Advancing SEM Based Nano-Scale Defect Analysis in Semiconductor Manufacturing for Advanced IC Nodes

要約

この研究では、高度なノードの半導体欠陥の複数のインスタンスを分類、検出、セグメント化するための、統合されたエンドツーエンドの自動欠陥分類・検出・セグメント化 (ADCDS) フレームワークを紹介します。
このフレームワークは 2 つのモジュールで構成されます: (a) 欠陥検出モジュール、その後に (b) 欠陥セグメント化モジュール。
欠陥検出モジュールは、ナノスケールの欠陥の分類と検出を支援するために Deformable DETR を採用し、セグメンテーション モジュールは BoxSnake を利用します。
BoxSnake は、以前のモジュールでサポートされていたナノスケール欠陥のボックス監視インスタンス セグメンテーションを容易にします。
これにより、従来のセグメンテーション モデルのトレーニングに通常伴う人間の専門家によるグラウンドトゥルースのピクセル単位のマスク アノテーションの手間のかかる要件が排除され、プロセスが簡素化されます。
私たちは、実際のウェーハからの 2 つの異なるプロセス データセット (ADI と AEI) を使用して、特にラインスペース パターンに焦点を当てて、ADCDS フレームワークのパフォーマンスを評価しました。
我々は、グラウンドトゥルースのピクセル単位のセグメンテーションアノテーションが利用できない困難なADI SEMデータセットを使用して、特にナノスケールのセグメンテーションとバイナリ欠陥マスクの生成において、提案した方法論の適用性と重要性を実証しました。
さらに、提案したフレームワークと以前のアプローチとの比較分析を提示し、その有効性を実証しました。
私たちが提案したフレームワークは、ADI データセットの検出で 72.19、セグメンテーションで 78.86 の全体的な mAP@IoU0.5 を達成しました。
同様に、AEI データセットの場合、これらのメトリックは検出で 90.38、セグメンテーションで 95.48 でした。
したがって、私たちが提案するフレームワークは、重要な制約に対処しながら、高度な欠陥分析の要件を効果的に満たします。

要約(オリジナル)

In this research, we introduce a unified end-to-end Automated Defect Classification-Detection-Segmentation (ADCDS) framework for classifying, detecting, and segmenting multiple instances of semiconductor defects for advanced nodes. This framework consists of two modules: (a) a defect detection module, followed by (b) a defect segmentation module. The defect detection module employs Deformable DETR to aid in the classification and detection of nano-scale defects, while the segmentation module utilizes BoxSnake. BoxSnake facilitates box-supervised instance segmentation of nano-scale defects, supported by the former module. This simplifies the process by eliminating the laborious requirement for ground-truth pixel-wise mask annotation by human experts, which is typically associated with training conventional segmentation models. We have evaluated the performance of our ADCDS framework using two distinct process datasets from real wafers, as ADI and AEI, specifically focusing on Line-space patterns. We have demonstrated the applicability and significance of our proposed methodology, particularly in the nano-scale segmentation and generation of binary defect masks, using the challenging ADI SEM dataset where ground-truth pixelwise segmentation annotations were unavailable. Furthermore, we have presented a comparative analysis of our proposed framework against previous approaches to demonstrate its effectiveness. Our proposed framework achieved an overall mAP@IoU0.5 of 72.19 for detection and 78.86 for segmentation on the ADI dataset. Similarly, for the AEI dataset, these metrics were 90.38 for detection and 95.48 for segmentation. Thus, our proposed framework effectively fulfils the requirements of advanced defect analysis while addressing significant constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google