[논문 리뷰] Automated Semiconductor Defect Inspection in Scanning Electron Microscope Images: a Systematic Review

Thibault Lechien, Enrique Dehaerne외 5명|arXiv (Cornell University)|2023. 08. 16.

Electron and X-Ray Spectroscopy Techniques인용 수 4

한 줄 요약

이 체계적 리뷰는 반도체 SEM 이미지에서의 자동화된 결함 검사에 관한 38개의 연구를 분석하여 비머신러닝, CNN 기반 및 기타 머신러닝 방법을 평가한다. CNN이 지배적임을 밝히며 일반화 및 추론 속도의 과제를 강조하고, 레이블링의 한계를 극복하고 반도체 제조의 확장성을 높이기 위해 비지도 학습과 공개 벤치마크 데이터셋의 도입을 주장한다.

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.

연구 동기 및 목표

• 스캐닝 전자현미경(SEM) 이미지에서 반도체의 자동 결함 검사 기법에 대한 종합적이고 최신의 분석을 제공하기 위해.
• 비머신러닝, 컨volutional 네트워크(CNN) 기반, 기타 머신러닝 방법의 강점과 한계를 식별하고 비교하기 위해.
• 모델의 일반화 능력 향상, 재학습에 따른 높은 계산 비용, 제조 환경에서의 장시간 추론 시간 등 주요 과제를 부각하기 위해.
• 미래 연구 방향으로 비지도 및 소수 샘플 학습, 모델 압축, 공개 반도체 결함 데이터셋 개발을 제안하여 확장성과 레이블링의 한계를 해결하기 위해.
• SEM 기반 결함 검사 분야의 추세, 방법론적 혁신, 해결되지 않은 과제를 통합하여 연구자와 산업 현장 종사자에게 안내하기 위해.

제안 방법

• 1995년부터 2023년까지 IEEE Xplore 및 SPIE 데이터베이스에서 수집한 38편의 동료 심사 논문을 체계적으로 수집하고 분석하였다.
• 방법을 세 가지 주요 그룹으로 분류: 비머신러닝(예: 규칙 기반, 임계값 기반), CNN 기반 딥러닝, 기타 머신러닝 방법(예: SVM, 랜덤 포레스트).
• 각 연구를 적용 맥락, 방법론, 데이터셋 특성, 보고된 결과, 한계, 향후 연구 방향성 기준으로 평가하였다.
• 정확도 및 효율성을 향상시키기 위해 데이터 증강 기법, 전이 학습, 모델 압축 전략의 활용 여부를 평가하였다.
• 레이블이 없는 데이터에 의존도를 줄이기 위한 새로운 접근법으로, CNN 특징 공간 내 k-NN 기반의 제로샷 결함 분류 및 비지도 이상 탐지 기법을 탐색하였다.
• 미래 연구를 위한 프레임워크를 제안하여 비지도 학습, 준지도 학습 및 모델 효율성 강화를 중점적으로 다루어 확장성과 레이블링의 한계 문제를 해결하고자 하였다.

실험 결과

연구 질문

• RQ1 반도체 재료의 SEM 이미지에서 자동 결함 검사에 가장 널리 사용되는 방법론적 접근 방식은 무엇인가?
• RQ2 정확도, 일반화 능력, 계산 효율성 측면에서 CNN 기반 방법은 비머신러닝 및 기타 머신러닝 방법보다 어떻게 비교되는가?
• RQ3 현재 접근 방식의 주요 한계, 특히 새로운 또는 미리 보지 못한 결함 유형에 대한 적응 가능성에 대해 무엇이 문제인가?
• RQ4 비지도 또는 소수 샘플 학습이 반도체 결함 검사에서 대규모 레이블링 데이터셋에 대한 의존도를 어느 정도 줄일 수 있는가?
• RQ5 공개 기반 벤치마크 데이터셋과 모델 압축 전략이 산업 현장에서 자동 검사 시스템의 구현을 어떻게 발전시킬 수 있는가?

주요 결과

• 컨volutional 네트워크(CNN)는 SEM 이미지에서의 자동 반도체 결함 검사에서 지배적인 접근 방식이 되었으며, 전통적인 비머신러닝 및 기타 머신러닝 방법보다 정확도와 특징 학습 능력에서 뛰어나다.
• 높은 정확도가 보고되었음에도 불구하고, 서로 다른 비공개 데이터셋을 사용함에 따라 연구 간 결과 비교가 어렵다는 점이 드러나, 표준화된 벤치마크가 필요함을 시사한다.
• 주요 과제 중 하나는 새로운 또는 이전에 보지 못한 결함 유형에 대한 일반화 능력 부족으로, 이는 고비용의 재학습 또는 수동 규칙 업데이트를 요구하며, 확장성에 악영향을 미친다.
• 비지도 및 소수 샘플 학습 방법은 레이블 데이터 의존도를 줄일 수 있는 잠재력을 보이고 있으나, 현재 구현 수준에선 지도 학습 모델의 성능에 아직 미치지 못하고 있다.
• 생산 환경에서 추론 시간은 여전히 핵심적인 성능 저하 요인이며, 일부 연구에서는 작은 CNN의 앙상블 모델이 단일 대규모 네트워크보다 빠른 성능을 보임을 확인하였다.
• 레이블이 부여된 결함이 포함된 공개된 반도체 전용 결함 데이터셋의 부재로 인해, 새로운 방법의 재현성 확보와 공정한 비교가 어렵다. 이는 MVTec AD와 같은 일반 목적의 데이터셋이 관련 분야에서 사용되고 있음에도 불구하고 여전히 문제가 된다.