범용적이고 확장 가능한 IC 금속선 분할을 위한 SAMSEM

본 논문은 전 세계화된 하드웨어 공급망에서 IC의 신뢰성을 확보하기 위한 핵심 단계인 금속선 분할 문제를 다룬다. 기존에는 각 IC마다 맞춤형 파라미터 튜닝이나 전용 알고리즘이 필요했으며, 한 번 학습된 모델이 다른 IC에 적용되면 성능이 급격히 저하되는 문제가 있었다. 이러한 한계를 극복하고자 저자들은 Meta의 대규모 이미지 세그멘테이션 모델인 Segment Anything Model 2(SAM2)를 기반으로 SAMSEM이라는 새로운 프레임워크를 설계하였다. SAMSEM의 설계는 크게 세 가지 축으로 구성된다. 첫 번째는 다중 스케일 세그멘테이션 파이프라인이다. SEM 이미지의 해상도와 확대 배율은 IC마다, 심지어 같은 IC의 서로 다른 금속층에서도 크게 차이가 난다. 이를 해결하기 위해 저자들은 이미지 피라미드와 Hiera 이미지 인코더를 활용해 다양한 스케일의 특징을 동시에 추출하고, 각 스케일에 맞는 토큰 수를 동적으로 조절하는 어댑터 레이어를 삽입하였다. 이 과정에서 기존 SAM2의 메모리 어텐션 모듈은 비디오 처리에만 사용되므로 제외하고, 이미지 인코딩에 집중하였다. 두 번째는 전기 연결성을 강조하는 토폴로지 기반 손실 함수이다. 금속선 분할에서는 픽셀 단위 정확도보다 회로 연결 오류, 즉 단락(short)과 개방(open) 오류를 최소화하는 것이 중요하다. 저자들은 베티 수와 지속성 다이어그램을 이용해 예측 마스크와 정답 마스크 사이의 연결 컴포넌트와 구멍 수를 정량화하고, 이를 기존 Dice·IoU 손실에 가중합산하였다. 또한, 라인 중심축을 비교하는 clDice와 유사한 스켈레톤 기반 손실을 도입해 얇은 라인과 교차점에서 발생하는 오분할을 억제하였다. 세 번째는 대규모 하이퍼파라미터 최적화와 데이터셋 구축이다. 연구팀은 14개의 서로 다른 IC와 48개의 금속층을 포함하는 전례 없는 규모의 데이터셋을 수집하였다. 이 데이터는 200 nm부터 20 nm까지 다양한 기술 노드, 다양한 금속 재료, 샘플 전처리 방법, 그리고 서로 다른 SEM 장비와 촬영 설정을 포괄한다. 하이퍼파라미터 탐색은 배치 크기, 학습률, 프롬프트 포인트 수, 토폴로지 손실 가중치 등을 5‑fold 교차 검증으로 최적화했으며, 최종 모델은 8대의 Nvidia H100 GPU 클러스터에서 약 72시간 동안 파인튜닝되었다. 실험 결과는 두 가지 주요 시나리오에서 평가되었다. (1) 인‑디스트리뷰션 테스트: 동일한 7개의 IC에 대해 교차 검증을 수행했을 때 평균 오류율 0.72 %를 기록했으며, 이는 기존 최고 성능 방법(4.44 %)보다 약 6배 개선된 수치다. (2) 아웃‑오브‑디스트리뷰션 테스트: 훈련에 사용되지 않은 나머지 7개의 IC에 대해 5.53 % 오류율을 달성했는데, 이는 기존 방법(24.77 %) 대비 4배 이상 낮은 수준이다. 전체 14개 IC를 모두 사용해 파인튜닝한 최종 모델은 0.62 %의 오류율을 보이며, 거의 완벽에 가까운 일반화 능력을 입증한다. 또한, 저자들은 모델 가중치와 파인튜닝 스크립트를 공개함으로써 연구 재현성을 확보하고, 향후 새로운 IC나 기술 노드에 대해 추가 파인튜닝이 용이하도록 설계하였다. 한계점으로는 현재 메모리 요구량이 높아 초고해상도 이미지(>4k × 4k) 처리 시 슬라이딩 윈도우 방식이 필요하고, 토폴로지 손실 계산이 GPU 연산에 추가적인 오버헤드를 발생시킨다는 점을 언급한다. 향후 연구에서는 경량화된 어텐션 메커니즘과 실시간 토폴로지 손실 근사화를 통해 이러한 제약을 완화하고, 실시간 검증 파이프라인에 적용하는 방안을 모색할 수 있을 것으로 기대된다.