摘要：在亚10纳米逻辑与存储器技术研发初期及新产品导入阶段，电压对比（VC）缺陷的电子束检测方法已被广泛采用。然而受限于吞吐量，在300毫米晶圆尺度上实现全芯片检测仍难以满足良率爬坡与量产需求。为应对这一挑战，我们提出基于深度学习的全芯片电压对比推理方案。 通过将高效目标检测神经网络You Only Look Once（YOLOv7）模型改造升级为YOLO-Voltage Contrast（YOLO-VC），可精准预测整个芯片上金属图案的电压对比度。通过在全芯片层面映射电压对比度响应，检测方案得以优化，重点关注缺陷最易发生的重点关注区域。 本文阐述了完整方法论，涵盖工艺流程、图像配准、灰度级分类、模型训练与验证，并通过YOLOv7与YOLO-VC的性能基准测试进行对比。最终提出利用全芯片电压对比密度图进行关注区域(AOI)选择，以优化吞吐量并提升电压对比缺陷的捕获率。
关键词：电子束检测，电压对比度，YOLO-电压对比度（YOLO-VC），目标检测神经网络
填写下方表格即可下载论文：
下载本信息即表示我同意PDF Solutions, Inc.可使用我在此提供的信息联系我，告知其产品与服务相关事宜，即使我此前已取消订阅此类通讯。有关我们的隐私保护措施及对保护您隐私的承诺，请查阅我们的《隐私政策》。