抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
半導体は多くの電子製品の様々な精密部品として使用されている。各層は,ウエハ作製におけるマスクパターンの描画と焼成後に欠陥を検査しなければならない。残念ながら,欠陥は半導体製造中の様々な変化に由来し,企業の収率に大きな損失を引き起こす。欠陥を正しく同定し,分類することができれば,製造問題の根本を認識し,最終的に解決することができる。自動光学検査(AOI)を用いて欠陥パターンを可視化し,金型故障の根本原因を同定した。AOIは,高速で正確な検査技術によって多数の人間検査に置き換えることができて,検出における一貫性を達成して,検査時間を短くして,次に製品品質と競争力を改良した。欠陥はAOIの特徴から判断されるが,最終的な目標は,欠陥が真であるか,またはウエハの擬似欠陥であるかを決定することである。次に,どのような欠陥タイプがあるかを決定する必要がある。しかし,現在のAOIは,欠陥のタイプを判断するために,人間によるその後の最終検証を必要とする。機械学習(ML)技術は広く受け入れられており,そのような分類や同定問題に適している。本論文では,ウエハマップ検索タスクと欠陥パターン分類のために畳込みニューラルネットワーク(CNN)と極端勾配ブースティング(XGBoost)を用いた。CNNは最も有名な深い学習アーキテクチャである。CNNにおける最近の関心の高まりは,ConvNetの莫大な人気と有効性によるものである。XGBoostは,特にKagleに関するデータ科学実務者の中で最も一般的な機械学習フレームワークであり,それらのデータと統計学者の研究者が最良のモデルを作り出すために競合するデータ予測競争のプラットフォームである。CNNとXGブーストをランダム決定森林(RF),サポートベクトルマシン(SVM),適応ブースティング(AdaBoost)と比較し,最終結果は提案方法の優れた分類性能を示した。著者らの実験結果は,半導体ウエハにおける欠陥パターンの同定のためのCNNと極端な勾配ブースティング技術の成功を実証した。CNNと極端な勾配ブースティングの試験データセットの全体的分類精度は99.2%/98.1%である。半導体ウエハにおける欠陥パターンの同定のためのこの技術の成功を実証した。これは,そのようなタスクにおける正確な計算分類が99%以上の精度を達成することを報告した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
