[논문 리뷰] SAMSEM -- A Generic and Scalable Approach for IC Metal Line Segmentation

Christian Gehrmann, Jonas Ricker외 6명|arXiv (Cornell University)|2026. 03. 17.

Physical Unclonable Functions (PUFs) and Hardware Security인용 수 0

한 줄 요약

SAMSEM은 SAM2를 IC 금속층 SEM 이미지에 적용하여 다중 스케일 분할과 토폴로지 기반 손실을 사용해 보지 못한 IC들에서도 일반화하며 낮은 오류율을 달성합니다. 0.72%의 인디스트리뷰션 오류와 5.53%의 아웃오브 인디스트리뷰션 오류를 달성하고, 모든 데이터로 학습 시 0.62%에 도달합니다.

ABSTRACT

In light of globalized hardware supply chains, the assurance of hardware components has gained significant interest, particularly in cryptographic applications and high-stakes scenarios. Identifying metal lines on scanning electron microscope (SEM) images of integrated circuits (ICs) is one essential step in verifying the absence of malicious circuitry in chips manufactured in untrusted environments. Due to varying manufacturing processes and technologies, such verification usually requires tuning parameters and algorithms for each target IC. Often, a machine learning model trained on images of one IC fails to accurately detect metal lines on other ICs. To address this challenge, we create SAMSEM by adapting Meta's Segment Anything Model 2 (SAM2) to the domain of IC metal line segmentation. Specifically, we develop a multi-scale segmentation approach that can handle SEM images of varying sizes, resolutions, and magnifications. Furthermore, we deploy a topology-based loss alongside pixel-based losses to focus our segmentation on electrical connectivity rather than pixel-level accuracy. Based on a hyperparameter optimization, we then fine-tune the SAM2 model to obtain a model that generalizes across different technology nodes, manufacturing materials, sample preparation methods, and SEM imaging technologies. To this end, we leverage an unprecedented dataset of SEM images obtained from 48 metal layers across 14 different ICs. When fine-tuned on seven ICs, SAMSEM achieves an error rate as low as 0.72% when evaluated on other images from the same ICs. For the remaining seven unseen ICs, it still achieves error rates as low as 5.53%. Finally, when fine-tuned on all 14 ICs, we observe an error rate of 0.62%. Hence, SAMSEM proves to be a reliable tool that significantly advances the frontier in metal line segmentation, a key challenge in post-manufacturing IC verification.

연구 동기 및 목표

• 다양한 IC와 SEM 조건 간 금속선 분할의 일반화 문제를 수동으로 재조정하지 않고 해결합니다.
• 다양한 이미지 크기, 배율 및 층 구조를 다루는 견고하고 확장 가능한 파이프라인을 개발합니다.
• 전기적 연결성을 픽셀 수준 정확도보다 우선시하여 후속 넷리스트 추출을 개선합니다.

제안 방법

• 대형 SEM 금속층 데이터셋에서 Meta의 Segment Anything Model 2 (SAM2)를 미세조정합니다.
• 전체 이미지와 512×512 패치를 결합한 다중 스케일 분할 파이프라인을 구현하여 서로 다른 구조 크기를 처리합니다.
• 픽셀 기반 손실 외에 토폴로지 기반 손실을 도입하여 올바른 전기적 연결성을 강조합니다.
• 초기 일반화 성능을 개선하기 위해 하이퍼파라미터 최적화와 데이터 증강을 사용합니다.
• 패치 수준의 최종 분할을 위한 모델 출력 간 선택 메커니즘을 제공합니다.

실험 결과

연구 질문

• RQ1 미세조정된 SAM2 기반 모델이 보지 못한 IC 및 SEM 이미지의 금속층에 얼마나 잘 일반화합니까?
• RQ2 다중 스케일 분할 접근이 다양한 해상도와 배율에서도 높은 분할 품질을 유지합니까?
• RQ3 토폴로지 인식 손실이 IC 금속선 분할에서 연결 오류(쇼트/오픈)를 픽셀 기반 손실만으로보다 더 효과적으로 감소시킵니까?
• RQ4 다양한 SAM2 구성요소(이미지 인코더, 마스크 디코더, 프롬프트 인코더)의 미세조정이 분할 성능에 어떤 영향을 줍니까?
• RQ5 수동 재조정 없이 견고한 크로스-IC 금속선 분할을 가능하게 하는 데이터셋과 학습 전략은 무엇입니까?

주요 결과

• 크로스-IC 일반화가 강력합니다: 7개의 보지 않은 IC에 대해 7개 IC에서 미세조정 시 아웃오브디스트리뷰션 오류율이 5.53%로 떨어지고, 14개 IC에서 전체 학습 시 인디스트리뷰션 오류가 0.62%로 감소합니다.
• 제안된 다중 스케일 분할(전체 크기 + 512×512 패치)이 대형 구조와 미세 구조를 모두 효과적으로 처리합니다.
• 전기적 연결성에 초점을 둔 토폴로지 기반 손실이 쇼트/오픈 오류를 줄이고 픽셀 기반 손실만으로 얻는 것보다 넷리스트 신뢰도를 향상시킵니다.
• 이미지 인코더, 마스크 디코더, 프롬프트 인코더를 함께 미세조정하면 가장 좋은 성능을 보이며, ablations에서 인디스트리뷰션 ESD 오류가 0.7%로 나타납니다.
• 본 방법은 200nm에서 20nm까지의 기술 노드를 아우르는 다양한 데이터셋에서 14개의 IC와 48개의 금속층에 대해 검증되었습니다.