An Evaluation of Continual Learning for Advanced Node Semiconductor Defect Inspection

要約

ディープラーニングベースの半導体欠陥検査は近年注目を集めており、ナノスケールの欠陥の検出と分類において高精度、適応性、効率性を実現する強力で多用途なアプローチを提供します。
しかし、半導体製造プロセスは進化し続けており、時間の経過とともに新しいタイプの欠陥が出現します。
これは、従来の教師付き欠陥検出器にとって重大な課題となっています。新しい欠陥データセットでトレーニングすると致命的な忘却が発生し、以前に学習したタスクのパフォーマンスが損なわれる可能性があるからです。
別のアプローチには、事前トレーニングされたモデル バージョンと並行して、以前にトレーニングされたデータセットを常に保存することが含まれます。これは、新しい欠陥データセットが発生するたびに、最初から (再) トレーニングしたり、微調整したりするために利用できます。
ただし、このようなストレージ テンプレートに従うことは、特に大量生産 (HVM) を考慮した場合、サイズの観点から現実的ではありません。
さらに、半導体欠陥データセット、特に確率的欠陥を含むデータセットは、多くの場合、限られており、入手に費用がかかるため、欠陥率の普遍的なセット全体を十分に表現できません。
この研究では、この課題に対処することを目的としたタスクに依存しないメタ学習アプローチを導入しています。これにより、新しい欠陥クラスとスケールを段階的に追加して、半導体欠陥検査のためのより堅牢で一般化されたモデルを作成できます。
私たちは、ADI と AEI という 2 つのプロセス ステップについて実際のレジスト ウェーハ SEM (走査型電子顕微鏡) データセットを使用してアプローチのベンチマークを行い、従来の教師付きトレーニング方法と比較してその優れたパフォーマンスを実証しました。

要約(オリジナル)

Deep learning-based semiconductor defect inspection has gained traction in recent years, offering a powerful and versatile approach that provides high accuracy, adaptability, and efficiency in detecting and classifying nano-scale defects. However, semiconductor manufacturing processes are continually evolving, leading to the emergence of new types of defects over time. This presents a significant challenge for conventional supervised defect detectors, as they may suffer from catastrophic forgetting when trained on new defect datasets, potentially compromising performance on previously learned tasks. An alternative approach involves the constant storage of previously trained datasets alongside pre-trained model versions, which can be utilized for (re-)training from scratch or fine-tuning whenever encountering a new defect dataset. However, adhering to such a storage template is impractical in terms of size, particularly when considering High-Volume Manufacturing (HVM). Additionally, semiconductor defect datasets, especially those encompassing stochastic defects, are often limited and expensive to obtain, thus lacking sufficient representation of the entire universal set of defectivity. This work introduces a task-agnostic, meta-learning approach aimed at addressing this challenge, which enables the incremental addition of new defect classes and scales to create a more robust and generalized model for semiconductor defect inspection. We have benchmarked our approach using real resist-wafer SEM (Scanning Electron Microscopy) datasets for two process steps, ADI and AEI, demonstrating its superior performance compared to conventional supervised training methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google