CC BY
8ТЕХНОЛОГИЧЕСКИЕ ПРОЦЕССЫ И МАРШРУТЫ TECHNOLOGICAL PROCESSES AND ROUTES
Научная статья УДК 004.896
doi:10.24151/1561-5405-2024-29-4-432-446 EDN: GDWVBD
Алгоритм автоматического контроля внешнего вида ИС на основе вычисления пиксельного расстояния
Б. В. Ширяев1, Д. П. Аргунов1, Ю. С. Жидик2, А. Ю. Ющенко , И. В. Лаптев2
1АО «Научно-исследовательский институт полупроводниковых приборов», г. Томск, Россия
2Томский государственный университет систем управления и радиоэлектроники, г. Томск, Россия
Аннотация. На этапе выходного контроля оценка внешнего вида ИС позволяет отсортировать потенциально не рабочие ИС. Для повышения скорости отбраковки ИС и снижения себестоимости производства перспективной является разработка интеллектуальных автоматических систем контроля их внешнего вида. В работе предложен алгоритм автоматического контроля внешнего вида СВЧ монолитных ИС (МИС) на основе вычисления и сравнения пиксельных расстояний на соответствующих участках преобразованной микрофотографии МИС и растрированного фотошаблона. Показано, что разработанный алгоритм позволяет эффективно обнаруживать дефектные участки микрофотографий СВЧ и фотонных МИС. На основе разработанного алгоритма реализован тестовый программный продукт для осуществления процесса автоматического контроля внешнего вида СВЧ МИС в условиях производства. Тестирование разработанного алгоритма на группах микрофотографий СВЧ МИС разных топологий показало высокую скорость автоматического контроля внешнего вида СВЧ МИС при низкой расходимости с ручным контролем.
Ключевые слова: автоматизация, контроль внешнего вида, интегральные схемы, СВЧ МИС, фотошаблон, микрофотография, карта дефектности, нейронная сеть, детектирование дефектов
Финансирование работы: работа выполнена при финансовой поддержке Минобрнауки России в рамках Соглашения № 075-03-2020-237/1 (проект РЕЖМ-2020-0040).
© Б. В. Ширяев, Д. П. Аргунов, Ю. С. Жидик, А. Ю. Ющенко, И. В. Лаптев, 2024
Для цитирования: Ширяев Б. В., Аргунов Д. П., Жидик Ю. С., Ющенко А. Ю., Лаптев И. В. Алгоритм автоматического контроля внешнего вида ИС на основе вычисления пиксельного расстояния // Изв. вузов. Электроника. 2024. Т. 29. № 4. С. 432-446. https://doi.org/10.24151/1561-5405-2024-29-4-432-446. - EDN: GDWVBD.
Original article
Algorithm for automatic inspection of the surface of integrated circuits based on calculation of pixel distance
B. V. Shiryaev1, D. P. Argunov1, Yu. S. Zhidik2, A. Yu. Yushchenko1, I. V. Laptev2
JSC "Scientific Research Institute of Semiconductor Devices", Tomsk,
Russia
2
Tomsk State University of Control Systems and Radioelectronics, Tomsk, Russia
Abstract. At the stage of output control the integrated circuits (1С) surface inspection allows the sorting out of potentially non-working rcs. The development of intelligent automatic systems for 1С surface inspection is promising in order to enhance the reject rate and reduce production costs. In this work, an algorithm for automatic monolithic microwave IC (MMIC) surface inspection is proposed based on calculation and comparison of pixel distances in the corresponding sections of transformed micrograph of ММ1С and rasterized photomask. It was demonstrated that the developed algorithm allows the effective detection of defective regions in micrographs of microwave and photonic Mrcs. Based on the developed algorithm, a test software product for automatic ММ1С surface inspection in the manufacturing environment has been implemented. Testing of the developed algorithm on groups of micrographs of ММ1С of different topologies showed a high speed of automatic ММ1С surface inspection at a low divergence with manual inspection.
Keywords: automation, surface inspection, integrated circuits, MMIC, photomask, microphotography, defect map, neural network, defect detection
Funding: the work has been supported by the Ministry of Science and Higher Education of the Russian Federation under the Agreement no. 075-03-2020-237/1 (project FEWM-2020-0040).
For citation: Shiryaev B. V., Argunov D. P., Zhidik Yu. S., Yushchenko A. Yu., Laptev I. V. Algorithm for automatic inspection of the surface of integrated circuits based on calculation of pixel distance. Proc. Univ. Electronics, 2024, vol. 29, no. 4, pp. 432-446. https://doi.org/10.24151/1561-5405-2024-29-4-432-446. - EDN: GDWVBD.
Введение. В современном производстве полупроводниковых приборов технологический цикл включает в себя большое количество операций контроля параметров по различным признакам [1-3]. Одним из видов технологического контроля является контроль внешнего вида выпускаемой продукции [4, 5]. Наиболее важными категориями для контроля внешнего вида ИС являются: качественный анализ внешнего вида
элементов [6, 7], отсутствие повреждений и загрязнений металлизации, соответствие внешнего вида ИС рисунку фотошаблона [8, 9]. На предприятиях контроль внешнего вида ИС часто проводится вручную и, как следствие, данный этап занимает много рабочего времени оператора, что приводит к увеличению конечной стоимости выпускаемой продукции [10].
