人工智能图像增强用于3D量子信息技术中的故障分析
Raphael Wilhelmer1, Fabian Laurent2, Tatjana Djuric-Rissner3
1Materials Center Leoben Forschung GmbH, Leoben, Austria.
Scientific reports
|July 5, 2025
概括
本研究介绍了一种人工智能驱动的工作流程,将扫描声学显微镜与机器学习相结合,用于快速检测微电子中的缺陷. 该方法显著加快了对缺陷的分析,以改善半导体制造和量子计算的进步.
科学领域:
- 先进的半导体制造和故障分析.
- 量子计算硬件开发和缺陷表征.
背景情况:
- 在集成电路和量子计算中,越来越多地使用3D集成和小型化.
- 越来越需要有效检测晶圆上的微尺度缺陷.
研究的目的:
- 开发一种节省时间和准确的方法来测量,定位和分类微型缺陷.
- 为了提高图像质量,使用机器学习超分辨率进行自我监督的数据增强.
主要方法:
- 扫描声学显微镜 (SAM) 与你只看一次 (YOLO) 对象检测和语义细分的集成.
- 机器学习超分辨率 (ML-SR) 的应用,以提高图像质量.
- 测试各种ML-SR方法以进行自我监督的质量改进.
主要成果:
- 通过TSV分析实现了大约4倍的时间效率提升,通过分层分析实现了6倍的时间效率提升.
- 证明了准确的缺陷检测,定位和统计分类,直至微米级.
- 验证了ML-SR在提高SAM图像数据质量的有效性.
结论:
- 开发的人工智能驱动的工作流显著加速了半导体制造中的缺陷分析.
- 该方法具有多功能性,适用于需要超出SAM数据的快速故障分析的各种领域.
- 该方法通过改进的缺陷检测支持微型电子和量子计算技术的进步.
