本发明涉及半导体信息，特别涉及一种晶圆缺陷分类模型训练方法、分类方法及相关设备。
背景技术：
1、在半导体芯片加工过程中，会产生很多晶圆缺陷(defect)，晶圆缺陷的检测与分析是确保产品质量和良率的关键环节。这些缺陷可能来自于生产过程中的多种因素，如材料问题、工艺参数设置不当或设备故障等。晶圆缺陷的类别判断对分析缺陷产生的归因很重要，因为不同类型的缺陷往往指向不同的生产问题。
2、然而，由于实际情况的限制，工程师只会抽样少量缺陷进行拍照(即拍摄有晶圆缺陷的图片)判断类别，这些有图片的缺陷可以通过视觉检查或图像处理技术来确定其类别。但这种方法存在明显的局限性，因为它无法涵盖所有产生的缺陷，特别是那些未被抽样的晶圆缺陷，如何对未被抽样的晶圆缺陷(无图片的晶圆缺陷)进行类别判断显的很重要，只有确定了这些缺陷的类别，才能对全量缺陷进行下一步的数据分析，从而找出产生晶圆缺陷的原因。
3、现有技术是基于抽样数据估算各类缺陷的数量，对于未被抽样的晶圆缺陷，只会估算出各个缺陷类别的数量，无法预测晶圆缺陷的具体类别，也无法根据缺陷的具体类别定位到所对应的缺陷位置，存在一定的局限性。
技术实现思路
1、针对现有技术存在的不足，本发明提供一种晶圆缺陷分类模型训练方法、分类方法及相关设备，通过构建机器学习的晶圆缺陷分类模型，能够预测未被抽样的晶圆缺陷的具体类别，使其预测结果达到了与抽样数据的类别判定的一致性，提高了模型预测的准确率，极大的降低了因数据抽样需要晶圆缺陷拍照所带来的时间成本。
2、为了实现上述目的和其他优点，本发明采用以下技术方案实现：
3、第一方面，本发明提供一种晶圆缺陷分类模型训练方法，包括：
4、获取含有晶圆缺陷图像的抽样数据以及对应的缺陷类别标签；
5、根据所述抽样数据，经由晶圆缺陷分类模型，输出晶圆缺陷类别预测训练结果；
6、根据所述抽样数据和所述缺陷类别标签，经由损失函数，生成损失值，对所述晶圆缺陷分类模型进行更新直至收敛，以得到训练好的所述晶圆缺陷分类模型，所述晶圆缺陷分类模型用于对未被抽样的待预测数据进行晶圆缺陷类别预测。
7、根据本发明提供的一种晶圆缺陷分类模型训练方法，所述获取含有晶圆缺陷图像的抽样数据以及对应的缺陷类别标签的步骤，包括：
8、根据晶圆缺陷检测系统生成的晶圆缺陷图像，获取由半导体机台生成的对应的缺陷生成文件，所述缺陷生成文件包括与所述缺陷类别标签相关联的多个第一特征字段；
9、进行特征字段衍生构造得到与所述第一特征字段相关联的多个第二特征字段；
10、根据所述第一特征字段和所述第二特征字段的特征值，生成所述抽样数据；
11、对所述抽样数据进行缺陷类别标注，以得到对应的所述缺陷类别标签。
12、根据本发明提供的一种晶圆缺陷分类模型训练方法，所述晶圆缺陷分类模型包括：特征提取层、特征工程层和分类层。
13、根据本发明提供的一种晶圆缺陷分类模型训练方法，训练所述晶圆缺陷分类模型，具体包括：
14、所述特征提取层提取所述抽样数据的特征属性；
15、所述特征工程层将所述特征属性转换成数字编码并进行归一化或标准化操作；
16、所述分类层采用预设的分类算法将归一化或标准化操作后的所述数字编码转换为晶圆缺陷类别预测训练结果；
17、将所述晶圆缺陷类别预测训练结果，以及相应的标签数据带入所述损失函数，在所述损失函数收敛时，训练完成，以得到用于对晶圆缺陷进行类别预测的所述晶圆缺陷分类模型。
18、根据本发明提供的一种晶圆缺陷分类模型训练方法，训练所述晶圆缺陷分类模型，还包括：
