相关实验视频
Updated: Sep 11, 2025
11:04
Control of Cell Geometry through Infrared Laser Assisted Micropatterning
Published on: July 10, 2021
3.5K
概括
我们开发了一种强化学习 (RL) 方法,用于在晶圆微图像中个性化自动对焦控制. 这种方法通过学习特定区域的最佳焦距来提高焦点质量,提高图像清晰度.
科学领域:
- 半导体制造业 半导体制造业
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 晶圆微图像需要精确的自动对焦,但不同区域的焦距不一致构成了挑战.
- 现有的自动对焦算法往往缺乏对各种晶圆检查领域的概括性.
研究的目的:
- 提出一种通用强化学习 (RL) 方法,用于在晶圆微图像中个性化自动对焦控制.
- 为了提高聚焦质量,并消除晶圆检查中的手动调整.
主要方法:
- 在RL框架内开发了一个深度网络,以估计图像的焦距.
- 利用工程师反来微调个性化模型,预测对感兴趣区域的最佳焦距.
- 在政策网络更新中使用高斯政策梯度算法.
主要成果:
- 为培训和验证创建了一个晶圆图像数据集.
- 拟议的网络在不同晶圆区域中表现出更好的泛化.
- 与现有方法相比,在聚焦质量方面取得了大约4.0%的平均改善.
结论:
- 一般化的RL方法有效地解决了晶圆微图像中的不一致的焦距.
- 个性化的自动对焦控制提高了成像质量,减少了手动干预的需要.
- 为推进晶圆微图像技术提供了新的见解.
