論文の概要: Advancing SEM Based Nano-Scale Defect Analysis in Semiconductor Manufacturing for Advanced IC Nodes
- arxiv url: http://arxiv.org/abs/2409.04310v1
- Date: Fri, 6 Sep 2024 14:35:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 15:34:51.356947
- Title: Advancing SEM Based Nano-Scale Defect Analysis in Semiconductor Manufacturing for Advanced IC Nodes
- Title（参考訳）: 先端ICノード用半導体製造におけるSEMによるナノスケール欠陥解析
- Authors: Bappaditya Dey, Matthias Monden, Victor Blanco, Sandip Halder, Stefan De Gendt,
- Abstract要約: このフレームワークは、(a)欠陥検出モジュールと(b)欠陥セグメントモジュールの2つのモジュールで構成されている。
BoxSnakeは、以前のモジュールでサポートされているナノスケール欠陥のボックス管理インスタンスセグメンテーションを容易にする。
我々は、実際のウエハから2つの異なるプロセスデータセットを用いて、ADCDSフレームワークの性能を評価した。
- 参考スコア（独自算出の注目度）: 0.10555513406636088
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this research, we introduce a unified end-to-end Automated Defect Classification-Detection-Segmentation (ADCDS) framework for classifying, detecting, and segmenting multiple instances of semiconductor defects for advanced nodes. This framework consists of two modules: (a) a defect detection module, followed by (b) a defect segmentation module. The defect detection module employs Deformable DETR to aid in the classification and detection of nano-scale defects, while the segmentation module utilizes BoxSnake. BoxSnake facilitates box-supervised instance segmentation of nano-scale defects, supported by the former module. This simplifies the process by eliminating the laborious requirement for ground-truth pixel-wise mask annotation by human experts, which is typically associated with training conventional segmentation models. We have evaluated the performance of our ADCDS framework using two distinct process datasets from real wafers, as ADI and AEI, specifically focusing on Line-space patterns. We have demonstrated the applicability and significance of our proposed methodology, particularly in the nano-scale segmentation and generation of binary defect masks, using the challenging ADI SEM dataset where ground-truth pixelwise segmentation annotations were unavailable. Furthermore, we have presented a comparative analysis of our proposed framework against previous approaches to demonstrate its effectiveness. Our proposed framework achieved an overall mAP@IoU0.5 of 72.19 for detection and 78.86 for segmentation on the ADI dataset. Similarly, for the AEI dataset, these metrics were 90.38 for detection and 95.48 for segmentation. Thus, our proposed framework effectively fulfils the requirements of advanced defect analysis while addressing significant constraints.
- Abstract（参考訳）: 本研究では,先進ノードに対する半導体欠陥の複数インスタンスの分類,検出,セグメント化を行うための,エンドツーエンドの自動欠陥分類・検出・分離(ADCDS)フレームワークを提案する。
このフレームワークは2つのモジュールから構成される。
a)欠陥検出モジュール
b)欠陥セグメンテーションモジュール。
欠陥検出モジュールはDeformable DETRを使用してナノスケール欠陥の分類と検出を支援し、セグメンテーションモジュールはBoxSnakeを利用している。
BoxSnakeは、以前のモジュールでサポートされているナノスケール欠陥のボックス管理インスタンスセグメンテーションを容易にする。
これは、通常、従来のセグメンテーションモデルのトレーニングに結びついている、人間の専門家による、地軸のピクセルワイドマスクアノテーションの面倒な要求をなくすことによって、プロセスを単純化する。
我々は,ADI と AEI の2つの異なるプロセスデータセットを用いて,ADCDS フレームワークの性能を評価した。
提案手法の適用性および意義を実証し,特に2値欠陥マスクのナノスケール分割と生成において,地上画素分割アノテーションが利用できない挑戦的なADI SEMデータセットを用いて検証した。
さらに,提案手法を従来の手法と比較し,その有効性を実証した。
提案するフレームワークは,検出のためのmAP@IoU0.5 72.19,ADIデータセットのセグメンテーションのための78.86を総合的に達成した。
同様に、AEIデータセットでは、これらのメトリクスは検出に90.38、セグメンテーションに95.48であった。
したがって,本提案フレームワークは,重大な制約に対処しながら,高度な欠陥解析の要件を効果的に満たす。
関連論文リスト
- CSAD: Unsupervised Component Segmentation for Logical Anomaly Detection [10.716585855033347]
我々は,人間のラベル付けを伴わない軽量セグメンテーションネットワークのためのトレーニングラベルを生成する,教師なしコンポーネントセグメンテーション手法を開発した。
我々は,従来のSOTA法を超越したMVTec LOCO ADデータセットにおいて,95.3%のAUROC検出を実現する。
論文 参考訳（メタデータ） (2024-08-28T08:27:41Z) - 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) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Segment Every Out-of-Distribution Object [24.495734304922244]
本稿では,意味的セグメンテーションにおけるOoD検出の簡易かつ効果的なフレームワークであるS2Mと呼ばれる,異常な textbfScore textbfTo セグメンテーション textbfMask を変換する手法を提案する。
異常スコアをプロンプト可能なセグメンテーションモデルへのプロンプトに変換することで、S2Mはしきい値の選択を不要にする。
論文 参考訳（メタデータ） (2023-11-27T18:20:03Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - 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) - Exploring the Relationship between Samples and Masks for Robust Defect
Localization [1.90365714903665]
本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。
欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。
その結果,提案手法はF1-ScoreのSOTA法よりも2.9%高い値を示した。
論文 参考訳（メタデータ） (2023-06-19T06:41:19Z) - Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。
本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。
我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
論文 参考訳（メタデータ） (2023-01-03T06:47:31Z) - ADPS: Asymmetric Distillation Post-Segmentation for Image Anomaly
Detection [75.68023968735523]
知識蒸留に基づく異常検出 (KDAD) 法は, 異常領域を検出し, セグメント化するために, 教師学生のパラダイムに頼っている。
非対称蒸留ポストセグメンテーション(ADPS)と呼ばれる革新的なアプローチを提案する。
我々のADPSは、教師-学生ネットワークの入力と同じイメージの異なる形態の非対称蒸留パラダイムを採用している。
ADPSは,MVTec ADとKolektorSDD2データセットで平均精度(AP)を9%,20%向上させることを示した。
論文 参考訳（メタデータ） (2022-10-19T12:04:47Z) - Self-Supervised Guided Segmentation Framework for Unsupervised Anomaly
Detection [24.26958675342856]
産業アプリケーションでは、教師なし異常検出は難しい課題である。
偽検体と実検体の間の分布ギャップは、偽検体に基づいて訓練されたモデルが実検体を効果的に見つけるのを困難にしている。
SGSF(Self-Supervised Guided Framework)は,異常検出のためのセグメンテーションのガイダンス情報として,鍛造された異常サンプルと通常のサンプル特徴を生成するために提案されている。
論文 参考訳（メタデータ） (2022-09-26T06:14:56Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z)
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。