3. 缺陷复判流程与工程任务拆解

在晶圆缺陷检测与分类体系中,检测(Inspection)负责“发现异常”,复判(Review)负责“确认异常是什么、为什么出现、是否需要处置”。检测输出的是缺陷坐标、尺寸、粗分类和图像切片;复判则要在更高分辨率、更多模态(光学、电子束、EDS)下重新观察同一缺陷,给出可追溯的判定结论。理解复判流程,关键不是记住步骤名称,而是看清每一步的输入、输出与决策依据。

从检测到复判的完整数据链

一次典型的复判任务,其数据链可以拆成五个环节。第一,检测机台输出缺陷清单(Defect List),包含 Die 坐标、缺陷在 Die 内的相对坐标、检测通道、尺寸估计和 ADC(自动缺陷分类)粗标签。第二,坐标转换与采样:复判机台(如 SEM Review 或 Optical Review)需要把检测坐标映射到自身坐标系,并按抽样策略选取待复判缺陷。第三,成像与采集:在设定视场(FOV)、放大倍率、扫描速度和信号模式下采集缺陷图像。第四,判定与标注:由人工或算法给出缺陷类别、严重度和处置建议。第五,结果回写:把复判结论关联回缺陷 ID,形成可用于良率分析、工艺反馈和模型训练的数据集。

这条链路上最容易出问题的不是成像本身,而是坐标映射与抽样。检测机台与复判机台的坐标系原点、旋转方向、Die 排布方式可能不同,若不做标定,复判看到的可能是“隔壁”的缺陷。工程上通常用已知的基准标记(Fiducial)做仿射变换,并用少量已知缺陷验证映射误差,一般要求映射残差小于缺陷尺寸的 1/3,否则复判结果不可信。

从检测到复判的数据链与关键决策点 检测机台输出 缺陷坐标 / 尺寸 检测通道 / ADC 粗标签 图像切片 坐标映射与抽样 Fiducial 仿射变换 映射残差 < 缺陷尺寸/3 抽样策略:随机/分层 复判成像采集 FOV / 倍率 / 扫描速度 光学 / SEM / EDS 模态 多视角图像 判定与标注 类别 / 严重度 / 处置建议 人工复判 或 自动复判 置信度与复核标记 结果回写与数据集构建 缺陷 ID 关联 · 良率分析 · 工艺反馈 · 模型训练 复判任务的关键决策点 决策点 1:是否复判 尺寸/ADC 置信度阈值 抽样比例与成本权衡 决策点 2:人工还是自动 类别复杂度 / 样本量 节拍要求 / 误判代价 决策点 3:判定与分级 致命/非致命/假缺陷 置信度与复核触发 决策点 4:结果处置 放行 / 拦截 / 返工 反馈工艺与模型迭代

人工复判与自动复判的差异

人工复判依赖工程师在图像上直接观察,优势是能处理未见过的缺陷形态、能结合上下文(如周边图形、历史批次)做综合判断,缺点是速度慢、一致性受疲劳和主观经验影响。自动复判(ADC/Automatic Defect Classification 或基于深度学习的 Review 分类)优势是节拍快、可 24 小时运行、标签一致,但对训练分布外的缺陷容易给出高置信度错误,且难以解释“为什么这样判”。

工程上两者不是替代关系,而是分工关系。常见做法是:自动复判先处理大批量、形态稳定的缺陷;对置信度低于阈值、类别属于关键致命类型、或与历史分布显著偏离的样本,转人工复判。人工复判的结果又回流为自动模型的训练与校准数据,形成闭环。判断分工是否合理,可以看两个指标:自动复判的漏判率(把致命判成非致命)和人工复判的负荷占比。若漏判率不可接受,应降低自动放行阈值;若人工负荷过高,则应扩充自动模型的类别覆盖或改进抽样策略。

复判任务的关键决策点

复判流程中有四个决策点需要工程化定义。第一,是否复判:不是所有缺陷都值得复判。通常按尺寸、ADC 置信度、缺陷密度和工艺阶段设定抽样规则。例如某道工序后,对尺寸大于 0.1 μm 且 ADC 置信度低于 0.8 的缺陷全检,其余按 5% 随机抽样。第二,人工还是自动:依据类别复杂度、样本量和节拍要求选择。第三,判定与分级:把缺陷分为致命、非致命、假缺陷( nuisance)三类,并给出置信度;置信度低于阈值时触发复核。第四,结果处置:决定放行、拦截还是返工,并把结论反馈到工艺和模型。

这四个决策点必须写成可执行的规则,而不是停留在“根据情况判断”。规则应包含明确的输入字段、阈值、优先级和异常处理路径。例如当同一缺陷被自动复判为“非致命”但人工复核为“致命”时,应以人工为准并记录该样本用于模型再训练;当映射残差超限时,应暂停复判并重新标定,而不是继续输出不可信结果。

工程化落地约束

复判系统落地时,约束往往来自节拍、数据量和可追溯性。节拍方面,复判机台的吞吐量有限,若全检会导致产线等待,因此抽样策略和自动复判的占比必须与产能匹配。数据方面,复判产生的图像和标签体量巨大,需要定义保留策略:通常保留全部致命缺陷和复核样本的原图,非致命缺陷可只保留特征和缩略图。可追溯性方面,每个缺陷的复判结论必须能关联到检测批次、机台、时间、操作者和模型版本,否则后续良率分析无法定位根因。

此外,复判系统需要与 MES/良率系统对接,把缺陷 ID、复判类别、严重度和处置结果写入统一数据模型。模型版本管理也很关键:自动复判模型更新后,必须记录版本号并做回归验证,避免新模型把旧批次数据“重新解释”成不同结论。工程上建议对每次模型上线做小批量影子运行(shadow mode),对比新旧模型的判定差异,确认无系统性偏移后再切换。

复判流程的可靠性,取决于坐标映射精度、抽样规则合理性和判定阈值可解释性。三者中任何一项失控,都会让后续的良率分析和工艺反馈建立在错误数据上。

把上述内容落到可执行层面,可以用一张复判任务配置表来约束关键参数。下表为示例结构,具体阈值需根据产线实际数据标定,不可直接照搬。

配置项 示例值 作用
映射残差上限 缺陷尺寸的 1/3 超过则暂停复判并重新标定
自动复判置信度阈值 0.85 低于阈值转人工复核
致命缺陷自动放行 禁止 致命类别必须人工确认
随机抽样比例 5% 用于监控检测机台稳定性
原图保留策略 致命全留,非致命留缩略图 平衡存储成本与追溯需求
模型版本记录 必填 支持回归验证与差异分析

复判不是检测的简单重复,而是把“疑似缺陷”转化为“可决策信息”的关键环节。流程设计要围绕数据链的完整性、决策点的可执行性和工程约束的可满足性展开;人工与自动的边界、抽样与全检的取舍、阈值与复核的联动,都需要在产线数据上持续校准,而不是一次设定后长期不变。