基于合成数据的深度学习模型用于光刻图案缺陷检测
机器学习
2025-05-16 v1
摘要
半导体制造过程中至关重要的光刻工艺中，随着工艺尺寸不断缩小，EUV光刻过程中会出现各种类型的缺陷。由于缺陷极小且难以准确检测，这些缺陷会导致误报或漏报。在缺乏良好代表性小尺寸缺陷标注质量数据的条件下，基于深度学习的缺陷检测模型难以在制造线上部署。为解决数据获取困难的问题，本文人工生成带有已知缺陷分布的扫描电子显微镜(SEM)线状图案图像，并自动对其进行标注。随后采用最先进的目标检测模型，系统研究了不同缺陷尺寸下的检测性能（远小于周期宽度）。我们发现，实时目标检测器YOLOv8在缺陷检测中获得了最高的平均精度（mAP）96%，优于EfficientNet的83%和SSD的77%，且具备检测更小尺寸缺陷的能力。我们报告了可可靠检测的最小缺陷尺寸。在测试真实SEM数据时，YOLOv8模型正确检测了84.6%的桥接缺陷和78.3%的断裂缺陷。这些令人鼓舞的結果表明，合成数据可作为真实世界数据，用于开发鲁棒的机器学习模型。
引用
@article{arxiv.2505.10192,
title = {Defect Detection in Photolithographic Patterns Using Deep Learning Models Trained on Synthetic Data},
author = {Prashant P. Shinde and Priyadarshini P. Pai and Shashishekar P. Adiga and K. Subramanya Mayya and Yongbeom Seo and Myungsoo Hwang and Heeyoung Go and Changmin Park},
journal= {arXiv preprint arXiv:2505.10192},
year = {2025}
}