SEMICON-2026-Localization-DS5-v1

DS5 是用于机器学习和临界尺寸扫描电子显微镜（ML/CD-SEM）基准测试的最终训练数据集。该数据集包含 100,000 个样本，每个样本为 1024×1024 像素、16 位深度的图像，空间分辨率为 1.0 nm/像素。数据集由主种子 5005 生成，预计总数据量约为 400 GB。数据集中包含 10 种不同的半导体结构类型，每种类型具有特定的权重和样本数量：dense_ls（20,000 个）、contact（15,000 个）、via（10,000 个）、iso_line（15,000 个）、fin（10,000 个）、gate（10,000 个）、trench（8,000 个）、sti（5,000 个）、bimaterial（4,000 个）和 pitch_std（3,000 个）。数据集已按结构类型分层，划分为三个互斥的子集：训练集（70,000 个样本，占 70%）、验证集（15,000 个样本，占 15%）和测试集（15,000 个样本，占 15%），确保无数据泄露。目录结构包括 images（TIFF 格式图像）、ground_truth（JSON 格式真值）、metadata（配置和元数据 JSON 文件）、splits（训练/验证/测试划分文件）以及日志文件夹。数据集采用 CC BY 4.0 许可协议。DS5 is the final training dataset for machine learning and critical dimension scanning electron microscopy (ML/CD-SEM) benchmarking. It contains 100,000 samples, each being a 1024×1024 pixel, 16-bit depth image with a spatial resolution of 1.0 nm/pixel. The dataset is generated with master seed 5005, with an estimated total data volume of approximately 400 GB. It includes 10 different semiconductor structure types, each with specific weights and sample counts: dense_ls (20,000), contact (15,000), via (10,000), iso_line (15,000), fin (10,000), gate (10,000), trench (8,000), sti (5,000), bimaterial (4,000), and pitch_std (3,000). The dataset is stratified by structure type and divided into three mutually exclusive subsets: training set (70,000 samples, 70%), validation set (15,000 samples, 15%), and test set (15,000 samples, 15%), ensuring no data leakage. The directory structure includes images (TIFF format), ground_truth (JSON format), metadata (configuration and metadata JSON files), splits (train/validation/test split files), and a logs folder. The dataset is licensed under CC BY 4.0.

原始信息汇总

数据集概述

该数据集为 DS5 — Final-Training Dataset，是用于机器学习与 CD-SEM 基准测试的主要交付物，目前处于“等待填充”状态，尚未生成实际图像。

基本信息

• 用途：机器学习与 CD-SEM 基准测试的主要数据集。
• 规模：100,000 个样本，每个样本尺寸为 1024×1024 像素。
• 图像参数：16 位深度，空间分辨率 1.0 nm/像素。
• 主种子：5005。
• 预计体积：约 400 GB。
• 生成配置：generation_configs/ds5_final_training.yml。
• 验证门控：L1、L2、L3、L4（采样）、L5。
• 发布标准：所有门控通过、基准测试就绪审查、利益相关方对结构加权签署同意。

结构加权（待利益相关方审查）

结构类型	权重	样本数
dense_ls	20.0%	20,000
contact	15.0%	15,000
via	10.0%	10,000
iso_line	15.0%	15,000
fin	10.0%	10,000
gate	10.0%	10,000
trench	8.0%	8,000
sti	5.0%	5,000
bimaterial	4.0%	4,000
pitch_std	3.0%	3,000

数据划分（固定、确定性）

划分	样本数	比例
训练集	70,000	70%
验证集	15,000	15%
测试集	15,000	15%

划分依据结构类型分层，且各划分间样本集合不重叠（无泄漏）。

目录结构（计划填充内容）

ds5_final_training/ ├── dataset_index.json ├── dataset_schema.txt ├── LICENSE (CC BY 4.0) ├── README.md ├── images/.tiff ├── ground_truth/.json ├── metadata/*_config.json, *_metadata.json ├── splits/train.txt, val.txt, test.txt └── logs/

生成命令（实施后使用）

semicon-sim batch --config ../generation_configs/ds5_final_training.yml semicon-sim --validate ds5_final_training --level L5

当前状态：该目录已定义但尚未填充，尚无实际图像生成。

搜集汇总

数据集介绍

构建方式

SEMICON-2026-Localization-DS5-v1是为机器学习与CD-SEM基准测试精心打造的核心数据集，其构建依托于高度定制化的生成配置，通过‘semicon-sim’仿真引擎批量产出100,000幅1024×1024像素、16位深度的图像，空间分辨率为1.0 nm/px。数据集采用分层抽样策略，依据十种半导体微细结构（如密集线条、接触孔、通孔等）的预设权重分配样本数量，确保各类结构代表性，并辅以主种子5005确保可复现性。样本被严格划分为训练（70%）、验证（15%）和测试（15%）三部分，采用按结构类型分层且互斥的策略，杜绝信息泄漏，并整合元数据、配置参数及地面真值，构筑结构化存储体系。

