研究發表在國際資訊與通訊科技雜誌可能很快就會幫助解決半導體製造中長期存在的挑戰：準確檢測矽晶圓上的表面缺陷。晶體矽是生產積體電路的關鍵材料，為了為日常電子產品和先進汽車系統提供運算能力，在矽表面印刷電路的微觀特徵之前，晶體矽需要盡可能保持原始狀態。

當然，沒有製造技術是完美的，半導體晶片製造流程複雜，不可避免地會導致一些缺陷矽片。這減少了批次中工作晶片的數量，並導致生產線產出中一小部分但很大比例的失敗。

發現矽晶圓上的缺陷的常用方法是手動完成的，操作員用眼睛檢查每個晶圓。由於需要對細節的高度關注，這既耗時又容易出錯。隨著全球晶圓產量不斷增加以滿足需求，缺陷本身變得更難以用肉眼檢測到，這種方法的限制變得更加明顯。

中國湖南省株洲市湖南鐵路職業技術學院的 Chen Tang、Lijie Yin 和 Yongchao Xie 解釋說，自動偵測系統已成為可能的解決方案。這些也帶來了大規模生產環境中的效率和準確性問題。因此，團隊轉向深度學習， 特別卷積神經網絡（CNN），以改進晶圓缺陷檢測。

研究人員解釋說，CNN 在圖像辨識方面表現出了巨大的潛力。他們現在已經證明，這可以用來識別矽晶片表面上的微小不規則之處。“You Only Look Once”系列物體偵測演算法因其能夠平衡準確性和偵測速度而聞名。

湖南團隊將YOLOv7演算法更進一步，以解決晶圓缺陷檢測面臨的具體問題。這項工作的主要創新在於使用 SPD-Conv，這是一種專門的捲積運算，可以增強演算法從矽晶圓影像中提取精細細節的能力。此外，研究人員還在模型中加入了卷積塊注意力模組（CBAM），以增強系統對手動檢查或其他演算法中經常遺漏的較小缺陷的關注。

在用於評估晶圓缺陷檢測系統的標準資料集（WM-811k）上進行測試時，該團隊改進的 YOLOv7 演算法實現了 92.5% 的平均精度和 94.1% 的召回率。它的速度很快，每秒 136 張影像，比早期的系統更快。

更多資訊：Chen Tang 等人，使用增強型 YOLOv7 進行晶圓表面缺陷檢測，國際資訊與通訊科技雜誌（2024）。DOI：10.1504/IJICT.2024.141433