자율 데이터 주석을 통한 하이브리드 반도체 웨이퍼 검사 프레임워크

초록 스마트 제조에서 반도체는 데이터를 수집, 처리 및 분석하는 데 필수적인 역할을 하여 궁극적으로 보다 민첩하고 생산적인 운영을 가능하게 합니다. 웨이퍼의 기초적인 중요성을 고려할 때, 웨이퍼의 순도는 전체 반도체 제조의 무결성을 유지하는 데 필수적입니다. 이 연구는 결함이 있는 웨이퍼를 식별하고 자율 데이터 주석을 통해 결함 위치를 정밀하게 지적할 수 있는 새로운 자동 시각 검사(AVI) 프레임워크를 제안합니다. 처음에 제안된 방법론은 스토로보스코픽 이미징 시스템을 통해 캡처된 웨이퍼 이미지를 고해상도 및 저해상도 웨이퍼 이미지로 구분하기 위해 회색 수준 동시 발생 행렬(GLCM)으로 알려진 텍스처 분석 방법을 활용했습니다. GLCM 접근 방식은 결함이 있는 저해상도 웨이퍼 이미지와 정상 웨이퍼 이미지를 완전히 분리할 수 있도록 하였으며, 결함이 있는 저해상도 웨이퍼 이미지에서 결함 이미지를 추출하여 컨볼루션 신경망(CNN) 모델 교육에 사용했습니다. 그 결과, CNN 모델은 결함이 있는 저해상도 웨이퍼 이미지에서 결함 위치를 탁월하게 찾아내며, 정밀도와 재현성 지표의 조화 평균인 F1 점수를 90.1%를 초과하여 달성했습니다. 고해상도 웨이퍼 이미지에서는 배경 차감 기법이 결함을 흰 점 군집으로 나타냈습니다. 이러한 흰 점의 수는 결함을 결정하고 고해상도 웨이퍼 이미지에서 결함의 위치를 지적했습니다. 마지막으로, CNN 구현은 흰 점 군집 비율의 변동에 관계없이 성능, 견고성 및 일관성을 더욱 향상시켰습니다. 이 기법은 고해상도 웨이퍼 이미지에서 결함 위치를 찾는 정확성을 입증하며, F1 점수가 99.3%를 초과했습니다.