无监督特征学习与优化聚类结合微调技术，用于自动识别半导体晶圆缺陷

《Scientific Reports》：Unsupervised feature learning and optimised clustering with fine-tuning for automatic semiconductor wafer defect recognition

　　

摘要

在半导体制造过程中，自动识别晶圆缺陷图谱对于提升产量和保证质量至关重要。然而，随着缺陷模式的日益多样化和动态变化，传统的监督学习方法由于依赖完全标注的数据，且难以适应不断变化的缺陷分布，存在一定的局限性。本研究提出了一种两阶段框架，旨在利用少量标注数据及有限的先验知识实现晶圆缺陷图谱的自动识别。首先，采用基于深度自编码器的表示学习方法自动提取特征，再通过肘部法则引导的K均值聚类来确定聚类数量并揭示潜在的缺陷结构。这一阶段无需进行详尽的手动标注，即可为后续自动标注提供基础。在第二阶段，由于在复杂的数据分布和不断变化的缺陷模式下，初始标签的可靠性可能会下降，因此采用基于XGBoost的测试时训练与半监督优化方法，利用训练阶段获得的有限知识来提升预测精度。在标准混合缺陷图谱数据集上的实验结果表明，所提出的框架能够达到95%的分类准确率，同时在精确度、召回率和F1值方面也优于现有的先进方法，此外还能在各项关键评估指标上提升聚类质量。