Bridging the Sim-to-Real Gap in Semiconductor Visual Program Synthesis via Input Binarization

Technische Samenvatting: Het overbruggen van de Sim-to-Real kloof in semiconductor visuele programma-synthese via input-binarisatie

Probleemstelling
Preci true parametrische controle over de geometrie van circuits is cruciaal voor inspectie en metrologie in de halfgeleiderindustrie. Het verwerven van voldoende trainingsdata uit de echte wereld is echter kostbaar. Hoewel generatieve modellen zoals Diffusion Models en GANs data kunnen vergroten, ontbreekt het hen aan de nanometer-schaal geometrische nauwkeurigheid die vereist is voor deze taken. Bestaande image-to-code benaderingen zijn vaak beperkt tot omgevingen met direct beschikbare beeld-code paren (bijv. webdata) of vereisen gespecialiseerde netwerkontwerpen voor specifieke domeinen. Bovendien bestaat er een aanzienlijke "sim-to-real" domeinkloof wanneer modellen getraind op synthetische data proberen echte Scanning Electron Microscope (SEM) beelden te verwerken, voornamelijk door SEM-specifieke ruis, textuur en randeffecten die geometrische structuren obscureren.

Methodologie
De auteurs stellen een visueel programma-synthese framework voor dat semiconductor inspectiebeelden omzet in een reproduceerbare, bewerkbare Domain-Specific Language (DSL). De methodologie bestaat uit vier kerncomponenten:

1. DSL Ontwerp: Een lichtgewicht DSL werd ontwikkeld, specifiek voor Manhattan-bedradingsarchitecturen. In tegenstelling tot rasterafbeeldingen gebruikt deze taal vectorgebaseerde geometrische commando's om circuitpatronen te definiëren. Het bevat primitieven voor het canvas (CANVAS), geleidende banen met geparametriseerde "dogbone" vormen voor stabiele via-verbindingen (WIRE), en tussenlaagverbindingen (VIA). De routingpaden worden beschreven als sequenties van relatieve Manhattan-bewegingen (Horizontaal/Verticaal), wat flexibele, one-stroke beschrijvingen van complexe topologieën mogelijk maakt.
2. Synthetische Datageneratie: Om het model te trainen, genereerden de auteurs 19.200 synthetische image-DSL paren. Echte SEM-topologieën werden gecategoriseerd in Verticale Strepen, Horizontale Lijnen en Manhattan-patronen. Structurele parameters (bijv. roosterverdelingen, bedradingsdichtheden, buig-waarschijnlijkheden) werden gerandomiseerd met brede uniforme distributies om overfitting op specifieke ruimtelijke frequenties te voorkomen. De synthetische beelden werden gerenderd als binaire patronen met optionele salt-impulsruis, passend bij de binaire aard van de DSL.
3. VLM Training: Een Vision-Language Model (specifiek Qwen3-VL-8B) werd onderworpen aan Supervised Fine-Tuning (SFT) om input-beelden te vertalen naar de corresponderende DSL-sequenties. Het model werd uitsluitend getraind op de synthetische binaire data.
4. Input Binarisatie Strategie: Om de domeinkloof tijdens inferentie aan te pakken, worden echte grijswaarden SEM-beelden vooraf verwerkt met globale drempelwaarde-segmentatie (vastgesteld op een drempel van 100) om ze om te zetten in binaire beelden voordat ze aan de VLM worden gevoed. Deze strategie abstraheert de SEM-specifieke textuur en ruis, waardoor de real-input distributie wordt uitgelijnd met de binaire synthetische trainingsdata en het model wordt gedwongen zich te concentreren op de geometrische structuur.

Belangrijkste Bijdragen

• Visuele Programma-synthese Framework: De introductie van een framework dat semiconductor beelden vertaalt naar bewerkbare DSL-code, wat gecontroleerde generatie van trainingsdata met exacte parametrische manipulatie (bijv. lijnbreedte, lengte) mogelijk maakt.
• Input Binarisatie voor Domeinadaptatie: De demonstratie dat eenvoudige textuurabstractie via input-binarisatie effectief de sim-to-real kloof overbrugt. De paper hypotheseert dat textuur en ruis de dominante factoren zijn die VLM-inferentie in dit domein hinderen, en dat hun verwijdering substantiële winst oplevert.
• Herbruikbaarheid: De aanpak behandelt de taal-specificatie als een ontwerpvariabele, waardoor dezelfde VLM-architectuur kan worden hergebruikt voor verschillende inspectiedomeinen door simpelweg de DSL te wijzigen.

Resultaten
Experimenten werden uitgevoerd op de MIIC dataset (1.034 testbeelden). De voorgestelde methode (binaire input) werd vergeleken met een baseline die gebruikmaakt van ruwe grijswaarden-inputs.

• Kwantitatieve Prestaties: Input-binarisatie verbeterde alle geëvalueerde metrieken voor uitvoerbare outputs. De gemiddelde Dice-coëfficiënt steeg van 0.4393 (raw input) naar 0.5256 (binary input). Verbeteringen werden ook waargenomen in IoU (0.2865 naar 0.3619), Boundary F1 score (0.4054 naar 0.4412) en Skeleton F1 score (0.1276 naar 0.1746).
• Upper Bound Analyse: Hoewel binaire inputs de prestaties op echte data verbeterden, bleven de scores lager dan de scores behaald op synthetische evaluatiedata (Dice: 0.6340), wat aangeeft dat hoewel de textuurkloven werden verminderd, andere niet-kleur-gerelateerde domeinkloven (bijv. subtiele vormverschillen) blijven bestaan.
• Complexiteit Trade-off: Er werd een positieve correlatie gevonden tussen structurele complexiteit (gemeten door gecomprimeerde DSL-grootte) en reconstructiefout. De nauwkeurigheid neemt af naarmate de patronen complexer worden, waarbij fouten vaak manifesteren als topologische fouten zoals ontbrekende of gehallucineerde draden.

Betekenis en Claims
De paper claimt dat input-binarisatie een zeer effectieve, eenvoudige strategie is voor het mitigeren van de sim-to-real kloof in semiconductor visuele programma-synthese. Door textuurinformatie te abstraheren, stelt de methode het model in staat om uitsluitend getraind op synthetische data, robuust de bewerkbare DSL te reconstrueren uit echte SEM-beelden. Dit legt een betrouwbare basis voor procedurele data-augmentatie, wat de actieve generatie van diverse trainingsvoorbeelden mogelijk maakt, inclus_ief harde negatieven en kritieke gebieden, die moeilijk te verzamelen zijn uit echte samples. De auteurs merken op dat toekomstig werk zich zal richten op het optimaliseren van de DSL voor token-efficiëntie en het verbeteren van de long-context reasoning van het model om de geobserveerde complexiteit trade-offs aan te pakken.