[論文レビュー] Automated Semiconductor Defect Inspection in Scanning Electron Microscope Images: a Systematic Review

Thibault Lechien, Enrique Dehaerne+5 more|arXiv (Cornell University)|Aug 16, 2023

Electron and X-Ray Spectroscopy Techniques被引用数 4

ひとこと要約

本システマティックレビューでは、半導体のSEM画像における自動的欠陥検査に関する38件の研究を分析し、非機械学習（ML）手法、CNNベースの手法、その他のML手法を評価している。CNNが主流であることが判明し、一般化性能や推論速度の課題が浮き彫りにされ、ラベル付けのボトル neck を克服し、半導体製造におけるスケーラビリティを向上させるために、教師なし学習と公開ベンチマークデータセットの活用を提言している。

ABSTRACT

A growing need exists for efficient and accurate methods for detecting defects in semiconductor materials and devices. These defects can have a detrimental impact on the efficiency of the manufacturing process, because they cause critical failures and wafer-yield limitations. As nodes and patterns get smaller, even high-resolution imaging techniques such as Scanning Electron Microscopy (SEM) produce noisy images due to operating close to sensitivity levels and due to varying physical properties of different underlayers or resist materials. This inherent noise is one of the main challenges for defect inspection. One promising approach is the use of machine learning algorithms, which can be trained to accurately classify and locate defects in semiconductor samples. Recently, convolutional neural networks have proved to be particularly useful in this regard. This systematic review provides a comprehensive overview of the state of automated semiconductor defect inspection on SEM images, including the most recent innovations and developments. 38 publications were selected on this topic, indexed in IEEE Xplore and SPIE databases. For each of these, the application, methodology, dataset, results, limitations and future work were summarized. A comprehensive overview and analysis of their methods is provided. Finally, promising avenues for future work in the field of SEM-based defect inspection are suggested.

研究の動機と目的

• スキャニング電子顕微鏡（SEM）画像における半導体の自動欠陥検査技術について、包括的かつ最新の分析を提供すること。
• 非機械学習、畳み込みニューラルネットワーク（CNN）ベース、その他の機械学習手法の強みと限界を特定・比較すること。
• モデルの一般化性能（未観測欠陥への適応性）、再トレーニングに伴う高コスト、生産環境における長時間の推論時間といった主な課題を浮き彫りにすること。
• 教師なし学習や少サンプル学習、モデル圧縮、ベンチマーク用に設計された公開半導体欠陥データセットの開発といった今後の研究方向性を提言すること。
• SEMベースの欠陥検査分野におけるトレンド、手法の革新、未解決の課題を統合することで、研究者および産業界の実務家を支援すること。

提案手法

• 1995年から2023年までの期間をカバーするIEEE XploreおよびSPIEデータベースから、38件の査読済み論文を体系的に収集・分析した。
• 手法を3つの主要なグループに分類した：非機械学習（例：ルールベース、しきい値処理）、CNNベースのディープラーニング、その他の機械学習手法（例：SVM、ランダムフォレスト）。
• 各研究について、応用文脈、手法、データセットの特性、報告された結果、限界、今後の研究方向性を評価した。
• 耐性向上と効率化のため、データ拡張技術、トランスファー学習、モデル圧縮戦略の活用状況を評価した。
• ゼロショット欠陥分類のためのCNN特徴空間内でのk-NNや、ラベル付きデータへの依存を減らす教師なし異常検出といった、新たなアプローチを検討した。
• 教師なし学習、半教師あり手法、モデル効率性を重視する今後の研究フレームワークを提言した。

実験結果

リサーチクエスチョン

• RQ1 半導体材料のSEM画像における自動欠陥検査のための支配的で主要な手法的アプローチは何か？
• RQ2 CNNベースの手法は、非MLおよびその他のML手法と比較して、正確性、一般化性能、計算効率の観点でどのように異なるか？
• RQ3 現在の手法の主な限界、特に新しいまたは未観測の欠陥タイプへの適応性の欠如について、どのような点が問題か？
• RQ4 教師なし学習や少サンプル学習は、半導体欠陥検査において大規模なラベル付きデータセットへの依存をどの程度低減できるか？
• RQ5 公開ベンチマークデータセットとモデル圧縮は、産業現場における自動検査システムの導入を進める上で、どのような役割を果たすか？

主な発見

• 畳み込みニューラルネットワーク（CNN）は、特徴抽出能力と正確性の面で、従来の非ML手法やその他のML手法を上回り、半導体の自動欠陥検査分野で支配的となった。
• 高い報告精度が得られているものの、非公開の異なるデータセットが使用されているため、研究間での正確な比較は困難であり、標準化されたベンチマークの必要性が浮き彫りになった。
• 主な限界として、未確認の欠陥タイプへの一般化性能が著しく低いことが判明し、再トレーニングや手動ルールの更新が高コストとなるため、スケーラビリティが損なわれる。
• 教師なし学習や少サンプル学習手法は、ラベル付きデータへの依存を低減する可能性を示しているが、現在の実装では教師ありモデルの性能にまだ追いついていない。
• 推論時間は生産環境において深刻なボトル neck であり、アンサンブル化された小型CNNネットワークが単一の大規模ネットワークを上回る速度性能を示している研究が存在する。
• ラベル付き欠陥を備えた公開で特化した半導体欠陥データセットの欠如が、再現性や新規手法の公平な比較を妨げており、MVTec ADのような汎用データセットは関連分野で使用されているものの、依然として課題が残っている。