基于图对比学习的自监督半导体晶圆缺陷检测(Graph-based Contrastive Learning for Self-supervised Semiconductor Wafer Defect Detection)

《JOURNAL OF INTELLIGENT MANUFACTURING》：Graph-based contrastive learning for self-supervised semiconductor wafer defect detection

　　

半导体晶圆缺陷检测面临一项关键挑战：传统有监督方法需要大量标注数据集，而获取这些数据的成本极高。本文提出一种结合图神经网络（Graph Neural Networks, GNNs）与对比学习（Contrastive Learning）的新型自监督方法用于缺陷检测，最大限度地减少了对标注训练数据的依赖。该方法引入了基于8-连通（8-connectivity）模式的理论严谨的图构建方式以保留空间局部性，边权重捕捉几何与语义关系。核心创新在于一个多准则对比学习框架，融合空间模式相似度、缺陷密度邻近性及生产批次（Lot）关系，利用领域驱动启发式（Domain-driven Heuristics）而非人工标注来定义正负样本对。研究人员采用带有跳转知识连接（Jumping Knowledge Connections）的图同构网络（Graph Isomorphism Network, GIN）实现该模型，以捕捉多尺度缺陷模式。在WM-811K数据集（来自46,293个批次的811,457张晶圆图（Wafer Maps））上的评估表明，对所学嵌入（Embeddings）进行无监督聚类可获得调整兰德指数（Adjusted Rand Index, ARI）0.89及归一化互信息（Normalized Mutual Information, NMI）0.87；而基于这些嵌入进行有监督微调可实现98.6%的分类准确率（微调后ARI 0.98，NMI 0.96），且在仅使用25%标注数据时仍保持95.7%的准确率。该方法处理了91.5%正常与8.5%缺陷的类不平衡问题，涵盖9种缺陷模式。部署分析显示推理时间为8.3ms，内存占用387MB，相比人工检测成本降低78%，且对传感器噪声具有鲁棒性，分布外（Out-of-Distribution, OOD）检测率达89.3%。这是首次将对比学习与GNN应用于晶圆缺陷检测，为标注数据稀缺的工业质量控制提供了可扩展的解决方案。

论文解读：基于图对比学习的自监督半导体晶圆缺陷检测

《Journal of Intelligent Manufacturing》刊载的该研究针对半导体制造中晶圆缺陷检测依赖大量标注数据、传统无监督方法难以捕捉复杂空间模式等问题，提出了一种结合图神经网络（Graph Neural Network, GNN）与对比学习（Contrastive Learning）的自监督框架。现有有监督深度学习模型虽精度较高但标注成本高昂，而传统聚类或自编码器方法忽略晶圆图（Wafer Map）内部die（芯片单元）间的空间拓扑关系。本研究通过将晶圆图建模为图结构，利用域知识驱动的对比损失进行无监督预训练，再经少量标注微调实现高精度分类。实验证明该方法在WM-811K标准数据集上超越现有先进方法，且具备实时工业部署能力，为半导体良率管理提供了新思路。

研究人员采用的主要关键技术方法包括：使用WM-811K公开数据集（811,457张晶圆图，按60%/20%/20%分层划分），将25×25晶圆图每个die设为节点构建8-连通图并赋予几何-语义双重加权边；节点特征含归一化坐标、die值、中心/边缘距离、极角及局部缺陷密度等9维向量；采用4层图同构网络（Graph Isomorphism Network, GIN）配合跳转知识（Jumping Knowledge, JK）连接融合多尺度特征，输出128维嵌入；设计多准则相似度评分（空间模式、缺陷密度、结构描述子、生产批次时间窗）生成伪标签以构造对比损失（Margin=2.0），进行200轮自监督预训练后，分别评估无监督聚类（Agglomerative Clustering）及基于部分标注微调的MLP分类性能。

Results and evaluation（结果与评估）

嵌入可视化（Embedding visualization）：研究人员对学到的嵌入进行PCA和t-SNE降维。PCA前两个主成分捕获64.7%方差，9类缺陷呈现清晰分离；t-SNE显示出明显簇边界。证明自监督对比学习使同类缺陷模式在特征空间中自然聚集，异类分离，无需显式标签即可学到判别性表征。

