The results obtained in the wafer test process are expressed as a wafer map and contain important information indicating whether each chip on the wafer is functioning normally. The defect patterns shown on the wafer map provide information about the process and equipment in which the defect occurred, but automating pattern classification is difficult to apply to actual manufacturing sites unless processing speed and resource efficiency are supported. The purpose of this study is to classify these defect patterns with a small amount of resources and time. To this end, we explore an efficient convolutional neural model that can incorporate three properties: (1) state-of-the-art performances, (2) the less resource usage, and (3) the faster processing time. In this study, we deal with classifying 9 types of frequently found defect patterns: center, donut, edge-location, edge-ring, location, random, scratch, near-full type, none type using open dataset WM-811K. We compared classification performance, resource usage, and processing time using EfficientNetV2, ShuffleNetV2, MobileNetV2 and MobileNetV3, which are the smallest and latest light-weight convolutional neural network models. As a result, we confirmed that MobileNetV3-based wafer map pattern classifier is the fastest, uses the least resources, and achieves high classification performance comparable to general CNN models. Therefore, it can be proved that it can be used as a wafer map classification model without high-performance hardware in an actual manufacturing system.
웨이퍼 검사 공정에서 얻어진 결과는 웨이퍼 맵으로 표현되며 웨이퍼 상 각 칩들의 정상 동작 여부를 나타내는 중요한 정보를 담고 있다. 웨이퍼 맵에 나타난 불량 패턴은 결함이 발생한 공정과 장비에 관한 정보를 제공하지만, 패턴 분류를 자동화하는 것은 처리 속도와 자원 효율성이 뒷받침되지 않으면 실제 제조 현장에 적용하기 어렵다. 본 연구의 목적은 이러한 불량 패턴을 적은 자원과 시간으로 분류하는 것이다. 이를 위해 (1) 최신 성능, (2) 자원 사용량 감소, (3) 처리 시간 단축이라는 세 가지 속성을 통합할 수 있는 효율적인 합성곱 신경망 모델을 탐색한다. 본 연구에서는 공개 데이터셋 WM-811K를 사용해 웨이퍼에서 많이 발견되는 9가지 불량 패턴 유형(센터, 에지 로케이션, 로케이션, 도넛, 에지 링, 랜덤, 스크래치, 니어풀, 논)을 분류하는 문제를 다룬다. 가장 크기가 작고 최신의 경량 합성곱 신경망 모델인 이피션트넷 버전2, 셔플넷 버전2, 모바일넷 버전2, 버전3을 사용해 분류 성능과 자원 사용량 및 처리 시간을 비교하였다. 그 결과 모바일넷 버전3 기반의 웨이퍼 맵 패턴 분류기가 가장 빠르고 가장 적은 자원을 사용하면서 일반 합성곱 신경망 모델에 준하는 높은 분류 성능을 달성하는 것을 확인하였다. 따라서 실제 제조 시스템에서 고성능 하드웨어 없이도 웨이퍼 맵 분류 모델로 활용이 가능하다는 것을 증명할 수 있다.
