論文の概要: Defect Detection in Photolithographic Patterns Using Deep Learning Models Trained on Synthetic Data

• arxiv url: http://arxiv.org/abs/2505.10192v1
• Date: Thu, 15 May 2025 11:50:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.299386
• Title: Defect Detection in Photolithographic Patterns Using Deep Learning Models Trained on Synthetic Data
• Title（参考訳）: 合成データを用いた深層学習モデルを用いたフォトリソグラフィーパターンの欠陥検出
• Authors: Prashant P. Shinde, Priyadarshini P. Pai, Shashishekar P. Adiga, K. Subramanya Mayya, Yongbeom Seo, Myungsoo Hwang, Heeyoung Go, Changmin Park,
• Abstract要約: 欠陥アノテートされた品質データの欠如は、深層学習に基づく欠陥検出モデルを製造ラインに配置することを禁止している。 我々は、欠陥の既知の分布を持つラインパターンの走査電子顕微鏡(SEM)画像を生成し、それらを自律的に注釈する。 リアルタイムオブジェクト検出器YOLOv8は,EfficientNetの83%,SSDの77%に比べて平均96%の精度で,より小さな欠陥を検出できる。
• 参考スコア（独自算出の注目度）: 0.5300037515002964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the photolithographic process vital to semiconductor manufacturing, various types of defects appear during EUV pattering. Due to ever-shrinking pattern size, these defects are extremely small and cause false or missed detection during inspection. Specifically, the lack of defect-annotated quality data with good representation of smaller defects has prohibited deployment of deep learning based defect detection models in fabrication lines. To resolve the problem of data unavailability, we artificially generate scanning electron microscopy (SEM) images of line patterns with known distribution of defects and autonomously annotate them. We then employ state-of-the-art object detection models to investigate defect detection performance as a function of defect size, much smaller than the pitch width. We find that the real-time object detector YOLOv8 has the best mean average precision of 96% as compared to EfficientNet, 83%, and SSD, 77%, with the ability to detect smaller defects. We report the smallest defect size that can be detected reliably. When tested on real SEM data, the YOLOv8 model correctly detected 84.6% of Bridge defects and 78.3% of Break defects across all relevant instances. These promising results suggest that synthetic data can be used as an alternative to real-world data in order to develop robust machine-learning models.
• Abstract（参考訳）: 半導体製造に不可欠なフォトリソグラフィープロセスでは、EUVパタリング中に様々な種類の欠陥が現れる。 パターンサイズが細くなるため、これらの欠陥は非常に小さく、検査中に誤検出や誤検出を引き起こす。 具体的には、欠陥を適切に表現した欠陥注釈付き品質データがないため、製造ラインにおけるディープラーニングに基づく欠陥検出モデルの配置が禁止されている。 データ利用不可の問題を解決するため,我々はラインパターンの走査型電子顕微鏡(SEM)画像と欠陥の既知の分布を自動アノテーションで生成する。 そこで我々は, ピッチ幅よりもはるかに小さい欠陥検出関数として, 欠陥検出性能を調査するために, 最先端の物体検出モデルを用いた。 リアルタイムオブジェクト検出器YOLOv8は,EfficientNetの83%,SSDの77%に比べて平均96%の精度で,より小さな欠陥を検出できる。 確実に検出できる最小の欠陥サイズを報告します。 実際のSEMデータでテストすると、YOLOv8モデルはブリッジ欠陥の84.6%とブレーク欠陥の78.3%を正しく検出した。 これらの有望な結果は、堅牢な機械学習モデルを開発するために、実世界のデータに代わるものとして合成データが使用できることを示唆している。

関連論文リスト

• DefectFill: Realistic Defect Generation with Inpainting Diffusion Model for Visual Inspection [32.80355689164011]
  DefectFillは、いくつかの参照欠陥画像のみを必要とする、現実的な欠陥生成のための新しい方法である。 詳細でローカライズされた欠陥機能の正確なキャプチャと、欠陥のないオブジェクトへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-03-18T07:42:11Z)
• Faster Metallic Surface Defect Detection Using Deep Learning with Channel Shuffling [0.0]
  本研究では,小型ネットワーク用に特別に設計されたYou Only Look Once (YOLOv5)に基づくリアルタイム金属表面欠陥検出モデルを提案する。 実験結果から,改良されたモデルでは,精度と検出時間において,他のモデルよりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2024-06-19T08:08:49Z)
• 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)
• 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)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
  深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。 本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。 全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
  論文  参考訳（メタデータ） (2021-10-15T17:57:59Z)

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。