聚类与分类性能（Clustering and classification performance）：无监督聚类中Agglomerative Clustering取得Silhouette Score 0.76、ARI 0.89、NMI 0.87。经有监督微调后分类准确率达98.6%，宏观F1值0.975，优于已有CNN方法（98.2%）。仅用25%标注数据微调仍可维持95.7%准确率，证实预训练表征质量高、标注需求低。各类缺陷F1值在0.91（Near-full）至0.99（Center）之间，少数类性能可接受。

消融实验（Ablation studies）：对比学习目标比重构损失提升ARI 4.5%；8-连通图优于k-NN图（k=8）0.08 ARI。对比损失边际（Margin）最优为m=2.0。正样本阈值τ⁺=0.6、负样本阈值τ^-=0.3最佳。多准则权重中空间模式相似度（S_sp，权重0.4）贡献最大，去除生产批次邻近项（S_pr）仅致ARI微降（0.89→0.88）。类别平衡采样与类别平衡对比损失缓解了91.5%正常vs 8.5%缺陷的极端不平衡。

计算分析（Computational analysis）：GNN前向计算量约2.46M FLOPs，仅为ResNet-50的1/1667。单张晶圆推理耗时8.3ms（RTX 3090），满足产线实时需求（120片/秒），内存占用387MB较ResNet-50减少53%，可部署于边缘设备。在50,000片/月规模的晶圆厂模型中估算可降低检测运营成本约78%。

分布外检测（Out-of-Distribution Detection）：采用留一类别出（Leave-One-Class-Out, LOCO）协议与最大Softmax概率（Maximum Softmax Probability, MSP）阈值法，平均OOD检出率为89.3%（AUROC 0.927），空间特征明显的模式（Center、Edge-Ring）更易被识别为新类。

跨数据集迁移（Transferability of the Pipeline / Empirical Validation on MixedWM38）：在MixedWM38数据集上将分类头改为8位多头标签（Multi-label）并移除S_pr项，其余架构复用，达到90.86%位准确率（Bit-wise Accuracy）与宏F1 0.815，验证了流水线对混合缺陷及不同数据集的迁移能力。

Discussion（讨论）

图表示能天然处理晶圆圆形边界且无填充伪影，消息传递机制利于捕捉Edge-Ring等分布型缺陷的空间关联。相较CNN，GNN显式建模die间拓扑，精度略升（98.6% vs 98.2%）且内存减半。域驱动启发式对比学习属自监督范式，预训练阶段无需人工标签，少量标注微调即达高性能，可降低75%标注成本。框架支持导出ONNX兼容TensorRT/OpenVINO便于制造执行系统（Manufacturing Execution System, MES）集成。节点重要性分析提供可解释性辅助根因分析。局限包括对少于5个缺陷die的低密度缺陷、混合缺陷模式及完全未见过的新型缺陷仍有改进空间，OOD检测尚有10.7%漏检率可用能量函数等方法进一步优化。未来方向含融合工艺参数多模态、时序建模、跨工艺迁移学习、主动学习及可解释性增强。

结论（Conclusion，译自原文）

本文提出一种结合图神经网络与对比学习的自监督半导体晶圆缺陷检测方法。该两阶段方法——利用域驱动启发式进行自监督预训练并继之以有监督微调——在WM-811K数据集上达到98.6%分类准确率，优于现有有监督方法同时大幅降低对标注数据的依赖。主要贡献为：(1) 首次将对比学习与GNN应用于晶圆缺陷检测；(2) 提出理论严谨的8-连通图构建以保留空间die关系并自然处理圆形边界；(3) 多准则相似度评分融合空间、密度及模式度量进行恰当的正样本对选择；(4) 具备8.3ms推理时间与387MB内存占用的实时工业部署可行性；(5) 证实相比人工检测可节约78%成本且吞吐提升5422倍。研究表明，将几何深度学习与自监督目标相结合，可为标注数据稀缺但领域结构丰富的工业质量控制提供有效解决方案。未来工作包括多模态集成、时态建模、跨数据集精调、主动学习与可解释性增强。