Towards Improved Semiconductor Defect Inspection for high-NA EUVL based on SEMI-SuperYOLO-NAS

由于可能出现的曝光削减问题，半导体行业正在采用高NA EUVL技术。然而，其低焦深度对于高产量制造提出了挑战。为了解决这个问题，供应商正在研究更薄的光刻胶和新的底层/硬膜层。这些可能会受到信噪比差的影响，从而使缺陷检测变得更加复杂。基于视觉的机器学习算法为半导体缺陷检测提供了有希望的解决方案。然而，在不需要显式训练的情况下，针对各种图像分辨率开发出强大的机器学习模型仍然是纳米级缺陷检测的一个难题。本研究的目标是提出一个能够升级图像的尺度不变的ADCD框架，以解决这个问题。我们提出了一个名为SEMI-SuperYOLO-NAS的改进ADCD框架，它基于基线YOLO-NAS架构。该框架集成了一个SR辅助分支，以帮助缺陷检测骨干学习HR特征，特别是从LR图像中检测纳米级缺陷实例。此外，SR辅助分支可以从其对应的缩小副本中递归地生成升级图像，从而实现在不需要显式训练的情况下跨各种图像分辨率进行缺陷检测推断。此外，我们研究了改进的数据增强策略，旨在生成多样化和逼真的训练数据集，以提高模型性能。我们使用两个不同工艺获得的原始FAB数据集以及两个不同成像工具拍摄的图像对我们提出的方法进行了评估。最后，我们展示了我们的模型在一个来自具有不同Pitch特性的过程条件不同的新数据集上进行了零样本推断。实验验证表明，我们提出的ADCD框架通过减少所需的图像像素分辨率来增加成像工具的缺陷检测吞吐量。

提高半导体产业中高分辨率缺陷检测的效率，解决高NA EUVL技术低焦深度的挑战，同时克服薄光刻胶和新的底层材料的信噪比低的问题。

提出了一种基于SR辅助支路的ADCDF框架，即SEMI-SuperYOLO-NAS，可以在不需要显式训练的情况下，通过从对应的缩小图像递归生成放大图像来实现不同分辨率下的缺陷检测。

论文使用两个不同的FAB数据集进行了实验验证，并展示了模型对新数据集的零样本推理能力。论文还探索了改进的数据增强策略，以提高模型性能。

与该论文相关的研究包括：基于深度学习的半导体缺陷检测、基于超分辨率的图像增强技术等。