利用监督学习和半监督学习结合视觉变换器进行半导体 SEM 图像缺陷分类
计算机视觉与模式识别
2025-06-05 v1
摘要
控制半导体工艺中的缺陷对于维持良率、降低生产成本和防止时间相关的关键组件故障至关重要。基于电子束的成像已被用作在产线上调查晶圆和检查缺陷的工具。然而，对这些纳米级缺陷的图像进行人工分类受到时间、劳动限制和人类偏见的制约。近年来，深度学习计算机视觉算法已被证明是工业中基于图像的检测应用的有效解决方案。本工作提出将视觉变换器（ViT）神经网络应用于扫描电子显微镜（SEM）晶圆缺陷的自动缺陷分类（ADC）。我们在 IBM Albany 工厂的 300mm 晶圆半导体缺陷数据上评估了所提出的方法。我们研究了 11 种缺陷类型，涵盖超过 7400 张图像，并探讨了 DinoV2 迁移学习和半监督学习在提高分类准确率和计算效率方面的潜力。我们仅使用每种缺陷类不到 15 张图像就实现了超过 90% 的分类准确率。我们的工作展示了将该框架应用于平台无关的内部分类工具的潜力，该工具具有更快的周转时间和灵活性。
引用
@article{arxiv.2506.03345,
title = {Semiconductor SEM Image Defect Classification Using Supervised and Semi-Supervised Learning with Vision Transformers},
author = {Chien-Fu and Huang and Katherine Sieg and Leonid Karlinksy and Nash Flores and Rebekah Sheraw and Xin Zhang},
journal= {arXiv preprint arXiv:2506.03345},
year = {2025}
}
备注
Published at 36th Annual SEMI Advanced Semiconductor Manufacturing Conference (ASMC) 2025