Classification of defect patterns in wafer bin maps (WBMs) is an important research problem because it helps to identify the cause of semiconductor manufacturing process problems and contributes to solving process problems. However, in real applications, new defect patterns that could not be observed before may be generated. Previous studies for detecting such WBMs with out-of-distribution defect patterns depended on the two-stage methodology based on the deep neural networks (DNNs) due to the poor uncertainty quantification of DNNs. The two-stage methodology can cause performance degradation due to error propagation and inefficient prediction time. This study proposes a methodology to classify defect patterns while detecting out-of-distribution defect patterns through distance-based uncertainty with only a single model by applying the input distance awareness property to the proposed model. In addition, we propose the regularization term to encourage the proposed model consistently to have higher uncertainty for out-of-distribution defect patterns and apply it to the loss function. Finally, we propose a noise filtering algorithm that can be applied to real data of wafer bin maps. In real WBM data, our proposed method showed better out-of-distribution detection performance than other competing methods with only one forwarding of a single model, while showing competitive classification performance.
웨이퍼 빈 맵의 결함 패턴 분류는 반도체 제조공정 문제 원인을 파악하는데 도움을 주어 공정문제를 해결하는데 기여하므로 중요하게 연구되는 문제이다. 그러나 실제 공정 상황에서는 기존에 관측 할 수 없었던 새로운 결함 패턴이 발생 할 수 있다. 기존과 다른 분포 외 패턴을 가진 웨이퍼 빈 맵을 탐지하기 위한 기존연구들은 심층모델의 부족한 불확실성 정량화로 인해, 심층모델의 2단계 방법론에 의존하였다. 2단계 방법론은 오차 전파로 인한 성능저하와 비효율적인 예측시간 문제를 유발 할 수 있다. 본 연구는 제안하는 모델에 입력 거리 인식 특성을 적용하여, 단일 모델만으로 거리기반 불확실성을 통해 분포 외 결함 패턴을 탐지하는 동시에 결함패턴을 분류하는 방법론을 제안한다. 또한 제안하는 모델이 분포 외 결함 패턴에 대해 높은 불확실성을 일관적으로 가지도록 도와주는 정규화 항을 제안하여 손실함수에 적용하였다. 마지막으로 웨이퍼 빈 맵의 실제 데이터에 적용할 수 있는 노이즈 필터링 알고리즘을 제안한다. 실제 데이터에서, 제안하는 방법론은 단일 모델의 한번의 포워딩만으로도 다른 비교방법보다 더 나은 분포 외 탐지 성능을 보여주면서도, 대등한 분류 성능을 보여주었다.
