In this paper, we deal with a model that classifies mixed-type defect patterns that occur during the wafer production process according to the causes and detects new previously unseen defect patterns. The wafer bin map (WBM), which can be obtained through electrical die sorting (EDS) test after wafer manufacturing, has various defect patterns depending on the cause. However, in practice, it is impossible to obtain a sufficient quantity to allow the user to apply a wafer bin map with the desired defect pattern to the DNN. In order to classify mixed-type defect patterns and detect new defect patterns in a situation where only a few samples of the single-label defect pattern exist, we suggest the denoising autoencoder that optimizes the wafer bin map to remove randomly generated noise, a model agnostic meta learning (MAML) that is suitable for few-shot learning, and segmentation method to separate complex defect patterns into regions in the wafer bin maps. The presented model uses a multi-label model to classify mixed-type defect patterns, and (N+1) classes are set to detect unseen out-of-distribution (OOD) patterns. In addition, in order to train the OOD class that is not given for training, the fake parameter of OOD-MAML is modified and improved to be suitable for use in the multi-label model. The proposed model shows high accuracy even when only a small number of single pattern samples exist as training data.
본 논문에서는 웨이퍼 생산 과정에서 발생하는 복합적인 결함 패턴을 발생 원인에 따라 분류하고, 기존에 알려지지 않은 새로운 결함 패턴을 탐지해내는 모델을 다룬다. 웨이퍼 제조 후 electrical die sorting (EDS) 테스트를 통해 얻을 수 있는 웨이퍼 빈 맵은 원인에 따라 여러가지 결함 패턴을 가지며, 실제 상황에서 사용자가 원하는 복합적인 결함 패턴을 가진 웨이퍼 빈 맵 데이터를 DNN에 적용할 수 있을 정도로 충분한 수량만큼 얻는 것이 사실상 불가능하다. 이러한 소수의 단일 결함 패턴 샘플만이 존재하는 상황에서 다중 결함 패턴을 분류하고 새로운 결함 패턴을 탐지하기 위해서, 웨이퍼 빈 맵에 최적화하여 임의로 발생하는 노이즈를 제거하는 오토인코더 노이즈 제거기, 소량 학습에 적합한 model agnostic meta learning (MAML) 모델, 그리고 웨이퍼 빈 맵내 복합 결함 패턴을 영역별로 분리하는 분할 방법을 제시한다. 제시된 모델은 복합적인 결함 패턴을 분류하기 위해 다중 레이블 모델을 사용하고, 학습되지 않은 out-of-distribution (OOD) 패턴을 탐지하기 위해 (N+1)개의 클래스를 설정한다. 또한 학습에 주어지지 않은 OOD 클래스를 학습하기 위해 OOD-MAML의 fake 파라미터를 변형 적용하여 다중 레이블 모델에 사용이 적합하도록 개선한다. 제안된 모델은 소수의 단일패턴 샘플만이 학습 데이터로 존재하는 상황에서도 높은 정확도를 보인다.
