Self-supervised denoising of SEM images for enhanced metrology and inspection

Abstract

As the semiconductor manufacturing process complexifies and shrinks in size, metrology and inspection is growing to prominence. The main difficulty is that surface properties are biased and contour geometries are deteriorated due to the innate noise in CD-SEM images. In order to eliminate the noise, multiple frames are averaged or traditional denoising methods are applied. However, since these solutions damage the specimen or show unsatisfying results, recent researches have utilized the power of deep learning in SEM image denoising. Despite the fact that deep learning-based methods show superior performance, they still require simulator or abundant ground truth clean images which are costly or even inaccessible in most real-world cases. Lately, few attempts have been made to devise self-supervised methods which does not require clean images however, they still lack in quality. In this research, SEM noise is analyzed in the grain size point of view to demonstrate the failure of previous methods. Moreover, we propose a novel self-supervised image denoising method that shows superior performance in SEM datasets. This method will be further modified and combined with iterative training procedure for enhanced automation.

반도체 공정의 품질 관리를 위해서는 단계 별 정확한 계측 및 검사가 필수적이다. 이러한 과정들은 반도체 패턴의 SEM 이미지를 분석하여 진행되는데, 이미지에 내재되어 있는 노이즈로 인해서 정밀도가 하락하는 문제가 존재한다. 노이즈를 제거하기 위한 다양한 방법 중 딥러닝 기반의 방법들이 가장 좋은 성능을 보이고 있는데, 산업에서는 노이즈가 없는 깨끗한 정답 이미지가 없기 때문에 적용할 수 없다는 한계점이 존재한다. 따라서 정답 이미지 없이 딥러닝 학습을 진행하는 자기지도학습 기반 방식들이 고안되었으나 SEM 이미지에서는 좋은 성능을 보이지 못한다. 따라서 본 논문에서는 먼저 기존의 자기지도학습 기반의 방법들이 실패한 원인을 SEM 노이즈의 입자크기를 통해 설명하고 SEM 이미지의 노이즈를 성공적으로 제거할 수 있는 Patch-based Noisier2Noise를 제안한다. 또한 이 방법이 갖는 한계점인 효율성을 개선한 Modeling-based Noisier2Noise를 고안하고 Iterative training을 접목하여 성능 또한 끌어올렸다. 제안한 방식은 전통적인 방식에 비해서 최대 50배 단축된 시간을 보여주면서 대등한 PSNR과 개선된 LER, LWR 수치를 보여준다. 또한 이미지의 시각적 품질과 2D 단면 윤곽선 측면에서 기존의 방식들에 비해 이미지 구조를 파괴하지 않으면서 더 효과적으로 노이즈를 제거함을 확인할 수 있다.