Внедрение методов перспективного машинного обучения

Внедрение методов перспективного машинного обучения

Выпуск 20(6744) от 14 октября 2021 г.
РУБРИКА: ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА

В предыдущем выпуске было опубликовано начало статьи, посвященной вопросу использования алгоритмов компьютерного (машинного) зрения и методов машинного обучения для тестирования пластин. Отмечается, что они не соответствуют ужесточающимся требованиям и по-прежнему требуют участия человека. Все очевиднее необходимость внедрения перспективных методов машинного обучения. Предлагаем вашему вниманию окончание статьи.


Машинное обучение и карты тестирования пластин

Примерно с начала 2000‑х годов группы разработчиков использовали результаты тестирования пластин для выявления пространственных закономерностей, обеспечивающих обратную связь с проблемным оборудованием и этапами технологического процесса. Сформированные на пластине рисунки (структуры) можно правильно идентифицировать за счет применения перспективных методов машинного обучения – ​с помощью библиотеки сигнатур рисунков, полученных на основе тестовых данных. Это, в свою очередь, может быть зациклено на оборудование завода по обработке пластин.

В своем докладе на ASMC 2021 специалисты корпорации GlobalFoundries сравнили метод опорных векторов (support vector machine, SVM) машинного обучения, являющийся общим для приложений компьютерного зрения, с 4‑уровневой глубокой сверточной нейронной сетью (CNN) для задач повышения точности карты тестирования полупроводниковых пластин. Модель на основе метода SVM требовала конструирования топологических элементов – ​для облегчения обучения модели. Модель на основе глубокой CNN требовала обучения на основе существующих наборов изображений и прошла 120 циклов обучения. Обе модели прошли обучение с использованием 12 различных сигнатур карт тестируемых пластин с 300–500 изображениями, каждое из которых было помечено специалистами вручную.

Усредненные результаты правильности классификации по 12 различным сигнатурам показали, что модель на основе глубокой CNN превзошла модель на основе метода SVM. Решение на основе SVM показало общую точность порядка 59 %, ее чувствительностью к положению и плотности рисунка была высокой, а чувствительность к форме рисунка – ​низкой. Модель же на основе 4‑уровневой глубокой CNN продемонстрировала общую точность около 90 % и высокую чувствительность к форме рисунка.

Пластины с низким выходом годных имеют специфические пространственные структуры, которые часто можно проследить до определенного этапа технологического процесса. Сочетание классификации структур (рисунков) по карте тестирования пластины с перечнем и порядком применения оборудования обработки пластин (т. е. конкретного оборудования, обрабатывающего пластину) помогает техническим специалистам точно определить первопричину возникновения дефектов и/или нестандартных рисунков/структур. Но в современных сложных системах могут появиться новые структуры, отличающиеся от структур карт тестирования пластин, хранящихся в библиотеке распознания структур.

Упреждающее обнаружение ранее неизвестных структур позволяет быстрее реагировать на возникающие проблемы технологического процесса. Это побудило специалистов корпораций SkyWater Technology и Onto Innovation совместно разработать новое решение. Они внедрили в практику встраиваемое решение для мониторинга пространственных сигнатур, создав более систематический способ идентификации 4 % пластин с новыми группировками пространственных структур – ​неизвестных структур (рис. 2).



Источник: Onto Innovation

Рисунок 2. Входные потоки данных в механизме пространственного распознавания

* STDF (Standard Test Data Format) – стандартный формат тестовых данных

**CSV (comma-separated values) – формат CSV формат текстового файла, в котором значения данных разделены запятыми (используется для экспорта и импорта данных в электронные таблицы).


Разработчики начали с внедрения методов машинного обучения для автоматического обнаружения неизвестных структур. В процессе этого автоматического обнаружения формируется отчет на основе распределения структур по методу Парето, путем группировки пластин с аналогичными структурами на основе сотен характеристических векторов, сгенерированных механизмом пространственного распределения Парето (SPR Engine). В результате получаются высококачественные, высокоэффективные, автоматически обнаруживаемые структуры, которые помогают понять новые структуры, те, что только начинают появляться и ранее могли оставаться незамеченными. Этот процесс помог разработчикам эффективно поддерживать всеобъемлющую библиотеку структур, позволяющую активно реагировать на производственные проблемы.


Машинное обучение и AOI-изображения на пластинах

Для успешной реализации моделей глубокого обучения на AOI-изображениях требуются знания предметной области в реальных изображениях (т. е. поиск изменений цвета или форм рисунков) и опыт разработки алгоритмов машинного обучения. Данные изображений пластин порождают уникальные задачи обнаружения и классификации изображений – ​из-за широкого диапазона размеров дефектов и большого разнообразия классификаций изображений. Для обучения перспективных моделей машинного обучения в конечном итоге используются сотни тысяч изображений. Затем результаты проверяются между циклами обучения техническими специалистами, понимающими процесс формирования изображений и обнаруженные дефекты.

На ASMC 2021 было представлено два доклада, подробно описывающих создание подобных моделей, которые помогли существенно улучшить обнаружение и классификацию дефектов.

Разработчики корпорации GlobalFoundries описали результаты применения перспективных методов машинного обучения в процессах литографии. Для встроенного контроля процессов литографии на заводе по обработке пластин с целью обнаружения точечных дефектов и дефектов покрытия после этапа проявки фоторезиста (контроль после проявки – ​after development inspect, ADI) использовались AOI-системы (рис. 3). После обнаружения дефекты покрытия могут быть устранены путем удаления всего резиста с негодной пластины и повторения этапа литографии перед травлением. Если этого не сделать, то выход годных снизится.



Источник: GlobalFoundries.

