01 研究内容
近日，浙江大学集成电路学院陈一宁团队，开发了一种名为DeepSEM-Net的深度学习模型。DeepSEM-Net的特别之处在于结合了卷积神经网络（CNN）和Transformers的优点。CNN擅长识别图像中的小局部特征，而Transformers提供更广泛的上下文，捕捉整体图像。通过结合这两种方法，DeepSEM-Net能够以惊人的速度和精度检测和分类SEM图像中的晶圆缺陷。该工作以题为“DeepSEM-Net: Enhancing SEM defect analysis in semiconductor manufacturing with a dual-branch CNN-Transformer architecture”发表于Computers & Industrial Engineering（DOI: https://doi.org/10.1016/j.cie.2024.110301）。
本文第一作者为浙江大学集成电路学院博士生乔驿博。
02 课题亮点
通过引入DeepSEM-Net，这一复杂模型结合了CNN和Transformer架构的优势，研究提供了一种新方法，不仅能够在检测复杂SEM图像中的缺陷方面超越传统模型，还在标记数据有限的情况下表现出色。DeepSEM-Net优于现有的先进网络，达到97.25%的分类准确率和84.40%的分割IoU得分。本质上，这一创新使制造商能够在缺陷检测中保持高精度，而无需耗时的广泛标记工作，这对实际应用中的生产力和成本都有实用价值。DeepSEM-Net的突出特性之一是其适应高速、高容量检测线需求的能力。其快速准确处理高分辨率图像并提供精确缺陷分割的能力在半导体生产中尤为有价值，因为即使是微小的缺陷也可能导致重大问题，如良率损失或设备故障。通过更快、更准确地发现缺陷，这一模型支持制造商提高产量并减少浪费，从而最终促进更可持续的制造实践。DeepSEM-Net的应用可能超越半导体，进入生物医学成像或材料科学等领域，在这些领域中识别细微细节和细微异常至关重要。该模型的成功指向了混合机器学习架构的更大趋势，展示了如何将CNN捕捉细节的能力与Transformer的广泛上下文意识相结合，创造出适应日益复杂工业需求的多功能工具。
图 DeepSEM-Net深度学习模型架构示意图
03 课题背景
在集成电路（IC）制造过程中，随着工艺的不断缩小和电路密度的增加，晶圆表面可能出现微小的异常缺陷。这些缺陷不仅影响设备的性能，还对半导体器件的整体可靠性和良率产生重大影响。因此，精准的缺陷检测和分析成为提高制造效率的关键步骤。由于缺陷分析在提高良率和可靠性中起着关键作用，半导体工厂雇佣了许多良率工程师专门负责观察缺陷并分析其根本原因。然而，即使对于经验丰富的工程师来说，这个过程也非常耗时。因此，我们的研究致力于自动化晶圆缺陷分析，以加速根本原因分析的进程。然而，SEM缺陷图像的独特性使自动化分析变得复杂且具有挑战性，同时数据集的稀缺性和保密性进一步增加了任务的难度。因此，开发一个能够高效处理这些图像的自动化解决方案，对于提升半导体制造的良率和可靠性至关重要。
文章信息
标题：DeepSEM-Net: Enhancing SEM defect analysis in semiconductor manufacturing with a dual-branch CNN-Transformer architecture
作者：Yibo Qiao, Zhouzhouzhou Mei, Yuening Luo, Yining Chen
DOI: https://doi.org/10.1016/j.cie.2024.110301
期刊：Computers & Industrial Engineering
原文链接：https://doi.org/10.1016/j.cie.2024.110301
研究团队简介
陈一宁
浙江大学集成电路学院特聘研究员
ZJUIC
本科毕业于浙江大学电气工程学院电子信息工程专业，先后获得比利时鲁汶大学微电子材料硕士学位和新加坡南洋理工大学电子与电气工程学院微电子系博士学位。先后在比利时欧洲微电子中心(IMEC),新加坡科技局材料工程所(A*STAR,IMRE)担任研发工程师和研发科学家的职务。2011年加入工业界，在格芯半导体(Globalfoundries)担任高级工程师，后加入恩智浦半导体(NXPSemiconductors)亚太总部担任技术部经理一职。2019年合作成立新加坡SmartAnalysis有限公司并出任CTO。2021年10月加入浙江大学微纳电子学院。现在在浙江省CMOS集成电路成套工艺与设计技术创新中心担任良率提升部门和产品开发部门负责人。主要研究方向为集成电路新工艺开发、集成电路良率提升、大数据和机器学习技术在集成电路制造领域应用、集成电路可靠性和失效性分析、芯片设计与制造协同优化。
