基于SEMI-SuperYOLO-NAS的高数值孔径极紫外光刻半导体缺陷检测改进
计算机视觉与模式识别
2024-04-10 v1
摘要
由于潜在的节距缩小，半导体行业正在采用高数值孔径极紫外光刻（High-NA EUVL）技术。然而，其低焦深给高产量制造带来了挑战。为了解决这个问题，供应商正在探索更薄的光刻胶和新的底层/硬掩模。这些可能遭受低信噪比，使缺陷检测复杂化。基于视觉的机器学习算法为半导体缺陷检测提供了有前景的解决方案。然而，在没有显式训练的情况下，开发一个跨各种图像分辨率的鲁棒机器学习模型仍然是纳米级缺陷检测的挑战。本研究的目标是提出一个尺度不变的ADCD框架，能够放大图像，解决这个问题。我们提出了一个改进的ADCD框架SEMI-SuperYOLO-NAS，它建立在基线YOLO-NAS架构之上。该框架集成一个超分辨率辅助分支，以帮助缺陷检测骨干从低分辨率图像中学习高分辨率特征，特别是用于检测纳米级缺陷实例。此外，超分辨率辅助分支可以递归地从其对应的降采样图像生成放大图像，从而无需显式训练即可实现跨各种图像分辨率的缺陷检测推理。此外，我们研究了改进的数据增强策略，旨在生成多样化和真实的训练数据集以提升模型性能。我们使用从两个不同工艺获得并使用两种不同成像工具捕获的两个原始FAB数据集评估了我们提出的方法。最后，我们展示了我们的模型在来自与训练数据集不同的工艺条件且具有不同节距特性的新数据集上的零样本推理。实验验证表明，我们提出的ADCD框架通过降低所需的图像像素分辨率，有助于提高用于缺陷检测的成像工具的吞吐量。
引用
@article{arxiv.2404.05862,
title = {Towards Improved Semiconductor Defect Inspection for high-NA EUVL based on SEMI-SuperYOLO-NAS},
author = {Ying-Lin Chen and Jacob Deforce and Vic De Ridder and Bappaditya Dey and Victor Blanco and Sandip Halder and Philippe Leray},
journal= {arXiv preprint arXiv:2404.05862},
year = {2024}
}