Investigaciónpublicadoen elRevista Internacional de Tecnología de la Información y la Comunicaciónpronto podría ayudar a resolver un desafío de larga data en la fabricación de semiconductores: la detección precisa de defectos superficiales en obleas de silicio.El silicio cristalino es el material crítico utilizado en la producción de circuitos integrados y, para proporcionar la potencia informática para la electrónica cotidiana y los sistemas automotrices avanzados, debe ser lo más prístino posible antes de imprimir las características microscópicas del circuito en la superficie del silicio.

Por supuesto que notecnología de fabricaciónes perfecto y el intrincado proceso de fabricación de chips semiconductores conduce inevitablemente a algunos defectos en elobleas de silicio.Esto reduce la cantidad de chips en funcionamiento en un lote y provoca que una proporción pequeña, pero significativa, de la producción de la línea de producción falle.

La forma habitual de detectar defectos en las obleas de silicio se ha realizado manualmente, con operadores humanos examinando cada oblea a ojo.Esto requiere mucho tiempo y es propenso a errores debido a la gran atención al detalle que se requiere.A medida que la producción de obleas ha aumentado a nivel mundial para satisfacer la demanda y los propios defectos se han vuelto más difíciles de detectar a simple vista, las limitaciones de este enfoque se han vuelto más evidentes.

Chen Tang, Lijie Yin y Yongchao Xie de la Facultad de Tecnología Profesional Ferroviaria de Hunan en Zhuzhou, provincia de Hunan, China, explican que los sistemas de detección automatizados han surgido como una posible solución.Estos también presentan problemas de eficiencia y precisión en entornos de producción a gran escala.Por ello, el equipo ha recurrido aaprendizaje profundo, particularmenteredes neuronales convolucionales(CNN), para mejorar la detección de defectos en las obleas.

Los investigadores explican que las CNN han demostrado un potencial significativo en el reconocimiento de imágenes.Ahora han demostrado que esto se puede utilizar para identificar pequeñas irregularidades en la superficie de una oblea de silicio.La serie de algoritmos de detección de objetos "Solo miras una vez" es bien conocida por ser capaz de equilibrar la precisión con la velocidad de detección.

El equipo de Hunan ha llevado el algoritmo YOLOv7 un paso más allá para abordar los problemas específicos que se enfrentan en la detección de defectos de obleas.La principal innovación del trabajo radica en el uso de SPD-Conv, una operación convolucional especializada para mejorar la capacidad del algoritmo para extraer detalles finos de imágenes de obleas de silicio.Además, los investigadores incorporaron un Módulo de Atención de Bloques Convolucionales (CBAM) en el modelo para agudizar el enfoque del sistema en defectos más pequeños que a menudo pasan desapercibidos en la inspección manual o mediante otros algoritmos.

Cuando se probó en el conjunto de datos estándar (WM-811k) para evaluar los sistemas de detección de defectos de obleas, el refinado algoritmo YOLOv7 del equipo logró una precisión promedio promedio del 92,5 % y una tasa de recuperación del 94,1 %.Lo hizo rápidamente, a una velocidad de 136 imágenes por segundo, que es más rápido que los sistemas anteriores.

Más información:Chen Tang et al, Detección de defectos en la superficie de la oblea con YOLOv7 mejorado,Revista Internacional de Tecnología de la Información y la Comunicación(2024).DOI: 10.1504/IJICT.2024.141433