19、对所述晶圆缺陷分类模型中的超参数进行贝叶斯优化调参，找到最优的模型超参数进行训练。
20、根据本发明提供的一种晶圆缺陷分类模型训练方法，还包括：
21、获取新增的含有晶圆缺陷图像的抽样数据，对所述晶圆缺陷分类模型进行迭代和优化。
22、第二方面，本发明提供一种晶圆缺陷分类方法，包括：
23、获取未被抽样的待预测数据；
24、将所述待预测数据输入至预先训练好的晶圆缺陷分类模型，得到所述晶圆缺陷分类模型输出的晶圆缺陷类别预测结果，所述预先训练好的晶圆缺陷分类模型通过如上述任一种所述的晶圆缺陷分类模型训练方法训练得到。
25、第三方面，本发明提供一种电子设备，所述电子设备包括：
26、一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如上述任一种所述的晶圆缺陷分类模型训练方法的步骤，或实现如上述所述的晶圆缺陷分类方法的步骤。
27、第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令被处理器执行时实现如上述任一种所述的晶圆缺陷分类模型训练方法的步骤，或实现如上述所述的晶圆缺陷分类方法的步骤。
28、第五方面，本发明提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上述任一种所述的晶圆缺陷分类模型训练方法的步骤，或实现如上述所述的晶圆缺陷分类方法的步骤。
29、本发明提供的一种晶圆缺陷分类模型训练方法、分类方法及相关设备，通过获取含有晶圆缺陷图像的抽样数据以及对应的缺陷类别标签；根据抽样数据，经由晶圆缺陷分类模型，输出晶圆缺陷类别预测训练结果；根据抽样数据和缺陷类别标签，经由损失函数，生成损失值，对晶圆缺陷分类模型进行更新直至收敛，以得到训练好的晶圆缺陷分类模型，晶圆缺陷分类模型用于对未被抽样的待预测数据进行晶圆缺陷类别预测。本发明通过构建机器学习的晶圆缺陷分类模型，能够预测未被抽样的晶圆缺陷的具体类别，使其预测结果达到了与抽样数据的类别判定的一致性，提高了模型预测的准确率，极大的降低了因数据抽样需要对晶圆缺陷进行拍照所带来的时间成本；同时也解决了无法定位到具体缺陷类别所对应的缺陷位置的问题，极大提升了工作效率。
1.一种晶圆缺陷分类模型训练方法，其特征在于，包括：
2.根据权利要求1所述的晶圆缺陷分类模型训练方法，其特征在于，所述获取含有晶圆缺陷图像的抽样数据以及对应的缺陷类别标签的步骤，包括：
3.根据权利要求1所述的晶圆缺陷分类模型训练方法，其特征在于，所述晶圆缺陷分类模型包括：特征提取层、特征工程层和分类层。
4.根据权利要求3所述的晶圆缺陷分类模型训练方法，其特征在于，训练所述晶圆缺陷分类模型，具体包括：
5.根据权利要求1所述的晶圆缺陷分类模型训练方法，其特征在于，训练所述晶圆缺陷分类模型，还包括：
6.根据权利要求1所述的晶圆缺陷分类模型训练方法，其特征在于，还包括：
7.一种晶圆缺陷分类方法，其特征在于，包括：
8.一种电子设备，其特征在于，所述电子设备包括：
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现如权利要求1-6任一项所述的晶圆缺陷分类模型训练方法的步骤，或实现如权利要求7所述的晶圆缺陷分类方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1-6任一项所述的晶圆缺陷分类模型训练方法的步骤，或实现如权利要求7所述的晶圆缺陷分类方法的步骤。
