Laura@viscrehk.com Добро пожаловать в использование VISCRE TECHNOLOGY CO., LIMITED!

категорий продукции >>

Метод трансфертного обучения для детальной классификации дефектов в базе производства полупроводников

10/29/2022 11:00:08 AM

На основе некоторых тестов метод передачи данных (технология глубокого изучения) с использованием сложной нейронной сети (CNN) был признан наилучшим методом классификации дефектов.

Проверка и классификация дефектов являются наиболее важными элементами производственных процессов в полупроводниковой промышленности. Оба эти анализа необходимы для выявления и устранения проблем обработки в целях повышения качества конечного продукта. Сканирующий электронный микроскоп является наиболее широко используемым инструментом для мониторинга процессов на производственных площадках.

Дефекты различной формы и текстуры возникают в результате сложных производственных процессов, связанных с разработкой усовершенствованных полупроводников. Было установлено, что при использовании большего числа ручных процессов число дефектов увеличивается, и в дальнейшем разрабатывается автоматическая классификация дефектов. Эта функция позволяет автоматически классифицировать образы дефектов по заранее определенным классам дефектов. После ADC технология глубокого обучения принесла дальнейшие существенные улучшения в классификации дефектов, предоставив передовые аналитические инструменты для анализа больших данных от производства. Однако этот метод требовал дорогостоящей маркировки правды, которая не всегда была точной. На основе некоторых тестов метод передачи данных (технология глубокого изучения) с использованием сложной нейронной сети (CNN) был признан наилучшим методом классификации дефектов.

Выявленные дефекты;

Процесс проверки дефектов начинается с определения инженерами причин снижения урожайности по результатам проверки дефектов. Анализ дефектов также помогает предотвратить повторение дефектов путем принятия различных мер. Основная цель, основанная на анализе, заключается в выявлении коренных причин распространенных дефектов и разработке решений.

В ходе данного анализа производства полупроводников изображения дефектов классифицируются по классам дефектов, с тем чтобы не допустить снижения урожайности. Рис. 1. Показаны различные виды дефектов и рис. 2. Показывает, что изучение дефектов подразделяется на три этапа: классификация дефектов, мониторинг тенденций в области дефектов и подробный анализ классификации. Особая частота дефектов, обнаруженных при помощи сканирующего электронного микроскопа (Сэм), играет решающую роль в классификации типа дефектов. Такой мониторинг тенденций является весьма дорогостоящим, поэтому для анализа недостатков используются глубокие технологии обучения.

Метод трансфертного обучения для детальной классификации дефектов в производстве полупроводников на основе нейронной сети (1).jpg

Рис. 1: пример дефектов

Метод трансферта обучения для детальной классификации дефектов в производстве полупроводников на основе нейронной сети (2).jpg

Рис. 2: обзор контроля качества дефектов

Обзор литературы

Многие ученые и исследователи, которые работали над тем, чтобы найти метод анализа дефектов, нашли CNN (Convolution нейронной сети) в качестве наиболее эффективного и действенного метода. Классификация на уровне человека может быть достигнута с помощью CNN благодаря его передовым аналитическим инструментам. В обрабатывающем секторе была введена классификация дефектов поверхности и ткани стальных листов, которая оказала глобальное воздействие на обрабатывающую промышленность. Это обеспечивает высокое качество и производительность продукции. Кроме того, эффективные функции были извлечены с помощью модели классификации изображений дефектов на основе CNN с помощью кремниевых процессов.

Обычно отмечалось, что контроль осуществляется, поскольку большой набор данных является неточным и помечен вручную. Этот подход к надзору за методом трансфертного обучения более подробно разъясняется ниже в классификации дефектов и методе трансфертного обучения.

Классификация дефектов

Была разработана модель с входным SEM размером 128X128. Метод суммирования факторинрования был принят для снижения расчетной стоимости, когда 1X1 суммированный слой был добавлен до 3X3 суммированный слой для ограничения числа входных каналов. Эта модель состоит из 33 запутанных слоев с исправленной линейной активацией в каждом слое. Полностью подключенные слои добавляются после отсева и сложения слоев с размерами 256 и дефектами класса и, наконец, для расчета вероятности возникновения класса добавляется слой softmax.

Подготовка кадров и совершенствование методов являются двумя основными этапами внедрения этой модели. Модель CNN проходит обучение от неправильно сложенных изображений (от десятков до тысяч) до слабо контролируемой подготовки на этапе подготовки. В методе тонкой настройки предусмотрено расширение выходного слоя с произвольно инициализированными весами, с тем чтобы уменьшить потери на целевой задаче с меньшим количеством точек данных.

Для оценки функционирования метода автоматической классификации дефектов (ADC) и данного метода были изучены изображения дефектов поверхности воды с производственного объекта. В ходе этого эксперимента было собрано четыре дефектных набора данных изображений, и каждый набор данных был отмечен шумностью неэкспертов и чистыми данными экспертов.

На рис. 3 сопоставляется метод ADC и предлагаемый метод, который позволяет сделать вывод о Том, что глубина