面向对准的工业晶圆边缘分割:基于合成预训练与无监督几何正则化的双分辨率深度学习(U2-Net)方法

《JOURNAL OF INTELLIGENT MANUFACTURING》:Industrial wafer edge segmentation for alignment: a dual-resolution deep learning approach with synthetic pretraining and unsupervised geometry regularization

【字体: 大 中 小 】 时间:2026年06月28日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7

编辑推荐:

  准确的晶圆(wafer)对准(alignment)是成功制备三维集成电路(Three-Dimensional Integrated Circuit, 3D IC)的关键。当晶圆边缘可见度因颗粒、胶粘剂残留等污染物及可变光照而退化时,该任务尤为困难。研究人员提出

  
准确的晶圆(wafer)对准(alignment)是成功制备三维集成电路(Three-Dimensional Integrated Circuit, 3D IC)的关键。当晶圆边缘可见度因颗粒、胶粘剂残留等污染物及可变光照而退化时,该任务尤为困难。研究人员提出了一种基于深度学习的分割流程,可在此类不利条件下从高分辨率(2448×2048)图像中以像素级精度检测晶圆边缘几何形状。该方法的核心是双分辨率U2-Net架构,首先在低分辨率(306×256)图像上定位晶圆边缘,再裁剪对应高分辨率区域进行精细分割。该策略能以显著降低的计算成本高效处理大幅图像,同时保持对准精度。此外,研究人员利用自定义模拟器通过系统的域随机化(Domain Randomization)生成大量合成晶圆图像进行广泛训练,显著减少了对昂贵真实标注的需求。一种新颖的基于无监督生成对抗网络(Generative Adversarial Network, GAN)的细化阶段,通过几何感知的合成样本强制满足几何合理性(geometric plausibility),进一步提升了分割质量。综合评估表明,该方法持续优于基线方法和常规GAN变体,即使在仅使用一张标注晶圆图像(定义为一张包含载片晶圆与器件晶圆区域的已标注2448×2048图像)微调时,在真实样本上仍取得高于0.96的平均交并比(mean Intersection-over-Union, mIoU)。这些结果证明了该方法对遮挡和污染的强鲁棒性,适用于工业晶圆对准应用。
论文解读:面向对准的工业晶圆边缘分割——基于合成预训练与无监督几何正则化的双分辨率U2-Net方法
该研究发表于《JOURNAL OF INTELLIGENT MANUFACTURING》。在三维集成电路(3D IC)制造中,超薄器件晶圆需临时键合至刚性载片晶圆(carrier wafer)以完成背面工艺,此过程要求二者精确对准(alignment),常依赖光学检测晶圆缺口(notch)或平边(flat edge)来确定方位。实际产线中,晶圆边缘常被胶残、微粒、释放层及多变光照遮挡或模糊,传统视觉算法与现有缺陷分割法多假设边界清晰,无法处理被遮挡边缘的几何推断(occlusion-aware edge completion),且依赖大量真实标注数据。为此,研究人员提出一种双分辨率深度学习分割管线,结合大规模域随机化合成数据预训练与无监督几何感知对抗细化,旨在以极少真实标注实现高分辨率工业晶圆图像中污染及遮挡条件下的晶圆边缘精确分割与几何重建,满足微米级对准公差要求。
主要关键技术方法:
研究人员搭建镜面反射双晶圆成像光学平台采集86张2448×2048像素真实晶圆边缘图像(部分含载片与器件晶圆),手动标注含几何合理外延的掩膜(groud-truth mask);自主开发晶圆图像模拟器,引入相机安装误差、晶圆位姿波动、直径/缺口(notch)几何容差、胶残/微粒/纹理背景/光照与离焦模糊等十二维参数进行系统域随机化(Domain Randomization)生成十万级合成样本。采用双阶段U2-Net(嵌套U型显著目标检测网络)流水线:低分辨率(306×256)模型粗定位边缘并裁剪感兴趣区(Region of Interest, ROI, 480×2048),高分辨率模型对该ROI精细分割后拼回全图。高分辨率分割网络先合成数据预训练,加入由几何违例假掩膜(错配mismatching、裂纹crack、噪声noise、错位misalignment及生成器输出)训练的多尺度PatchGAN判别器提供无监督对抗损失(unsupervised adversarial loss, hinge-GAN),再用极少数真实标注样本微调,验证/测试集无标注样本参与判别器优化(直推式/transductive设定)。损失函数为二值交叉熵(Binary Cross-Entropy, BCE)、多尺度BCE(MultiBCE)、mIoU及结构相似性(Structural Similarity Index Measure, SSIM)加权组合加对抗项。推理阶段不使用判别器。
