在半导体制造中，用于晶圆图缺陷分类的密度感知多模态特征融合技术

《JOURNAL OF INTELLIGENT MANUFACTURING》：Density-aware multi-modal feature fusion for wafer map defect classification in semiconductor manufacturing

半导体晶圆缺陷分类需突破传统方法局限，本文提出知识-数据双驱动框架，通过KAFE模块将原始图像转换为连续缺陷密度热图，并利用KDDNet的双分支结构融合多尺度卷积和变分特征金字塔，在MixedWM38数据集上以100次迭代达到98.64% F1精度，实现40倍加速。

　　

摘要

准确分类晶圆缺陷图对于提高半导体产量至关重要。然而，传统方法往往未能充分利用领域特定知识，因此性能有限。为了解决这一问题，我们提出了一个知识-数据双驱动框架，将晶圆特定的专业知识嵌入到深度学习中。我们的方法包括两个主要组成部分：知识感知特征增强（KAFE）模块和知识-数据双驱动网络（KDDNet）。KAFE将原始晶圆图转换为连续的缺陷密度热图，选择性地增强缺陷集中的区域，同时抑制背景噪声。然后，KDDNet通过双分支设计对这些增强后的表示进行处理。一个多尺度卷积子网络提取明确的空间缺陷模式，而一个变分特征金字塔子网络学习潜在的统计分布。这些互补的特征被融合用于最终分类。在MixedWM38基准测试中，我们的方法仅经过100次训练迭代就实现了98.64%的准确率、98.65%的精确度、98.64%的召回率和98.64%的F1分数，收敛速度比以往方法快了近40倍。通过将工艺知识直接嵌入到学习流程中，这种方法为晶圆缺陷分析和工艺诊断提供了一种快速、可解释且高度准确的解决方案。