論文の概要: Semiconductor SEM Image Defect Classification Using Supervised and Semi-Supervised Learning with Vision Transformers
- arxiv url: http://arxiv.org/abs/2506.03345v1
- Date: Tue, 03 Jun 2025 19:34:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 21:20:14.030082
- Title: Semiconductor SEM Image Defect Classification Using Supervised and Semi-Supervised Learning with Vision Transformers
- Title（参考訳）: ビジョン変換器を用いた教師付き・半監督型学習による半導体SEM画像欠陥分類
- Authors: Chien-Fu, Huang, Katherine Sieg, Leonid Karlinksy, Nash Flores, Rebekah Sheraw, Xin Zhang,
- Abstract要約: 本研究は, ウエハ欠陥の走査型電子顕微鏡(SEM)画像の自動欠陥分類(ADC)に視覚変換器(ViT)ニューラルネットワークを適用することを提案する。
7400枚以上の全画像から11種類の欠陥を抽出し,DinoV2と半教師付き学習の伝達学習の可能性を検討した。
- 参考スコア（独自算出の注目度）: 31.64631761575222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Controlling defects in semiconductor processes is important for maintaining yield, improving production cost, and preventing time-dependent critical component failures. Electron beam-based imaging has been used as a tool to survey wafers in the line and inspect for defects. However, manual classification of images for these nano-scale defects is limited by time, labor constraints, and human biases. In recent years, deep learning computer vision algorithms have shown to be effective solutions for image-based inspection applications in industry. This work proposes application of vision transformer (ViT) neural networks for automatic defect classification (ADC) of scanning electron microscope (SEM) images of wafer defects. We evaluated our proposed methods on 300mm wafer semiconductor defect data from our fab in IBM Albany. We studied 11 defect types from over 7400 total images and investigated the potential of transfer learning of DinoV2 and semi-supervised learning for improved classification accuracy and efficient computation. We were able to achieve classification accuracies of over 90% with less than 15 images per defect class. Our work demonstrates the potential to apply the proposed framework for a platform agnostic in-house classification tool with faster turnaround time and flexibility.
- Abstract（参考訳）: 半導体プロセスの欠陥の制御は、歩留まりの維持、製造コストの向上、時間依存の重要な部品故障の防止に重要である。
電子ビームによるイメージングは、線中のウエハを調査し、欠陥を検査するためのツールとして使われてきた。
しかしながら、これらのナノスケール欠陥の画像の手動分類は、時間、労働制約、人間のバイアスによって制限される。
近年、ディープラーニングコンピュータビジョンアルゴリズムは、産業における画像ベースの検査アプリケーションに有効なソリューションであることが示されている。
本研究は, ウエハ欠陥の走査型電子顕微鏡(SEM)画像の自動欠陥分類(ADC)に視覚変換器(ViT)ニューラルネットワークを適用することを提案する。
提案手法をIBM Albanyのファブから300mmウエハ半導体欠陥データを用いて評価した。
7400枚以上の全画像から11種類の欠陥を抽出し,DinoV2と半教師付き学習の伝達学習の可能性を検討した。
欠陥クラス当たり15画像未満の分類精度で90%以上を達成できた。
我々の研究は、より高速なターンアラウンド時間と柔軟性を備えたプラットフォーム非依存の社内分類ツールに提案されたフレームワークを適用する可能性を実証している。
関連論文リスト
- SEM-CLIP: Precise Few-Shot Learning for Nanoscale Defect Detection in Scanning Electron Microscope Image [27.17821452832534]
そこで本研究では, 欠陥分類とセグメンテーションの精度向上のために, SEM-CLIP という新しい数ショット学習手法を提案する。
我々は、ドメイン知識に富んだテキストプロンプトを事前情報として使用し、正確な分析を支援する。
SEM-CLIPはアノテートデータはほとんど必要とせず、半導体産業における労働需要を大幅に減少させる。
論文 参考訳（メタデータ） (2025-02-15T14:06:48Z) - Utilizing Generative Adversarial Networks for Image Data Augmentation and Classification of Semiconductor Wafer Dicing Induced Defects [0.21990652930491852]
半導体製造において、ウエハダイシングプロセスは中心的でありながら、収率を著しく損なう欠陥に対して脆弱である。
深層ニューラルネットワーク(Deep Neural Network)は、半自動視覚検査における最先端技術である。
本稿では, 半導体ウェハダイシングによる欠陥の画像データの増大と分類にGAN(Generative Adversarial Network)の適用について検討する。
論文 参考訳（メタデータ） (2024-07-24T20:44:16Z) - CINFormer: Transformer network with multi-stage CNN feature injection
for surface defect segmentation [73.02218479926469]
表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。
CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。
さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
論文 参考訳（メタデータ） (2023-09-22T06:12:02Z) - Classification robustness to common optical aberrations [64.08840063305313]
本稿では,現実的かつ実用的な光ぼけ効果に対するロバスト性を調べるためのベンチマークである OpticsBench を提案する。
ImageNetの実験では、様々な訓練済みのDNNに対して、ディスク形状のカーネルと比較して、パフォーマンスが強いことが示されている。
我々は,光カーネルをデータ拡張として使用することにより,拡張可能なImageNet-100について述べる。
論文 参考訳（メタデータ） (2023-08-29T08:36:00Z) - 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) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳（メタデータ） (2023-07-14T14:36:58Z) - Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object
Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。
糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。
我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文 参考訳（メタデータ） (2023-06-26T16:48:20Z) - Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。
システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
論文 参考訳（メタデータ） (2021-01-11T08:14:35Z) - Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。
私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文 参考訳（メタデータ） (2020-08-06T02:07:21Z) - Learning-based Defect Recognition for Quasi-Periodic Microscope Images [0.0]
原子分解能顕微鏡画像からの格子欠陥の検出を支援する半教師付き機械学習手法を提案する。
これには、画像パッチを欠陥または非欠陥として分類する畳み込みニューラルネットワーク、モデルとして1つの非欠陥パッチを選択するグラフベース、そして最後に自動生成された畳み込みフィルタバンクが含まれる。
このアルゴリズムは、III-V/Si結晶材料上でテストされ、異なる測定値に対してうまく評価され、非常に小さなトレーニングデータセットであっても有望な結果を示す。
論文 参考訳（メタデータ） (2020-07-02T18:00:02Z)
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。