Создание программного продукта, осуществляющего по полученным в автоматическом режиме микрофотографиям ИС контроль их внешнего вида, способствует решению данной проблемы. Представленный в работе [11] алгоритм автоматического контроля внешнего вида позволяет с высокой точностью определять степень дефектности монолитных ИС (МИС) и существенно повышать производительность (при сравнении с ручным контролем). Но длительное обучение сверточных нейронных сетей, использующихся в предложенном алгоритме, не позволяет эффективно применять его в производственном процессе.
Цель настоящей работы - создание алгоритма автоматического контроля внешнего вида СВЧ МИС на основе вычисления и сравнения пиксельных расстояний на соответствующих участках преобразованной микрофотографии СВЧ МИС и растрированного фотошаблона. Предполагается, что быстродействие такого алгоритма будет намного выше без существенной потери точности детектирования дефектов по сравнению с алгоритмом, описанным в [11].
Алгоритм автоматического визуального контроля. В основу принципа работы алгоритма автоматического визуального контроля, оценивающего степень дефектности СВЧ МИС, положено качественное сравнение микрофотографии исследуемой СВЧ МИС с изображением комплекта фотошаблонов, или чертежей, задействованных при ее изготовлении. Алгоритм анализирует их различия, вызванные особенностями технологии изготовления и фотографирования: механические повреждения слоев, ошибки совмещения слоев, искажение формы элементов [12, 13], оптические ошибки, погрешности микроскопии и др.
Работа над алгоритмом автоматического контроля внешнего вида МИС с использованием метода вычисления пиксельного расстояния привела к необходимости выполнения следующих этапов: 1) поиск предварительно настроенных точек совмещения; 2) вычисление матрицы аффинного преобразования; 3) растеризация векторного чертежа с заливкой однородных областей; 4) выделение области анализа из растрированного чертежа и микрофотографии и преобразование выделенной области анализа микрофотографии МИС с использованием классификатора на основе искусственной нейронной сети; 5) вычисление карты дефектности; 6) определение наличия дефекта по карте дефектности.
На рис. 1 приведены микрофотография исследуемой СВЧ МИС и ее растрирован-ный чертеж. Результатом обработки микрофотографии исследуемой СВЧ МИС является построенная карта дефектности, отображающая в масштабе микрофотографии дефектные участки.
Поиск предварительно настроенных точек совмещения. Перед поиском дефектов на микрофотографии исследуемой СВЧ МИС ее изображение совмещается с чертежом топологии по нескольким заранее определенным точкам. На рис. 2 показан пример совмещения микрофотографии исследуемой СВЧ МИС и топологического чертежа по двум точкам совмещения. Используемая в алгоритме структура данных о точках совмещения включает в себя информацию о положении и размере области поиска точки совмещения на микрофотографии, координату положения на топологическом чертеже и малое цветное изображение - эталон.
Рис. 1. Микрофотография СВЧ МИС (а) и ее растрированный чертеж (б) Fig. 1. Microphotograph of a MMIC (a) and its screened drawing (b)
Определение координат положения точек совмещения P ф; у) реализуется поиском минимальной суммы квадратов разниц цвета пикселей между эталоном и участком микрофотографии из области поиска точки совмещения [14]:
K = Vi R
x,y x+i,y+j
■RTC )2
+HG„i, y+
GC )2
+
+H b.
x+i, y+j
-ßu )2,
B,
- компоненты
где Rx+i,y+ j , Gx+i,y+j , Bx+i,y+j
цвета в RGB-формате с диапазоном значений от 0 до 255 области поиска точки совмещения; RTC, GTC, ВТС - компоненты
цвета в RGB-формате с диапазоном значений от 0 до 255 изображения периферии точки совмещения.
Выбранный метод поиска точек совмещения реализован с использованием библиотеки OpenCV, так как он является одним из самых быстрых шаблонных методов поиска с использованием фурье-преобразования [15].
Вычисление матрицы аффинного преобразования. Матрица аффинного преобразования производит отображение точек векторного пространства топологического чертежа в растровое пространство микрофотографии СВЧ МИС. В общем виде данное отображение можно записать как
Рис. 2. Совмещение топологического чертежа и
микрофотографии СВЧ МИС по двум точкам Fig. 2. Combining a topological drawing and a microphotograph of a MMIC at two alignment points
V' M = P
(1)
f v* v1y 1 ^ f P1x P1y 1 ^ / 0Л
1 1 mu m12
V' = v2x v2 у P2x P2y , M = m21 m22 0
n n n n n n 1,
v V nx v ny 1J V Pnx Pny 1J v m31 m31
(2)
где V - дополненная матрица координат точек совмещения в пространстве топологического чертежа; Р - дополненная матрица координат точек совмещения, соответствующих в пространстве микрофотографии исследуемой СВЧ МИС точкам матрицы V; М - матрица аффинного преобразования.
