前沿技术背景介绍：AI 智能体视觉检测系统（TVA，全称为 Transformer-based Vision Agent），是基于 Transformer 架构与 “因式智能体” 范式构建的高精度视觉智能体。它区别于传统机器视觉软件及早期 AI 视觉技术，代表了工业智能化转型与视觉检测范式的底层重构。从本质上看，TVA 属于复合概念，是一套综合性技术体系。它依托 Transformer 架构与因式智能体理论（Factorized Reasoning Agent），融合深度强化学习（DRL）卷积神经网络（CNN）、因式智能体算法（FRA）等多项人工智能技术，构建出能够模拟人类视觉感知、推理与认知能力的完整 AI 算法及工程技术体系。因此，AI 智能体视觉检测系统（TVA）的规模化落地，是我国制造业实现质量管理智能化、大幅提升生产效率的关键支撑。

——相位即形态：干涉测量与TVA深度学习在纳米级微坑深度量化中的协同

在半导体晶圆制造的化学机械抛光（CMP）环节，晶圆表面极易产生纳米级的微坑或微划痕。这类三维缺陷的致命之处不在于其平面面积，而在于其“深度”。一个面积较大但极浅的划痕可能不会影响良率，但一个面积微小却深达几纳米的坑洞，足以击穿下层介质层导致芯片失效。传统二维光学视觉无法获取Z轴（深度）信息。本文深度解析AI智能体视觉检测系统（TVA）如何将白光干涉测量（WLI）技术与深度学习算法深度融合，通过“相位到形态”的物理重建与AI特征提取，实现晶圆表面亚纳米级缺陷深度的精准量化。

一、 隐匿在平坦中的“垂直杀手”：2D视觉的深度盲区

CMP工艺是半导体制造中极具挑战性的一环，其目的在于实现晶圆表面的全局绝对平坦化。然而，由于抛光液中大颗粒磨料的混入或抛光垫的局部老化，晶圆表面会产生微小的局部材料去除过度，形成微坑或深层划痕。

对于传统的TVA二维检测模块（无论是明场还是暗场）来说，这些微坑是极其狡猾的“隐形杀手”。如果一个微坑的横向直径只有100纳米，深度却有5纳米，由于衍射效应的模糊化，它在2D图像上仅仅表现为一个灰度极其微弱的暗点，其信号强度甚至不如一个附着在表面的20纳米微小灰尘。

在2D逻辑下，AI无法区分“浅而大的面缺陷”与“深而小的点缺陷”。然而，在半导体物理中，决定器件是否漏电的恰恰是Z轴的深度。缺乏深度量化的检测，在CMP工序中毫无意义。必须找到一种方法，让光波成为探入微观世界的“游标卡尺”。

二、 破局之光：白光干涉测量（WLI）的物理重建

为了获取纳米级的深度信息，TVA系统引入了白光干涉仪作为前端感知模态。干涉测量的核心原理并非直接成像，而是利用光波的干涉条纹来解析空间高度。

TVA的干涉模块通过分光镜将宽光谱白光分为两束：一束照射到完美的参考镜面上，另一束照射到晶圆表面。当两束反射光重新汇聚时，由于晶圆表面微坑的存在，光程差发生了变化。系统通过压电陶瓷（PZT）驱动物镜在垂直方向进行纳米级的步进扫描，并在每个高度位置捕获一幅干涉条纹图。

通过复杂的傅里叶变换和相位提取算法，系统可以将干涉条纹的空间频率转换为绝对相位，进而计算出晶圆表面每个像素点的相对高度，最终生成一张高分辨率的“三维形貌图”。在这个过程中，“相位”被精准地翻译成了“物理形态”。

三、 物理与AI的碰撞：纯算法重建的“失真困境”

既然干涉仪能直接输出3D形貌图，那直接设定一个深度阈值（如>3nm报警）不就可以了吗？在理想的实验室环境下确实如此，但在高速运转的晶圆产线上，纯物理算法遭遇了严峻挑战。

首先，CMP后的晶圆表面并非绝对镜面，其残留的高频微观粗糙度会引入大量的“相干噪声”，导致重建出的3D图布满毛刺；其次，对于极其微小的纳米级缺陷，其产生的干涉条纹往往只有不到一个周期，此时经典的相位解包裹算法极易出错，产生严重的“相位跳变”，将一个5纳米的微坑错误地重建为50纳米的悬崖。
如果依赖传统算法，为了过滤噪声而平滑图像，就会把微坑也抹平；如果保留细节，就会产生海量的虚假深度报警。纯物理光学算法在信噪比和保真度之间走进了死胡同。

四、 TVA的协同机制：深度学习驱动的相位清洗与特征量化

面对物理重建的困境，TVA系统展现出了“物理+AI”双剑合璧的强大威力。TVA并不干涉底层光学的干涉采集，而是接管了从“原始干涉条纹”到“最终深度判定”的中间处理环节。

1. 端到端的“伪影清洗网络”
TVA构建了一个专门针对干涉数据的卷积神经网络（CNN）。该网络不直接看3D形貌图，而是学习原始干涉条纹序列的空间分布规律。网络经过大量“含噪条纹-完美3D形貌”的配对训练，能够智能识别出哪些是真实缺陷引起的相位弯曲，哪些是表面粗糙度引起的相干噪声。它相当于一个智能的“自适应滤波器”，在重建过程中精准剥离噪声，恢复了微坑真实的边缘与深度轮廓。

2. 基于3D体素特征的深度量化
清洗后的3D形貌图被输入TVA的3D特征提取模块。与传统2D算法只看平面投影不同，TVA在三维体素空间中提取微坑的特征：不仅提取其平面面积、周长，更提取其“体积”、“深度梯度”、“底部曲率半径”。
AI通过分析这些三维特征，能够做出极其精确的判定。例如，系统可以识别出一个横向呈现长条形、但深度梯度极其平缓的浅划痕，并将其排除；同时精准锁定一个横截面极小，但深度曲率极其陡峭的致命微坑。

3. 置信度驱动的深度回归
最后，TVA摒弃了硬性的深度阈值，采用回归模型直接输出缺陷的“预测深度值”，并附带一个置信度评分。对于干涉条纹模糊、相位解包裹不确定的区域，AI会诚实地标出“深度置信度低”，交由更高精度的离线AFM（原子力显微镜）进行抽检复核，彻底杜绝了误判。

五、 结语：让微观世界的“深度”无所遁形

本文介绍了一种基于Transformer架构的AI智能体视觉检测系统(TVA)，该系统结合白光干涉测量(WLI)与深度学习算法，实现了半导体晶圆制造中纳米级微坑深度的精准检测。传统2D检测无法识别深度信息，而TVA通过干涉测量获取相位数据，利用深度学习算法进行噪声过滤和3D特征提取，解决了纯物理算法在信噪比和保真度之间的困境。该系统能够区分浅划痕和致命微坑，并给出深度置信度评分，为半导体制造提供了高精度的三维缺陷检测方案，显著提升了芯片制造的良率控制能力。

在CMP这道半导体良率的关键门槛前，仅停留在二维表面的检测无异于盲人摸象。TVA系统通过白光干涉技术与深度学习的深度融合，实现了从“看表面”到“测深度”的质变。

AI并没有取代物理光学，而是成为了光学物理法则的“超级修复师”与“解析师”。它修复了干涉测量的噪声缺陷，解析出了隐藏在复杂相位中的真实三维形态。这种“相位即形态”的协同检测机制，赋予了晶圆厂对纳米级垂直缺陷前所未有的掌控力，为先进制程芯片的良率攀升筑牢了最深层次的防线。