[发明专利]一种基于半监督学习的晶圆图批量分析方法

权利要求书

1.一种基于半监督学习的晶圆图批量分析方法，其特征在于，所述方法包括下列步骤：

S1、对所有方形晶圆图进行预处理；

S2、对预处理后的晶圆图进行筛选，筛选出图中具有连通的缺陷芯片块，且连通区域面积分数大于阈值K的晶圆图；连通区域面积分数为连通区域面积占晶圆图总面积的百分数；

S3、使用有标签及无标签晶圆图训练半监督模型；

S301、从步骤S2筛选出的晶圆图中，挑选若干晶圆图中作为训练样本，并根据连通区域的形状类别，对部分训练样本进行标记作为有标签样本，其余的训练样本为无标签样本；利用训练样本进行半监督模型训练；

S302、利用已训练完的Ladder网络对训练样本中无标签晶圆图进行预测，获得对应于不同标签的概率向量；

S303、计算各晶圆图预测结果的信息熵，公式如下：

其中，H(x)表示晶圆图x的对应信息熵；p_i表示晶圆图x被分到形状类别i的概率；

S304、按照信息熵从大到小排序，筛选出前N％个晶圆图进行人工标记，标记后作为有标签样本，按照步骤S301用于半监督模型训练优化；或筛选出倒数M％个晶圆图，使用其预测标签标记后，作为有标签样本，按照步骤S301用于半监督模型训练优化；

S305、重复步骤S304，直到半监督模型的损失函数的数值小于预设值T；

S4、利用步骤S305优化后半监督模型对剩余的晶圆图进行分析。

2.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：所述步骤S1的预处理包括：

S101、晶圆图降噪；

S102、统一晶圆图尺寸并处理成便于分析的尺寸，晶圆图尺寸包括晶圆图宽度及长度。

3.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：所述步骤S2的筛选通过以下方法实现：

将无明显缺陷图形的晶圆图标记为0，存在明显缺陷图形的晶圆图标记为1，其中存在明显缺陷图形的晶圆图为：图中具有连通的缺陷芯片块，且连通区域面积大于阈值K的晶圆图；训练一个基于卷积神经网络(CNN)的二分类器；使用训练好的二分类器从大量晶圆图中挑选出需预测的晶圆图，即有明显缺陷图案的晶圆图。

4.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：阈值K在2.5％以上。

5.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：N＝20，M＝20。

6.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：损失函数用交叉熵描述，预设值T不大于0.1。