Подстановка значений матриц в выражение (1) с последующим обобщением приводит к выражению
[ра = + + Щи
\р,у = + + т32-
Выражение ошибки методом наименьших квадратов [16] для данных выражений примет вид
n 2 n , >2
F(M) = Y(Px - (vxmil + vym2l + m31)) + Y(Py - (vxmi2 + vym22 + m32)) . i=1 i=1
(3)
При дифференцировании по каждой неизвестной переменной получаются две системы линейных алгебраических уравнений:
mil Y/x + m2l Y^y + m3l Yvx = YP
i=1 i=1 i=1 i=1
n n n n
mi1 Yvxvy + m21 Yvl + m31 Yviy = Yp
i=1 i=1 i=1 i=1
n n n
mu Yvx+ m21 Yvy+ mn=Y Px'
v ,
ix ix
v ,
x iy i
m12 YviX + m22 Yvxviy + m32 Yvx = YP
i=1 i=1 i=1 i=1
n n n n
m12 Yvxvy + m22 Yvy + m32 Yviy = YP, i=1 i=1 i=1 i=1
n n n
m12 Yvx + m22 Yvy + m32n = YРгу'
v ,
iy ix
v ,
iy iy
Решение позволяет найти значение элементов матрицы (2) для отображения векторного чертежа в пространство микрофотографии СВЧ МИС [17].
Выбранный метод вычисления матрицы преобразования векторного пространства топологического чертежа в растровое пространство микрофотографии позволяет учесть остаточный поворот изображения СВЧ МИС на микрофотографии [11], оценить корректность совмещения вычислением ошибки по формуле (3) и скорректировать набор точек совмещения для получения удовлетворительного результата совмещения.
Растеризация векторного чертежа с заливкой однородных областей. Для сравнения микрофотографии исследуемой МИС с изображением комплекта фотошаблонов алгоритмом используется топологический чертеж, представляющий собой цифровой файл векторного изображения формата .dxf [18, 19]. Данный файл содержит информацию о заложенных изображениях всех слоев фотошаблона. При этом для проведения визуального контроля алгоритмом используются только те слои и участки топологического чертежа, которые формируют внешний вид исследуемой СВЧ МИС. После вычисления матрицы аффинного преобразования топологического чертежа осуществляется его конвертация из векторного пространства в растровое для дальнейшего
n
n
n
n
n
n
n
n
;
V
V
попиксельного сравнения с микрофотографией, полученной с использованием автоматической съемки исследуемой СВЧ МИС с захватом частей соседних МИС (см. рис. 2).
Выделение области анализа и ее преобразование. Данный этап позволяет выделить из микрофотографии исследуемую СВЧ МИС или ее отдельный элемент и устранить возникающие при автоматической съемке смещения. Область анализа при этом привязана к координатам топологического чертежа. Это дает возможность переносить размер области анализа на микрофотографию СВЧ МИС с сохранением всех ее элементов. Размер и расположение области анализа определяет матрица аффинного преобразования чертежа.
Область анализа микрофотографии исследуемой СВЧ МИС преобразуется классификатором, реализованным на основе искусственной нейронной сети. Нейронная сеть является многослойным персептроном с одним скрытым слоем. Количество выходов персептрона соответствует количеству классифицируемых областей чертежа. На рис. 3 изображена архитектура используемой искусственной нейронной сети, содержащая области подложки, элементы металлизации (Аи), резисторы, конденсаторы на основе Та205. Искусственная нейронная сеть предварительно обучена относить цвет пикселя микрофотографии СВЧ МИС к цвету соответствующей области фотошаблона методом обратного распространения ошибки [20, 21].
Рис. 3. Архитектура искусственной нейронной сети для классификации микрофотографии СВЧ МИС: R, G, B - компоненты цвета; sub - области подложки; res - резисторы; Au - элементы металлизации; SiO2, Ta2O5 - области конденсаторов
и изоляции
Fig. 3. Artificial neural network architecture for classifying a microphotograph of a MMIC: R, G, B - color components; sub - containing areas of the substrate; res - resistors; Au - metallization elements; SiO2, Ta2O5 - areas of capacitors and insulation
В результате работы классификатора получается преобразованная микрофотография СВЧ МИС в палитре цветов растрированного чертежа (рис. 4).
Рис. 4. Преобразованная микрофотография СВЧ МИС (а) и растрированный чертеж (б) Fig. 4. Converted microphotograph of a MMIC (a) and screened drawing (b)
Вычисление карты дефектности. Для каждого исследуемого пикселя преобразованной микрофотографии рассчитывается расстояние до ближайшего пикселя растрированного чертежа, к которому принадлежит классифицированный пиксель (рис. 5).
