Few-shot learning을 이용해 불균형 데이터에 강건한 웨이퍼 불량 패턴 분류 및 신규 불량 패턴 탐지 방법

Abstract

반도체 산업에서 EDS(electrical die sorting) 검사로 인해 생성되는 웨이퍼 빈 맵(WBM)은 웨이퍼 상 각 칩의 양품과 불량 정보를 담고 있다. WBM에서 불량칩의 특정 위치와 분포로 이를 불량 패턴으로 분류할 수 있다. 특정 불량 패턴의 경우 특정 공정의 영향을 받아 생성되기 때문에 공정 과정에서 WBM을 빠르게 분류하는 머신 러닝 모델을 활용하면 공정 수율 향상과 제품 품질 향상을 이룰 수 있다. 또한 공정 과정에서 발생하는 신규 불량 패턴이 탐지될 수 있도록 하여 모델의 신뢰성을 높여야 한다. 본 연구에서는 Few shot learning 기법 중 하나인 Prototypical network를 사용해 기존 불량 패턴 분류와 신규 불량 패턴 탐지를 진행하였다. 이 기법은 불균형한 데이터에 강건한 성능을 보이며 클래스별 적은 데이터가 존재해도 학습이 가능한 장점이 있다. 또한 실제 공정 환경을 고려해 기존 모델을 변형하여 검증 데이터의 라벨을 사용하지 않고 클래스별 프로토타입을 생성해 검증 과정에 활용하였다. 이 과정에서 데이터에 존재하는 잘못된 라벨링 데이터를 제외한 프로토타입 생성 방법을 제시한다. 클래스별 프로토타입을 생성한 후 검증 데이터와 각 프로토타입과의 거리를 계산하여 기존 불량 패턴을 분류하고 신규 불량 패턴을 검증 과정에서 탐지하도록 하였다. 기존 연구와의 비교 실험을 진행했을 때 더 높은 분류 정확도를 보였으며 특히 소수 클래스의 경우 큰 정확도의 향상을 보였다.