論文の概要: An Evaluation of Continual Learning for Advanced Node Semiconductor Defect Inspection
- arxiv url: http://arxiv.org/abs/2407.12724v1
- Date: Wed, 17 Jul 2024 16:41:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-18 16:16:05.212705
- Title: An Evaluation of Continual Learning for Advanced Node Semiconductor Defect Inspection
- Title（参考訳）: 先進ノード半導体欠陥検査における連続学習の評価
- Authors: Amit Prasad, Bappaditya Dey, Victor Blanco, Sandip Halder,
- Abstract要約: 本研究は,半導体欠陥検査におけるタスクに依存しないメタラーニング手法を提案する。
新しい欠陥クラスとスケールの漸進的な追加を可能にし、より堅牢で一般化されたモデルを作成する。
我々は、ADIとAEIの2つのプロセスステップに対して、実際のレジストウェハSEM(Scanning Electron Microscopy)データセットを用いて、我々のアプローチをベンチマークした。
- 参考スコア（独自算出の注目度）: 0.11184789007828977
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning-based semiconductor defect inspection has gained traction in recent years, offering a powerful and versatile approach that provides high accuracy, adaptability, and efficiency in detecting and classifying nano-scale defects. However, semiconductor manufacturing processes are continually evolving, leading to the emergence of new types of defects over time. This presents a significant challenge for conventional supervised defect detectors, as they may suffer from catastrophic forgetting when trained on new defect datasets, potentially compromising performance on previously learned tasks. An alternative approach involves the constant storage of previously trained datasets alongside pre-trained model versions, which can be utilized for (re-)training from scratch or fine-tuning whenever encountering a new defect dataset. However, adhering to such a storage template is impractical in terms of size, particularly when considering High-Volume Manufacturing (HVM). Additionally, semiconductor defect datasets, especially those encompassing stochastic defects, are often limited and expensive to obtain, thus lacking sufficient representation of the entire universal set of defectivity. This work introduces a task-agnostic, meta-learning approach aimed at addressing this challenge, which enables the incremental addition of new defect classes and scales to create a more robust and generalized model for semiconductor defect inspection. We have benchmarked our approach using real resist-wafer SEM (Scanning Electron Microscopy) datasets for two process steps, ADI and AEI, demonstrating its superior performance compared to conventional supervised training methods.
- Abstract（参考訳）: 近年、ディープラーニングベースの半導体欠陥検査が注目を集めており、ナノスケール欠陥の検出と分類における高精度、適応性、効率性を提供する、強力で汎用的なアプローチを提供している。
しかし、半導体製造プロセスは進化を続けており、時間とともに新しいタイプの欠陥が出現する。
これは、従来の教師付き欠陥検出装置にとって重要な課題であり、新しい欠陥データセットでトレーニングされた時に破滅的な忘れをし、以前に学習したタスクのパフォーマンスを損なう可能性があるためである。
もうひとつのアプローチは、トレーニング済みのモデルバージョンと並行して、トレーニング済みのデータセットを継続的に保存する、という方法だ。
しかし、特にHVM(High-Volume Manufacturing)を考えると、そのようなストレージテンプレートに付着することは、サイズという点では実用的ではない。
さらに、半導体欠陥データセット、特に確率的欠陥を含むデータセットは、しばしば制限され、入手するのにコストがかかるため、普遍的欠陥率全体の表現が不十分である。
この課題に対処するためのタスクに依存しないメタラーニングアプローチを導入し、新たな欠陥クラスとスケールの漸進的な追加を可能にし、半導体欠陥検査のためのより堅牢で一般化されたモデルを作成する。
我々は,ADI と AEI の2つのプロセスステップに対して,実際のレジストウェーハ SEM (Scanning Electron Microscopy) データセットを用いてアプローチをベンチマークし,従来の教師付きトレーニング手法と比較して優れた性能を示した。
関連論文リスト
- SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。
本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。
低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
論文 参考訳（メタデータ） (2024-05-28T20:43:53Z) - 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) - Continual learning for surface defect segmentation by subnetwork
creation and selection [55.2480439325792]
破滅的な忘れを伴わずにセグメンテーションタスクを実行する,新たな連続的(あるいは寿命の長い)学習アルゴリズムを導入する。
この方法は、2つの異なる表面欠陥分割問題に適用され、漸進的に学習される。
当社のアプローチでは,すべてのトレーニングデータ(すべての欠陥)を同時に見る場合,共同トレーニングと同等の結果が得られます。
論文 参考訳（メタデータ） (2023-12-08T15:28:50Z) - 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) - 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) - YOLOv8 for Defect Inspection of Hexagonal Directed Self-Assembly
Patterns: A Data-Centric Approach [6.142308190194335]
六角形接触孔DSAパターンのデータセットに対して,コヒーレントかつ完全ラベルを得る手法を提案する。
我々は、最先端のニューラルネットワークであるYOLOv8が、最終データセットで0.9mAP以上の欠陥検出精度を達成することを示す。
論文 参考訳（メタデータ） (2023-07-28T12:17:01Z) - A Novel Strategy for Improving Robustness in Computer Vision
Manufacturing Defect Detection [1.3198689566654107]
高性能製造における視覚的品質検査は、コスト削減と改善された厳密さのために自動化の恩恵を受けることができる。
ディープラーニング技術は、分類やオブジェクト検出といった汎用的なコンピュータビジョンタスクの最先端技術である。
データが反復的であり、そこから学ぶべき欠陥や逸脱のイメージがほとんどないからである。
論文 参考訳（メタデータ） (2023-05-16T12:51:51Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - 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) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳（メタデータ） (2021-07-01T17:59:07Z)
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。