SDCViT：一种基于变压器驱动的分层框架，用于半导体缺陷检测与分类

《JOURNAL OF INTELLIGENT MANUFACTURING》：SDCViT: a transformer-powered hierarchical framework for semiconductor defect detection and classification

半导体缺陷分类效率提升研究：提出基于视觉Transformer的多级缺陷检测模型SDCViT，有效处理复杂混合缺陷，在两个挑战性数据集上准确率达98.46%，并验证其在工业4.0制造环境中的集成潜力。

　　

摘要

随着半导体技术的发展，集成密度和工艺复杂性的不断提高，精确高效的缺陷分类已成为提高半导体制造产量和质量的先决条件。传统的深度学习方法和卷积神经网络（CNN）在处理现代半导体制造环境中出现的复杂缺陷和混合缺陷时可能会遇到很大困难。为此，本研究提出了SDCViT（半导体缺陷分类视觉Transformer）。该分层模型利用具有强大表示能力的视觉Transformer（ViT）来执行半导体缺陷分类任务。SDCViT采用多层次分类架构，能够准确识别单一类型的半导体缺陷以及由多种半导体缺陷类型组成的复杂结构。SDCViT充分利用了视觉Transformer的自注意力机制，高效地捕捉半导体缺陷的特征。实验评估使用了具有挑战性的半导体缺陷分类数据集MixedWM38，结果显示SDCViT的性能优于现有的最先进半导体缺陷分类模型（包括CNN架构和迁移学习架构），测试准确率达到了98.46%。为了验证SDCViT的泛化能力，还使用了另一个具有挑战性的数据集WM-811 K进行了外部验证实验，进一步证明了其有效性。SDCViT模型通过Grad-CAM技术对特征重要性进行可视化解释，增强了模型预测的语义理解。此外，该模型还通过消融实验分析了提高效率的关键组件。本文进一步探讨了将SDCViT无缝集成到先进半导体制造环境中的策略。通过将SDCViT置于以工业4.0为导向的生产生态系统中——该生态系统具备严格的精度要求、先进的缺陷分类方法和新兴的质量保证理念——该框架能够更好地支持当前的检测任务和不断发展的制造规范。因此，这些集成方案表明SDCViT在提升运营效率方面具有巨大潜力，能够满足未来半导体制造过程中日益复杂的需求。