論文の概要: Deep Learning-based Multi Project InP Wafer Simulation for Unsupervised Surface Defect Detection

• arxiv url: http://arxiv.org/abs/2506.10713v1
• Date: Thu, 12 Jun 2025 14:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.765931
• Title: Deep Learning-based Multi Project InP Wafer Simulation for Unsupervised Surface Defect Detection
• Title（参考訳）: 深層学習に基づくマルチプロジェクトInPウェハシミュレーションによる表面欠陥検出
• Authors: Emílio Dolgener Cantú, Rolf Klemens Wittmann, Oliver Abdeen, Patrick Wagner, Wojciech Samek, Moritz Baier, Sebastian Lapuschkin,
• Abstract要約: 半導体製造における品質管理は、しばしば既知の黄金標準とのテンプレートマッチングに依存している。 本研究は、CADデータからフォトリアリスティックInPウェハ画像のシミュレートを訓練したDeep Neural Networksを用いた合成ゴールデンスタンダードを作成する手法を提案する。 我々は, 合成データとInPウェハ画像の両方を用いて, 様々な訓練目標を評価し, シミュレーション画像の品質を評価する。
• 参考スコア（独自算出の注目度）: 10.489182781995057
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quality management in semiconductor manufacturing often relies on template matching with known golden standards. For Indium-Phosphide (InP) multi-project wafer manufacturing, low production scale and high design variability lead to such golden standards being typically unavailable. Defect detection, in turn, is manual and labor-intensive. This work addresses this challenge by proposing a methodology to generate a synthetic golden standard using Deep Neural Networks, trained to simulate photo-realistic InP wafer images from CAD data. We evaluate various training objectives and assess the quality of the simulated images on both synthetic data and InP wafer photographs. Our deep-learning-based method outperforms a baseline decision-tree-based approach, enabling the use of a 'simulated golden die' from CAD plans in any user-defined region of a wafer for more efficient defect detection. We apply our method to a template matching procedure, to demonstrate its practical utility in surface defect detection.
• Abstract（参考訳）: 半導体製造における品質管理は、しばしば既知の黄金標準とのテンプレートマッチングに依存している。 InP(Indium-Phosphide)多プロジェクトウェハ製造では、低生産規模と高設計のばらつきにより、このような黄金の標準は一般的には利用できない。 欠陥検出は手作業と労働集約である。 この研究は、CADデータからフォトリアリスティックInPウェハ画像をシミュレートするように訓練されたDeep Neural Networksを使用して合成ゴールデンスタンダードを生成する手法を提案することで、この問題に対処する。 我々は, 合成データとInPウェハ画像の両方を用いて, 様々な訓練目標を評価し, シミュレーション画像の品質を評価する。 ディープラーニングに基づく手法はベースライン決定木に基づく手法よりも優れており、より効率的な欠陥検出のために、ウェハのユーザ定義領域においてCADプランから"シミュレートされた黄金の型"を使用することが可能である。 本手法をテンプレートマッチング手法に適用し,表面欠陥検出における実用性を実証する。

関連論文リスト

• Training-free Quantum-Inspired Image Edge Extraction Method [4.8188571652305185]
  トレーニング不要で量子にインスパイアされたエッジ検出モデルを提案する。 提案手法は,古典的なソベルエッジ検出,シュリンガー波動方程式の洗練,ハイブリッドフレームワークを統合する。 トレーニングの必要性をなくすことで、モデルは軽量で多様なアプリケーションに適用できます。
  論文  参考訳（メタデータ） (2025-01-31T07:24:38Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Deep Learning based Optical Image Super-Resolution via Generative Diffusion Models for Layerwise in-situ LPBF Monitoring [4.667646675144656]
  我々は,ビルドプレートの低解像度画像とビルドプレートの詳細な高解像度光学画像とを関連付けるために,生成的深層学習モデルを実装した。 低解像度Webカメラ画像からビルドプレートの現実的な高解像度画像を生成するために,条件付き潜在確率拡散モデルを訓練した。 また, 印刷部の3次元形状を再現し, 復元した試料の表面粗さを解析する枠組みを設計した。
  論文  参考訳（メタデータ） (2024-09-20T02:59:25Z)
• AssemAI: Interpretable Image-Based Anomaly Detection for Manufacturing Pipelines [0.0]
  製造パイプラインにおける異常検出は、産業環境の複雑さと変動性によって強化され、依然として重要な課題である。 本稿では,スマート製造パイプラインに適した解釈可能な画像ベース異常検出システムAssemAIを紹介する。
  論文  参考訳（メタデータ） (2024-08-05T01:50:09Z)
• Wafer Map Defect Patterns Semi-Supervised Classification Using Latent Vector Representation [8.400553138721044]
  集積回路製造段階における欠陥検出の需要はますます重要になりつつある。 従来のウェハマップ欠陥パターン検出法は、電子顕微鏡を用いた手動検査を含む。 手動操作の代わりに欠陥を自動的に検出できるモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-06T08:23:36Z)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
  特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。 そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-20T16:34:11Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)

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。