Рис. 5. Вычисление пиксельного расстояния классифицированных пикселей участка микрофотографии для одной области растрированного чертежа Fig. 5. Calculating the pixel distance of classified pixels of a microphoto area for one area of a screened drawing
Результатом работы данного этапа алгоритма является карта дефектности, представляющая собой изображение в градациях серого. Черный цвет полученного изображения означает полное соответствие положения классифицированного пикселя микрофотографии СВЧ МИС области топологического чертежа, к которой он принадлежит. Серый цвет означает несоответствие положения классифицированного пикселя области, к которой он принадлежит: чем светлее пиксель, тем дальше расположена область принадлежности.
Определение наличия дефекта. Для получения информации о наличии дефекта в области анализа карта дефектности предварительно претерпевает бинарное преобразование [22] по заранее установленному значению - порогу детектирования дефектов.
Данный порог позволяет исключить некритичные отклонения на изображении топологии исследуемой СВЧ МИС, возникающие вследствие аберрации оптической системы при съемке микрофотографий. Таким образом порог детектирования дефектов регулирует чувствительность алгоритма.
На последнем этапе проводится поиск группы пикселей с линейным размером, превышающим предельно допустимый (при наличии хотя бы одной такой группы на микрофотографии СВЧ МИС считается бракованной).
На рис. 6 показан пример результата работы алгоритма: выделенная область анализа микрофотографии СВЧ МИС с дефектом области SiO2 и выделенный дефект на карте дефектности.
а б
Рис. 6. Результат работы алгоритма: а - выделенная область анализа микрофотографии СВЧ МИС с дефектом области SiO2; б - выделенный дефект на карте дефектности Fig. 6. Result of the algorithm: a - a selected area of analysis of a microphotograph of a MMIC with a defect in the SiO2 region; b - a selected defect on the defect map
Экспериментальное тестирование алгоритма. Работа с алгоритмом начинается с ручной настройки с использованием графического интерфейса. В процессе настройки алгоритма пользователь последовательно настраивает все этапы алгоритма, подготавливая его выполнять автоматический визуальный контроль над определенной группой микрофотографий СВЧ МИС.
Общий процесс настройки алгоритма представляет собой выполнение следующих этапов: 1) загрузка типичной микрофотографии МИС и топологического чертежа в программу; 2) совмещение топологического чертежа и микрофотографии; 3) установка набора точек совмещения и их настройка; 4) выделение области анализа; 5) определение архитектуры искусственной нейронной сети; 6) подготовка обучающего набора искусственной нейронной сети; 7) обучение искусственной нейронной сети (обучается автоматически методом обратного распространения ошибки); 8) установка порога детектирования дефектов и минимально допустимого размера дефекта на основе данных, полученных в процессе настройки.
Для оценки качества разработанного алгоритма проведено тестирование его на группе микрофотографий простых СВЧ МИС (см. рис. 1), произведенных АО «НИИПП» (г. Томск). Для удобного сравнения алгоритма с предыдущей версией [11] при тестиро-
вании использовали тот же набор микрофотографий и эквивалентное вычислительное оборудование в следующей конфигурации: шестиядерный процессор Intel Core i5-8400, имеющий шесть вычислительных потоков с частотой 3,8 ГГц на один вычислительный поток и оперативную память объемом 16 ГБ. В результате экспериментов получены данные о степени различия полученных карт раскроя пластин при определенном установленном пороге бинарного преобразования и минимально допустимом размере дефекта (рис. 7).
Рис. 7. Данные (%) о степени различия работы алгоритма с ручным визуальным контролем: а - для набора микрофотографий простых МИС СВЧ-диапазона; б - для
набора микрофотографий СВЧ МИС аттенюатора мощностью 2 дБ Fig. 7. Data (%) on the degree of difference between the operation of the algorithm and manual visual control: a - for a set of microphotographs of simple MICs of the microwave range; b - for a set of microphotographs of a MMIC attenuator 2 dB
Для простых МИС СВЧ-диапазона (рис. 7, а) минимальное значение степени расхождения автоматического и ручного контроля составило менее 2 % из 428 исследуемых СВЧ МИС при пороге бинарного преобразования 24-27 и максимально допустимом дефекте 10-12 пикселей. Область с расхождением результатов автоматического контроля внешнего вида от ручного не превышает 3 % при пороге бинарного преобразования 24-31 и максимально допустимом дефекте 1-14 пикселей. Таким образом, область стабильного результата достаточно большая, чтобы получать удовлетворительный результат на других похожих наборах данных. От исходного набора из 428 СВЧ МИС определены годными 8 (1,9 %) бракованных СВЧ МИС.
Для более сложной СВЧ МИС аттенюатора мощностью 2 дБ (рис. 7, б) минимальное значение степени расхождения автоматического и ручного контроля составило 7,1 % при пороге бинарного преобразования 16-23 и максимально допустимом дефекте 82 пикселя. Диапазон расхождения результатов автоматического и ручного контроля дефектов СВЧ МИС аттенюатора не превышает 8 % из 428 исследуемых МИС при пороге бинарного преобразования 16-27 и максимально допустимом дефекте 66-120 пикселей.
