基于轻量级神经网络的高效混合型晶圆缺陷模式识别

科学领域:

• 半导体制造业 半导体制造业
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 晶圆缺陷模式识别对于改善半导体芯片生产至关重要.
• 在大规模的半导体晶圆生产中识别混合类型的缺陷存在重大挑战,需要高精度和速度.

研究的目的:

• 提出一个轻量级的神经网络模型,以高效准确地识别混合型晶圆缺陷.
• 为了增强特征提取和保留重要的信息,在下方采样期间改善缺陷识别.

主要方法:

• 拟议的模型使用反向剩余卷积块,并配有注意力机制,用于快速推断和增强特征提取.
• 使用大型内核卷积下采样层来保存关键特征信息.
• 该模型在现实世界混合型WM38数据集上进行了评估.

主要成果:

• 这种轻量级的神经网络只用101万个参数实现了98.69%的识别精度.
• 该模型在准确性和推断速度方面表现出优异的性能,与现有的流行的模型相比.
• 作为TensorRT引擎的部署使得每秒能够处理超过1300个晶圆地图.

结论:

• 拟议的轻量级神经网络模型为半导体制造中混合型晶圆缺陷识别提供了有效的解决方案.
• 该模型的效率和准确性有助于优化半导体生产过程.
• TensorRT引擎的部署突显了该模型在高通量工业场景中的实际应用性.