Classificazione dei modelli di guasto della mappa wafer mediante trasformazione geometrica
Rapporti scientifici volume 13, numero articolo: 8127 (2023) Citare questo articolo
328 accessi
1 Altmetrico
Dettagli sulle metriche
La classificazione dei modelli di difetti della mappa wafer è essenziale nei processi di produzione dei semiconduttori per aumentare la resa e la qualità della produzione fornendo informazioni chiave sulla causa principale. Tuttavia, la diagnosi manuale da parte di esperti sul campo è difficile in situazioni di produzione su larga scala e i framework di deep learning esistenti richiedono una grande quantità di dati per l’apprendimento. Per risolvere questo problema, proponiamo un nuovo metodo invariante di rotazione e capovolgimento basato sulla regola di etichettatura secondo cui il modello di difetto della mappa wafer non ha alcun effetto sulla rotazione e sul capovolgimento delle etichette, ottenendo prestazioni discriminanti di classe in situazioni di dati scarsi. Il metodo utilizza una dorsale di rete neurale convoluzionale (CNN) con una trasformazione del Radon e un kernel flip per ottenere l'invarianza geometrica. La funzionalità Radon funge da ponte equivariante alla rotazione per CNN invarianti alla traduzione, mentre il modulo flip del kernel consente al modello di essere invariante al flip. Abbiamo convalidato il nostro metodo attraverso ampi esperimenti qualitativi e quantitativi. Per l'analisi qualitativa, suggeriamo una propagazione della rilevanza a livello di più rami per spiegare adeguatamente la decisione del modello. Per l'analisi quantitativa, la superiorità del metodo proposto è stata convalidata con uno studio di ablazione. Inoltre, abbiamo verificato le prestazioni di generalizzazione del metodo proposto per la rotazione e l'inversione degli invarianti per dati fuori distribuzione utilizzando set di test aumentati di rotazione e inversione.
La classificazione dei modelli di mappe dei wafer sta guadagnando attenzione come approccio critico per aumentare la resa e la qualità nei processi di produzione dei semiconduttori consentendo l'analisi delle cause alla radice (RCA)1,2. Poiché i chip dei circuiti integrati (IC), composti da circuiti elettronici che consentono le funzioni desiderate in vari prodotti elettrici, diminuiscono continuamente di dimensioni, il loro processo di produzione diventa più sofisticato, rendendo più difficile analizzare la causa dei difetti nel processo3. In una fase successiva del processo di produzione dei semiconduttori, prima del confezionamento, vengono effettuati diversi test elettrici e termici per valutare se ciascun chip è normale a livello del die del wafer in formato binario. Quindi, i difetti vengono visualizzati chip per chip sul wafer e questo forma uno schema di difetti. Poiché questo modello di difetto è il risultato finale dell'intera procedura, è possibile analizzare la correlazione tra il modello di difetto e la storia e i dettagli del processo, consentendo l'RCA nel processo. Pertanto, la classificazione dei modelli di difetti della mappa dei wafer è particolarmente importante in questo campo perché è fortemente legata al miglioramento della qualità a cui mira l'industria dei semiconduttori, aumentando al tempo stesso la resa produttiva.
Oltre alla classificazione dei difetti basata su modelli, è cresciuta la richiesta di automazione del processo di classificazione. Il processo di etichettatura del modello della mappa wafer è condotto direttamente da esperti del settore, il che richiede manodopera e costi elevati e le prestazioni di diagnosi variano a seconda degli ingegneri. Una recente ricerca sull'etichettatura automatizzata utilizzando il modello di classificazione della mappa dei wafer è stata condotta a causa delle capacità di automazione superiori del modello di classificazione basato sui dati in una varietà di settori. Gli approcci esistenti possono essere classificati in due categorie a seconda del meccanismo di inferenza basato sui dati: (1) basati sull'apprendimento automatico e (2) basati sul deep learning.
Gli approcci basati sull'apprendimento automatico per la classificazione dei modelli di difetti dei wafer utilizzano una varietà di modelli di previsione per estrarre caratteristiche discriminative di classe basate su diverse caratteristiche artigianali derivate dalla mappa dei wafer. Yuan et al.4 hanno proposto la classificazione dei modelli di difetti spaziali utilizzando il clustering dei vettori di supporto e il metodo bayesiano. Wu et al.5 hanno proposto un metodo basato su Support Vector Machine (SVM) utilizzando un insieme di funzionalità Radon e invarianti di scala. Ha dimostrato che le funzionalità basate sul radon possono essere utilizzate per acquisire una risposta equivalente alla rotazione. Yu e Lu6 hanno proposto l'uso di analisi discriminanti lineari locali e non locali congiunte per il rilevamento e il riconoscimento dei difetti della mappa wafer sulla base di molteplici caratteristiche, comprese le caratteristiche geometriche e del Radon. Saqlain et al.7 hanno proposto un classificatore di ensemble votante utilizzando varie caratteristiche, comprese le caratteristiche del Radon. Per questi metodi basati sulla conoscenza del dominio sono stati esaminati attivamente vari modelli che utilizzano funzionalità utili; tuttavia, esiste una limitazione in termini di prestazioni di inferenza a causa della superficialità dei modelli basati sull'apprendimento automatico.