Результаты сравнения производительности алгоритма, описанного в [11], и модифицированного алгоритма приведены в таблице.
Результаты работы различных версий алгоритма автоматического контроля
внешнего вида СВЧ МИС The results of various versions of algorithm for automatic visual inspection of MMIC
Критерий сравнения Разработанный алгоритм Модифицированный
[11] алгоритм
1роизводительност ь
Затраченное время на одну микрофотографию, с 2,2 1
Производительность в многопоточном режиме 428 СВЧ МИС за 480 с 428 СВЧ МИС за 150 с
Простые СВЧ МИС
Ошибка повторения ручного визуального контроля, % 7,1 1,9
Время обучения нейронной сети (подготовка) 10 эпох по 34 мин < 1 мин
СВЧ МИС аттенюатора мощностью 2 дБ
Ошибка повторения ручного визуального контроля, % 11 7,1
Время обучения нейронной сети (подготовка) 10 эпох по 47 мин < 1 мин
Скорость работы алгоритма удовлетворительная. Обработка 428 микрофотографий СВЧ МИС занимает 150-160 с на шестиядерном процессоре. Производительность на один поток составляет 2,2 с на одну микрофотографию. При сравнении разработанного модифицированного алгоритма с предыдущей версией [11] время, затрачиваемое на обработку одной микрофотографии, уменьшилось с 2,2 до 1 с, что показывает снижение требуемой производительности на один вычислительный поток в 2 раза. С учетом многозадачности компьютера производительность выросла в 3 раза: время, затраченное на обработку 428 микрофотографий, составляет 150 с вместо 480 с при работе с предыдущей версией алгоритма. Количество ошибок определения дефектности МИС СВЧ диапазона уменьшилось с 7,1 до 3 %.
С использованием модифицированного алгоритма автоматического контроля внешнего вида МИС проведен автоматический контроль внешнего вида сформированных на полупроводниковой подложке 1пР фотонных интегральных схем электрооптического модулятора (рис. 8) [23].
Рис. 8. Результат работы алгоритма при контроле дефектов фотонной интегральной схемы электрооптического модулятора: а - выделенная область анализа с дефектом области металлизации и пассивации; б - преобразованная микрофотография; в - выделенный дефект
на карте дефектности
Fig. 8. Result of the algorithm when inspecting defects in a photonic integrated circuit of an electro-optical modulator: a - a selected analysis area with a defect in the metallization and passivation region; b - a converted microphotograph; c - a selected defect on the defect map
При проведении автоматического контроля дефектов МИС электрооптического модулятора важным этапом является настройка оптимальных параметров работы алгоритма. Исследуемая МИС электрооптического модулятора имеет большие габаритные размеры кристалла (9,0 х 0,55 мм) по сравнению с исследуемыми до этого кристаллами СВЧ МИС, но при этом содержит в своем составе элементы шириной не более 1 мкм (полупроводниковый оптический волновод).
Проведенный автоматический контроль внешнего вида МИС электрооптического модулятора с использованием разработанного алгоритма показал среднее быстродействие (около 5 с на микрофотографию), но малую ошибку повторения ручного визуального контроля (около 8 %) за счет высокого разрешения микрофотографии фотонной интегральной схемы и сложной топологии.
Заключение. Разработанный алгоритм автоматического контроля внешнего вида позволяет обнаруживать дефектные участки на микрофотографиях СВЧ и фотонных МИС в процессе их пиксельного сравнения с растрированным топологическим чертежом. Алгоритм использует в качестве классификатора пикселей на принадлежность их к определенному участку чертежа искусственную нейронную сеть. Разработанный программный продукт позволяет повысить скорость анализа до 3 раз по сравнению с раз-
работанным ранее алгоритмом при использовании эквивалентного вычислительного оборудования. Совпадение результатов алгоритма автоматического контроля с ручным контролем внешнего вида СВЧ МИС составляет до 97 %. На основе предложенного алгоритма автоматического контроля внешнего вида СВЧ МИС разработан тестовый программный продукт, который в настоящий момент тестируется в АО «НИИПП».
Литература
1. Классификатор изображений микросхем при помощи сверточной нейронной сети / С. А. Сарманбетов, А. А. Максутова, Д. М. Жексебай и др. // Известия НАН РК. Серия физико-математическая. 2021. № 6. С. 59-65. https://doi.org/10.32014/2021.2518-1726.102
2. Lee K. B., Cheon S., Kim C. O. A convolutional neural network for fault classification and diagnosis in semiconductor manufacturing processes // IEEE Transactions on Semiconductor Manufacturing. 2017. Vol. 30. Iss. 2. P. 135-142. https://doi.org/10.1109/TSM.2017.2676245
3. Huang S.-H., Pan Y.-C. Automated visual inspection in the semiconductor industry: A survey // Computers in Industry. 2015. Vol. 66. P. 1-10. https://doi.org/10.1016/j.compind.2014.10.006
4. Machado Trindade B., Ukwatta E., Spence M., Pawlowicz C. Segmentation of integrated circuit layouts from scan electron microscopy images // 2018 IEEE Canadian Conference on Electrical & Computer Engineering (CCECE). Quebec: IEEE, 2018. P. 1-4. https://doi.org/10.1109/CCECE.2018.8447878
5. Schlosser T., Beuth F., Friedrich M., Kowerko D. A novel visual fault detection and classification system for semiconductor manufacturing using stacked hybrid convolutional neural networks // 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA). Zaragoza: IEEE, 2019. P. 1511-1514. https://doi.org/10.1109/ETFA.2019.8869311
6. Груздов В. В., Колковский Ю. В., Концевой Ю. А. Контроль новых технологий в твердотельной СВЧ электронике. М.: Техносфера, 2016. 328 с.
