内容概要：本文介绍了一个基于LangGraph的多智能体晶圆测试失效根因分析系统，旨在通过AI智能体技术提升芯片行业中CP/FT测试失效分析的效率与准确性。系统采用ReAct范式与RAG技术，结合半导体失效知识库，构建了包含数据采集、知识检索、根因推断与报告生成的多智能体协作流程。利用LangGraph进行状态化流程编排，实现各智能体间的状态共享与显式交接，确保分析过程可追溯、可扩展。代码实例展示了从故障日志提取、历史案例检索到根因推理的完整链条，并强调工具沙箱化、结构化输出与上下文裁剪等工程优化手段。; 适合人群：具备一定AI与软件开发基础，从事半导体测试、良率分析或智能制造的研发工程师，尤其是关注AI在工业场景落地的技术人员；; 使用场景及目标：① 快速定位晶圆测试中的失效根因，将传统4-8小时的人工分析缩短至半小时内；② 构建可复用的多智能体协同框架，应用于半导体制造中的异常检测与决策支持；③ 探索LangGraph在复杂工业流程自动化中的实践路径； 阅读建议：此资源以实际代码案例驱动，建议读者结合LangChain与LangGraph官方文档动手实践，重点关注状态设计、工具封装与智能体交接机制，并可根据实际产线数据替换模拟模块以实现落地应用。

《Die Bond 晶圆键合设备DB800软件操作说明书》详细介绍了Hitachi High-Tech Instruments Co., Ltd.生产的SiP BONDER DB-800系列半导体设备的使用和操作方法。这款设备以其高精度和稳定性在行业内受到广泛认可，其全英文的说明书对软件开发和实际操作具有重要的参考价值。 章节1讲述了设备在运输过程中的处理注意事项，包括设备的开箱、运输过程中的步骤、不同情况下的移动方法，如使用托盘车、重型起重机或滚轮（选配）进行移动，以及设备的安装方法。 章节2是一般性的介绍，涵盖了设备的一般信息、操作时的注意事项，以及系统的配置。系统配置部分详细解析了系统的概览和组成结构，各单元的名称及其功能，以及操作面板的布局。此外，还列出了设备的基本规格和所需的公用设施。 安全是设备操作的关键，章节3专门讲解了安全相关事项。包括一般性的安全指导、危险标识、使用前的注意事项，如对化学物质、激光、锁定/标签程序的处理。此外，还详述了紧急停止开关的位置和功能，以及安全罩互锁机制，包括安装位置和使用注意事项。同时，章节中还列举了潜在的危害，如信号词、危险标记标签、离子化器等，并提醒用户注意高压、高温表面和挤压风险，以及安全标签的安装位置。 章节4重点在于设备的操作，分为基本操作和自动操作两部分。基本操作部分讲解了触摸屏的使用方法、按钮/显示功能、主窗口的一般信息、窗口层的注意事项、窗口转换以及属性按钮的操作。自动操作则涵盖设备启动、自动运行的开始和停止、紧急情况下的操作、无效设置数据检查以及干运行方法。单操作部分则分别阐述了进料器、装载/卸载器、晶圆、预成型、键合、覆膜（选配）以及单个操作步骤的细节。 这份说明书为DB800 Die Bond半导体设备的操作人员提供了全面的指导，确保了设备的安全高效运行。无论是新用户还是经验丰富的技术人员，都能从中获取必要的知识和技巧，以优化工作流程并减少潜在问题。

