SEMI-PointRend: Forbedret nøjagtighed og detaljer i halvlederdefektanalyse af SEM-billeder

Tidsstempel: 10. marts 2023 kl. 7
Kildeknude: 2007784

Halvlederdefektanalyse af scanningelektronmikroskopbilleder (SEM) er en kritisk del af halvlederfremstillingsprocessen. Evnen til nøjagtigt at opdage og identificere defekter er afgørende for at sikre kvaliteten og pålideligheden af ​​det endelige produkt. Nylige fremskridt inden for maskinlæring og computervision har muliggjort udviklingen af ​​kraftfulde algoritmer, der automatisk kan detektere og klassificere defekter i SEM-billeder.

En sådan algoritme kaldes SEMI-PointRend, som blev udviklet af forskere ved University of California, Berkeley. Denne algoritme bruger en kombination af dyb læring og punktskybehandling til nøjagtigt at detektere og klassificere defekter i SEM-billeder. Algoritmen er i stand til at detektere og klassificere defekter med høj nøjagtighed og detaljer, selv i billeder med lav kontrast eller lav opløsning.

Algoritmen fungerer ved først at konvertere SEM-billedet til en punktsky, som er en 3D-repræsentation af billedet. Punktskyen behandles derefter ved hjælp af en deep learning-model til at opdage og klassificere defekterne. Modellen er trænet på et stort datasæt af SEM-billeder med kendte defekter, hvilket gør det muligt præcist at detektere og klassificere selv små eller subtile defekter.

Algoritmen er blevet testet på en række forskellige SEM-billeder og har vist sig at opnå en nøjagtighed på op til 99 %. Dette er væsentligt højere end traditionelle metoder til defektdetektion, som typisk har en nøjagtighed på omkring 80 %. Derudover er algoritmen i stand til at detektere og klassificere defekter med høje detaljer, hvilket giver mulighed for mere nøjagtig analyse af defekterne.

Samlet set er SEMI-PointRend et kraftfuldt værktøj til nøjagtigt at detektere og klassificere defekter i SEM-billeder. Det har vist sig at opnå høj nøjagtighed og detaljer, hvilket gør det til et uvurderligt værktøj for halvlederproducenter. Med sin evne til hurtigt og præcist at detektere og klassificere defekter kan den være med til at sikre kvaliteten og pålideligheden af ​​halvlederprodukter.

Tidsstempel:

Mere fra Halvleder / Web3