半导体缺陷样本生成方法和装置与流程
本技术涉及半导体，特别是涉及一种半导体缺陷样本生成方法和装置。
背景技术：
1、在半导体制造过程中，晶圆缺陷检测（yield enhancement defect detection，yed）是保障产品良率的关键环节。随着制程节点不断微缩（如7nm、5nm及以下），工艺复杂度急剧增加，晶圆上产生的缺陷数量呈爆炸式增长，单批次扫描可能产生数千乃至上万个缺陷候选点。
2、然而，其中绝大部分为对良率无实质影响的假性缺陷或已知可忽略的微小缺陷，真正影响芯片功能的杀手缺陷往往极为稀少，且新型缺陷模式会随工艺波动、设备老化或材料变化而不断涌现。因此工程师需逐一浏览sem图像，人工筛选出需要的缺陷类型并记录。面对海量缺陷，重复性劳动强度大，且判断标准易受个人经验影响，效率和准确性均较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高样本生成效率和准确率的半导体缺陷样本生成方法和装置。
2、第一方面，本技术提供一种半导体缺陷样本生成方法，所述方法包括：
3、获取半导体缺陷信息，并基于所述半导体缺陷信息进行多源特征提取得到多维特征向量；
4、将所述多维特征向量输入至训练完成的贝叶斯神经网络中，以通过所述贝叶斯神经网络执行目标次数的向前传播得到与所述多维特征向量对应的各预测概率向量，每一所述预测概率向量包括所述缺陷信息对应的各缺陷类型的概率，且所述贝叶斯神经网络每次向前传播采样的权重参数不同；
5、基于各预测概率向量生成所述半导体缺陷信息对应的缺陷的综合评分；
6、基于所述综合评分对所述半导体缺陷信息对应的缺陷进行采样，并基于采样得到的目标缺陷以及对应的半导体缺陷信息生成探索样本。
7、在其中一个实施例中，所述基于所述半导体缺陷信息进行多源特征提取得到多维特征向量，包括：
8、基于所述半导体缺陷信息提取所述缺陷的物理特征、版图布局特征以及上下文融合特征中的至少一个，其中，所述物理特征包括所述缺陷的几何特征、强度特征以及纹理特征中的至少一个，所述版图布局特征包括所述缺陷的层次信息、图形类型、关键距离以及局部图形密度中的至少一个，所述上下文融合特征包括工艺上下文特征和空间分布特征中的至少一个；
9、将所提取的特征进行融合得到多维特征向量。
10、在其中一个实施例中，所述基于各预测概率向量生成所述半导体缺陷信息对应的缺陷的综合评分，包括：
11、基于各所述预测概率向量的数学统计值得到预测不确定性，并基于所述预测不确定性得到探索分数；
12、基于各所述预测概率向量中关键缺陷类型的概率值得到利用分数，所述关键缺陷为对良品率影响程度大于程度阈值的缺陷；
13、基于所述多维特征向量与缺陷库中已知缺陷的特征向量，得到新颖性分数，其中，所述新颖性分数越大，所述综合评分越大；
14、基于所述多维特征向量与已选择的目标缺陷的特征向量，得到多样性分数，其中，所述多样性分数用于表示所述半导体缺陷信息对应的缺陷与已选择的目标缺陷的相似度，且所述多样性分数越大，所述综合评分越小；
15、基于所述探索分数、所述利用分数、所述新颖性分数以及所述多样性分数得到所述半导体缺陷信息对应的缺陷的综合评分。
16、在其中一个实施例中，所述基于所述综合评分对所述半导体缺陷信息对应的缺陷进行采样，并基于采样得到的目标缺陷以及对应的半导体缺陷信息生成探索样本，包括：
17、基于所述综合评分对所述半导体缺陷信息对应的缺陷进行排序，选择排序在先的前目标数量的缺陷添加到目标缺陷集合中；
18、基于所述半导体缺陷信息对应的缺陷以及所述目标缺陷集合得到剩余缺陷；
19、基于所述剩余缺陷的多维特征向量与所述目标缺陷集合中各目标缺陷的多维特征向量，计算所述剩余缺陷与各所述目标缺陷的相似度；
20、选择相似度大于相似度阈值的剩余缺陷添加至所述目标缺陷集合中；
21、在所述目标缺陷集合中所述目标缺陷的数量小于第一数量阈值的情况下，继续执行基于所述剩余缺陷的多维特征向量与所述目标缺陷集合中各目标缺陷的多维特征向量的步骤，直至目标缺陷集合中所述目标缺陷的数量大于或等于所述第一数量阈值的情况下，基于所述目标缺陷集合中的目标缺陷以及对应的半导体缺陷信息生成探索样本。
