論文の概要: A Physics-Constrained, Design-Driven Methodology for Defect Dataset Generation in Optical Lithography

• arxiv url: http://arxiv.org/abs/2512.09001v1
• Date: Tue, 09 Dec 2025 06:13:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.260871
• Title: A Physics-Constrained, Design-Driven Methodology for Defect Dataset Generation in Optical Lithography
• Title（参考訳）: 光リソグラフィーにおける欠陥データセット生成のための物理制約付き設計駆動手法
• Authors: Yuehua Hu, Jiyeong Kong, Dong-yeol Shin, Jaekyun Kim, Kyung-Tae Kang,
• Abstract要約: 本研究では,画素レベルのアノテーションを用いて,大規模かつ物理的に有効な欠陥データセットを生成する手法を提案する。 我々は13,365個の注釈付き欠陥を含む3,530個の光学マイクログラフの包括的データセットを構築した。
• 参考スコア（独自算出の注目度）: 1.0610015128259989
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The efficacy of Artificial Intelligence (AI) in micro/nano manufacturing is fundamentally constrained by the scarcity of high-quality and physically grounded training data for defect inspection. Lithography defect data from semiconductor industry are rarely accessible for research use, resulting in a shortage of publicly available datasets. To address this bottleneck in lithography, this study proposes a novel methodology for generating large-scale, physically valid defect datasets with pixel-level annotations. The framework begins with the ab initio synthesis of defect layouts using controllable, physics-constrained mathematical morphology operations (erosion and dilation) applied to the original design-level layout. These synthesized layouts, together with their defect-free counterparts, are fabricated into physical samples via high-fidelity digital micromirror device (DMD)-based lithography. Optical micrographs of the synthesized defect samples and their defect-free references are then compared to create consistent defect delineation annotations. Using this methodology, we constructed a comprehensive dataset of 3,530 Optical micrographs containing 13,365 annotated defect instances including four classes: bridge, burr, pinch, and contamination. Each defect instance is annotated with a pixel-accurate segmentation mask, preserving full contour and geometry. The segmentation-based Mask R-CNN achieves AP@0.5 of 0.980, 0.965, and 0.971, compared with 0.740, 0.719, and 0.717 for Faster R-CNN on bridge, burr, and pinch classes, representing a mean AP@0.5 improvement of approximately 34%. For the contamination class, Mask R-CNN achieves an AP@0.5 roughly 42% higher than Faster R-CNN. These consistent gains demonstrate that our proposed methodology to generate defect datasets with pixel-level annotations is feasible for robust AI-based Measurement/Inspection (MI) in semiconductor fabrication.
• Abstract（参考訳）: マイクロ・ナノ製造における人工知能(AI)の有効性は、欠陥検査のための高品質で物理的に根拠付けられたトレーニングデータの不足によって根本的に制限されている。 半導体産業のリソグラフィー欠陥データは、研究用途にはめったにアクセスできないため、公開データセットが不足する。 本研究は,リソグラフィにおけるこのボトルネックに対処するため,画素レベルのアノテーションを用いた大規模で物理的に有効な欠陥データセットを生成する手法を提案する。 このフレームワークは、オリジナルの設計レベルのレイアウトに適用された制御可能な物理制約付き数学的形態学演算(侵食と拡張)を用いて、欠陥レイアウトのab初期合成から始まる。 これらの合成されたレイアウトは、欠陥のないレイアウトとともに、高忠実度デジタルマイクロミラーデバイス(DMD)ベースのリソグラフィーによって物理的サンプルに製造される。 合成された欠陥サンプルとその欠陥のない参照の光学顕微鏡は、一貫した欠陥デラインアノテーションを作成するために比較される。 この手法を用いて, ブリッジ, バー, ピンチ, 汚染の4クラスを含む13,365個の注釈付き欠陥を含む3,530個の光学マイクログラフの包括的データセットを構築した。 各欠陥インスタンスにはピクセル精度のセグメンテーションマスクがアノテートされ、完全な輪郭と幾何学を保存する。 セグメンテーションベースのMask R-CNNは0.740, 0.719, 0.717に対して0.980, 0.965, 0.971のAP@0.5を達成する。 汚染クラスでは、Mask R-CNNはより高速なR-CNNよりも約42%高いAP@0.5を達成する。 これらの一貫した利得は、半導体製造における堅牢なAIベースの計測・検査(MI)を実現するために、画素レベルのアノテーションを用いた欠陥データセットを生成する方法を提案する。

関連論文リスト

• Evaluating and Predicting Distorted Human Body Parts for Generated Images [44.49888268318722]
  AI生成画像中の人体歪みを検出するために,視覚変換器を用いたモデルViT-HDを提案する。 我々は,一般的な4つのT2Iモデルを評価するために,500個の人間中心のプロンプトを用いたヒューマン・ディストーションベンチマークを構築した。 この研究は、AI生成された人間の解剖学的精度を評価するための体系的なアプローチを開拓し、T2Iモデルの忠実性を高めるためのツールを提供する。
  論文  参考訳（メタデータ） (2025-03-02T09:34:44Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Addressing Class Imbalance and Data Limitations in Advanced Node Semiconductor Defect Inspection: A Generative Approach for SEM Images [0.10555513406636088]
  限られたデータ構造内で拡散モデルを用いて合成半導体SEM画像を生成する手法を提案する。 従来のシミュレーション手法による画像とは対照的に,提案手法により生成されたSEM画像は実SEM画像とよく似ており,そのノイズ特性と表面粗さを適応的に再現する。
  論文  参考訳（メタデータ） (2024-07-14T22:25:05Z)
• Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation [46.57879724994237]
  金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。 既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。 本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:30:39Z)
• Generative Model-Driven Synthetic Training Image Generation: An Approach to Cognition in Rail Defect Detection [12.584718477246382]
  本研究では,VAEを用いたレール欠陥の合成画像生成手法を提案する。 カナダ太平洋鉄道(Canadian Pacific Railway)の合成データセットを作成するために用いられる。 500の合成サンプルが生成され、最小の復元損失は0.021である。
  論文  参考訳（メタデータ） (2023-12-31T04:34:58Z)
• 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)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• 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)
• N-pad : Neighboring Pixel-based Industrial Anomaly Detection [0.0]
  単クラス学習環境における異常検出とセグメンテーションのための新しい手法であるtextittextbfN-pad を提案する。 MVTec-ADでは異常検出に99.37のAUROC,異常セグメンテーションには98.75のAUROCが得られた。
  論文  参考訳（メタデータ） (2022-10-17T06:22:16Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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。