Ein neues Fachpapier mit dem Titel „Exploring Active Learning for Semiconductor Defect Segmentation“ wurde von Forschern der Agency for Science, Technology and Research (A*STAR) in Singapur veröffentlicht.
„Wir identifizieren zwei einzigartige Herausforderungen bei der Anwendung von AL auf Halbleiter-XRM-Scans: große Domänenverschiebung und starkes Klassenungleichgewicht. Um diese Herausforderungen anzugehen, schlagen wir vor, ein kontrastives Vortraining an den unbeschrifteten Daten durchzuführen, um die Initialisierungsgewichte für jeden AL-Zyklus zu erhalten, und eine seltenheitsbewusste Erfassungsfunktion, die die Auswahl von Proben bevorzugt, die seltene Klassen enthalten. Wir evaluieren unsere Methode an einem Halbleiterdatensatz, der aus XRM-Scans von Speicherstrukturen mit hoher Bandbreite zusammengestellt wird, die aus Logik- und Speicherchips bestehen, und zeigen, dass unsere Methode eine Leistung auf dem neuesten Stand der Technik erreicht“, heißt es in dem Papier.
Finden Sie die technisches Papier hier. Veröffentlicht Oktober 2022.
L. Cai et al., „Exploring Active Learning for Semiconductor Defect Segmentation“, 2022 IEEE International Conference on Image Processing (ICIP), 2022, S. 1796–1800, doi: 10.1109/ICIP46576.2022.9897842.
Weiterführende Literatur
Warum stille Datenfehler so schwer zu finden sind
Subtile IC-Defekte in Rechenzentrums-CPUs führen zu Berechnungsfehlern.
Aktivierung von Teststrategien für gestapelte 2.5D-, 3D-ICs
Bessere Standards, 3D-DFT und Sonden der nächsten Generation sind ein guter Anfang, um diese komplexen Systeme vollständig zu testen.
Nanosheet FETs treiben Veränderungen in der Metrologie und Inspektion voran
Die Erkennung von Defekten in tiefen oder verborgenen Strukturen erfordert einen Multitool-Ansatz.
Optimale Nutzung von Data Lakes
Warum die Datenorganisation und eine gut gestaltete Datenarchitektur entscheidend für die effektive Nutzung von Fertigungs- und Konstruktionsdaten sind.
