卢笑蕾，余建波

(同济大学 机械与能源工程学院，上海 200000)

0 引言

半导体制造是一个复杂且耗资巨大的过程。在制造过程中，由于工艺的繁杂与动态性，半导体晶圆表面容易出现缺陷。通常,晶圆表面的缺陷分为全局缺陷和局部缺陷两类[1]，全局缺陷常因一些随机因素导致(如灰尘)，分布于整个晶圆的表面，而局部缺陷一般由可寻原因导致，如人为因素、设备故障等。局部缺陷一般以各种簇的形式存在，常见的有线形、曲线形和椭球形。对于工程师而言，缺陷簇的位置、大小和几何形状等都可以反映生产过程中的问题[2]，例如晶圆与设备之间摩擦产生刮痕，容易导致线形缺陷，因此准确识别局部缺陷簇的形状，不仅可以避免因大批量晶圆缺陷而造成的成本损失，更重要的是可以根据缺陷原因找出生产线上存在的故障源，从而进行调整与改进，减少晶圆生产中的返工率和废品率，提高晶圆质量和生产效率。

传统的缺陷检测往往通过电子扫描显微镜完成，因为生产数量庞大，这种人工检测已经不能解决实际问题[2]，所以越来越多的研究开始集中在缺陷自动检测领域。Friedman等[3]采用奈A型分布(Neyman type-A distribution)拟合晶圆表面的缺陷，Cunningham等[4]基于晶圆缺陷点的空间位置、形状等展开量化分析。这些研究仅集中于晶圆缺陷模式的统计分析，很难进一步识别出缺陷模式的具体形状。Su等[5]研究了一套有监督神经网络系统用于晶圆缺陷检测，包括反向传播、径向基函数和学习矢量量化;Chen等[6]采用无监督神经网络，即采用自适应共振理论(Adaptive Resonance Theory, ART)识别晶圆表面缺陷。……