WaferSegClassNet – Un réseau léger pour la classification et la segmentation des défauts de wafers semi-conducteurs

À mesure que la densité d’intégration et la complexité du design des plaquettes semi-conductrices augmentent, la magnitude et la complexité des défauts qu’elles contiennent connaissent également une progression. Étant donné que l’inspection manuelle des défauts de plaquettes est coûteuse, une approche automatisée fondée sur l’intelligence artificielle (IA) basée sur la vision par ordinateur s’impose comme une nécessité. Les travaux antérieurs sur l’analyse des défauts présentent plusieurs limites, notamment une précision faible et la nécessité de modèles distincts pour la classification et la segmentation. Pour analyser des défauts de type mixte, certaines méthodes antérieures exigent l’entraînement séparé d’un modèle pour chaque type de défaut, ce qui rend ces approches non évolutives. Dans cet article, nous proposons WaferSegClassNet (WSCN), un nouveau réseau basé sur une architecture encodeur-décodeur. WSCN permet la classification et la segmentation simultanées des défauts uniques et mixtes. WSCN utilise un « encodeur partagé » pour la classification et la segmentation, ce qui permet un entraînement end-to-end du modèle. Nous utilisons une perte contrastive N-pair pour pré-entraîner initialement l’encodeur, puis une perte BCE-Dice pour la segmentation et une perte d’entropie croisée catégorique pour la classification. L’utilisation de la perte contrastive N-pair améliore la représentation d’encodage dans l’espace latent des cartes de plaquettes. WSCN dispose d’une taille de modèle de seulement 0,51 Mo et nécessite uniquement 0,2 M FLOPS, ce qui le rend nettement plus léger que les modèles de pointe actuels. De plus, il converge en seulement 150 époques, contre 4 000 époques requises par une étude antérieure. Nous évaluons notre modèle sur le jeu de données MixedWM38, comprenant 38 015 images. WSCN atteint une précision moyenne de classification de 98,2 % et un coefficient de Dice de 0,9999. Nous sommes les premiers à présenter des résultats de segmentation sur le jeu de données MixedWM38. Le code source est disponible à l’adresse suivante : https://github.com/ckmvigil/WaferSegClassNet.