AI 如何避免芯片质量检测漏判导致大规模报废

AI 如何避免芯片质量检测漏判导致大规模报废

漏判不只影响一批产品，还可能使错误工艺持续运行，扩大后续资源损失。检测模型的总体准确率难以反映这种风险。

按缺陷类型、严重性、设备、材料与工况建立样本，保留新型缺陷与现场失效反馈。资料汇集并不意味着可以无差别使用。应按任务确认必要字段、来源和授权，区分直接记录、第三方声明与模型推断。每次补充或修订都留下原因，未知继续标为未知，使系统既能开展分析，也能如实反映证据覆盖不到的部分。

视觉模型与规则及必要复检协同，对陌生分布和低置信度样本升级人工检查。检测策略可按缺陷后果设置复核路径，结合模型识别、工艺规则和必要抽检。新材料、新照明或新缺陷出现时识别分布变化，低置信度样本进入复检。模型更新后验证关键旧场景，避免总体准确率上升却使少数高后果缺陷更容易逃逸并继续扩散。

质量优化要把缺陷发生、检测、返工与报废连成过程，区分预防缺陷和筛出不良。模型可以发现多变量组合与变化趋势，但相关性仍需工程验证。评价应以可靠合格产出为基础，不允许通过降低检验或可靠性要求制造更高的表面良率。

假设新材料导致图像外观变化，应先验证模型适用性，不能沿用旧阈值继续大规模放行。这是用于说明方法的假设，不能直接外推到其他业务。应用中应保留具体条件，检查建议是否确实改变了结果。

检测模型还需要学习拒绝不确定结论。遇到未见材料、异常照明或新缺陷时，输出待复检比高置信度放行更负责任。企业应维护覆盖关键失效模式的验证样本，并在更新后检查旧场景是否退化，避免修复一种缺陷却让另一类问题重新逃逸。

值得关注的创新并非让模型回答得更肯定，而是让信息缺口可见、不同工具相互校验，并把后续结果反馈给下一次判断。这样的闭环需要试验，不能只凭技术名称判断是否先进。

降低漏判可能增加误杀，应以可靠性和真实损失分析取舍，而非单纯追求某项指标。核算资源收益时应考虑缺陷所处阶段、额外检测、返工和计算负担。关键缺陷、总体报废与客户失效需要分别观察，模型面对新材料或新工况时应重新验证，而非沿用过去的平均准确率。

分别观察关键缺陷漏判、误报、逃逸追溯和批次遏制速度，并监控模型漂移。验证应覆盖有代表性的正常与异常情境，并让使用者能够反馈和质疑。模型升级、数据变化或业务扩张后，重新检查适用条件。除了短期收益，还要考虑长期维护、人员能力与新增资源消耗，使项目从一次性演示进入可持续的管理过程。

检测智能化应控制缺陷扩散，而不仅提高图片处理速度。

参考资料（背景核对，检索截至2026年10月26日）：

imec：Sustainable Semiconductor Technologies and Systems

https://www.imec-int.com/en/expertise/cmos-advanced/sustainable-semiconductor-technologies-and-systems-ssts