用于硅晶圆生产监控的深度开集识别
计算机视觉与模式识别
2022-08-31 v1
摘要
任何电子设备中的芯片都在圆形硅晶圆上制造,并在不同生产阶段由检测设备监控。检测设备检测并定位晶圆内的任何缺陷,返回晶圆缺陷图(WDM),即缺陷所在坐标的列表,可视为一幅巨大、稀疏的二值图像。在正常条件下,晶圆呈现少量随机分布的缺陷,而以特定图案成组出现的缺陷可能指示生产线中已知或新颖的故障类别。毋庸置疑,半导体行业首要关注的是识别这些图案并尽快干预以恢复正常的生产条件。在此,我们将WDM监控视为一个开集识别问题,以准确将WDM分类为已知类别并迅速检测新颖图案。特别地,我们提出一种基于子流形稀疏卷积网络(Submanifold Sparse Convolutional Network)的晶圆监控综合流程,该深度架构设计用于以任意分辨率处理稀疏数据,并在已知类别上训练。为检测新颖性,我们定义了一种基于高斯混合模型的离群检测器,拟合于分类器的潜在表示。我们在真实WDM数据集上的实验表明,直接通过子流形稀疏卷积处理全分辨率WDM,在已知类别上的分类性能优于传统卷积神经网络(CNN),后者需要预先分箱以减小表示WDM的二值图像尺寸。此外,我们的方案在检测新颖性方面优于最先进的(state-of-the-art)开集识别方案。
引用
@article{arxiv.2208.14071,
title = {Deep Open-Set Recognition for Silicon Wafer Production Monitoring},
author = {Luca Frittoli and Diego Carrera and Beatrice Rossi and Pasqualina Fragneto and Giacomo Boracchi},
journal= {arXiv preprint arXiv:2208.14071},
year = {2022}
}