A wafer bin map (WBM) represents wafer testing results for individual dies on a wafer using a binary value representing pass or fail. WBMs often have specific defect patterns, which occur because of assignable causes. Therefore, identifying defect patterns in WBMs helps to understand root causes of process failure. Previous studies on the classification of WBM defect patterns have shown effective performances. However, in previous studies, class imbalance over WBM defect patterns has not been considered, although in practice it is more reasonable to assume that there is a significantly large number of WBMs without any defect patterns because defect patterns occur when there are process faults. In this paper, we propose memory-augmented convolutional neural networks with triplet loss for classifying defect patterns in highly imbalanced WBM data. We use a triplet loss-based convolutional neural networks as an embedding function to make a well-separated low-dimensional space according to defect patterns. Then, we use a memory module to balance the number of WBMs between classes of defect patterns. We train the proposed model end-to-end to learn the embedding function and update the memory simultaneously. We validate the proposed model using simulated WBM data. The proposed model shows high classification performance and effective embedding results for imbalanced WBM data.
웨이퍼 가공이 끝난 후 웨이퍼 내 각 칩의 불량 여부를 테스트한 결과에 따라 웨이퍼 각 칩을 정상 또는 불량을 나타내는 이진수로 표현한 데이터를 웨이퍼빈맵이라고 한다. 웨이퍼빈맵의 다양한 결함 패턴은 서로 다른 공정 이상 원인에 의해 발생한다고 알려져 있다. 따라서 웨이퍼빈맵의 결함 패턴을 식별하는 것은 공정 이상 원인을 파악하는데에 중요하다. 웨이퍼 결함 패턴을 분류하는 기존의 방법들은 클래스 간 훈련 데이터의 개수가 동일하다고 가정하였다. 그러나, 결함 패턴은 공정 상에 문제가 발생하였을 때 생성되므로, 결함 패턴이 없는 웨이퍼빈맵이 전체 데이터 중 대부분을 차지한다. 이러한 데이터의 불균형을 고려하여, 본 연구에서는 웨이퍼 결함 패턴을 분류하는 메모리가 결합된 합성곱 신경망을 제안한다. 제안하는 모델은 합성곱 신경망을 통해 고차원의 웨이퍼빈맵을 낮은 차원의 벡터로 변환하여, 결함 패턴에 따라 잘 분리된 저차원의 공간을 만든다. 메모리는 클래스 간 샘플의 수를 맞추는데 사용된다. 제안하는 모델은 합성곱 신경망과 메모리를 하나의 손실로 동시에 학습된다. 시뮬레이션 실험을 통해 제안하는 모델이 고차원의 불균형 데이터를 효과적으로 저차원으로 변환하며 우수한 성능으로 분류할 수 있음을 보였다.