7. Xie L., Huang R., Gu N., Cao Z. A novel defect detection and identification method in optical inspection // Neural Comput. and Applic. 2014. Vol. 24. Iss. 7-8. P. 1953-1962. https://doi.org/10.1007/s00521-013-1442-7
8. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // ArXiv.org [Электронный ресурс]. 2014. URL: https://doi.org/10.48550/arXiv.1409.1556 (дата обращения: 15.05.2024).
9. Мишанов Р. О. Визуальный контроль КМОП-микросхем // Актуальные проблемы радиоэлектроники и телекоммуникаций: материалы Всеросс. науч.-техн. конф. (Самара, 16-18 мая 2017). Самара: Офорт, 2017. С. 201-203. EDN: YNCCNX.
10. Федотов А. Ю., Ральникова А. С., Вахрушев А. В. Контроль дефектов морфологии и топологии микро- и наносхем // Кристаллизация: компьютерные модели, эксперимент, технологии (КРИС-2019): тез. VIII Междунар. конф. (Ижевск, 11-12 апр. 2019). Ижевск: УдмФИЦ УрО РАН, 2019. С. 90-92. EDN: GNWITY.
11. Ширяев Б. В., Ющенко А. Ю., Безрук А. В. Алгоритм автоматизированного визуального контроля монолитных интегральных схем с использованием искусственных нейронных сетей // Доклады ТУСУР. 2019. Т. 22. № 2. С. 72-76. https://doi.org/10.21293/1818-0442-2019-22-2-72-76. - EDN: SIKIRC.
12. Nakazawa T., Kulkarni D. V. Wafer map defect pattern classification and image retrieval using convolutional neural network // IEEE Transactions on Semiconductor Manufacturing. 2018. Vol. 31. No. 2. P. 309-314. https://doi.org/10.1109/TSM.2018.2795466
13. Cheon S., Lee H., Kim C. O., Lee S. H. Convolutional neural network for wafer surface defect classification and the detection of unknown defect class // IEEE Transactions on Semiconductor Manufacturing. 2019. Vol. 32. No. 2. P. 163-170. https://doi.org/10.1109/TSM.2019.2902657
14. Forsyth D. A., Ponce J. Computer vision: A modern approach. London: Pearson Education, 2015. 792 p.
15. Suzuki S., Abe K. Topological structural analysis of digitized binary images by border following // Comput. Gr. Image Process. 1985. Vol. 30. Iss. 1. P. 32-46. https://doi.org/10.1016/0734-189X(85)90016-7
16. Suykens J. A. K., De Brabanter J., Lukas L., Vandewalle J. Weighted least squares support vector machines: Robustness and sparse approximation // Neurocomputing. 2002. Vol. 48. Iss. 1-4. P. 85-105. https://doi.org/10.1016/S0925-2312(01)00644-0
17. Ширяев Б. В., Аргунов Д. П., Безрук А. В. Алгоритм совмещения векторного чертежа фотошаблона и микрофотографии СВЧ МИС с помощью метода наименьших квадратов // Сборник избранных статей научной сессии ТУСУР. 2020. № 1-2. С. 41-43. EDN: INVHDR.
18. Abouel Nasr E. S., Kamrani A. K. A new methodology for extracting manufacturing features from CAD system // Comput. Ind. Eng. 2006. Vol. 51. Iss. 3. P. 389-415. https://doi.org/10.1016/j.cie.2006.08.004
19. AhmadN., Anwarul Haque A. F. M. Manufacturing feature recognition of parts using DXF files // 4th International Conference on Mechanical Engineering (ICME 2001). Dhaka: BUET, 2001. Vol. 3 (VII). P. 111-115.
20. Schmidhuber J. Deep learning in neural networks: An overview // Neural Netw. 2015. Vol. 61. P. 85-117. https://doi.org/10.1016/j.neunet.2014.09.003
21. Dropout: A simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky et al. // Journal of Machine Learning Research. 2014. Vol. 15 (56). P. 1929-1958.
