Automated Semiconductor Defect Inspection in Scanning Electron Microscope Images: a Systematic Review

要約

半導体材料およびデバイスの欠陥を検出するための効率的かつ正確な方法に対するニーズが高まっています。
これらの欠陥は重大な故障やウェーハ歩留まりの制限を引き起こすため、製造プロセスの効率に悪影響を与える可能性があります。
ノードやパターンが小さくなるにつれて、走査電子顕微鏡 (SEM) などの高解像度イメージング技術でも、感度レベルに近い動作や、さまざまな下層やレジスト材料の物理的特性の変化により、ノイズの多い画像が生成されます。
この固有のノイズは、欠陥検査における主な課題の 1 つです。
有望なアプローチの 1 つは、半導体サンプル内の欠陥を正確に分類して位置を特定するようにトレーニングできる機械学習アルゴリズムの使用です。
最近、畳み込みニューラル ネットワークがこの点で特に有用であることが証明されました。
この体系的なレビューでは、最新の技術革新や開発を含む、SEM 画像による自動半導体欠陥検査の現状の包括的な概要を提供します。
このトピックに関して 38 の出版物が選択され、IEEE Xplore および SPIE データベースにインデックスが付けられました。
これらのそれぞれについて、アプリケーション、方法論、データセット、結果、限界、および今後の取り組みが要約されました。
それらの手法の包括的な概要と分析が提供されます。
最後に、SEM ベースの欠陥検査の分野における将来の研究の有望な道筋が提案されています。

要約(オリジナル)

A growing need exists for efficient and accurate methods for detecting defects in semiconductor materials and devices. These defects can have a detrimental impact on the efficiency of the manufacturing process, because they cause critical failures and wafer-yield limitations. As nodes and patterns get smaller, even high-resolution imaging techniques such as Scanning Electron Microscopy (SEM) produce noisy images due to operating close to sensitivity levels and due to varying physical properties of different underlayers or resist materials. This inherent noise is one of the main challenges for defect inspection. One promising approach is the use of machine learning algorithms, which can be trained to accurately classify and locate defects in semiconductor samples. Recently, convolutional neural networks have proved to be particularly useful in this regard. This systematic review provides a comprehensive overview of the state of automated semiconductor defect inspection on SEM images, including the most recent innovations and developments. 38 publications were selected on this topic, indexed in IEEE Xplore and SPIE databases. For each of these, the application, methodology, dataset, results, limitations and future work were summarized. A comprehensive overview and analysis of their methods is provided. Finally, promising avenues for future work in the field of SEM-based defect inspection are suggested.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google