AdaBalGAN：一种改进的生成对抗网络，采用不平衡学习用于晶圆缺陷模式识别

晶圆图的缺陷模式识别可以为半导体晶圆制造系统（SWFSs）中的质量控制提供洞察。在真实的SWFSs中，收集到的晶圆图通常在缺陷类型上是不平衡的，这会导致错误识别。本文提出了一种新型深度学习模型，称为自适应平衡生成对抗网络（AdaBalGAN），用于处理不平衡数据的晶圆图缺陷模式识别（DPR）。此外，还改进了一种分类生成对抗网络，以高保真度生成模拟晶圆图，并在所有缺陷类别下以高准确性分类模式。考虑到DPR模型对不同模式的各种学习能力，设计了一种自适应生成控制器，根据分类准确性平衡每种缺陷类型的样本数量。实验结果表明，所提出的AdaBalGAN模型在晶圆图的DPR方面优于传统模型，具有更高的准确性和稳定性。进一步的比较实验结果揭示，所提出的自适应生成机制可以增强并平衡晶圆图DPR中所有类别的识别准确性.