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

10/29/2022 11:00:08 AM

經(jīng)過(guò)一定的測(cè)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(lèi)的最佳方法.

缺陷檢測(cè)和分類(lèi)是半導(dǎo)體工業(yè)制造過(guò)程中最關(guān)鍵的環(huán)節(jié).這兩種分析對(duì)于識(shí)別和糾正加工問(wèn)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(chǎng)最廣泛使用的過(guò)程監(jiān)控工具.

由于開(kāi)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(huì)出現(xiàn).發(fā)現(xiàn)當(dāng)使用更多的手工過(guò)程時(shí),缺陷的數(shù)量增加,因此開(kāi)發(fā)了自動(dòng)缺陷分類(lèi).這是一個(gè)將缺陷圖像自動(dòng)分類(lèi)為預(yù)定缺陷類(lèi)的功能.在ADC之后,深度學(xué)習(xí)技術(shù)通過(guò)提供先進(jìn)的分析工具來(lái)分析制造業(yè)的大數(shù)據(jù),為缺陷分類(lèi)帶來(lái)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(guò)一定的測(cè)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(lèi)的最佳方法.

檢查缺陷

檢查缺陷的過(guò)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(guò)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(kāi)發(fā)解決方案.

在分析半導(dǎo)體制造過(guò)程中,根據(jù)缺陷的類(lèi)別對(duì)缺陷圖像進(jìn)行分類(lèi),以抑制良率降低.圖1所示.展示了各種缺陷和圖2.說(shuō)明缺陷的檢查分為三個(gè)階段:缺陷的分類(lèi)\缺陷趨勢(shì)的監(jiān)控和分類(lèi)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(duì)缺陷類(lèi)型的分類(lèi)起著至關(guān)重要的作用.這種趨勢(shì)監(jiān)測(cè)的成本很高,因此需要使用深度學(xué)習(xí)技術(shù)來(lái)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(lèi)級(jí)別的分類(lèi).在制造業(yè)中介紹了對(duì)全球制造業(yè)產(chǎn)生影響的鋼板表面和織物缺陷分類(lèi).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(lèi)模型,通過(guò)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(lèi)和遷移學(xué)習(xí)方法中進(jìn)一步說(shuō)明這種對(duì)遷移學(xué)習(xí)方法的監(jiān)督方法.

缺陷分類(lèi)

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(xiàn)性激活.在dropout層和卷積層(大小為256和缺陷類(lèi))后加入全連接層,最后加入softmax層進(jìn)行輸出類(lèi)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(cuò)誤堆疊的圖像(幾萬(wàn)到幾千)到弱監(jiān)督訓(xùn)練.在微調(diào)方法中,通過(guò)隨機(jī)初始化權(quán)值對(duì)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(píng)估自動(dòng)缺陷分類(lèi)(ADC)方法和給定方法的功能,對(duì)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(zhuān)家標(biāo)記為噪聲數(shù)據(jù),被專(zhuān)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(duì)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(duì)集合C中每個(gè)缺陷的分類(lèi)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(lèi)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(guò)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(duì)缺陷進(jìn)行高精度的分類(lèi).細(xì)粒度的缺陷很少發(fā)生,僅僅是不可能通過(guò)人工分類(lèi)方法進(jìn)行分類(lèi).為了對(duì)這類(lèi)問(wèn)題進(jìn)行分類(lèi),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(lèi)的領(lǐng)域與第一階段中用于粗糙缺陷分類(lèi)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(lèi)不一致和成本較高的問(wèn)題.缺陷分析任務(wù)有助于識(shí)別產(chǎn)量降低背后的根本原因,并有助于對(duì)缺陷圖像進(jìn)行高精度分類(lèi),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(guò)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(dòng)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.