Die Halbleiterindustrie, eine sich ständig weiterentwickelnde und komplexe Branche, die sich auf Strukturen unter 10 Nanometern reduziert hat, steht vor ständigen Herausforderungen bei der Fehleranalyse der entwickelten Strukturen. Diese Bachelorarbeit konzentriert sich auf den Einsatz von Deep Learning, insbesondere des Mask R-CNN Modells, zur Detektion von Messspitzen in rasterelektronenmikroskopischen Bildern.
Durch die Entwicklung und Implementierung von Schnittstellen zu Kleindiek Manipulatoren und ZEISS Mikroskopen in Python wird die Datenerfassung automatisiert und ein umfangreicher Datensatz für Nanoprobing erzeugt. Das Mask R-CNN Modell wird speziell angepasst und trainiert, um die Herausforderungen des Bildrauschens und der Formenvielfalt der Messspitzen zu bewältigen. Die Arbeit bietet einen umfassenden Einblick in den Nanoprobing-Prozess und beinhaltet die Implementierung, das Training und die Evaluierung des Modells. Die Ergebnisse zeigen, dass Deep Learning eine vielversprechende Methode für die Automatisierung in der Fehleranalyse der Halbleiterindustrie darstellt.
- Stellen Sie sicher, dass eine lauffähige CUDA-Installation vorhanden ist.
- Installieren Sie das Detectron2 Framework von Facebook Research.
Die verwendeten Datensätze sind nicht öffentlich zugänglich, da sie Strukturen enthalten, die unter NDO stehen.
Diese Arbeit wurde als externe Bachelorarbeit in Zusammenarbeit mit der Kleindiek Nanotechnik GmbH durchgeführt und an der Eberhard Karls Universität Tübingen eingereicht.
Für weitere Informationen oder Anfragen können Sie mich über [email protected] erreichen.