Deep Learning-based Multi Project InP Wafer Simulation for Unsupervised Surface Defect Detection

要約

半導体製造における品質管理は、多くの場合、既知のゴールデン標準とテンプレートマッチングに依存しています。
インジウムリン化（INP）のマルチプロジェクトウェーハ製造の場合、生産スケールが低く、設計上の変動性が低いと、このような黄金の基準は通常利用できません。
順番に、欠陥検出は手動で労働集約的です。
この作業は、CADデータから写真と現実的なINPウェーハ画像をシミュレートするように訓練された、深いニューラルネットワークを使用して合成ゴールデン標準を生成する方法論を提案することにより、この課題に対処します。
さまざまなトレーニング目標を評価し、合成データとINPウェーハ写真の両方でシミュレートされた画像の品質を評価します。
ディープラーニングベースの方法は、ベースラインの意思決定ツリーベースのアプローチよりも優れており、より効率的な欠陥検出のために、ユーザー定義のウェーハの任意のユーザー定義領域でのCADプランから「シミュレートされたゴールデンダイ」を使用できます。
表面欠陥検出における実用的な有用性を実証するために、テンプレートマッチング手順に方法を適用します。

要約(オリジナル)

Quality management in semiconductor manufacturing often relies on template matching with known golden standards. For Indium-Phosphide (InP) multi-project wafer manufacturing, low production scale and high design variability lead to such golden standards being typically unavailable. Defect detection, in turn, is manual and labor-intensive. This work addresses this challenge by proposing a methodology to generate a synthetic golden standard using Deep Neural Networks, trained to simulate photo-realistic InP wafer images from CAD data. We evaluate various training objectives and assess the quality of the simulated images on both synthetic data and InP wafer photographs. Our deep-learning-based method outperforms a baseline decision-tree-based approach, enabling the use of a ‘simulated golden die’ from CAD plans in any user-defined region of a wafer for more efficient defect detection. We apply our method to a template matching procedure, to demonstrate its practical utility in surface defect detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google