SEMI-DiffusionInst: A Diffusion Model Based Approach for Semiconductor Defect Classification and Segmentation

要約

ムーアの法則の継続的な進歩に伴い、集積回路 (IC) デバイスの複雑さも増加しています。
走査型電子顕微鏡 (SEM) 画像ベースの広範な欠陥検査と正確な計測抽出は、高度なノード (2 nm 以降) テクノロジーにおける 2 つの主な課題です。
ディープラーニング (DL) アルゴリズムに基づくコンピューター ビジョンのアプローチは、ここ数年で半導体欠陥検査において人気が高まってきました。
この研究作業では、新しい半導体欠陥検査フレームワーク「SEMI-DiffusionInst」を調査し、以前のフレームワークと比較します。
著者の知る限り、この研究は、拡散モデルを使用して半導体欠陥パターンを正確に検出し、正確にセグメント化する最初のデモンストレーションです。
バックボーンとしてのさまざまな特徴抽出ネットワークとデータ サンプリング戦略が、精度と計算効率の間のバランスのとれたトレードオフを達成するために調査されています。
私たちが提案したアプローチは、全体的な mAP に関する以前の研究よりも優れたパフォーマンスを発揮し、ほぼすべての欠陥クラス (クラス AP ごと) について比較的良好または同等のパフォーマンスを発揮します。
提案された SEMI-DiffusionInst モデルによって達成されるバウンディング ボックスとセグメンテーション mAP は、それぞれ 3.83% と 2.10% 改善されました。
個々の欠陥タイプのうち、ライン崩壊および薄いブリッジ欠陥の精度は、両方の欠陥タイプの検出タスクで約 15% 向上しました。
また、推論ハイパーパラメータを調整することで、モデルの精度を損なうことなく推論時間を大幅に改善できることも示されています。
最後に、特定の制限と、それらを克服するための今後の作業戦略について説明します。

要約(オリジナル)

With continuous progression of Moore’s Law, integrated circuit (IC) device complexity is also increasing. Scanning Electron Microscope (SEM) image based extensive defect inspection and accurate metrology extraction are two main challenges in advanced node (2 nm and beyond) technology. Deep learning (DL) algorithm based computer vision approaches gained popularity in semiconductor defect inspection over last few years. In this research work, a new semiconductor defect inspection framework ‘SEMI-DiffusionInst’ is investigated and compared to previous frameworks. To the best of the authors’ knowledge, this work is the first demonstration to accurately detect and precisely segment semiconductor defect patterns by using a diffusion model. Different feature extractor networks as backbones and data sampling strategies are investigated towards achieving a balanced trade-off between precision and computing efficiency. Our proposed approach outperforms previous work on overall mAP and performs comparatively better or as per for almost all defect classes (per class APs). The bounding box and segmentation mAPs achieved by the proposed SEMI-DiffusionInst model are improved by 3.83% and 2.10%,respectively. Among individual defect types, precision on line collapse and thin bridge defects are improved approximately 15% on detection task for both defect types. It has also been shown that by tuning inference hyperparameters, inference time can be improved significantly without compromising model precision. Finally, certain limitations and future work strategy to overcome them are discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google