Классификация шаблонов отказов карты пластин с использованием геометрического преобразования

Научные отчеты, том 13, Номер статьи: 8127 (2023) Цитировать эту статью

349 Доступов

1 Альтметрика

Подробности о метриках

Классификация шаблонов дефектов на картах пластин необходима в процессах производства полупроводников для повышения производительности и качества продукции за счет предоставления ключевой информации о первопричинах. Однако ручная диагностика экспертами на местах затруднительна в крупномасштабных производственных ситуациях, а существующие системы глубокого обучения требуют большого количества данных для обучения. Чтобы решить эту проблему, мы предлагаем новый метод, инвариантный к вращению и переворачиванию, основанный на правиле маркировки, согласно которому шаблон дефектов карты пластины не влияет на вращение и переворот меток, обеспечивая производительность дискриминанта класса в ситуациях с ограниченными данными. В методе используется основа сверточной нейронной сети (CNN) с преобразованием Радона и переворотом ядра для достижения геометрической инвариантности. Функция Radon служит мостом, эквивариантным вращению, для трансляционно-инвариантных CNN, а модуль переворота ядра позволяет модели быть инвариантной в отношении переворота. Мы проверили наш метод посредством обширных качественных и количественных экспериментов. Для качественного анализа мы предлагаем многоветвевое послойное распространение релевантности, чтобы правильно объяснить решение модели. Для количественного анализа превосходство предложенного метода было подтверждено исследованием абляции. Кроме того, мы проверили эффективность обобщения предложенного метода для инвариантов вращения и переворота для данных вне распределения, используя расширенные тестовые наборы вращения и переворота.

Классификация шаблонов карт пластинных ячеек привлекает внимание как критический подход к повышению производительности и качества в процессах производства полупроводников за счет обеспечения анализа первопричин (RCA)1,2. Поскольку микросхемы интегральных схем (ИС), состоящие из электронных схем, обеспечивающих выполнение желаемых функций в различных электротехнических изделиях, постоянно уменьшаются в размерах, процесс их производства становится более сложным, что затрудняет анализ причин дефектов в процессе3. На более позднем этапе процесса производства полупроводников, перед упаковкой, проводятся различные электрические и тепловые испытания, чтобы оценить, является ли каждый чип нормальным на уровне кристалла пластины в двоичном виде. Затем дефекты отображаются на пластине по отдельности, и это формирует картину дефектов. Поскольку эта модель дефектов является конечным результатом всей процедуры, можно проанализировать корреляцию между структурой дефектов и историей и деталями процесса, включив RCA в процесс. Поэтому классификация шаблонов дефектов на картах пластин особенно важна в этой области, поскольку она тесно связана с улучшением качества, к которому стремится полупроводниковая промышленность, а также с повышением выхода продукции.

Помимо классификации дефектов на основе шаблонов, растет спрос на автоматизацию процесса классификации. Процесс маркировки шаблонов карт пластин проводится непосредственно экспертами в этой области, что является трудоемким и дорогостоящим, а эффективность диагностики зависит от инженеров. Недавнее исследование автоматизированной маркировки с использованием модели классификации карт пластин было проведено благодаря превосходным возможностям автоматизации модели классификации на основе данных в различных секторах. Существующие подходы можно разделить на две категории в зависимости от механизма вывода на основе данных: (1) на основе машинного обучения и (2) на основе глубокого обучения.

Подходы к классификации шаблонов дефектов пластин, основанные на машинном обучении, используют различные модели прогнозирования для извлечения отличительных признаков класса на основе нескольких созданных вручную функций, полученных из карты пластины. Юань и др.4 предложили классификацию пространственных дефектов с использованием кластеризации опорных векторов и байесовского метода. Ву и др.5 предложили метод, основанный на машине опорных векторов (SVM), с использованием набора функций Радона и масштабно-инвариантных функций. Он продемонстрировал, что функции на основе радона можно использовать для получения реакции, эквивариантной вращению. Ю и Лу6 предложили использовать совместный локальный и нелокальный линейный дискриминантный анализ для обнаружения и распознавания дефектов карты пластин на основе множества признаков, включая геометрические и радоновские особенности. Саклейн и др.7 предложили классификатор голосующего ансамбля, использующий различные функции, включая функции Радона. Различные модели, использующие полезные функции, активно исследовались для этих методов на основе знаний предметной области; однако существует ограничение с точки зрения производительности вывода из-за неглубокости моделей, основанных на машинном обучении.