WaferSegClassNet ― 半導体ウェーハ欠陥の分類およびセグメンテーションのための軽量ネットワーク

半導体ウェーハの集積密度および設計の複雑さが増すにつれて、その欠陥の規模と複雑性も著しく増加している。手動によるウェーハ欠陥検査はコストが高いため、自動化された人工知能（AI）に基づくコンピュータビジョン手法の開発が強く求められている。従来の欠陥分析手法には、精度が低く、分類とセグメンテーションに別々のモデルが必要であるといった限界がある。特に、混合タイプの欠陥を分析する場合、従来の手法では各欠陥タイプごとに個別にモデルを訓練する必要があり、スケーラビリティに欠けるという問題があった。本論文では、エンコーダ・デコーダアーキテクチャに基づく新しいネットワークであるWaferSegClassNet（WSCN）を提案する。WSCNは、単一タイプおよび混合タイプのウェーハ欠陥について、同時に分類とセグメンテーションを実行できる。WSCNは、分類とセグメンテーションの両タスクに共通の「共有エンコーダ」を用いることで、エンド・トゥ・エンドでの学習が可能となる。まず、Nペアコントラスト損失（N-pair contrastive loss）を用いてエンコーダの事前学習を行い、その後、セグメンテーションにはBCE-Dice損失、分類にはカテゴリカル・クロスエントロピー損失を適用する。Nペアコントラスト損失の導入により、ウェーハマップの潜在空間におけるより優れた埋め込み表現が得られる。WSCNのモデルサイズはわずか0.51MBであり、実行時の演算量（FLOPS）は0.2Mにとどまるため、他の最先端モデルと比較して極めて軽量である。また、従来の手法が4,000エポックを要するのに対し、WSCNはわずか150エポックで収束する。我々は、38,015枚の画像を含むMixedWM38データセットを用いてモデルの評価を行った。その結果、WSCNは平均分類精度98.2％およびDice係数0.9999を達成した。本研究は、MixedWM38データセットにおけるセグメンテーション結果を初めて報告するものである。ソースコードは、https://github.com/ckmvigil/WaferSegClassNet から入手可能である。