WaferSegClassNet – Ein leichtgewichtiges Netzwerk zur Klassifizierung und Segmentierung von Halbleiter-Wafer-Defekten

Mit zunehmender Integrationsdichte und Komplexität von Halbleiterwafern steigen auch die Größe und Komplexität auftretender Defekte stetig an. Da die manuelle Inspektion von Wafer-Defekten kostenaufwendig ist, wird ein automatisierter, auf künstlicher Intelligenz (KI) basierender Computer-Vision-Ansatz dringend benötigt. Bisherige Ansätze zur Defektanalyse weisen mehrere Einschränkungen auf, wie beispielsweise geringe Genauigkeit und die Notwendigkeit separater Modelle für Klassifikation und Segmentierung. Bei der Analyse gemischter Defekttypen erfordern einige dieser Ansätze die separate Schulung eines Modells pro Defektart, was nicht skalierbar ist. In diesem Artikel präsentieren wir WaferSegClassNet (WSCN), ein neuartiges Netzwerk auf Basis einer Encoder-Decoder-Architektur, das gleichzeitige Klassifikation und Segmentierung sowohl einheitlicher als auch gemischter Wafer-Defekte ermöglicht. WSCN nutzt einen „geteilten Encoder“ für sowohl Klassifikation als auch Segmentierung, was eine end-to-end-Schulung von WSCN erlaubt. Wir verwenden zunächst die N-Paar-Kontrastverlustfunktion zur Vortrainierung des Encoders und anschließend die BCE-Dice-Verlustfunktion für die Segmentierung sowie die kategorielle Kreuzentropie für die Klassifikation. Die Verwendung der N-Paar-Kontrastverlustfunktion fördert eine verbesserte Embedding-Repräsentation im latenten Raum von Wafer-Karten. WSCN weist lediglich eine Modellgröße von 0,51 MB und nur 0,2 M FLOPS auf, was es deutlich leichter als andere state-of-the-art-Modelle macht. Zudem benötigt es lediglich 150 Epochen zur Konvergenz, im Gegensatz zu 4.000 Epochen, die ein früherer Ansatz benötigte. Wir evaluieren unser Modell auf dem MixedWM38-Datensatz, der 38.015 Bilder umfasst. WSCN erreicht eine durchschnittliche Klassifikationsgenauigkeit von 98,2 % sowie einen Dice-Koeffizienten von 0,9999. Wir sind das erste Team, das Segmentierungsergebnisse auf dem MixedWM38-Datensatz präsentiert. Der Quellcode ist über https://github.com/ckmvigil/WaferSegClassNet verfügbar.