Moving Defect Detection And Classification To The Edge

Dans cet entretien, Prasad Bachiraju, directeur senior du développement commercial chez Onto Innovation, explique pourquoi la détection et la classification des défauts doivent être déplacées vers le edge dans l’industrie des semi-conducteurs. Avec la réduction des nœuds technologiques (2nm et en dessous), le nombre de défauts détectés par wafer a explosé, atteignant des millions. Cependant, plus de 75% de ces défauts sont des nuisances dues à la variation de processus et au bruit de voisinage. L’approche traditionnelle de suppression d’images par comparaison die-à-die ou référence dorée ne fonctionne plus. Il faut donc utiliser l’apprentissage automatique et profond pour détecter et classer les défauts critiques en temps réel. Le edge AI permet de traiter les données directement sur l’outil d’inspection, évitant ainsi le transfert massif de données vers le cloud ou le réseau de la fab. Bachiraju présente trois cas d’utilisation concrets : les défauts à faible contraste dans les cellules mémoire, l’inspection post-CMP pour détecter des motifs grossiers sur le wafer entier, et la distinction entre les marques de meulage et les rayures critiques sur la face arrière des wafers. Il souligne également l’importance de l’humain dans la boucle pour la formation initiale des modèles et la mise à jour périodique, ainsi que pour la correction des erreurs de classification. L’entretien met en évidence les défis de la gestion des données massives et la nécessité d’une automatisation intelligente pour améliorer l’efficacité et réduire les coûts.