半导体图像的半监督语义细分,考虑到半导体图案布局中的多尺度结构一致性损失
1Hitachi, Ltd., 292 Yoshida-cho, Totsuka-ku, Yokohama, Kanagawa 244-0817, Japan.
Microscopy (Oxford, England)
|December 26, 2025
概括
一种新的半监督学习方法提高了半导体模式识别,以提高制造产量. 这种方法显著提高了细分精度,克服了先前用于复杂电路设计的技术的局限性.
科学领域:
- 半导体设备制造 半导体设备制造
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 扫描电子显微镜 (SEM) 对于检查半导体电路图案至关重要.
- 图案的复杂性日益增加和规模日益缩小,挑战了传统的基于规则的图像处理.
- 现有的半监督方法在准确的伪标签和识别一致性方面扎.
研究的目的:
- 开发一种先进的半监督学习方法,用于准确的像素级模式细分在半导体检查.
- 解决目前关于伪标签准确性和复杂布局识别方法的局限性.
- 通过增强的模式识别来提高半导体设备制造的产量.
主要方法:
- 为图像细分提出了一种新的半监督学习方法.
- 引入了新的损失函数,以评估跨多个尺度的模式结构一致性.
- 专注于提高伪标签的准确性和处理大型未标记区域.
主要成果:
- 实现了与视觉识别相比的精度大幅增加,从10-12%提高到100%.
- 在像素层面上显著改善了平均交叉点在整个欧盟 (mIoU),从0.45-0.65提高到超过0.94.
- 与Unimatch和CAC.等既定方法相比,表现出优越的性能.
结论:
- 拟议的半监督学习方法为半导体模式提供了高度准确的细分.
- 新的损失函数是实现复杂模式识别中的一致性和精度的关键.
- 这一进步具有显著的潜力,可以提高半导体制造业的产量和可靠性.
