YOLOv8 for Defect Inspection of Hexagonal Directed Self-Assembly Patterns: A Data-Centric Approach

要約

パターン寸法の縮小により、半導体デバイスの欠陥の種類が増加します。
これにより、従来の自動欠陥検査ソフトウェアが存在しなかった指向性自己組織化 (DSA) などのパターニング手法の革新が促進されました。
機械学習ベースの SEM 画像解析は、教師付き ML モデルを使用した欠陥検査の研究テーマとしてますます人気が高まっており、多くの場合最高のパフォーマンスを示します。
ただし、これらの教師ありモデルの高品質ラベルを持つデータセットを取得することに関する研究はほとんど行われていません。
この研究では、DSA 専門家による品質管理の労力を最小限に抑えながら、六角形のコンタクト ホール DSA パターンのデータセットに対して一貫性のある完全なラベルを取得する方法を提案します。
最先端のニューラル ネットワークである YOLOv8 が、DSA 専門家の欠陥ラベル付けの期待を最もよく反映する最終データセットで 0.9 mAP を超える欠陥検出精度を達成していることを示します。
私たちが提案するラベル付けアプローチの長所と限界について議論し、データ中心の ML ベースの欠陥検査における今後の取り組みの方向性を提案します。

要約(オリジナル)

Shrinking pattern dimensions leads to an increased variety of defect types in semiconductor devices. This has spurred innovation in patterning approaches such as Directed self-assembly (DSA) for which no traditional, automatic defect inspection software exists. Machine Learning-based SEM image analysis has become an increasingly popular research topic for defect inspection with supervised ML models often showing the best performance. However, little research has been done on obtaining a dataset with high-quality labels for these supervised models. In this work, we propose a method for obtaining coherent and complete labels for a dataset of hexagonal contact hole DSA patterns while requiring minimal quality control effort from a DSA expert. We show that YOLOv8, a state-of-the-art neural network, achieves defect detection precisions of more than 0.9 mAP on our final dataset which best reflects DSA expert defect labeling expectations. We discuss the strengths and limitations of our proposed labeling approach and suggest directions for future work in data-centric ML-based defect inspection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google