光学光刻中缺陷数据集生成的物理约束设计驱动方法
计算机视觉与模式识别
2025-12-11 v1 人工智能
摘要
人工智能(AI)在微/纳制造中的效能从根本上受到高质量且具有物理基础的缺陷检测训练数据匮乏的制约。来自半导体行业的光刻缺陷数据很少可供研究使用，导致公开可用数据集短缺。为解决光刻中的这一瓶颈，本研究提出了一种生成大规模、物理有效的缺陷数据集并具有像素级标注的新方法。该框架首先通过在原始设计级布局上应用可控的物理约束数学形态学操作（腐蚀和膨胀）来合成缺陷布局。这些合成布局及其无缺陷对应物通过高保真数字微镜器件(DMD)基光刻被制造为物理样品。然后将合成缺陷样品及其无缺陷参考的光学显微图像进行比较，以创建一致的缺陷分割标注。使用该方法，我们构建了一个包含3,530张光学显微图像的全面数据集，其中包含13,365个已标注的缺陷实例，包括四类：桥接、毛刺、缩颈和污染。每个缺陷实例都标注了像素精确的分割掩膜，保留了完整的轮廓和几何信息。基于分割的Mask R-CNN在桥接、毛刺和缩颈类别上分别达到[email protected]为0.980、0.965和0.971，而Faster R-CNN分别为0.740、0.719和0.717，平均[email protected]提升约34%。对于污染类别，Mask R-CNN的[email protected]比Faster R-CNN高出约42%。这些一致的提升证明了我们提出的生成具有像素级标注的缺陷数据集的方法对于半导体制造中鲁棒的AI测量/检测(MI)是可行的。
引用
@article{arxiv.2512.09001,
title = {A Physics-Constrained, Design-Driven Methodology for Defect Dataset Generation in Optical Lithography},
author = {Yuehua Hu and Jiyeong Kong and Dong-yeol Shin and Jaekyun Kim and Kyung-Tae Kang},
journal= {arXiv preprint arXiv:2512.09001},
year = {2025}
}