Ein flexibler tiefenlernbasierter Ansatz zur Rauschunterdrückung von SEM-Bildern

Im Bereich der Halbleiterfertigung wird das Rasterelektronenmikroskop (REM) für kritische Maß (CD) Messungen, Overlay-Messungen und Defektinspektionen eingesetzt, um die Qualität und Zuverlässigkeit von Halbleiterbauelementen zu gewährleisten. Dennoch tragen REM-Bilder von Natur aus ein erhebliches Maß an Rauschen, was zu ungenauer Messtechnik und falschen Defektinspektionen führt. Daher ist es entscheidend, Rauschunterdrückungstechniken zu entwickeln. Eine weit verbreitete Methode ist die Mittelung von Frames, die kumulatives Rauschen durch die Mittelung mehrerer Scans reduziert. Während eine Erhöhung der Scanzeiten die Qualität von REM-Bildern verbessert, bringt sie auch Nachteile wie Oberflächenladung, Musterverkleinerung und reduzierte Durchsatzraten mit sich. Techniken des tiefen Lernens (DL), einschließlich überwachten und unbeaufsichtigten Ansätzen, haben bemerkenswerte Fortschritte im Bereich der Rauschunterdrückung von REM-Bildern gezeigt. Überwachte Methoden sind jedoch besonders von Phänomenen wie Musterverkleinerung und Oberflächenladung betroffen, die während der Aufnahme von Referenzbildern auftreten. Auf der anderen Seite sind unbeaufsichtigte Methoden typischerweise effektiver bei niedrigeren Rauschpegeln. In diesem Papier haben wir eine flexible DL-Methode zur Rauschunterdrückung von REM-Bildern eingeführt, die ohne die Anforderung von gepaarten Daten funktioniert. Um ihre Wirksamkeit zu demonstrieren, haben wir ihre Leistung in zwei messtechnischen Aufgaben analysiert und bewertet. Experimentelle Ergebnisse bestätigten die Wirksamkeit unserer Methode zur Rauschreduzierung und zeigten deren Anwendbarkeit sowohl auf ADI als auch auf AEI.