22. Shiryaev B., Bezruk A., Argunov D., Yushchenko A. Algorithm for automated visual inspection of MMIC using a classifier based on neural networks // ITM Web Conf. 2019. Vol. 30. Art. No. 04012. https://doi.org/10.1051/itmconf/20193004012
23. Technological development of an InP-based Mach-Zehnder modulator / S. Ishutkin, V. Arykov, I. Yunusov et al. // Symmetry. 2020. Vol. 12. Iss. 12. Art. No. 2015. https://doi.org/10.3390/sym12122015
Статья поступила в редакцию 10.10.2023 г.; одобрена после рецензирования 12.10.2023 г.;
принята к публикации 14.06.2024 г.
Информация об авторах
Ширяев Борис Владимирович - кандидат технических наук, инженер-программист АО «Научно-исследовательский институт полупроводниковых приборов» (Россия, 634034, г. Томск, ул. Красноармейская, 99А), [email protected]
Аргунов Дмитрий Пантелеевич - инженер-программист АО «Научно-исследовательский институт полупроводниковых приборов» (Россия, 634034, г. Томск, ул. Красноармейская, 99А), [email protected]
Жидик Юрий Сергеевич - кандидат технических наук, ведущий научный сотрудник лаборатории интегральной оптики и радиофотоники Томского государственного университета систем управления и радиоэлектроники (Россия, 634050, г. Томск, пр-т Ленина, 40), [email protected]
Ющенко Алексей Юрьевич - кандидат технических наук, начальник отдела АО «Научно-исследовательский институт полупроводниковых приборов» (Россия, 634034, г. Томск, ул. Красноармейская, 99А), [email protected]
Лаптев Илья Вадимович - младший научный сотрудник лаборатории интегральной оптики и радиофотоники Томского государственного университета систем управления и радиоэлектроники (Россия, 634050, г. Томск, пр-т Ленина, 40), [email protected]
References
1. Sarmanbetov S. A., Maksutova A. A., Zheksebay D. M., Kozhagulov E. T., Bazhaev N. A. Classifier of microcircuit images using a conventional neural network. Izvestiya NAN RK. Seriya fiziko-matematicheskaya = Reports of NAS RK. Physico-Mathematical Series, 2021, no. 6, pp. 59-65. (In Russian). https://doi.org/10.32014/2021.2518-1726.102
2. Lee K. B., Cheon S., Kim C. O. A convolutional neural network for fault classification and diagnosis in semiconductor manufacturing processes. IEEE Transactions on Semiconductor Manufacturing, 2017, vol. 30, iss. 2, pp. 135-142. https://doi.org/10.1109/TSM.2017.2676245
3. Huang S.-H., Pan Y.-C. Automated visual inspection in the semiconductor industry: A survey. Computers in Industry, 2015, vol. 66, pp. 1-10. https://doi.org/10.1016/j.compind.2014.10.006
4. Machado Trindade B., Ukwatta E., Spence M., Pawlowicz C. Segmentation of integrated circuit layouts from scan electron microscopy images. 2018 IEEE Canadian Conference on Electrical & Computer Engineering (CCECE). Quebec, IEEE, 2018, pp. 1-4. https://doi.org/10.1109/CCECE.2018.8447878
5. Schlosser T., Beuth F., Friedrich M., Kowerko D. A novel visual fault detection and classification system for semiconductor manufacturing using stacked hybrid convolutional neural networks. 2019 24th IEEE Interna-
tional Conference on Emerging Technologies and Factory Automation (ETFA). Zaragoza, IEEE, 2019, pp. 1511-1514. https://doi.org/10.1109/ETFA.2019.8869311
6. Gruzdov V. V, Kolkovskiy Yu. V, Kontsevoy Yu. A. Control of new technologies in solid-state microwave electronics. Moscow, Tekhnosfera Publ., 2016. 328 p. (In Russian).
7. Xie L., Huang R., Gu N., Cao Z. A novel defect detection and identification method in optical inspection. Neural Comput. and Applic., 2014, vol. 24, iss. 7-8, pp. 1953-1962. https://doi.org/10.1007/s00521-013-1442-7
8. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv.org. 2014. Available at: https://doi.org/10.48550/arXiv.1409.1556 (accessed: 15.05.2024).
9. Mishanov R. O. Visual inspection of CMOS chips. Aktual'nye problemy radioelektroniki i telekommunikatsiy, proceedings of the Russia-Wide res.-to-pract. conf. (Samara, May 16-18, 2017). Samara, Ofort Publ., 2017, pp. 201-203. (In Russian). EDN: YNCCNX.
10. Fedotov A. Yu., Ral'nikova A. S., Vakhrushev A. V. Control of defects in morphology and topology of micro- and nanocircuits. Kristallizatsiya: komp'yuternye modeli, eksperiment, tekhnologii = Solidification: Computer Simulation, Experiments and Technology (KRIS-2019), 8th International conf. abstracts (Izhevsk, Apr. 11-12, 2019). Izhevsk, UdmFITs UrO RAN Publ., 2019, pp. 90-92. (In Russian). EDN: GNWITY.
