SEMI-CenterNet: A Machine Learning Facilitated Approach for Semiconductor Defect Inspection

要約

半導体領域のパターン寸法の継続的な縮小により、確率的ノイズの存在や欠陥パターンと種類の動的挙動などの要因により、欠陥の検査がますます困難になっています。
従来のルールベースの手法や KNN などのノンパラメトリック教師付き機械学習アルゴリズムは、これらの高度なノードでの半導体欠陥検査の要件を満たしていないことがほとんどです。
ディープラーニング (DL) ベースの手法は、これらの困難なシナリオに対して堅牢であることが証明されているため、半導体欠陥検査分野で人気を集めています。
この研究作業では、SEM 画像内の欠陥の効率的な位置特定と分類のための自動化された DL ベースのアプローチを紹介しました。
私たちは、半導体ウェーハ欠陥の SEM 画像でトレーニングされたカスタマイズされた CN アーキテクチャである SEMI-CenterNet (SEMI-CN) を提案しました。
提案された CN アプローチを使用すると、以前に研究された DL モデルと比較して計算効率が向上します。
SEMI-CN は、欠陥インスタンスの中心、クラス、サイズ、オフセットを出力するようにトレーニングされます。
これは、境界ボックス予測にアンカーを使用するほとんどの物体検出モデルのアプローチとは異なります。
以前の方法では、冗長な境界ボックスが予測され、そのほとんどは後処理で破棄されます。
CN は、欠陥中心点の可能性があるボックスのみを予測することでこれを軽減します。
2 つのデータセットで SEMI-CN をトレーニングし、フレームワークの 2 つの ResNet バックボーンをベンチマークします。
最初に、COCO データセットで事前トレーニングされた ResNet モデルは、2 つのデータセットを個別に使用してトレーニングを受けます。
主に、SEMI-CN は、以前の研究成果と比較して、推論時間の大幅な改善を示しています。
最後に、転移学習 (カスタム SEM データセットの重みを使用) が ADI データセットから AEI データセットに、またはその逆に適用されます。これにより、従来のトレーニング方法と比較して、両方のバックボーンが最適な mAP に到達するために必要なトレーニング時間が短縮されます。

要約(オリジナル)

Continual shrinking of pattern dimensions in the semiconductor domain is making it increasingly difficult to inspect defects due to factors such as the presence of stochastic noise and the dynamic behavior of defect patterns and types. Conventional rule-based methods and non-parametric supervised machine learning algorithms like KNN mostly fail at the requirements of semiconductor defect inspection at these advanced nodes. Deep Learning (DL)-based methods have gained popularity in the semiconductor defect inspection domain because they have been proven robust towards these challenging scenarios. In this research work, we have presented an automated DL-based approach for efficient localization and classification of defects in SEM images. We have proposed SEMI-CenterNet (SEMI-CN), a customized CN architecture trained on SEM images of semiconductor wafer defects. The use of the proposed CN approach allows improved computational efficiency compared to previously studied DL models. SEMI-CN gets trained to output the center, class, size, and offset of a defect instance. This is different from the approach of most object detection models that use anchors for bounding box prediction. Previous methods predict redundant bounding boxes, most of which are discarded in postprocessing. CN mitigates this by only predicting boxes for likely defect center points. We train SEMI-CN on two datasets and benchmark two ResNet backbones for the framework. Initially, ResNet models pretrained on the COCO dataset undergo training using two datasets separately. Primarily, SEMI-CN shows significant improvement in inference time against previous research works. Finally, transfer learning (using weights of custom SEM dataset) is applied from ADI dataset to AEI dataset and vice-versa, which reduces the required training time for both backbones to reach the best mAP against conventional training method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google