Dec, 2023

利用集成深度学习在 TMDs 的 STM 中检测原子尺度表面缺陷

PDF
TL;DR通过使用一组类 U-Net 的卷积神经网络，在单晶 WSe2 的扫描隧道显微镜图像中展示了原子尺度的缺陷检测。标准的深度学习测试指标表明具有良好的检测性能，平均 F1 得分为 0.66，并展示了对 WSe2 的 C-AFM 图像和 MoSe2 的 STM 图像的整体泛化。从缺陷检测地图中自动提取缺陷坐标，表明通过机器学习增强的 STM 图像分析可用于显著提高样品表征吞吐量。
atomic-scale defect detectionscanning tunneling microscopyu-net-like convolutional neural networksmachine learningsample characterization throughput
发现论文，激发创造
  • 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

  • TEM 图像中晶体缺陷的深度学习：解决 “训练数据永远不够” 的问题

    本研究提出了用于分割位错的合成训练数据的参数模型，并开发了一种优化分割重叠或相交位错线的深度学习方法，该方法在多种微结构和成像条件下都表现出高效性和优越性。

    Jul, 2023

  • 基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

    本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域，通过改进缺陷实例分割技术，成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案，并且可以精确计算缺陷表面积和数量。

    Nov, 2022

  • 基于半扩散模型的半导体缺陷分类和分割方法 (SEMI-DiffusionInst)

    本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

    Jul, 2023

  • 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

  • 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

  • 利用通道洗牌的深度学习加速金属表面缺陷检测

    基于 YOLOv5 的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

    Jun, 2024

  • SEMI-CenterNet: 半导体缺陷检查的机器学习促进方法

    本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

    Aug, 2023

  • AI 引导下的缺陷检测技术模拟单晶金刚石生长

    通过利用原位光学图像识别可见的宏观缺陷状态特征，本文详细介绍了利用语义分割方法进行缺陷分割的方法，并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法，在钻石生长的过程中取得了很好的准确性。

    Apr, 2024