半导体晶圆缺陷检测是半导体制造过程中一个极其重要的环节。晶圆在生产过程中可能因为多种因素产生缺陷，这些缺陷会影响芯片的性能甚至导致芯片的失效。随着人工智能技术的发展，利用深度学习进行晶圆缺陷检测已经成为提升检测效率与精度的重要手段。特别是卷积神经网络（CNN）在图像识别领域的成功应用，使它成为半导体缺陷检测的主要工具。 为了满足深度学习模型的训练需求，需要大量的标注数据。数据集的构建是深度学习应用的第一步，其质量直接影响模型的训练效果。半导体晶圆图谱缺陷检测数据集的构建涉及到数据的采集、图像预处理、缺陷标注以及数据格式化等多个环节。本数据集包含11720张jpg格式的图片文件，与之对应的是标注文件，包括Pascal VOC格式的xml文件和YOLO格式的txt文件。数据集的标注工作采用了labelImg工具，该工具允许用户通过图形界面绘制矩形框来标注出图像中的目标物体。 在本数据集中，缺陷被分成了8个类别，每个类别对应一种晶圆缺陷类型，包括中心缺陷（Center）、圆环缺陷（Donut）、边缘局部缺陷（Edge-Loc）、边缘环缺陷（Edge-Ring）、局部缺陷（Loc）、近满缺陷（Near-full）、随机分布缺陷（Random）和划痕缺陷（Scratch）。各类别的缺陷数量不一，例如边缘局部缺陷的框数最多，而圆环缺陷的框数最少。这些类别和对应数量的数据为深度学习模型提供了丰富多样的学习样本。 此外，数据集的提供者还明确指出，虽然数据集提供了准确且合理的标注图片，但不对训练的模型或权重文件的精度作任何保证。这样的声明表明数据集提供者对数据集的使用有一定的限制，用户在使用数据集时需要自行负责模型训练的效果以及最终结果的准确性。数据集的合理使用还要求用户遵守相关版权规定，并在必要时对数据集进行适当的引用。 半导体晶圆图谱缺陷检测数据集的构建，为研究者和开发者提供了一个实用的资源，有助于推动基于深度学习的晶圆缺陷检测技术的研究和开发。通过本数据集，研究者可以训练和验证不同的深度学习模型，进而优化模型结构，提升检测精度，以满足实际生产中对半导体晶圆缺陷检测的要求。

半导体晶圆缺陷检测是半导体制造过程中至关重要的环节，它能够帮助制造商及时发现晶圆表面存在的缺陷，并据此采取措施避免不合格品流入下一道工序。为了支持相关研究与开发，目前存在一个名为waferMap的半导体晶圆缺陷数据集，该数据集提供了13000张标注了各种缺陷的图片，用于目标检测模型的训练与测试。 waferMap数据集的图片格式为JPEG，且包含了对应标注信息的xml文件，适合于使用VOC（Visual Object Classes）格式进行处理。同时，为了兼容YOLO（You Only Look Once）这种流行的目标检测框架，该数据集也提供了YOLO格式的标注文件。具体来说，数据集包含了三个主要的文件夹，分别是存放图片的JPEGImages文件夹、存放标注信息的Annotations文件夹和存放类别信息的labels文件夹。 在标注文件的组织上，waferMap遵循矩形框的标注方式，每个缺陷都被标记为九种类别之一，分别包括Center（中心）、Donut（甜甜圈）、Edge-Loc（边缘位置）、Edge-Ring（边缘环）、Loc（局部）、Near-full（接近满）、None（无）、Random（随机）和Scratch（划痕）。每一种缺陷类别都有相应的框数，如Center缺陷有2147个矩形框，Donut缺陷有555个矩形框等等，这些矩形框用于指示图像中各个缺陷的位置和范围，以供目标检测模型学习识别。 数据集所包含的图片分辨率是清晰的，并且图片没有进行增强处理。由于图片清晰且标注准确，这为研究人员和工程师提供了一个高质量的数据源用于开发和验证他们的缺陷检测算法。此外，标签种类数为9类，这表明该数据集覆盖了晶圆上可能出现的多种不同类型的缺陷。 值得注意的是，尽管该数据集提供了丰富的缺陷标注和高质量的图片，但使用该数据集训练得到的模型或权重文件的精度如何，数据集本身并不提供任何保证。因此，研究人员在使用该数据集时应当注意这一点，并自行进行模型精度的评估和验证。 waferMap半导体晶圆缺陷数据集是半导体行业缺陷检测研究中一个宝贵的资源。它不仅包含了大量的标注图片，而且涵盖的缺陷类型全面，极大地便利了相关领域的研究工作。通过对这些图片和标注的学习和分析，研究人员可以训练出更高精度的缺陷检测模型，从而提高整个半导体制造过程的质量控制水平。