11. Shiryaev B. V, Yushchenko A. Yu., Bezruk A. V. Algorithm for automated visual inspection of monolithic integrated circuits using neural networks. Doklady TUSUR = Proceedings ofTUSUR University, 2019, vol. 22, no. 2, pp. 72-76. (In Russian). https://doi.org/10.21293/1818-0442-2019-22-2-72-76. - EDN: SIKIRC.
12. Nakazawa T., Kulkarni D. V. Wafer map defect pattern classification and image retrieval using convo-lutional neural network. IEEE Transactions on Semiconductor Manufacturing, 2018, vol. 31, no. 2, pp. 309-314. https://doi.org/10.1109/TSM.2018.2795466
13. Cheon S., Lee H., Kim C. O., Lee S. H. Convolutional neural network for wafer surface defect classification and the detection of unknown defect class. IEEE Transactions on Semiconductor Manufacturing, 2019, vol. 32, no. 2, pp. 163-170. https://doi.org/10.1109/TSM.2019.2902657
14. Forsyth D. A., Ponce J. Computer vision: A modern approach. London, Pearson Education, 2015. 792 p.
15. Suzuki S., Abe K. Topological structural analysis of digitized binary images by border following. Comput. Gr. Image Process., 1985, vol. 30, iss. 1, pp. 32-46. https://doi.org/10.1016/0734-189X(85)90016-7
16. Suykens J. A. K., De Brabanter J., Lukas L., Vandewalle J. Weighted least squares support vector machines: Robustness and sparse approximation. Neurocomputing, 2002, vol. 48, iss. 1-4, pp. 85-105. https://doi.org/10.1016/S0925-2312(01)00644-0
17. Shiryaev B. V, Argunov D. P., Bezruk A. V. Algorithm for combining a vector drawing of a photomask and a microphotograph of a MMIC using the least squares method. Sbornik izbrannykh statey nauchnoy sessii TUSUR = TUSUR Scientific Session: Collection of Selected Papers, 2020, no. 1-2, pp. 41-43. (In Russian). EDN: INVHDR.
18. Abouel Nasr E. S., Kamrani A. K. A new methodology for extracting manufacturing features from CAD system. Comput. Ind. Eng., 2006, vol. 51, iss. 3, pp. 389-415. https://doi.org/10.1016/j.cie.2006.08.004
19. Ahmad N., Anwarul Haque A. F. M. Manufacturing feature recognition of parts using DXF files. 4th
International Conference on Mechanical Engineering (ICME 2001). Dhaka, BUET, 2001, vol. 3 (VII), pp. 111115.
20. Schmidhuber J. Deep learning in neural networks: An overview. Neural Netw., 2015, vol. 61, pp. 85117. https://doi.org/10.1016Zj.neunet.2014.09.003
21. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 2014, vol. 15 (56), pp. 19291958.
22. Shiryaev B., Bezruk A., Argunov D., Yushchenko A. Algorithm for automated visual inspection of MMIC using a classifier based on neural networks. ITM Web Conf., 2019, vol. 30, art. no. 04012. https://doi.org/10.1051/itmconf/20193004012
23. Ishutkin S., Arykov V., Yunusov I., Stepanenko M., Troyan P., Zhidik Yu. Technological development of an InP-based Mach-Zehnder modulator. Symmetry, 2020, vol. 12, iss. 12, art. no. 2015. https://doi.org//10.3390/sym12122015
The article was submitted 10.10.2023; approved after reviewing 12.10.2023;
accepted for publication 14.06.2024.
Information about the authors
Boris V. Shiryaev - Cand. Sci. (Eng.), Software Engineer, JSC "Scientific Research Institute of Semiconductor Devices" (Russia, 634034, Tomsk, Krasnoarmeyskaya st., 99A), [email protected]
Dmitry P. Argunov - Software Engineer, JSC "Scientific Research Institute of Semiconductor Devices" (Russia, 634034, Tomsk, Krasnoarmeyskaya st., 99A), [email protected]
Yuri S. Zhidik - Cand. Sci. (Eng.), Leading Researcher of the Laboratory of Integrated Optics and Microwave Photonics, Tomsk State University of Control Systems and Radioelectronics (Russia, 634050, Tomsk, Lenin ave., 40), [email protected]
Alexey Yu. Yushchenko - Cand. Sci. (Eng.), Head of Department, JSC "Scientific Research Institute of Semiconductor Devices" (Russia, 634034, Tomsk, Krasnoarmeyskaya st., 99A), [email protected]
Ilya V. Laptev - Junior Scientific Researcher of the Laboratory of Integrated Optics and Microwave Photonics, Tomsk State University of Control Systems and Radio Electronics (Russia, 634050, Tomsk, Lenin ave., 40), [email protected]
Уважаемые авторы и читатели!
Вышел в свет журнал
RUSSIAN MICROELECTRONICS
Vol. 52, No. 7,2023. - ISSN PRINT: 1063-7397,
ISSN ONLINE: 1608-3415, в котором опубликованы избранные статьи
журнала «Известия вузов. Электроника».
http://pleiades.online http://link.springer.com Ч_)
