编辑推荐：
在半导体光刻工艺中，EUV patterning 时易出现纳米级缺陷，且存在检测难、高质量标注数据缺乏等问题。研究人员围绕光刻线图案缺陷检测，用合成数据训练 YOLOv8 等模型，发现 YOLOv8 性能最佳，该研究为缺陷检测提供新路径。
在半导体制造的精密世界里，光刻工艺堪称 “芯片制造的画笔”，它通过光线雕刻出纳米级的电路图案，是决定芯片性能与良率的核心环节。然而，随着半导体节点的不断缩小，光刻过程中极紫外（EUV）成像产生的缺陷如幽灵般难以捉摸 —— 这些纳米级的 “瑕疵”，可能是线条断裂（Break）或线路桥接（Bridge），不仅尺寸极小（常小于光刻线宽的一半），还因扫描电子显微镜（SEM）图像的低对比度与高噪声，如同隐藏在迷雾中的目标，让传统检测手段捉襟见肘。更棘手的是，真实缺陷数据稀缺且标注成本高昂，人工标注不仅耗时耗力，还难以应对海量数据与复杂噪声环境，这使得深度学习模型在工业产线的部署举步维艰。
为突破这一困局，三星半导体印度研究中心（Samsung Semiconductor India Research）的研究团队开展了一项开创性研究。他们聚焦于光刻线图案中的典型缺陷 ——Break 和 Bridge，试图通过合成数据与深度学习的结合，攻克小尺寸缺陷检测的技术壁垒。这项研究成果发表在《Heliyon》上，为半导体缺陷检测领域注入了新的活力。
研究人员采用的核心技术方法包括：首先，自主开发合成 SEM 图像生成框架，通过预设光刻线条的灰度与暗区分布，模拟不同尺寸的 Break（线条中出现暗区像素群）和 Bridge（暗区中出现灰度像素群）缺陷，并利用均匀随机数生成器控制缺陷的位置与数量，实现缺陷类型与尺寸的均衡分布。生成的 10000 张 512×512 像素合成图像中，70% 用于训练，20% 用于验证，10% 用于测试，同时自动生成包含缺陷类型与边界框坐标的标注文件（如 Pascal VOC、YOLO 格式），确保数据的高质量与可扩展性。其次，选用 YOLOv8（You Only Look Once v8）、EfficientNet、SSD（Single Shot MultiBox Detector）等先进对象检测模型，在合成数据上进行训练与对比，以平均精度均值（mAP）、F1 分数、推理时间等指标评估模型性能。
3.1 合成数据训练模型性能
实验结果显示，YOLOv8 在合成数据测试中展现出压倒性优势：其 mAP 达 96%，F1 分数为 0.95，显著高于 EfficientNet（mAP 83%）和 SSD（mAP 77%）。从缺陷尺寸与检测率的关系来看，当缺陷尺寸大于光刻线宽的 0.5 倍时，YOLOv8 对 Bridge 和 Break 缺陷的真阳性率（TPR）均接近 99%；而当缺陷尺寸小于 0.5 倍线宽时，其 TPR 降至 68.2%，但仍远高于其他模型（EfficientNet 和 SSD 对小尺寸缺陷的 TPR 不足 15%）。此外，YOLOv8 的推理时间仅为 7.3 ms，满足半导体产线实时检测的需求，而 EfficientNet 与 SSD 的推理时间均超过 20 ms，难以适应高速生产场景。
3.2 真实数据验证合成模型有效性
将 YOLOv8 模型应用于真实 SEM 数据测试时，其对 Bridge 缺陷的检测率为 84.6%，Break 缺陷为 78.3%，平均 TPR 达 81.2%。尽管部分小尺寸缺陷因噪声干扰与特征丢失未被检测，但模型成功定位了大部分具有相似亮度、对比度的缺陷区域，验证了合成数据与真实数据的高度兼容性。值得注意的是，真实图像中 “线变细” 与 Break 缺陷的区分难题，以及噪声对小缺陷检测的影响，为后续模型优化指明了方向。
4. 结论与意义
这项研究首次证明，通过合成数据训练的深度学习模型可有效突破半导体缺陷检测的数据瓶颈。自主生成的 SEM 图像不仅解决了真实数据稀缺、标注成本高的问题，还通过模拟噪声与工艺变异，提升了模型的鲁棒性。YOLOv8 凭借其在检测精度、速度与小目标处理上的综合优势，为光刻缺陷的实时在线检测提供了可行方案。未来，扩展缺陷类型、优化噪声模型、结合半监督学习等方向，有望进一步推动深度学习在半导体良率提升与工艺优化中的应用，助力芯片制造向更小节点、更高可靠性迈进。
该研究的突破性在于绕过了传统依赖真实 SEM 数据的局限，为半导体行业提供了一种低成本、高效率的缺陷检测范式。随着合成数据技术的成熟，其在保护数据隐私、加速模型迭代等方面的潜力，将持续赋能半导体智能制造，推动 “芯片制造即数据科学” 的产业变革。