22、在其中一个实施例中，所述方法还包括：
23、获取历史样本数据；
24、在所述历史样本数据中已标注样本的数量大于或等于第二数量阈值的情况下，基于所述历史样本数据中已标注样本进行模型训练得到贝叶斯神经网络；
25、在所述历史样本数据中已标注样本的数量小于第二数量阈值的情况下，基于预设筛选规则对所述历史样本数据中未标注样本进行筛选，并对筛选得到的标注样本进行标注，直至所述历史样本数据中已标注样本的数量大于或等于第二数量阈值的情况下，基于所述历史样本数据中已标注样本进行模型训练得到贝叶斯神经网络。
26、在其中一个实施例中，所述基于采样得到的目标缺陷以及对应的半导体缺陷信息生成探索样本之后，还包括：
27、输出所述探索样本，所述探索样本包括目标缺陷、所述目标缺陷对应的缺陷信息以及各预测概率向量；
28、所述方法还包括：
29、接收针对所述探索样本对应的操作指令，并基于所述操作指令对所述探索样本进行操作，所述操作包括确认或纠正，所述纠正包括修改所述目标缺陷为已知缺陷或修改所述目标缺陷为新的缺陷；
30、基于操作后的所述探索样本对所述贝叶斯神经网络进行微调训练；
31、在所述探索样本对应的新的缺陷的出现的次数大于第四数量阈值的情况下，输出报警信息和/或增大所述综合评分计算中探索分数的权重，所述探索分数的权重用于控制下一次缺陷识别过程中对所述新的缺陷的获取概率。
32、在其中一个实施例中，所述基于操作后的所述探索样本对所述贝叶斯神经网络进行微调训练，包括：
33、在操作后的所述探索样本对应的半导体缺陷信息的数量大于第三数量阈值的情况下，从所述贝叶斯神经网络对应的已有的训练样本中进行采样得到参考样本；
34、基于所述参考样本以及所述探索样本，对所述贝叶斯神经网络进行微调训练。
35、在其中一个实施例中，所述方法还包括：
36、对所述贝叶斯神经网络进行性能评估；
37、在所述性能评估的结果表示所述贝叶斯神经网络性能下降的情况下，基于所述探索样本以及已有的训练样本对所述贝叶斯神经网络重新进行训练；
38、统计所述探索样本中新的缺陷的比例，并基于所述新的缺陷的比例更新所述综合评分计算中探索分数的权重，所述探索分数的权重用于控制下一次缺陷识别过程中对所述新的缺陷的获取概率。
39、在其中一个实施例中，所述方法还包括：
40、计算所述多维特征向量中每一维度的特征对贝叶斯神经网络输出的重要性；
41、确定所述探索样本对应的新的维度；
42、基于所述重要性以及所述新的维度对所述多维特征向量中的维度进行调整。
43、第二方面，本技术提供一种半导体缺陷样本生成装置，所述装置包括：
44、特征提取模块，用于获取半导体缺陷信息，并基于所述半导体缺陷信息进行多源特征提取得到多维特征向量；
45、预测模块，用于将所述多维特征向量输入至训练完成的贝叶斯神经网络中，以通过所述贝叶斯神经网络执行目标次数的向前传播得到与所述多维特征向量对应的各预测概率向量，每一所述预测概率向量包括所述缺陷信息对应的各缺陷类型的概率，且所述贝叶斯神经网络每次向前传播采样的权重参数不同；
46、评分模块，用于基于各预测概率向量生成所述半导体缺陷信息对应的缺陷的综合评分；
47、探索样本生成模块，用于基于所述综合评分对所述半导体缺陷信息对应的缺陷进行采样，并基于采样得到的目标缺陷以及对应的半导体缺陷信息生成探索样本。
48、上述半导体缺陷样本生成方法和装置，获取半导体缺陷信息，并基于所述半导体缺陷信息进行多源特征提取得到多维特征向量；将所述多维特征向量输入至训练完成的贝叶斯神经网络中，以通过所述贝叶斯神经网络执行目标次数的向前传播得到与所述多维特征向量对应的各预测概率向量，每一所述预测概率向量包括所述缺陷信息对应的各缺陷类型的概率，且所述贝叶斯神经网络每次向前传播采样的权重参数不同；基于各预测概率向量生成所述半导体缺陷信息对应的缺陷的综合评分；基于所述综合评分对所述半导体缺陷信息对应的缺陷进行采样，并基于采样得到的目标缺陷以及对应的半导体缺陷信息生成探索样本，这样首先通过贝叶斯神经网络可以引入半导体缺陷的类型，且综合评分可以准确地确定各半导体缺陷信息对应的缺陷是否重要，进而再生成探索样本，可以确保每次检查的样本都有代表性，提高探索样本生成的效率和准确性。