Since the defect chip of the wafer bin map (WBM) forms different defect patterns depending on the cause of occurrence, the cause of occurrence may be identified and taken action to figure out the reason through the classification of the defect patterns. Existing research on classifying defect patterns of WBM focused on classifying WBM-level defect patterns. Although more useful information can be obtained to determine the cause of process abnormality by classifying chip-level defect types, the existing method requires chip-level training labels, which requires a high cost. This study proposes a weak supervised semantic segmentation method that classifies chip-level defect types using only the WBM-level training labels. In particular, we propose a method for applying gridmask and rotation transformations to equivariant regularization loss functions, considering large size variability and binary characteristics of defect patterns. We validate the proposed method’s effective performance using simulation and real data.
웨이퍼 빈 맵의 결함 칩은 발생 원인에 따라 다른 결함 패턴을 형성하므로 결함 패턴의 분류를 통해 발생 원인을 파악하여 조치할 수 있다. 웨이퍼 빈 맵의 결함 패턴 관련 기존 연구는 웨이퍼 빈 맵 단위의 분류에 집중하였다. 칩 단위의 결함 유형 분류를 통해 공정 이상 원인을 파악하기 위한 보다 유용한 정보를 얻을 수 있으나, 기존 칩 단위 결함 유형 분류 방법의 경우 칩 단위 학습 레이블을 필요로 하므로 상당한 비용이 요구된다. 본 연구에서는 웨이퍼 빈 맵 단위의 학습 레이블만을 이용하여 칩 단위의 결함 유형을 분류하는 약지도 학습 기반 의미적 영상 분할 방법을 제안한다. 특히, 결함 패턴의 큰 크기 변동성과 바이너리 특성을 고려하여 그리드 마스크와 회전변환을 equivariant regularization 손실 함수에 적용하는 방법을 제안한다. 시뮬레이션 데이터 및 실제 데이터를 이용하여 제안하는 방법의 효과적인 성능을 검증한다.
