面向先进节点半导体缺陷检查：针对类不平衡与数据限制的生成方法

在半导体研究与开发以及生产过程中，精准识别纳米级器件致命缺陷至关重要。现有基于机器学习的方法在此背景下的有效性受限于数据稀缺性，因为为训练模型生产真实半导体晶圆数据涉及高额成本和时间开销。此外，现有仿真方法不足以复制具有相同噪声特征、表面粗糙度和随机变异性的图像。我们提出了一种在有限数据条件下生成合成半导体SEM图像的方法，利用扩散模型。与常规仿真方法生成的图像不同，我们提出的深度学习方法生成的SEM图像与真实SEM图像高度相似，能够适应性地复制其噪声特征和表面粗糙度。我们的主要贡献经三个真实半导体数据集验证表明：i)提出一种基于patch的生成框架，利用DDPM创建具有预期缺陷类别的SEM图像，解决类不平衡和数据不足的挑战；ii)展示生成的合成图像与真实SEM图像高度相似，保留所有成像条件和测量特征，无需任何元数据监督；iii)在验证/测试期间，训练于生成缺陷数据集(可独立或与有限真实数据集组合)的缺陷检测器，可实现与仅训练于真实缺陷数据集相似或更好的性能；iv)展示所提方法能够将指定CD/Pitch和测量规范下的缺陷类型、临界尺寸和成像条件从一种指定规格转移到另一种规格，凸显其灵活性。