Рисунок 3. Карты результатов тестирования пластины (зелёное – годные кристаллы), демонстрирующих структуры, ассоциируемые с дефектами проявки фоторезиста.


При осуществлении 100 % контроля в рамках ADI-операции ведется поиск изменений на макроуровне с разрешением более 30 мкм. Способы контроля основаны на различиях в цвете, но им не хватает чувствительности в области блёклых, тусклых цветов. Хотя коммерчески доступные модели машинного обучения компьютерного зрения могут быть обучены и скорректированы для повышения чувствительности и избирательности, они имеют высокую частоту ложноположительных результатов.

Специалисты GlobalFoundries разработали новый подход для улучшаемости обнаружения блёклых изображений и уменьшения частоты ложноположительных результатов. Прежде всего, они использовали коррекцию изображения для усиления видимости областей блёклых дефектов (рис. 4).



Источник: GlobalFoundries

Рисунок 4. ADI-изображение дефекта покрытия, окрашенного в тусклый цвет: a) исходное изображение; b) изображение после коррекции.


Затем, в промежутках между циклами обучения, они применили метод перспективного машинного обучения и подход на основе «объясняемого искусственного интеллекта». Это дало существенное представление о том, почему первоначальные результаты прогнозирования для изображений на краю пластины, включая как ложноположительные, так и ложноотрицательные результаты, не оправдались.

Внимание разработчиков было привлечено к размерам ADI-изображений и тому, как система машинного обучения управляла измерениями. Исследование размеров изображения показало, что ADI обеспечивает широкий диапазон размеров изображения (многие из них достигают 4256 пикселей, но большинство меньше 2240 пикселей) и что система машинного обучения использовала обрезку изображений до максимального размера по осям X или Y в 2240 пикселей. Эта обрезка стала проблемой, потому что изображения в обучающем наборе машинного обучения, отправленные в модель для прогнозирования, могли удалить дефект с изображения, если размер был слишком большим и/или дефект был расположен близко к краю.

Эта проблема была решена за счет пропорционального масштабирования размеров всех изображений до максимальных размеров по осям X/Y в 2240 пикселей.

Однако классификация изображений пластин и более совершенные алгоритмы машинного обучения не сводятся только к субмикронным технологическим процессам. Специалисты Hitachi ABB Power Grids также поделились на ASMC 2021 своими достижениями. Стремясь уменьшить число ложных срабатываний и повысить уровень обнаружения, они разработали сложный подход глубокого обучения для дефектов, обнаруженных на изображениях пластин со сформированными структурами пяти типов различных мощных полупроводниковых приборов, включая биполярные транзисторы с изолированным затвором (IGBT) и силовые диоды для приложений с высоким напряжением (от 1,2 кВ до 6,5 кВ).

Из-за диапазона обнаруживаемых типов дефектов, а также редких/уникальных случаев некоторых типов дефектов они вместо подхода классификации изображений решили использовать подход обнаружения объектов. Размеры дефектных изображений, которые они должны были обнаружить, варьировались от десятков до нескольких сотен тысяч пикселей. Первые представляют большие проблемы с обнаружением из-за их размера – ​от 0,01 % до 0,1 % от общего изображения. Очень большие дефекты превышали размер изображения, что привело к обрезке изображения AOI-инструментальным средством.

Благодаря выбору для анализа изображений меньшего размера удалось добиться того, что модель легче запоминала фон изображения, из-за чего число ложных срабатываний уменьшалось. Используя такой подход к обнаружению объектов, они объединили региональные CNN с активным обучением и обучением с передачей, чтобы обеспечить обнаружение небольших дефектов с использованием обучающих наборов всего из 500–2500 примеров. После 6 циклов обучения и в общей сложности 2431 учебных примеров результаты классификации имели точность 0,98 и эффективность 0,80. Точность равна соотношению истинных положительных результатов по сравнению с прогнозируемыми положительными результатами, в то время как эффективность равна соотношению истинных положительных результатов по сравнению с реальными положительными результатами.


Перспективы

При использовании изображения карты тестирования пластин или карты годности кристаллов технические специалисты ставят перед собой цели, в основном сводящиеся к интерпретации изображений пластин для принятия упреждающих мер, повышающих выход годных и качество.

Объем данных, получаемых от контрольно-измерительных инструментальных средств завода по обработке пластин, огромен. Поэтому требуются методы машинного обучения, способные просмотреть эти данные, выявить тенденцию и подать сигнал при возникновении проблемы. Изображения становятся отличным учебным пособием для этих моделей. Машинное обучение решает очень важную проблему в производстве полупроводниковых приборов, решая задачу просмотра всех этих данных и выявления того, что воздействует на выход годных, а что – ​нет. Ответ на этот вопрос подталкивает к более широкому использованию для анализа дефектов методов машинного обучения и глубокого обучения.


Заключение

Специалисты заводов по обработке пластин внедряют все более сложные алгоритмы машинного обучения для анализа изображений пластин, поскольку эти методы позволяют улучшить показатели классификации и обнаружения дефектов. Вычислительное аппаратное обеспечение, предназначенное для ускорения используемых нейронных сетей, библиотек изображений с открытым исходным кодом и расширения опыта работы с CNN, в целом способствуют внедрению этих методов.

Ожидается, что в будущем инженерные группы заводов по обработке пластин будут все активнее разрабатывать перспективные модели машинного обучения.


Anne Meixner. Fabs Drive Deeper Into Machine Learning. Semiconductor Engineering, September 7th, 2021 https://semiengineering.com/fabs-drive-deeper-into-machine-learning/

ЧИТАЙТЕ ТАКЖЕ

Выпуск 22(6746) от 11 ноября 2021 г. г.
Выпуск 21(6745) от 28 октября 2021 г. г.