研究发表在国际信息与通信技术杂志可能很快就会帮助解决半导体制造中长期存在的挑战：准确检测硅晶圆上的表面缺陷。晶体硅是生产集成电路的关键材料，为了为日常电子产品和先进汽车系统提供计算能力，在硅表面印刷电路的微观特征之前，晶体硅需要尽可能保持原始状态。

当然，没有制造技术是完美的，半导体芯片制造工艺复杂，不可避免地会导致一些缺陷硅片。这减少了批次中工作芯片的数量，并导致生产线产出中一小部分但很大比例的失败。

发现硅晶圆上的缺陷的常用方法是手动完成的，操作员用眼睛检查每个晶圆。由于需要对细节的高度关注，这既耗时又容易出错。随着全球晶圆产量不断增加以满足需求，并且缺陷本身变得更难以用肉眼检测到，这种方法的局限性变得更加明显。

中国湖南省株洲市湖南铁路职业技术学院的 Chen Tang、Lijie Yin 和 Yongchao Xie 解释说，自动检测系统已经成为一种可能的解决方案。这些也带来了大规模生产环境中的效率和准确性问题。因此，团队转向深度学习， 特别卷积神经网络（CNN），以改进晶圆缺陷检测。

研究人员解释说，CNN 在图像识别方面表现出了巨大的潜力。他们现在已经证明，这可以用来识别硅晶片表面上的微小不规则之处。“You Only Look Once”系列物体检测算法因能够平衡准确性和检测速度而闻名。

湖南团队将YOLOv7算法更进一步，以解决晶圆缺陷检测面临的具体问题。这项工作的主要创新在于使用 SPD-Conv，这是一种专门的卷积运算，可以增强算法从硅晶圆图像中提取精细细节的能力。此外，研究人员还在模型中加入了卷积块注意力模块（CBAM），以增强系统对手动检查或其他算法中经常遗漏的较小缺陷的关注。

在用于评估晶圆缺陷检测系统的标准数据集（WM-811k）上进行测试时，该团队改进的 YOLOv7 算法实现了 92.5% 的平均精度和 94.1% 的召回率。它的速度很快，每秒 136 张图像，比早期的系统更快。

更多信息：Chen Tang 等人，使用增强型 YOLOv7 进行晶圆表面缺陷检测，国际信息与通信技术杂志（2024）。DOI：10.1504/IJICT.2024.141433