分为四个阶段：
| 阶段 | 核心能力 | 关键产出 |
|---|---|---|
| 基础篇 | 理解缺陷密度定义、SPC 控制图原理 | 缺陷密度计算脚本 |
| 看板篇 | 使用 Python (Plotly Dash) 构建实时看板 | 交互式缺陷密度仪表盘 |
| 阈值篇 | 设计动态报警阈值（EWMA、CUSUM） | 自适应报警规则库 |
| 实战篇 | 集成 Fab 数据源，部署异常响应流程 | 端到端监控系统原型 |
1.3 缺陷密度监控的行业价值
- 降低报废成本： 每提前 1 分钟发现缺陷密度漂移，可减少 10-50 片晶圆的报废损失。
- 提升设备利用率： 实时报警指导工程师精准定位机台腔室，避免整线停线排查。
- 加速良率爬坡： 新工艺导入阶段，缺陷密度趋势图是工艺窗口验证的核心依据。
行业案例： 某 12 英寸逻辑芯片厂通过部署实时缺陷密度看板，将光刻区缺陷导致的良率损失从 3.2% 降至 0.8%，年节省成本超 2000 万美元。
1.4 缺陷密度监控系统架构总览
下图展示了本课程将要构建的实时监控系统核心组件与数据流：
1.5 课程前置知识与工具栈
学员需具备以下基础：
- Python 基础： Pandas 数据处理、NumPy 数值计算。
- 统计基础： 正态分布、均值/标准差、假设检验。
- 工具环境： Python 3.8+、Jupyter Notebook、Plotly、Streamlit 或 Dash。
注意： 本课程不涉及半导体物理或工艺细节，重点聚焦在数据工程与统计建模在良率监控中的应用。学员无需具备 Fab 厂工作经验。