Oct, 2023

半导体晶圆图缺陷模式识别的机器学习技术：一项调查、实证和实验评估

PDF
TL;DR综述了利用机器学习技术识别半导体制造中晶圆缺陷的方法学，提供了各种机器学习算法在晶圆缺陷检测中的优势、局限性和潜在应用的深入分析，通过创新的分类方法将算法细分为更具体的类别和技术，结合实证评估和实验评估提供了对机器学习技术和算法全面的理解，指导研究人员在工作中做出更明智的决策，并阐明了晶圆缺陷识别中机器学习技术的未来前景和进一步研究的机会。
发现论文，激发创造
  • 晶片地圖缺陷模式半監督分類使用潛在向量表示

    这篇论文提出了一种利用预训练的 VAE 模型获取晶圆图故障分布信息，并结合原始图像集进行半监督模型训练的方法。通过师生网络的迭代学习，该模型在 WM-811K 晶圆数据集上验证得到了卓越的分类准确性和检测性能，实现了对工业应用的要求，并在性能上有显著的提升。

    Oct, 2023

  • 扫描电子显微镜图像中的自动半导体缺陷检测：系统综述

    半导体材料和器件中检测缺陷的高效准确方法需求日益增长。这篇文章通过对 38 篇相关研究论文进行系统回顾，全面总结了基于扫描电子显微镜图像的自动化半导体缺陷检测的现状，包括最新创新和发展，提供了方法的综合概述和分析，并对未来工作提出了有希望的方向。

    Aug, 2023

  • 芯片晶圆地图缺陷模式的迭代集群采摘

    通过特征提取、维度削减和聚类等步骤，本论文提出了一种针对半导体晶圆映射缺陷图案的无监督聚类方法，其中创新之处在于通过筛选轮廓分数选择性过滤聚类来改善聚类性能，尤其适用于困难的缺陷图案，并在实际工业数据集上对比了文献中的相关方法并展示了改进的结果。

    Apr, 2024

  • 基于机器学习的材料缺陷检测的全面调查：挑战、解决方案和未来展望

    材料缺陷 (MD) 是影响产品性能并引起相关产品安全问题的主要挑战，通过机器学习 (ML) 技术在材料缺陷检测 (MDD) 中，围绕非监督学习、监督学习、半监督学习、强化学习和生成学习五个类别系统地调查了主要原理和技术，并聚焦于复合材料的缺陷检测技术，最后探讨了 ML 技术在 MDD 中的潜在未来发展方向。

    Jun, 2024

  • 无监督与监督学习相结合的显微镜技术实现对整片 4H-SiC 晶片缺陷分析

    通过融合各种图像分析和数据挖掘技术，我们在这项工作中创建了一个强大且准确的自动化图像分析流水线，用于提取显微图像中 KOH 刻蚀的 4H-SiC 晶片的所有缺陷的类型和位置。

    Feb, 2024

  • 混合经典量子深度学习在半导体缺陷检测中的应用

    本文提出使用量子计算技术的经典量子混合算法来进行近期量子处理器上的深度学习，以实现损伤芯片的缺陷学习和缺陷检查，保护环境免受二氧化碳排放和能源消耗的影响。同时探讨使用不同表达能力和纠缠容量的参数化量子电路，可用于构建一条未来的路线图，将基于电路的量子深度学习应用于半导体缺陷检测。

    Aug, 2022

  • 基于强化学习的半导体缺陷定位的特征提取器基准化

    该研究通过使用深度强化学习方法，从逐渐缩小的输入图像区域中迭代地提取特征，比较了使用不同特征提取器训练的 18 个代理商的结果，并讨论了不同特征提取器的优缺点以及针对半导体缺陷定位的深度强化学习框架的一般优势和劣势。

    Nov, 2023

  • 应用机器学习模型预测器件电气性能的度量数据分析

    摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

    Nov, 2023

  • 使用弱监督学习进行缺陷检测

    本文论述了弱监督学习技术在缺乏大量标注数据情况下替代传统有监督学习的可行性，并以缺陷检测任务为例，在图像数据集上对弱监督分类器和有监督分类器的准确性、精度和召回率进行对比实验，结果表明弱监督分类器相对于有监督分类器需要更少的标注数据，但其性能表现相当。

    Mar, 2023

  • 犯罪预测的数据挖掘技术的实证与实验洞察：综述

    对犯罪预测方法学进行了全面分析，包括统计方法、机器学习算法和深度学习技术，提出了方法学分类体系，并进行了实证评估和实验比较，以便全面了解犯罪预测算法，并展望了未来犯罪预测技术的发展和进一步研究的机会。

    Feb, 2024