論文の概要: SAMSEM -- A Generic and Scalable Approach for IC Metal Line Segmentation

• arxiv url: http://arxiv.org/abs/2603.16548v1
• Date: Tue, 17 Mar 2026 14:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.318976
• Title: SAMSEM -- A Generic and Scalable Approach for IC Metal Line Segmentation
• Title（参考訳）: SAMSEM -- ICメタルラインセグメンテーションのための汎用的でスケーラブルなアプローチ
• Authors: Christian Gehrmann, Jonas Ricker, Simon Damm, Deruo Cheng, Julian Speith, Yiqiong Shi, Asja Fischer, Christof Paar,
• Abstract要約: 集積回路(IC)の走査電子顕微鏡(SEM)画像上の金属線を識別することは、信頼できない環境で製造されたチップにおける悪意ある回路の欠如を検証するための重要なステップである。 ここでは,メタセグメンテーションモデル2(SAM2)をIC金属線セグメント化の領域に適応させることにより,SAMSEMを作成する。 具体的には、様々なサイズ、解像度、倍率のSEM画像を処理できるマルチスケールセグメンテーション手法を開発する。
• 参考スコア（独自算出の注目度）: 14.490003658178457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In light of globalized hardware supply chains, the assurance of hardware components has gained significant interest, particularly in cryptographic applications and high-stakes scenarios. Identifying metal lines on scanning electron microscope (SEM) images of integrated circuits (ICs) is one essential step in verifying the absence of malicious circuitry in chips manufactured in untrusted environments. Due to varying manufacturing processes and technologies, such verification usually requires tuning parameters and algorithms for each target IC. Often, a machine learning model trained on images of one IC fails to accurately detect metal lines on other ICs. To address this challenge, we create SAMSEM by adapting Meta's Segment Anything Model 2 (SAM2) to the domain of IC metal line segmentation. Specifically, we develop a multi-scale segmentation approach that can handle SEM images of varying sizes, resolutions, and magnifications. Furthermore, we deploy a topology-based loss alongside pixel-based losses to focus our segmentation on electrical connectivity rather than pixel-level accuracy. Based on a hyperparameter optimization, we then fine-tune the SAM2 model to obtain a model that generalizes across different technology nodes, manufacturing materials, sample preparation methods, and SEM imaging technologies. To this end, we leverage an unprecedented dataset of SEM images obtained from 48 metal layers across 14 different ICs. When fine-tuned on seven ICs, SAMSEM achieves an error rate as low as 0.72% when evaluated on other images from the same ICs. For the remaining seven unseen ICs, it still achieves error rates as low as 5.53%. Finally, when fine-tuned on all 14 ICs, we observe an error rate of 0.62%. Hence, SAMSEM proves to be a reliable tool that significantly advances the frontier in metal line segmentation, a key challenge in post-manufacturing IC verification.
• Abstract（参考訳）: グローバル化されたハードウェアサプライチェーンに照らして、ハードウェアコンポーネントの保証は、特に暗号アプリケーションや高度なシナリオにおいて、大きな関心を集めている。 集積回路(IC)の走査電子顕微鏡(SEM)画像上の金属線を識別することは、信頼できない環境で製造されたチップにおける悪意ある回路の欠如を検証するための重要なステップである。 製造プロセスや技術が異なるため、このような検証は通常、各ターゲットICのチューニングパラメータとアルゴリズムを必要とする。 多くの場合、あるICの画像に基づいて訓練された機械学習モデルは、他のIC上の金属線を正確に検出することができない。 この課題に対処するために,メタセグメンテーションモデル2(SAM2)をICメタルラインセグメンテーションの領域に適応させることにより,SAMSEMを作成する。 具体的には、様々なサイズ、解像度、倍率のSEM画像を処理できるマルチスケールセグメンテーション手法を開発する。 さらに, トポロジによる損失と画素による損失を併用して, 画素レベルの精度ではなく, 電気的接続に重きを置くようにした。 ハイパーパラメータ最適化に基づいてSAM2モデルを微調整し、異なる技術ノード、製造材料、試料調製方法、SEMイメージング技術にまたがる一般化モデルを得る。 この目的のために、14の異なるICにまたがる48の金属層から得られた前例のないSEM画像のデータセットを利用する。 7つのICを微調整すると、SAMSEMは0.72%の誤差率を達成する。 残りの7つのICでは、エラー率は5.53%と低い。 最後に、14個のICを微調整すると、エラー率は0.62%となる。 したがって、SAMSEMは金属線セグメンテーションのフロンティアを著しく向上させる信頼性の高いツールであることが証明されている。

関連論文リスト

• Automated and Scalable SEM Image Analysis of Perovskite Solar Cell Materials via a Deep Segmentation Framework [6.6168431490300845]
  本稿では,SEM画像セグメンテーションのためのディープラーニングフレームワークを提案する。 PerovSegNetという名前のモデルには、2つの新しいモジュールが組み込まれています。 PerovSegNetは平均平均精度87.25%で、265.4ギガ浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2025-09-30T17:18:51Z)
• IC-Custom: Diverse Image Customization via In-Context Learning [93.65917928168558]
  IC-Customは、位置認識と位置自由な画像カスタマイズをシームレスに統合する統合フレームワークである。 In-context Multi-Modal Attention (ICMA) 機構を提案する。 IC-Customは、試行錯誤、画像挿入、クリエイティブIPカスタマイズなど、さまざまな産業アプリケーションをサポートしている。
  論文  参考訳（メタデータ） (2025-07-02T17:36:38Z)
• 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)
• SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images [4.875868958100446]
  走査型電子顕微鏡画像(SEM)を自動的にセグメント化する手法であるSEMU-Netを導入し,それらを用いて,U-Netとその変種に基づく2つのディープニューラルネットワークモデルをトレーニングする。 予測モデルは製造に伴う変動を予測し、補正モデルはこれらの問題に対処するために設計を調整する。 実験結果から, セグメンテーションU-Netの平均IoUスコアは99.30%, タンデムアーキテクチャにおける補正注意U-Netの平均IoUスコアは98.67%に達した。
  論文  参考訳（メタデータ） (2024-11-25T22:49:59Z)
• IH-ViT: Vision Transformer-based Integrated Circuit Appear-ance Defect Detection [5.4641726517633025]
  IC外見欠陥検出アルゴリズム-rithm IH-ViTを提案する。 提案モデルでは,CNN と ViT の強みを生かして,ローカル・グローバル両面から画像特徴を取得する。 提案したハイブリッドIH-ViTモデルの精度は72.51%であり,ResNet50モデルとViTモデルだけでは2.8%,6.06%高かった。
  論文  参考訳（メタデータ） (2023-02-09T09:27:40Z)
• 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)
• Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
  クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。 既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。 マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T11:40:40Z)
• Automatic Error Detection in Integrated Circuits Image Segmentation: A Data-driven Approach [6.420068890493833]
  本稿では,2種類のICセグメンテーションエラーを対象とする,データ駆動型自動エラー検出手法を提案する。 実業界から収集したIC画像データセットにおいて,既存のCNNによる画像分類と画像翻訳のアプローチを,追加の事前処理と後処理技術で適用することにより,エラー検出によりそれぞれ0.92/0.93,エラー検出により0.96/0.90のリコール/精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2022-11-08T00:58:10Z)
• 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)

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。