[论文解读] 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 4

一句话总结

本篇系统性综述分析了38篇关于半导体材料扫描电子显微镜（SEM）图像中自动化缺陷检测的研究，评估了非机器学习（non-ML）、基于卷积神经网络（CNN）及其他机器学习方法。研究发现CNN方法占据主导地位，指出了泛化能力差和推理速度慢等挑战，并主张通过无监督学习和公开基准数据集来克服标注瓶颈，提升半导体制造中的可扩展性。

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.

研究动机与目标

• 提供对半导体材料扫描电子显微镜（SEM）图像中自动化缺陷检测技术的全面、最新分析。
• 识别并比较非机器学习、基于卷积神经网络（CNN）的方法及其他机器学习方法在缺陷检测与分类中的优势与局限性。
• 突出关键挑战，如模型对未见缺陷的泛化能力差、微调过程计算成本高，以及在实际生产环境中推理时间过长。
• 提出未来研究方向，包括无监督学习与少样本学习、模型压缩，以及开发用于基准测试的公开半导体缺陷数据集。
• 通过整合趋势、方法创新与未解决挑战，为研究人员和工业从业者提供指导。

提出的方法

• 系统性地从IEEE Xplore和SPIE数据库中收集并分析了38篇同行评审的出版物，涵盖1995年至2023年的研究。
• 将方法分为三类主要类别：非机器学习方法（如基于规则、阈值分割）、基于CNN的深度学习方法，以及其他机器学习方法（如支持向量机SVM、随机森林）。
• 基于应用场景、方法论、数据集特征、报告结果、局限性及未来工作方向对每项研究进行评估。
• 评估数据增强技术、迁移学习及模型压缩策略在提升鲁棒性与效率方面的应用。
• 探索新兴方法，如在CNN特征空间中使用k-NN实现零样本缺陷分类，以及无监督异常检测以减少对标注数据的依赖。
• 提出一个未来研究框架，强调无监督学习、半监督方法及模型效率，以应对可扩展性与标注瓶颈问题。

实验结果

研究问题

• RQ1 在半导体材料的SEM图像中，自动化缺陷检测的主导方法论方法是什么？
• RQ2 基于CNN的方法在准确性、泛化能力与计算效率方面，相较于非ML方法及其他ML方法表现如何？
• RQ3 当前方法的主要局限性是什么，特别是对新型或未见过的缺陷类型适应能力差的问题？
• RQ4 无监督学习或少样本学习在多大程度上可以减少半导体缺陷检测中对大规模标注数据集的依赖？
• RQ5 公开基准数据集与模型压缩在推动工业环境中自动化检测系统部署方面发挥什么作用？

主要发现

• 卷积神经网络（CNN）已成为半导体SEM图像中自动化缺陷检测的主导方法，在准确性和特征学习方面优于传统非ML及其他ML方法。
• 尽管报告的准确率较高，但由于各研究使用不同且非公开的数据集，导致结果难以直接比较，凸显了建立标准化基准的必要性。
• 主要局限性在于对新型或此前未见缺陷类型的泛化能力差，需付出高昂成本进行重新训练或手动更新规则，从而削弱了可扩展性。
• 无监督学习与少样本学习方法在减少对标注数据依赖方面展现出潜力，但当前实现尚未达到监督模型的性能水平。
• 推理时间仍是生产环境中的关键瓶颈，研究显示由小型CNN组成的集成模型在速度上优于单一大型网络。
• 缺乏公开的、面向半导体的缺陷数据集（含标注缺陷）严重阻碍了方法的可复现性与公平比较，尽管已有通用数据集如MVTec AD被用于相关领域。