半導体ウェーハ向けAI外観欠陥検出の核心的な価値は、従来は人の目とルールベースのアルゴリズムに依存していた抜取工程を、全数検査で、追跡可能で、継続的に進化するオンラインの品質防衛線に変えることです。この2年、先端ノードや第三世代半導体のラインが能力を拡大するにつれて、ウェーハ欠陥検出への関心は明らかに高まり、業界の焦点は「欠陥を検出できるか」から「どう分類し、追跡し、工程へフィードバックするか」へ移っています。
I. 中核となる概念と技術的定義
半導体ウェーハ向けAI外観欠陥検出とは、光学撮像システムを用いて、前工程(リソグラフィ、エッチング、薄膜堆積、CMPなど)および後工程のパッケージ前におけるウェーハ表面とパターン構造の画像を取得し、深層学習モデルによってパーティクル汚染、キズ、ピンホール、ブリッジ、断線、残渣、パターンずれといった欠陥を自動的に識別し、欠陥の分類、位置決め、重要度の等級付けを完了することを指します。
従来のAOI(Automated Optical Inspection)との違いは、画像の解釈の仕方にあります。従来のAOIは手作業で設定したグレースケールしきい値、エッジルール、テンプレート比較で判定し、ルールはハードコーディングされていて、マスク層や材料が変われば調整し直す必要があります。AI外観検出は畳み込みニューラルネットワークやTransformer系のモデルを用い、大量の注記済み画像から欠陥のテクスチャ、形状、文脈的特徴を学習し、雑然とした背景に対する低コントラスト欠陥での安定性が高くなります。業界でADC(自動欠陥分類)と呼ばれるものは典型的な応用のひとつで、検査装置が出力した欠陥座標を小さな画像に切り出し、モデルに具体的な欠陥種別を割り当てさせます。
II. 技術原理と主要能力
システム全体はおおむね3層に分かれます。撮像層が上限を決め、一般に明視野、暗視野、微分干渉コントラストを用い、先端ノードでは電子ビームレビューも使われます。光源の角度、波長、カメラの解像度の組み合わせが悪ければ、後からどんなアルゴリズムでも補えません。アルゴリズム層が中核で、検出モデルが画像全体から疑わしい欠陥を素早く特定し、分類モデルがカテゴリを絞り込み、セグメンテーションモデルが欠陥の輪郭を描き出します。エンジニアリング層はMESやYMSと接続し、欠陥データをウェーハマップ上に配置して歩留まり解析を支えます。
主要能力は3つあります。第一に、少数サンプルでの汎化。ライン上の希少な欠陥サンプルは乏しいため、業界では一般にデータ拡張、転移学習、異常検知(良品だけを学習して逸脱を警告する)でこれを緩和します。第二に、浅いキズや薄い残渣といった低コントラスト欠陥の再現率で、マルチスペクトル撮像とアテンション機構によって向上させます。第三に説明可能性です。モデルは欠陥位置のヒートマップを提示し、工程エンジニアがどの工程が原因かを判断できるようにしなければなりません。NGという判定だけを返すのでは不十分です。
III. 典型的な製造業の適用シナリオ
パワーデバイスを製造するウェーハ工場が、CMP後に表面のパーティクルとマイクロキズを検査する場合を想定します。ルールベースのAOIはスラリー残渣と本物のキズを混同しやすく、誤報率が高く、エンジニアは毎日多くの画像をレビューしていました。AI外観検出では、モデルが暗視野画像とテクスチャ特徴を組み合わせて両者を切り分け、レビュー量が減り、欠陥マップをバッチ単位でクラスタリングしてどの研磨装置が異常かを特定しやすくなります。
MEMSセンサーメーカーで、ウェーハ表面のパターン密度が不均一で、従来のテンプレート比較ではエッジ領域で誤報が頻発する場合も想定します。AIの手法は異常検知を用い、正常なパターン分布だけを学習して逸脱を検出するため、異なるレイアウト間の高速な切り替えにも適応します。パッケージ工程のウェーハレベル検査、たとえばバンプの欠落、位置ずれ、共平面性の異常もあり、ここではAIビジョンと3D形状データを組み合わせた総合判定が、2D検査だけよりも実際の故障モードに近い判断をもたらします。
IV. 選定のポイントと導入の提案
選定では、まず撮像を調整できるかどうかを確認してください。光路が固定された装置では複数の工程層をカバーすることはほとんどできません。次にモデルの反復ループを確認します。ライン上の欠陥分布はドリフトするため、システムはエンジニアが少数の新サンプルで追加訓練できるようにし、毎回ベンダーへ再訓練を依頼しなくて済むようにしなければなりません。データインターフェースは欠陥座標とカテゴリを標準形式で出力し、歩留まり解析システムへ容易に接続できる必要があります。導入では、欠陥種別が集中しレビュー量の多い工程をパイロットに選び、誤報率と見逃し率のベースラインを定めてから横展開します。アノテーションの仕様は事前に固定してください。同じ欠陥種別をエンジニアによって違うように注記すると、モデルは混乱したものを学習してしまいます。また光源とカメラの一致性の校正も怠らないでください。装置間の差はモデルの効果を直接損ないます。
V. 動向と結論
ひとつの方向は検査と計測の融合で、AIが欠陥の有無を判定するだけでなく、欠陥サイズや深さといった定量情報を出力し、プロセスウィンドウの解析を直接支えます。もうひとつはエッジ推論で、軽量モデルを検査装置上に配備して画像伝送の遅延を減らし、オンライン全数検査のタクトに応えます。さらに生成的データ補完があり、拡散モデルで希少な欠陥サンプルを合成して少数ショットの問題を緩和します。ERP時代から数十年にわたり深く取り組み、120万社の顧客にサービスを提供し、国内外市場で累計数千万台の端末を展開してきたプレイヤーの産業デジタル基盤から判断すると、ウェーハのAI外観検査は単点のツールから歩留まり管理のデータ入力口へ変わりつつあり、選定時に撮像、アルゴリズムの反復、データ統合を設計しておけば導入ははるかにスムーズになります。