WaferSegClassNet -- 반도체 웨이퍼 결함의 분류 및 세그멘테이션을 위한 경량 네트워크

반도체 웨이퍼의 통합 밀도와 설계 복잡성이 증가함에 따라, 웨이퍼 내 결함의 크기와 복잡성도 함께 증가하고 있다. 수작업을 통한 웨이퍼 결함 검사 방식은 비용이 높기 때문에, 자동화된 인공지능(AI) 기반 컴퓨터 비전 기술이 매우 요구된다. 기존의 결함 분석 연구들은 낮은 정확도와 분류 및 세그멘테이션을 위한 별도 모델이 필요하다는 등의 한계를 가지고 있다. 혼합형 결함을 분석하는 경우, 일부 기존 연구들은 각 결함 유형별로 별도의 모델을 훈련해야 하므로 확장성이 떨어진다. 본 논문에서는 인코더-디코더 아키텍처 기반의 새로운 네트워크인 WaferSegClassNet(WSCN)을 제안한다. WSCN은 단일형 및 혼합형 웨이퍼 결함에 대해 동시에 분류 및 세그멘테이션을 수행할 수 있다. WSCN은 분류와 세그멘테이션에 공통 인코더(shared encoder)를 사용하여, 전체 모델을 엔드 투 엔드(end-to-end)로 훈련할 수 있도록 설계되었다. 먼저 N-pair 대조 손실(N-pair contrastive loss)을 사용해 인코더를 사전 훈련한 후, 세그멘테이션에는 BCE-Dice 손실, 분류에는 다항 교차 엔트로피 손실(categorical cross-entropy loss)을 활용한다. N-pair 대조 손실을 적용함으로써 웨이퍼 맵의 잠재 공간(latent dimension) 내에서 보다 우수한 임베딩 표현을 얻을 수 있다. WSCN의 모델 크기는 단지 0.51MB이며, 연산량은 0.2M FLOPS에 불과하여 기존 최첨단 모델들에 비해 훨씬 가볍다. 또한 기존 연구에서 4,000 에포크가 필요했던 반면, WSCN은 단 150 에포크만으로 수렴한다. 우리는 MixedWM38 데이터셋(총 38,015개 이미지)을 기반으로 모델 성능을 평가하였으며, 평균 분류 정확도는 98.2%, Dice 계수는 0.9999를 달성하였다. 본 연구는 MixedWM38 데이터셋에 대해 처음으로 세그멘테이션 결과를 제시한다. 소스 코드는 https://github.com/ckmvigil/WaferSegClassNet 에서 확인할 수 있다.