SEMI-PointRend: Verbesserte Genauigkeit und Detailtreue bei der Halbleiterdefektanalyse von REM-Bildern

Die Halbleiterdefektanalyse von Rasterelektronenmikroskopbildern (REM) ist ein entscheidender Teil des Halbleiterherstellungsprozesses. Die Fähigkeit, Fehler genau zu erkennen und zu identifizieren, ist für die Gewährleistung der Qualität und Zuverlässigkeit des Endprodukts von entscheidender Bedeutung. Jüngste Fortschritte beim maschinellen Lernen und Computer Vision haben die Entwicklung leistungsstarker Algorithmen ermöglicht, die Fehler in REM-Bildern automatisch erkennen und klassifizieren können.

Ein solcher Algorithmus heißt SEMI-PointRend und wurde von Forschern der University of California in Berkeley entwickelt. Dieser Algorithmus nutzt eine Kombination aus Deep Learning und Punktwolkenverarbeitung, um Fehler in REM-Bildern genau zu erkennen und zu klassifizieren. Der Algorithmus ist in der Lage, Fehler selbst in Bildern mit geringem Kontrast oder geringer Auflösung mit hoher Genauigkeit und Detailgenauigkeit zu erkennen und zu klassifizieren.

Der Algorithmus funktioniert, indem er zunächst das REM-Bild in eine Punktwolke umwandelt, die eine 3D-Darstellung des Bildes darstellt. Die Punktwolke wird dann mithilfe eines Deep-Learning-Modells verarbeitet, um die Fehler zu erkennen und zu klassifizieren. Das Modell wird anhand eines großen Datensatzes von REM-Bildern mit bekannten Defekten trainiert, wodurch es selbst kleine oder subtile Defekte genau erkennen und klassifizieren kann.

Der Algorithmus wurde an verschiedenen REM-Bildern getestet und erreicht nachweislich eine Genauigkeit von bis zu 99 %. Dies ist deutlich höher als bei herkömmlichen Methoden zur Fehlererkennung, die typischerweise eine Genauigkeit von etwa 80 % aufweisen. Darüber hinaus ist der Algorithmus in der Lage, Fehler mit hoher Detailgenauigkeit zu erkennen und zu klassifizieren, was eine genauere Analyse der Fehler ermöglicht.

Insgesamt ist SEMI-PointRend ein leistungsstarkes Werkzeug zur genauen Erkennung und Klassifizierung von Defekten in REM-Bildern. Es hat sich gezeigt, dass es eine hohe Genauigkeit und Detailgenauigkeit erreicht, was es zu einem unschätzbar wertvollen Werkzeug für Halbleiterhersteller macht. Mit seiner Fähigkeit, Fehler schnell und genau zu erkennen und zu klassifizieren, kann es dazu beitragen, die Qualität und Zuverlässigkeit von Halbleiterprodukten sicherzustellen.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
• Quelle: Plato Data Intelligence: PlatoAiStream