SEMI-PointRend: Opnåelse af øget nøjagtighed og detaljer i halvlederdefektanalyse fra SEM-billeder

Tidsstempel: 10. marts 2023 kl. 8
Kildeknude: 2011071

Halvlederdefektanalyse er en vigtig del af fremstillingsprocessen for integrerede kredsløb. Defekter kan forårsage en række problemer, fra nedsat ydeevne til fuldstændig fejl på enheden. For at sikre, at produkter af højeste kvalitet produceres, er det nødvendigt at have en pålidelig og nøjagtig metode til at opdage og analysere fejl. SEMI-PointRend er en ny teknologi, der muliggør øget nøjagtighed og detaljer i halvlederdefektanalyse fra scanning elektronmikroskop (SEM) billeder.

SEMI-PointRend er et maskinlæringsbaseret billedbehandlingssystem, der bruger deep learning-algoritmer til at detektere og analysere defekter i halvlederenheder. Den er designet til at blive brugt med SEM-billeder, som giver en højere opløsning end traditionel optisk mikroskopi. Ved at bruge deep learning algoritmer er SEMI-PointRend i stand til at detektere og klassificere defekter med større nøjagtighed og detaljer end traditionelle metoder.

Systemet fungerer ved først at udtrække funktioner fra SEM-billedet. Disse funktioner bruges derefter til at træne en deep learning-model, som derefter bruges til at opdage og klassificere fejl i billedet. Modellen trænes ved hjælp af et stort datasæt af SEM-billeder med kendte defekter, som gør det muligt præcist at detektere og klassificere defekter selv i billeder med lav kontrast eller lavt signal-til-støj-forhold.

SEMI-PointRend er blevet testet på en række forskellige halvlederenheder, herunder chips, wafers og pakker. I alle tilfælde var den i stand til at opdage og klassificere defekter med større nøjagtighed end traditionelle metoder. Derudover var systemet i stand til at opdage defekter, der ikke var synlige for det menneskelige øje, hvilket muliggjorde en mere grundig defektanalyse.

Samlet set er SEMI-PointRend et effektivt værktøj til at øge nøjagtigheden og detaljerne i halvlederdefektanalyse fra SEM-billeder. Ved at bruge deep learning-algoritmer er den i stand til at detektere og klassificere defekter med større nøjagtighed end traditionelle metoder, hvilket giver mulighed for en mere grundig defektanalyse. Denne teknologi kan hjælpe med at sikre, at produkter af højeste kvalitet produceres, hvilket fører til forbedret ydeevne og pålidelighed af halvlederenheder.

Tidsstempel:

Mere fra Halvleder / Web3