WaferSegClassNet — شبكة خفيفة الوزن للتصنيف والتقسيم للعيوب في شرائح أشباه الموصلات

مع تزايد كثافة التكامل وتعقيد تصميم أشباه الموصلات، تزداد أيضًا حجم وتعقيد العيوب الموجودة فيها. وبما أن فحص العيوب يدويًا مكلف للغاية، فإن الحاجة ملحة إلى استخدام نهج مدعوم بالذكاء الاصطناعي (AI) قائم على الرؤية الحاسوبية تلقائية. تمتلك الدراسات السابقة في مجال تحليل العيوب عدة قيود، مثل الدقة المنخفضة وضرورة استخدام نماذج منفصلة للتصنيف والتقسيم. أما بالنسبة لتحليل العيوب المختلطة، فإن بعض الدراسات السابقة تتطلب تدريب نموذج منفصل لكل نوع من العيوب، وهو ما يُعد غير قابل للتوسع. في هذه الورقة، نقدّم WSCN (WaferSegClassNet)، شبكة جديدة تعتمد على بنية مشفرة-مُفكّكة (encoder-decoder). تقوم WSCN بتصنيف وتقسيم العيوب الفردية والمتعددة الأنواع في آنٍ واحد. تستخدم WSCN "مشفرًا مشتركًا" (shared encoder) للتصنيف والتقسيم معًا، مما يمكّن من تدريب النموذج بشكل متكامل (end-to-end). نستخدم خسارة التباين N-pair في المرحلة الأولية لتدريب النموذج المسبق (pretraining) للـ encoder، ثم نستخدم خسارة BCE-Dice لتقسيم العيوب، وخسارة التباديل الفئوية (categorical cross-entropy) للتصنيف. وتساهم خسارة التباين N-pair في تحسين تمثيل المتجهات المضمنة (embedding representation) في البُعد الخفي لخرائط أشباه الموصلات. تمتلك WSCN حجم نموذج仅 0.51 ميغابايت، وتُنفّذ فقط 0.2 مليون عملية فلوب (FLOPS)، مما يجعلها أخف بكثير من النماذج الرائدة الأخرى. كما أنها تحتاج فقط إلى 150 دورة تدريب (epochs) للانصهار (convergence)، مقابل 4000 دورة مطلوبة في دراسة سابقة. قمنا بتقييم نموذجنا على مجموعة بيانات MixedWM38 التي تحتوي على 38,015 صورة. حققت WSCN دقة تصنيف متوسطة تبلغ 98.2%، ومعامل ديك (Dice coefficient) قدره 0.9999. ونحن أول من عرض نتائج تقسيم على مجموعة بيانات MixedWM38. يمكن الحصول على الشفرة المصدرية من الرابط التالي: https://github.com/ckmvigil/WaferSegClassNet.