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

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

通过提出一种方法，我们展示了在获取高质量标签的过程中，使用神经网络YOLOv8可以实现对六边形接触孔DSA模式的缺陷检测，并讨论了我们的标签方法的优势和局限性，为以数据为中心的基于机器学习的缺陷检验提出了未来研究的方向。

Jul, 2023

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

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。

Oct, 2023

半导体制造中的光刻术通常是界定最小模式尺寸的制造步骤，在最近几年中，高数值孔径极紫外光刻术 (high-NA EUVL) 的发展取得了进展，承诺推动模式缩小 (2纳米节点及以上)。然而，高数值孔径导致了随机缺陷的显著增加和缺陷检测的复杂性增加。本研究探讨了利用切片辅助的超推理 (SAHI) 框架改进当前技术的方法。通过在扫描电子显微镜 (SEM) 图像的增大尺寸切片上进行推理，改进了目标检测器的感知域，提高了小缺陷实例的检测。首先，在以前研究过的半导体数据集上对各种配置进行了基准测试，并且证明了 SAHI 方法可以将小型缺陷的检测能力提高约2倍。接下来，我们还展示了 SAHI 的应用可以在新的测试数据集上实现完美的检测率，即使在训练过程中未遇到的情况下，之前训练的模型也无法做到。最后，我们提出了 SAHI 的扩展版本，即在不明显降低真阳性预测的情况下，消除了假阳性预测。

Nov, 2023

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

该研究提出了一个可提高成像工具缺陷检测吞吐量的ADCD框架，该框架通过在低分辨率图像中检测纳米级缺陷实例来解决高深度聚焦挑战，并通过SR辅助分支实现不同分辨率图像上的缺陷检测推断，无需明确训练。

Apr, 2024

我们提出了一种基于深度学习的方法，通过在有限数据范围内使用扩散模型生成合成半导体扫描电子显微镜（SEM）图像，从而在模拟真实SEM图像的噪声特性和表面粗糙度方面取得了非常接近的效果，并验证了该方法生成的缺陷数据集用于训练缺陷检测器时，相较于仅使用真实缺陷数据集进行训练，在验证和测试过程中在真实晶片SEM图像上能够达到或超过相同性能。

Jul, 2024

该研究介绍了一种面向任务的元学习方法，旨在解决半导体缺陷检测中的常见问题，通过增量添加新的缺陷类别和规模，创建出更强大和更通用的模型，这种方法在实际数据集上表现出优于传统的监督训练方法的性能。

Jul, 2024