論文の概要: SEMI-DiffusionInst: A Diffusion Model Based Approach for Semiconductor
Defect Classification and Segmentation
- arxiv url: http://arxiv.org/abs/2307.08693v2
- Date: Wed, 16 Aug 2023 12:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 16:33:17.196911
- Title: SEMI-DiffusionInst: A Diffusion Model Based Approach for Semiconductor
Defect Classification and Segmentation
- Title（参考訳）: SEMI-DiffusionInst:半導体欠陥分類とセグメンテーションのための拡散モデルに基づくアプローチ
- Authors: Vic De Ridder, Bappaditya Dey, Sandip Halder, Bartel Van Waeyenberge
- Abstract要約: この研究は拡散モデルを用いて半導体欠陥パターンを正確に検出し、正確にセグメント化する最初の実演である。
提案手法は,mAP全体のこれまでの成果よりも優れており,ほぼすべての欠陥クラスに対して比較的優れた性能を示す。
- 参考スコア（独自算出の注目度）: 0.11999555634662631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With continuous progression of Moore's Law, integrated circuit (IC) device
complexity is also increasing. Scanning Electron Microscope (SEM) image based
extensive defect inspection and accurate metrology extraction are two main
challenges in advanced node (2 nm and beyond) technology. Deep learning (DL)
algorithm based computer vision approaches gained popularity in semiconductor
defect inspection over last few years. In this research work, a new
semiconductor defect inspection framework "SEMI-DiffusionInst" is investigated
and compared to previous frameworks. To the best of the authors' knowledge,
this work is the first demonstration to accurately detect and precisely segment
semiconductor defect patterns by using a diffusion model. Different feature
extractor networks as backbones and data sampling strategies are investigated
towards achieving a balanced trade-off between precision and computing
efficiency. Our proposed approach outperforms previous work on overall mAP and
performs comparatively better or as per for almost all defect classes (per
class APs). The bounding box and segmentation mAPs achieved by the proposed
SEMI-DiffusionInst model are improved by 3.83% and 2.10%, respectively. Among
individual defect types, precision on line collapse and thin bridge defects are
improved approximately 15\% on detection task for both defect types. It has
also been shown that by tuning inference hyperparameters, inference time can be
improved significantly without compromising model precision. Finally, certain
limitations and future work strategy to overcome them are discussed.
- Abstract（参考訳）: ムーアの法則の継続的進行に伴い、集積回路(IC)デバイスの複雑さも増大している。
走査型電子顕微鏡(sem)画像ベースの広範な欠陥検査と正確な計測抽出は、先進ノード(2nm以上)技術における2つの大きな課題である。
ディープラーニング(DL)アルゴリズムに基づくコンピュータビジョンアプローチは、ここ数年で半導体欠陥検査で人気を博した。
本研究では,新しい半導体欠陥検査フレームワークであるsemi-diffusioninstについて検討し,従来のフレームワークと比較した。
著者の知る限り、この研究は拡散モデルを用いて半導体欠陥パターンを正確に検出し、正確にセグメント化する最初の実証である。
バックボーンとしての異なる特徴抽出ネットワークとデータサンプリング戦略を,精度と計算効率のバランスの取れたトレードオフを達成するために検討した。
提案手法は,mAP全体の従来の成果よりも優れており,ほぼすべての欠陥クラス(クラスAP)に対して比較的良好あるいは同等に動作する。
SEMI-DiffusionInstモデルのバウンディングボックスとセグメンテーションmAPはそれぞれ3.83%と2.10%改善されている。
個々の欠陥タイプのうち, 両欠陥タイプの検出タスクにおいて, 線崩壊精度と薄橋欠陥を約15倍改善した。
また, 推定ハイパーパラメータをチューニングすることにより, モデル精度を損なうことなく, 推定時間を大幅に改善できることが示されている。
最後に,これらを克服するための一定の限界と今後の作業戦略について論じる。
関連論文リスト
- Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデルアタック(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。
従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。
これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文 参考訳（メタデータ） (2024-07-16T06:38:49Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Improved Defect Detection and Classification Method for Advanced IC
Nodes by Using Slicing Aided Hyper Inference with Refinement Strategy [0.11184789007828977]
近年,高NA (Numerical Aperture) EUVL(Extreme-Ultraviolet-Lithography)パラダイムへの進展が進んでいる。
しかし、欠陥の顕著な増加と欠陥検出の複雑さは、高NAでより顕著になる。
本研究では,スライシング・エイドド・ハイパー推論(SAHI, Slicing Aided Hyper Inference)フレームワークの現行技術の改善について検討する。
論文 参考訳（メタデータ） (2023-11-19T22:24:19Z) - Automated Semiconductor Defect Inspection in Scanning Electron
Microscope Images: a Systematic Review [4.493547775253646]
機械学習アルゴリズムは、半導体サンプルの欠陥を正確に分類し、特定するために訓練することができる。
畳み込みニューラルネットワークはこの点において特に有用であることが証明されている。
本稿では,SEM画像における半導体欠陥の自動検査の現状について概観する。
論文 参考訳（メタデータ） (2023-08-16T13:59:43Z) - SEMI-CenterNet: A Machine Learning Facilitated Approach for
Semiconductor Defect Inspection [0.10555513406636088]
我々は半導体ウエハ欠陥のSEM画像に基づいて学習したカスタマイズCNアーキテクチャであるSEMI-CenterNet(SEMI-CN)を提案する。
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訓練される。
2つのデータセットでSEMI-CNをトレーニングし、2つのResNetバックボーンをベンチマークします。
論文 参考訳（メタデータ） (2023-08-14T14:39:06Z) - Quantile Online Learning for Semiconductor Failure Analysis [0.0]
本稿では,半導体故障解析のための新しい量子オンライン学習について述べる。
提案手法は半導体デバイスレベルの欠陥,FinFETブリッジ欠陥,GAA-FETブリッジ欠陥,GAA-FET転位欠陥,および公開データベースSECOMに適用される。
提案手法は全体の86.66%の精度を達成し,GAA-FET転位欠陥データセットの15.50%を改善する2番目に高い既存手法と比較した。
論文 参考訳（メタデータ） (2023-03-13T12:34:17Z) - ReCasNet: Improving consistency within the two-stage mitosis detection
framework [5.263015177621435]
既存のアプローチでは、潜在的な有糸分裂細胞の位置を特定するための検出ステージと、予測信頼性を精査するための分類ステージという、2段階のパイプラインが使用されている。
このパイプライン定式化は、検出段階の予測品質の低下と、トレーニングデータ分布のミスマッチによる分類段階の不整合につながる可能性がある。
Refine Cascade Network(ReCasNet)は,先述した問題を3つの改善で軽減する,拡張されたディープラーニングパイプラインである。
論文 参考訳（メタデータ） (2022-02-28T16:03:14Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。