半導(dǎo)體制造基地缺陷詳細(xì)分類的遷移學(xué)習(xí)方法

10/29/2022 11:00:08 AM

經(jīng)過一定的測試,卷積神經(jīng)網(wǎng)絡(luò)(CNN)遷移學(xué)習(xí)方法(一種深度學(xué)習(xí)技術(shù))被認(rèn)為是缺陷分類的最佳方法.

缺陷檢測和分類是半導(dǎo)體工業(yè)制造過程中最關(guān)鍵的環(huán)節(jié).這兩種分析對于識別和糾正加工問題以提高最終產(chǎn)品的質(zhì)量至關(guān)重要.掃描電子顯微鏡是生產(chǎn)現(xiàn)場最廣泛使用的過程監(jiān)控工具.

由于開發(fā)增強(qiáng)型半導(dǎo)體的復(fù)雜制造工藝,各種形狀和紋理的缺陷會出現(xiàn).發(fā)現(xiàn)當(dāng)使用更多的手工過程時(shí),缺陷的數(shù)量增加,因此開發(fā)了自動缺陷分類.這是一個(gè)將缺陷圖像自動分類為預(yù)定缺陷類的功能.在ADC之后,深度學(xué)習(xí)技術(shù)通過提供先進(jìn)的分析工具來分析制造業(yè)的大數(shù)據(jù),為缺陷分類帶來了進(jìn)一步的本質(zhì)改進(jìn).然而,這種技術(shù)需要昂貴的地面真值標(biāo)記,這并不總是準(zhǔn)確的.經(jīng)過一定的測試,卷積神經(jīng)網(wǎng)絡(luò)(CNN)遷移學(xué)習(xí)方法(一種深度學(xué)習(xí)技術(shù))被認(rèn)為是缺陷分類的最佳方法.

檢查缺陷

檢查缺陷的過程始于工程師從檢查缺陷的結(jié)果中找出良率降低的原因.缺陷分析還通過采取各種措施幫助防止缺陷再次發(fā)生.基于分析的主要目標(biāo)是確定通常發(fā)生缺陷的根本原因并開發(fā)解決方案.

在分析半導(dǎo)體制造過程中,根據(jù)缺陷的類別對缺陷圖像進(jìn)行分類,以抑制良率降低.圖1所示.展示了各種缺陷和圖2.說明缺陷的檢查分為三個(gè)階段:缺陷的分類\缺陷趨勢的監(jiān)控和分類的詳細(xì)分析.利用掃描電子顯微鏡(SEM)捕獲的缺陷的特定頻率對缺陷類型的分類起著至關(guān)重要的作用.這種趨勢監(jiān)測的成本很高,因此需要使用深度學(xué)習(xí)技術(shù)來分析缺陷.

Transfer Learning Method for detailed defect classification in semiconductor manufacturing based on Convolution Neural Network(1).jpg

Fig 1: Example of Defects

Transfer Learning Method for detailed defect classification in semiconductor manufacturing based on Convolution Neural Network(2).jpg

圖2:缺陷質(zhì)量控制概述

許多致力于尋找缺陷分析方法的科學(xué)家和研究人員發(fā)現(xiàn)CNN(卷積神經(jīng)網(wǎng)絡(luò))是最有效和最有效的方法.利用CNN先進(jìn)的分析工具,可以實(shí)現(xiàn)人類級別的分類.在制造業(yè)中介紹了對全球制造業(yè)產(chǎn)生影響的鋼板表面和織物缺陷分類.它保證了產(chǎn)品的高質(zhì)量和性能.在此基礎(chǔ)上,利用基于cnn的缺陷圖像分類模型,通過硅處理提取有效特征.

人們普遍認(rèn)為,由于大量數(shù)據(jù)不準(zhǔn)確且人工標(biāo)注,因此采用了監(jiān)管.下面在缺陷的分類和遷移學(xué)習(xí)方法中進(jìn)一步說明這種對遷移學(xué)習(xí)方法的監(jiān)督方法.

缺陷分類

建立了輸入尺寸為128X128的掃描電鏡模型.為了降低計(jì)算成本,采用卷積分解方法,在3X3卷積層之前增加1X1卷積層,限制輸入通道的數(shù)量.該模型由33個(gè)卷積層組成,每層都有整流線性激活.在dropout層和卷積層(大小為256和缺陷類)后加入全連接層,最后加入softmax層進(jìn)行輸出類概率計(jì)算.

預(yù)訓(xùn)練和微調(diào)方法是模型實(shí)現(xiàn)的兩個(gè)最重要的階段.CNN模型在預(yù)訓(xùn)練階段從錯誤堆疊的圖像(幾萬到幾千)到弱監(jiān)督訓(xùn)練.在微調(diào)方法中,通過隨機(jī)初始化權(quán)值對輸出層進(jìn)行擴(kuò)展,以減少數(shù)據(jù)點(diǎn)較少的目標(biāo)任務(wù)上的損失.

為了評估自動缺陷分類(ADC)方法和給定方法的功能,對制造工廠的水面缺陷掃描電鏡圖像進(jìn)行了檢查.在本實(shí)驗(yàn)中,我們將4個(gè)缺陷圖像數(shù)據(jù)集組裝在一起,每個(gè)數(shù)據(jù)集被非專家標(biāo)記為噪聲數(shù)據(jù),被專家標(biāo)記為純數(shù)據(jù).

圖3顯示了ADC方法與本文方法的對比,可以看出深度學(xué)習(xí)方法比傳統(tǒng)的ADC方法更有效.表III給出了對集合C中每個(gè)缺陷的分類精度\召回率和樣本計(jì)數(shù)的分析.

基于卷積神經(jīng)網(wǎng)絡(luò)的半導(dǎo)體制造缺陷詳細(xì)分類的遷移學(xué)習(xí)方法(3).jpg

遷移學(xué)習(xí)方法:

遷移學(xué)習(xí)是指在訓(xùn)練數(shù)據(jù)較少的情況下,依靠以前學(xué)習(xí)過的任務(wù),以更快\更準(zhǔn)確的方式學(xué)習(xí)新的任務(wù).因此,采用遷移學(xué)習(xí)方法對缺陷進(jìn)行高精度的分類.細(xì)粒度的缺陷很少發(fā)生,僅僅是不可能通過人工分類方法進(jìn)行分類.為了對這類問題進(jìn)行分類,采用了遷移學(xué)習(xí)策略.基于我們想要傳遞的內(nèi)容,有4種方法可以實(shí)現(xiàn)此方法(1)基于檢查,(2)基于特征,(3)基于參數(shù),以及4)基于關(guān)系.第三階段中用于細(xì)粒度缺陷分類的領(lǐng)域與第一階段中用于粗糙缺陷分類的領(lǐng)域相同,第一階段中基于特征的方法是首選的.

結(jié)論

基于cnn的遷移學(xué)習(xí)方法有效地避免了人工分類不一致和成本較高的問題.缺陷分析任務(wù)有助于識別產(chǎn)量降低背后的根本原因,并有助于對缺陷圖像進(jìn)行高精度分類,降低人工成本.遷移學(xué)習(xí)方法可以代替深度學(xué)習(xí)方法,因?yàn)樯疃葘W(xué)習(xí)方法需要大量的標(biāo)記訓(xùn)練數(shù)據(jù)集.

通過實(shí)際的半導(dǎo)體加工數(shù)據(jù),證明了該方法的可靠性.這種方法需要較少的標(biāo)記數(shù)據(jù)集.此外,手工檢查工作所需的勞動量也顯著減少,而手工檢查工作幾乎是傳統(tǒng)ADC系統(tǒng)的三分之二.