Fugu-MT 論文翻訳(概要): Addressing Class Imbalance and Data Limitations in Advanced Node Semiconductor Defect Inspection: A Generative Approach for SEM Images

論文の概要: Addressing Class Imbalance and Data Limitations in Advanced Node Semiconductor Defect Inspection: A Generative Approach for SEM Images

arxiv url: http://arxiv.org/abs/2407.10348v1
Date: Sun, 14 Jul 2024 22:25:05 GMT
ステータス: 処理完了
システム内更新日: 2024-07-16 16:40:16.536632
Title: Addressing Class Imbalance and Data Limitations in Advanced Node Semiconductor Defect Inspection: A Generative Approach for SEM Images
Title（参考訳）: 先進ノード半導体欠陥検査におけるクラス不均衡とデータ制限--SEM画像の生成的アプローチ
Authors: Bappaditya Dey, Vic De Ridder, Victor Blanco, Sandip Halder, Bartel Van Waeyenberge,
Abstract要約: 限られたデータ構造内で拡散モデルを用いて合成半導体SEM画像を生成する手法を提案する。従来のシミュレーション手法による画像とは対照的に,提案手法により生成されたSEM画像は実SEM画像とよく似ており,そのノイズ特性と表面粗さを適応的に再現する。
参考スコア（独自算出の注目度）: 0.10555513406636088
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Precision in identifying nanometer-scale device-killer defects is crucial in both semiconductor research and development as well as in production processes. The effectiveness of existing ML-based approaches in this context is largely limited by the scarcity of data, as the production of real semiconductor wafer data for training these models involves high financial and time costs. Moreover, the existing simulation methods fall short of replicating images with identical noise characteristics, surface roughness and stochastic variations at advanced nodes. We propose a method for generating synthetic semiconductor SEM images using a diffusion model within a limited data regime. In contrast to images generated through conventional simulation methods, SEM images generated through our proposed DL method closely resemble real SEM images, replicating their noise characteristics and surface roughness adaptively. Our main contributions, which are validated on three different real semiconductor datasets, are: i) proposing a patch-based generative framework utilizing DDPM to create SEM images with intended defect classes, addressing challenges related to class-imbalance and data insufficiency, ii) demonstrating generated synthetic images closely resemble real SEM images acquired from the tool, preserving all imaging conditions and metrology characteristics without any metadata supervision, iii) demonstrating a defect detector trained on generated defect dataset, either independently or combined with a limited real dataset, can achieve similar or improved performance on real wafer SEM images during validation/testing compared to exclusive training on a real defect dataset, iv) demonstrating the ability of the proposed approach to transfer defect types, critical dimensions, and imaging conditions from one specified CD/Pitch and metrology specifications to another, thereby highlighting its versatility.
Abstract（参考訳）: ナノメートル規模のデバイスキラー欠陥を特定する精度は、半導体の研究と開発、製造プロセスの両方において重要である。この文脈における既存のMLベースのアプローチの有効性は、これらのモデルをトレーニングするための実際の半導体ウエハデータの生成は、高い財務と時間的コストを伴うため、データの不足によって大きく制限されている。さらに, 従来のシミュレーション手法では, ノイズ特性, 表面粗さ, 高度ノードの確率的変動が同一である画像の複製に欠けていた。限られたデータ構造内で拡散モデルを用いて合成半導体SEM画像を生成する手法を提案する。従来のシミュレーション手法による画像とは対照的に,提案手法により生成されたSEM画像は実SEM画像とよく似ており,そのノイズ特性と表面粗さを適応的に再現する。 3つの異なる実半導体データセットで検証された主な貢献は次のとおりである。一 DDPMを利用したパッチベースの生成フレームワークにより、クラス不均衡及びデータ不整合に関する課題に対処し、意図した欠陥クラスを有するSEM画像を作成すること。二生成した合成画像は、そのツールから取得した実SEM画像によく似ており、メタデータの監督なしに、すべての撮像条件及び気象特性を保存していること。三発生した欠陥データセットに基づいて訓練された欠陥検出装置を独立に又は限定された実際のデータセットと組み合わせて、実際の欠陥データセットの排他的トレーニングと比較して、検証・検査において、実際のウエハSEM画像に対して同様の又は改善された性能を達成できることを示すこと。四提案手法の欠陥タイプ、臨界次元、撮像条件を特定のCD/ピッチ及びメートル法仕様から別のものに伝達し、その汎用性を強調すること。

関連論文リスト

SeNM-VAE: Semi-Supervised Noise Modeling with Hierarchical Variational Autoencoder [13.453138169497903]
SeNM-VAEは、ペアとアンペアの両方のデータセットを利用して、現実的な劣化データを生成する半教師付きノイズモデリング手法である。実世界の画像認識と超分解能タスクのためのペアトレーニングサンプルを生成するために,本手法を用いた。提案手法は, 合成劣化画像の品質を, 他の不対とペアのノイズモデリング法と比較して向上させる。
論文参考訳（メタデータ） (2024-03-26T09:03:40Z)
Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction [4.227116189483428]
本研究は, 離散性緩和フレームワークを用いた新規なカスケード拡散について紹介する。潜在空間の低画質画像生成と画素空間の高画質画像生成を含む。これは、いくつかの推論ステップをピクセル空間から潜在空間に移すことによって計算コストを最小化する。
論文参考訳（メタデータ） (2024-03-14T12:58:28Z)
Image Inpainting via Tractable Steering of Diffusion Models [54.13818673257381]
本稿では,トラクタブル確率モデル(TPM)の制約後部を正確に,かつ効率的に計算する能力を活用することを提案する。具体的には、確率回路(PC)と呼ばれる表現型TPMのクラスを採用する。提案手法は, 画像の全体的な品質とセマンティックコヒーレンスを, 計算オーバーヘッドを10%加えるだけで一貫的に改善できることを示す。
論文参考訳（メタデータ） (2023-11-28T21:14:02Z)
On quantifying and improving realism of images generated with diffusion [50.37578424163951]
与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
論文参考訳（メタデータ） (2023-09-26T08:32:55Z)
Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
論文参考訳（メタデータ） (2023-09-18T09:36:24Z)
ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文参考訳（メタデータ） (2023-09-03T07:55:46Z)
Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT Reconstruction [2.2336243882030025]
スパースビューCT再構成のための反復最適化データスコアリングモデル(DOSM)を提案する。 DOSMはデータの一貫性をデータ一貫性要素に統合し、測定データと生成モデルの制約を効果的にバランスさせる。我々はDOSM更新の最適化に従来の手法を活用している。
論文参考訳（メタデータ） (2023-08-28T09:23:18Z)
Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Imaging Inverse Problems [78.76955228709241]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。このフレームワークは、利用可能な測定データに特化してデノイングネットワークを適用する。我々は多様な画像モダリティをまたいだOOD性能の大幅な向上を実現した。
論文参考訳（メタデータ） (2023-08-28T08:47:06Z)
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)
Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)

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。