Klasifikace desek podle vzorů poškození chipů při jejich výrobě

Abstract

Automatizovaná klasifikace vzorů defektů na deskách je náročný úkol pro výrobce polovodičů. V rámci supervizovaného učení byl udělán velký pokrok. Problémem je zisk olabelovaných datasetů. Datasety jsou malé a nemají dostatečnou kvalitu. Jejich vytvoření je drahé a časově náročné. Kvůli těmto důvodům je složité jejich použití při rané produkci. Tato práce analyzuje nejnovější přístupy pro práci s neoznačenými daty. Představuje metody, které vylepšují stávající modely trénované pouze na olabelovaných datech. Na základě provedeného průzkumu navrhuji menší model, který se zaměřuje na řešení problému různorodosti velikostí jednotlivých desek. Významné vylepšení proběhlo u minoritních tříd, hlavně u třídy Scratch.

Automatic classification of defect patterns in wafer bin maps is a challenging problem for semiconductor manufacturers. Recently, progress with supervised approaches has been made, but labeled datasets are usually small and of poor quality. The creation of high-quality datasets is expensive and time-consuming, limiting early production. This work analyzes a selfsupervised/semi-supervised learning approaches that use unlabeled data. Based on the resizing problem analysis, this thesis proposed a smaller model that focuses on improving defect classification performance with diverse-sized wafers. The substantial improvement was made with the minor classes, in particular, with Scratch class.