特点

该数据集具有鲜明特色，规模宏大、细节丰富，总量约400 GB，每幅图像均提供16-bit灰度深度，利于捕捉极细微的形貌差异。其结构标注精确，涵盖dense_ls、contact、via等十类典型半导体结构，权重均衡，贴合实际工艺分布。分层冻结的数据划分保证了实验的可比性，而多重验证门控（L1至L5）确保生成与标注质量。数据集附带完整的元数据与配置档案，支持回溯生成流程，增强科研透明度。此外，采用CC BY 4.0许可，便于学术与工业界广泛使用，成为CD-SEM定位、特征识别等任务的权威基准。

使用方法

使用SEMICON-2026-Localization-DS5-v1时，研究者可直接加载数据集索引文件（dataset_index.json）及分片列表（splits/），进行模型训练与评估。图像以TIFF格式存储，配合JSON格式的地面真值，支持语义分割、目标定位及关键点检测等任务。通过内置的验证脚本（semicon-sim --validate）可检查数据完整性。数据集的模块化目录结构便于按需访问元数据，允许用户自定义数据加载器。为保证结果可复现，建议在严格遵循数据集划分的前提下，利用其提供的配置参数进行实验，并引用本数据集作为基准依据。

背景与挑战

背景概述

随着半导体制造工艺持续微缩至纳米尺度，关键尺寸（CD）的精确测量与缺陷检测成为保障芯片良率的核心挑战。扫描电子显微镜（SEM）作为主流量测工具，其图像自动解析能力依赖于高质量的训练数据。然而，真实SEM图像获取成本高昂、标注困难且涉及工艺保密性，限制了机器学习模型的研发。在此背景下，SEMICON-2026-Localization-DS5-v1数据集由半导体量测领域的研究团队于2026年创建，旨在提供大规模、多样化的合成CD-SEM图像基准。该数据集包含100,000张1024×1024分辨率、16位深度的图像，覆盖十种典型半导体结构（如密集线条、接触孔、通孔等），并通过确定性的分层采样策略划分训练、验证和测试集，确保无泄漏。作为主要交付物，该数据集为ML/CD-SEM算法的开发与标准化评估提供了公共基准，有望推动半导体量测领域人工智能技术的落地与比较。

当前挑战

该数据集所应对的领域挑战主要在于：真实CD-SEM图像数据稀缺、标注成本高、工艺多样性不足，导致现有机器学习模型泛化能力有限，难以应对复杂结构下的高精度定位需求。构建过程中的挑战包括：需在合成图像中模拟真实SEM成像的物理效应（如噪声、边缘模糊、畸变）以保持域一致性；确保十种结构类型的分布权重合理并经过利益相关方审批；生成流程需满足严格的验证门（L1至L5），涵盖采样统计、图像质量、标注一致性等维度；同时，数据规模达400GB，对存储、生成效率及确定性种子管理提出高要求。此外，如何通过分层采样实现无泄漏的数据划分，并建立可复现的基准评估协议，也是一项关键工程挑战。

常用场景

经典使用场景

SEMICON-2026-Localization-DS5-v1数据集是面向半导体制造领域中的关键尺寸扫描电子显微镜（CD-SEM）图像分析而精心构建的大规模基准数据集。其经典使用场景聚焦于机器学习模型的训练与验证，特别是针对集成电路制造过程中的结构定位（Localization）与缺陷检测任务。数据集包含100,000张1024×1024像素、16位深度的灰度图像，空间分辨率达1.0 nm/px，覆盖致密线条、接触孔、通孔、孤立线、鳍片、栅极、沟槽、浅槽隔离、双材料及标准间距等十类典型晶圆结构，并依照结构类型进行分层采样，划分出70%训练、15%验证和15%测试的固定子集，确保样本无泄漏，为评估模型泛化能力与鲁棒性提供了严谨的标准化测试平台。

解决学术问题

该数据集针对半导体制造过程中微小结构尺寸测量与定位的精度瓶颈，解决了传统图像分析方法在复杂形貌下适应性不足、标注数据稀缺且缺乏统一基准的学术难题。通过提供带精细地面真值（ground truth）的高分辨率图像，它支持研究者开发超分辨率重构、语义分割、目标检测及图像配准等算法，以提升CD-SEM图像的解析能力和结构边界识别准确性。数据集的标准化设计（固定分割、结构权重分配）使得不同算法间的性能对比具有统计学意义，推动了计量学中自动化分析与缺陷分类的定量研究，为降低制程变异影响、提高良率预测模型的可信度奠定了数据基础，其规模与多样性亦有助于探索大规模预训练模型在半导体图像理解中的迁移潜力。

衍生相关工作

该数据集作为开源基准，已衍生出一系列相关研究工作，包括基于深度学习的CD-SEM图像超分辨率重建模型、用于结构感知分割的卷积神经网络架构（如U-Net变体）以及在少量标注条件下进行半监督学习的对比学习框架。研究者利用其分层分割特性探索跨类别迁移学习，开发了针对不平衡结构的有效训练策略，并针对图像噪声与工艺变化提出了数据增强方法。此外，该数据集还催生了针对SEM图像配准与定位的端到端可微系统，以及将物理模型（如蒙特卡洛模拟）与神经网络结合的混合建模途径。在评测层面，后续工作引入了更精细的度量指标（如边界误差、瓦塞尔距离）和不确定性量化技术，推动了可解释人工智能在半导体计量中的应用，这些衍生工作反过来又为数据集注入了新的标注规范与拓展可能性。