研究结果:
Synthetic data performance
在合成验证集上对比U-Net、U-Net++、DeepLabv3+(ResNet-50)与U2-Net(统一BCE+mIoU+SSIM损失),U2-Net取得最高验证mIoU;逐步加入MultiBCE、mIoU、SSIM损失项持续降低验证MAE(mean absolute error)并提升mIoU。传统Canny边缘检测经参数网格搜索最优mIoU仅0.066,远低于深度学习方法(>0.7),证实学习型方法必要。高分辨率模型在合成遮挡测试中可恢复被图案化噪声遮蔽的边缘(IoU 0.929/0.928 vs 低分辨率0.707)及严重遮挡下缺口几何(IoU上片0.981,下片 plausibly reconstruct 0.643),合成测试集整体mIoU低分辨率0.878、高分辨率预训练0.894。
Low-resolution model: justification for synthetic-only training
低分辨率模型仅用合成数据训练(Syn-only, mIoU 0.333±0.121)与仅用7张真实数据训练(Real-only, 0.823±0.231)对比,虽像素精度低但因正确框定边缘区使ROI裁剪命中率(crop-hit success rate)达100%,缺口边缘距ROI边界余量数十至上百像素,证明其足以可靠引导后续高分辨率裁剪,无需真实数据微调。
High-resolution model: ablation on pretraining/fine-tuning/GAN
以1/3/5/7张真实样本微调并5次重复交叉验证,对比七种配置:A(仅真实微调)、B(仅合成预训练)、C(预训练+监督微调)、D(归纳inductive+常规vanilla GAN)、E(归纳+几何感知GAN)、F(直推transductive+常规vanilla GAN)、G(直推+几何感知GAN)。结论如下:合成预训练+少量真实微调(C)显著优于单独A或B;在严格归纳设定下常规与几何感知GAN差异有限;在引入无标注图像的直推设定下,所提几何感知GAN(G)优于常规GAN(F);仅用1张标注图微调时G即达mIoU>0.96,7张时0.964为最高。下游对准指标(notch angle error / notch distance error)中G最低(角度误差≈0.29°,距离误差≈25.3μm),满足典型工业允差(≤1°, ≤30μm)。单类几何违例假掩膜消融显示crack型对角度误差改善最佳,但全混合假掩膜(G)综合最优。训练动态曲线显示G均值mIoU最高、方差最小,证明提升稳定性。
Representative qualitative cases
对清晰边缘、胶残干扰缺口退化、强镜面反射无上片三种典型实图对比A~G结果:纯监督微调(C)可解大部分场景但强反射下易过分割或边缘毛刺;常规GAN(F)减误但引入缺口处伪影;几何感知GAN(G)在最复杂反射案例中IoU达0.957,产出平滑连续且保形缺口的边缘图,无伪影,验证了几何约束优势。
讨论与结论翻译:
研究人员指出局限含成像系统参数超模拟范围、未建模大缺口崩边等极端损伤、当前针对镜像双晶圆构型。结论如下:研究人员开发了双分辨率U2-Net流水线,先低分辨率定位晶圆边缘再高分辨率局部精细分割,降低计算量同时保留高精度对准所需细边缘几何,抗污染与光照变化。证明带全面域随机化的合成数据生成可大幅削减真实标注需求——仅用一张含载片与器件晶圆区域的标注2448×2048图像微调即在真实测试样本获mIoU>0.96,七张达0.964,确认了从合成到真实域的强泛化能力。提出嵌入几何违例样本的无监督GAN细化策略,将几何合理性约束注入对抗训练,显著优于纯监督及标准GAN。相较依赖清晰边界的常规晶圆缺陷分割,本框架实现遮挡感知(occlusion-aware)晶圆边缘几何重建,支持边缘被部分遮蔽时的可靠对准。相较仅提升视觉真实感的既往GAN分割细化,本工作引入几何感知对抗训练,由精选几何违例掩膜引导判别器强制晶圆边缘结构一致性。上述贡献共同提升了晶圆对准精度、抗视觉污染鲁棒性并降低数据标注成本,适于晶圆制造产线实际部署。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号