Physical failure analysis (PFA) specifies layout designs that affect large-scale integration (LSI) failure. Because of their capability and cost-effectiveness, convolutional neural networks (CNNs) have been applied to LSI layout analysis. However, the information on failure for root cause analyses is generally limited. Moreover, information over a large area, which includes many geometries, is required to understand the effects of a layout on failure. These problems pose challenges in training the CNN models to achieve high accuracy for layout segment classification. In this study, we propose a scheme for layout segment classification that uses CNN to analyze the effects of layout on failure. Thus, multiple segment images of LSI layouts are used as inputs, and the outputs of CNN models are used to classify the input images as either risk or non-risk segments. First, we evaluated a simple 3-layer model, and then a 15-layer model fine-tuned using the transfer learning of the VGG16 model. The 15-layer model outperformed the 3-layer model for classifying the LSI layout segments. From a cross-validation of the 15-layer model, a true positive rate of >80% and a false positive rate of <10% are obtained for extracting layout regions related to actual defects. The outputs of the CNN models from the input layout segment demonstrate similarity with the defective layouts. In the regional layouts across the LSI chips, the contour plot of model outputs is visualized as a hazard map of failures. This information is necessary for additional failure cause analyses.

中文翻译：

---

用于分析布局引起的故障的基于 CNN 的布局段分类

物理故障分析 (PFA) 指定影响大规模集成 (LSI) 故障的布局设计。由于其能力和成本效益，卷积神经网络 (CNN) 已应用于 LSI 布局分析。然而，用于根本原因分析的失败信息通常是有限的。此外，需要包含许多几何形状的大面积信息来了解布局对故障的影响。这些问题对训练 CNN 模型以实现布局段分类的高精度提出了挑战。在这项研究中，我们提出了一种布局分段分类方案，该方案使用 CNN 来分析布局对失败的影响。因此，LSI 布局的多段图像用作输入，CNN 模型的输出用于将输入图像分类为风险或非风险段。首先，我们评估了一个简单的 3 层模型，然后使用 VGG16 模型的迁移学习微调了一个 15 层模型。15 层模型在对 LSI 布局段进行分类方面优于 3 层模型。从15层模型的交叉验证中，提取与实际缺陷相关的布局区域的真阳性率>80%，假阳性率<10%。来自输入布局段的 CNN 模型的输出表明与有缺陷的布局相似。在 LSI 芯片的区域布局中，模型输出的等高线图被可视化为故障危险图。此信息对于其他故障原因分析是必要的。我们评估了一个简单的 3 层模型，然后使用 VGG16 模型的迁移学习微调了一个 15 层模型。15 层模型在对 LSI 布局段进行分类方面优于 3 层模型。从15层模型的交叉验证中，提取与实际缺陷相关的布局区域的真阳性率>80%，假阳性率<10%。来自输入布局段的 CNN 模型的输出表明与有缺陷的布局相似。在 LSI 芯片的区域布局中，模型输出的等高线图被可视化为故障危险图。此信息对于其他故障原因分析是必要的。我们评估了一个简单的 3 层模型，然后使用 VGG16 模型的迁移学习微调了一个 15 层模型。15 层模型在对 LSI 布局段进行分类方面优于 3 层模型。从15层模型的交叉验证中，提取与实际缺陷相关的布局区域的真阳性率>80%，假阳性率<10%。来自输入布局段的 CNN 模型的输出表明与有缺陷的布局相似。在 LSI 芯片的区域布局中，模型输出的等高线图被可视化为故障危险图。此信息对于其他故障原因分析是必要的。15 层模型在对 LSI 布局段进行分类方面优于 3 层模型。从15层模型的交叉验证中，提取与实际缺陷相关的布局区域的真阳性率>80%，假阳性率<10%。来自输入布局段的 CNN 模型的输出表明与有缺陷的布局相似。在跨 LSI 芯片的区域布局中，模型输出的等高线图被可视化为故障危险图。此信息对于其他故障原因分析是必要的。15 层模型在对 LSI 布局段进行分类方面优于 3 层模型。从15层模型的交叉验证中，提取与实际缺陷相关的布局区域的真阳性率>80%，假阳性率<10%。来自输入布局段的 CNN 模型的输出表明与有缺陷的布局相似。在 LSI 芯片的区域布局中，模型输出的等高线图被可视化为故障危险图。此信息对于其他故障原因分析是必要的。来自输入布局段的 CNN 模型的输出表明与有缺陷的布局相似。在 LSI 芯片的区域布局中，模型输出的等高线图被可视化为故障危险图。此信息对于其他故障原因分析是必要的。来自输入布局段的 CNN 模型的输出表明与有缺陷的布局相似。在 LSI 芯片的区域布局中，模型输出的等高线图被可视化为故障危险图。此信息对于其他故障原因分析是必要的。