Classificação do padrão de falha do mapa de wafer usando transformação geométrica

Scientific Reports volume 13, Número do artigo: 8127 (2023) Citar este artigo

349 acessos

1 Altmétrica

Detalhes das métricas

A classificação do padrão de defeito do mapa de wafer é essencial nos processos de fabricação de semicondutores para aumentar o rendimento e a qualidade da produção, fornecendo informações importantes sobre a causa raiz. No entanto, o diagnóstico manual por especialistas de campo é difícil em situações de produção em larga escala, e as estruturas de aprendizado profundo existentes requerem uma grande quantidade de dados para aprendizado. Para resolver isso, propomos um novo método invariante de rotação e inversão baseado na regra de rotulagem de que o padrão de defeito do mapa wafer não tem efeito na rotação e inversão de rótulos, alcançando desempenho discriminante de classe em situações de dados escassos. O método utiliza um backbone de rede neural convolucional (CNN) com uma transformação Radon e inversão de kernel para obter invariância geométrica. O recurso Radon serve como uma ponte equivariante de rotação para CNNs invariantes à tradução, enquanto o módulo flip do kernel permite que o modelo seja invariante. Validamos nosso método por meio de extensos experimentos qualitativos e quantitativos. Para análise qualitativa, sugerimos uma propagação de relevância multi-ramificação em camadas para explicar adequadamente a decisão do modelo. Para análise quantitativa, a superioridade do método proposto foi validada com um estudo de ablação. Além disso, verificamos o desempenho de generalização do método proposto para invariantes de rotação e inversão para dados fora da distribuição usando conjuntos de testes aumentados de rotação e inversão.

A classificação de padrões de mapa de wafer bin está ganhando atenção como uma abordagem crítica para aumentar o rendimento e a qualidade nos processos de fabricação de semicondutores, permitindo a análise de causa raiz (RCA)1,2. Como os chips de circuito integrado (CI), que são compostos por circuitos eletrônicos que possibilitam funções desejadas em diversos produtos elétricos, diminuem continuamente de tamanho, seu processo de fabricação torna-se mais sofisticado, dificultando a análise da causa de defeitos no processo3. Numa fase posterior do processo de produção do semicondutor, antes do empacotamento, são realizados diferentes testes elétricos e térmicos para avaliar se cada chip é normal no nível da matriz do wafer em binário. Em seguida, os defeitos são exibidos chip a chip no wafer e isso forma um padrão de defeito. Como esse padrão de defeito é o resultado final de todo o procedimento, é possível analisar a correlação entre o padrão de defeito e o histórico e os detalhes do processo, permitindo a RCA no processo. Portanto, a classificação do padrão de defeito do mapa de wafer é particularmente importante neste campo porque está fortemente ligada à melhoria da qualidade que a indústria de semicondutores almeja, ao mesmo tempo em que aumenta o rendimento da produção.

Além da classificação de defeitos baseada em padrões, tem havido uma demanda crescente pela automação do processo de classificação. O processo de rotulagem do padrão do mapa wafer é conduzido diretamente por especialistas na área, que é trabalhoso e custoso, e o desempenho do diagnóstico varia de acordo com os engenheiros. Pesquisas recentes sobre rotulagem automatizada usando o modelo de classificação de mapa wafer foram realizadas devido aos recursos superiores de automação do modelo de classificação baseado em dados em vários setores. As abordagens existentes podem ser classificadas em duas categorias, dependendo do mecanismo de inferência orientado por dados: (1) baseado em aprendizado de máquina e (2) baseado em aprendizado profundo.

Abordagens baseadas em aprendizado de máquina para classificação de padrão de defeito de wafer utilizam uma variedade de modelos de previsão para extrair recursos discriminativos de classe com base em vários recursos artesanais derivados do mapa de wafer. Yuan et al.4 propuseram a classificação de padrões de defeitos espaciais usando agrupamento de vetores de suporte e o método Bayesiano. Wu et al.5 propuseram um método baseado em máquina de vetores de suporte (SVM) usando um conjunto de Radon e características invariantes de escala. Ele demonstrou que os recursos baseados em Radon podem ser usados ​​para adquirir uma resposta equivalente à rotação. Yu e Lu6 propuseram o uso de análises discriminantes lineares locais e não locais conjuntas para detecção e reconhecimento de defeitos em mapas de wafer com base em vários recursos, incluindo recursos geométricos e Radon. Saqlain et al.7 propuseram um classificador de ensemble de votação usando vários recursos, incluindo recursos de Radon. Vários modelos que empregam recursos úteis foram examinados ativamente para esses métodos com base no conhecimento do domínio; no entanto, existe uma limitação em termos de desempenho de inferência devido à superficialidade dos modelos baseados em aprendizado de máquina.