Deep Open-Set Recognition for Silicon Wafer Production Monitoring

要約

電子デバイスに含まれるチップは、円形のシリコンウェーハ上に製造され、さまざまな製造段階で検査機によって監視されます。
検査機は、ウェーハ内の欠陥を検出して位置を特定し、ウェーハ欠陥マップ (WDM)、つまり欠陥が存在する座標のリストを返します。これは、巨大でまばらなバイナリ イメージと見なすことができます。
通常の状態では、ウェーハにはランダムに分布する少数の欠陥が見られますが、特定のパターンにグループ化された欠陥は、生産ラインでの既知または新規のカテゴリの障害を示している可能性があります。
言うまでもなく、半導体業界の主な関心事は、これらのパターンを特定し、できるだけ早く介入して通常の生産条件を回復することです。
ここでは、既知のカテゴリに WDM を正確に分類し、新しいパターンを迅速に検出するためのオープン セット認識問題として WDM の監視を扱います。
特に、サブマニフォールド スパース畳み込みネットワークに基づくウェーハ モニタリング用の包括的なパイプラインを提案します。このネットワークは、スパース データを任意の解像度で処理するように設計されたディープ アーキテクチャであり、既知のクラスでトレーニングされます。
ノベルティを検出するために、分類器の潜在表現に適合したガウス混合モデルに基づいて外れ値検出器を定義します。
WDM の実際のデータセットでの実験では、サブマニフォールド スパース畳み込みによってフル解像度の WDM を直接処理すると、既知のクラスで、WDM を表すバイナリ イメージのサイズを縮小するために予備的なビニングが必要な従来の畳み込みニューラル ネットワークよりも優れた分類パフォーマンスが得られることが示されています。
さらに、当社のソリューションは、ノベルティの検出において最先端のオープンセット認識ソリューションよりも優れています。

要約(オリジナル)

The chips contained in any electronic device are manufactured over circular silicon wafers, which are monitored by inspection machines at different production stages. Inspection machines detect and locate any defect within the wafer and return a Wafer Defect Map (WDM), i.e., a list of the coordinates where defects lie, which can be considered a huge, sparse, and binary image. In normal conditions, wafers exhibit a small number of randomly distributed defects, while defects grouped in specific patterns might indicate known or novel categories of failures in the production line. Needless to say, a primary concern of semiconductor industries is to identify these patterns and intervene as soon as possible to restore normal production conditions. Here we address WDM monitoring as an open-set recognition problem to accurately classify WDM in known categories and promptly detect novel patterns. In particular, we propose a comprehensive pipeline for wafer monitoring based on a Submanifold Sparse Convolutional Network, a deep architecture designed to process sparse data at an arbitrary resolution, which is trained on the known classes. To detect novelties, we define an outlier detector based on a Gaussian Mixture Model fitted on the latent representation of the classifier. Our experiments on a real dataset of WDMs show that directly processing full-resolution WDMs by Submanifold Sparse Convolutions yields superior classification performance on known classes than traditional Convolutional Neural Networks, which require a preliminary binning to reduce the size of the binary images representing WDMs. Moreover, our solution outperforms state-of-the-art open-set recognition solutions in detecting novelties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google