在电子行业中，晶圆和芯片测试是至关重要的环节，它们直接影响到最终产品的质量和性能。本文将深入探讨晶圆和芯片测试的关键概念、流程以及技术。 晶圆是半导体制造的基础，通常由硅等材料制成，其表面布满了微型电路，这些电路就是我们常说的芯片。在晶圆制造过程中，首先进行的是设计，利用计算机辅助设计（CAD）工具创建电路布局。然后，通过光刻、蚀刻和扩散等步骤，将设计图案转移到晶圆上，形成各种半导体元件。在这个阶段，晶圆尚未切割成单个芯片，因此称为裸片。 芯片测试则是确保这些微小电路功能正常的关键步骤。测试通常分为多个阶段，包括前道测试、中间道测试和后道测试。前道测试主要针对晶圆制造过程中的各个步骤，检查晶圆的整体质量和工艺参数。中间道测试是在晶圆切割之前，对单个裸片进行功能性验证，以剔除有缺陷的芯片。后道测试则是在芯片封装之后，对成品进行电气性能评估，确保其符合规格要求。 测试过程中，会使用各种专门的测试设备，如探针台、自动测试设备（ATE）等。探针台用于接触裸片上的电极，以便进行电气测量。ATE则可以执行复杂的测试程序，模拟芯片在实际应用中的工作环境，检测其逻辑、速度、功耗等性能指标。 在晶圆测试中，一个常见的方法是晶圆探针测试，通过探针卡与晶圆接触，采集电流、电压等信号，分析芯片的电气特性。如果发现异常，就会标记出问题区域，供后续的良率提升分析。对于批量生产的晶圆，还需要统计分析测试结果，以优化制造流程，提高整体的良品率。 芯片测试不仅关乎性能，还涉及可靠性。例如，温度循环测试、湿度测试和机械冲击测试等，都是为了检验芯片在极端条件下的稳定性和寿命。此外，还有老化测试，通过长时间运行来验证芯片在长期使用中的可靠性。 在“晶圆及芯片测试.doc”文档中，可能会详细阐述以上各个方面的内容，包括具体的测试方法、设备介绍、测试标准以及最新的测试技术发展。了解这些知识对于半导体工程师、质量控制人员以及相关领域的研究人员至关重要，因为他们需要确保每一颗芯片都达到最优的性能和可靠性，从而满足日益复杂和严苛的市场需求。

用于扇出型晶圆级封装的铜电沉积

■晶圆检测　　目的：检测晶圆盒中的晶圆　　应用：激光发射器发出细小光束，带0.02水平矩形光缝的接收器能保证光束完全被晶圆挡住。晶圆盒被安装在一个垂直运动的升降器上，当升降器上下运动时检测。　　传感器：M12E2LD & Q23SN6R w/AR19-00，加装一个0.5mm（0.020）矩形光缝　　 　　　　■300mm晶圆检测　　目的：检测300mm FOUP中晶圆的有无　　应用：两个PicoDot传感器用来同时检测同一晶圆的边沿。如果只有一个传感器检测到了边沿，则认为晶圆错位，此方位也可用于检测双槽晶圆。对于短距离的应用，可选用PD45VN6C50.　　传感器：PD45VN6C200

我们身处的世界正以前所未有的速度产生数据，远远超越了我们对这些数据的分析和理解的能力。对这些海量数据的传输、存储和计算需要难以想象的处理能力。 从高速运算设备到AI应用的极速发展，微处理芯片几乎成了万物的核心。在全球每一家微处理器芯片制造厂，创新者们都在突破科学的极限以近乎为原子重新排序的方式创造突破性的技术。 这是这些强大的芯片制造工艺赋予了微处理芯片无限的潜力。 晶体管堪称所有现代电子产品的核心。它是一个比头发丝细微一万倍的微型开关，控制着电子在电路中的流动。 要制造一个处理器，需要将数十亿个晶体管封装到大小不超过一个指甲盖的面积内。 每一代新处理器，几乎都将晶体管密度提高了一倍，这

晶圆的生产工艺流程与芯片生产工艺流程.docx

梁德丰，钱省三，梁静（上海理工大学工业工程研究所/微电子发展中心，上海 200093）摘要：由于半导体制造工艺过程的复杂性，一般很难建立其制造模型，不能对工艺过程状态有效地监控，所以迫切需要先进的半导体过程控制技术来严格监控工艺过程状态，而SPC就是其中最重要的一种技术。本文针对SPC做了简要概述，着重论述了根据半导体生产工艺的特点来实现其在半导体晶圆厂的实际应用。 关键词：半导体；SPC；过程控制；控制图 中图分类号：TN301 文献标识码： A 文章编号：1003-353X(2004)03-0058-03 1 前言 近年来，半导体制造技术经历了快速的改变,技术的提升也相对地增加了工艺过程的