要約
ウェーハ マップ上のパターンは、エンジニアが半導体製造中に生産上の問題の原因を特定する上で重要な役割を果たします。
コストを削減し、精度を向上させるためには自動化技術が不可欠であり、最近のディープラーニングの発展は、ウェーハマップのパターン認識において目覚ましい成果をもたらしています。
これに関連して、半教師あり学習と対比学習法の有効性に触発され、平均教師フレームワークと教師あり対比学習損失を統合してウェーハマップパターン認識を強化する革新的なアプローチを紹介します。
当社の方法論は、ウェーハパターンの微妙な違いに対処するだけでなく、限られたラベル付きデータから生じる課題にも取り組みます。
プロセスをさらに改良するために、SMOTE およびアンダーサンプリング技術を採用することで、ウェーハ データセット内のデータの不均衡に対処します。
提案手法を総合的に解析し、半導体メーカーから入手した実世界データセットWM811Kを用いた実験によりその有効性を実証します。
ベースライン方法と比較して、私たちの方法は精度、精度、再現率、および F1 スコアでそれぞれ 5.46%、6.68%、5.42%、および 4.53% の向上を達成しました。
要約(オリジナル)
The patterns on wafer maps play a crucial role in helping engineers identify the causes of production issues during semiconductor manufacturing. In order to reduce costs and improve accuracy, automation technology is essential, and recent developments in deep learning have led to impressive results in wafer map pattern recognition. In this context, inspired by the effectiveness of semi-supervised learning and contrastive learning methods, we introduce an innovative approach that integrates the Mean Teacher framework with the supervised contrastive learning loss for enhanced wafer map pattern recognition. Our methodology not only addresses the nuances of wafer patterns but also tackles challenges arising from limited labeled data. To further refine the process, we address data imbalance in the wafer dataset by employing SMOTE and under-sampling techniques. We conduct a comprehensive analysis of our proposed method and demonstrate its effectiveness through experiments using real-world dataset WM811K obtained from semiconductor manufacturers. Compared to the baseline method, our method has achieved 5.46%, 6.68%, 5.42%, and 4.53% improvements in Accuracy, Precision, Recall, and F1 score, respectively.
arxiv情報
| 著者 | Qiyu Wei,Xun Xu,Zeng Zeng,Xulei Yang |
| 発行日 | 2024-11-27 17:24:24+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google