반도체 제조 산업에서 웨이퍼 빈 맵의 불량 패턴 분류는 품질 관리와 원인 분석 측면에서 매우 중요한 문제이다. 분류 성능 향상을 위해 딥러닝 모델을 도입한 연구들이 다수 진행되고 있으나, 딥러닝 모델로 정상 및 불량 패턴을 분류하기 위해서는 모든 웨이퍼 빈 맵에 정확한 정상 및 불량 패턴 레이블이 있어야한다. 하지만 현실에서는 웨이퍼 빈 맵 별로 레이블이 지정되어 있지 않고, 데이터 양도 매우 많아서 실제 현장 엔지니어가 모든 데이터에 레이블을 부여하기에는 많은 시간과 비용이 발생한다. 게다가, 기존 CNN 기반의 연구는 현실 상황에서 추가적으로 등장하는 신규 불량 패턴은 감지할 수 없다는 한계점도 지닌다. 본 연구에서는 이러한 문제를 해결하기 위해 액티브 러닝을 활용한 반도체 웨이퍼 신규 패턴 검출 방법론을 제안한다. 액티브 러닝은 딥러닝 모델 구축에 도움을 주는 데이터를 효과적으로 샘플링할 수 있는 기법으로, 레이블이 존재하는 적은 수의 데이터만으로도 모델의 우수한 성능을 확보할 수 있다는 장점을 지닌다. 여기에 더하여, 딥러닝 모델이 실제로 보지 못했던 신규 패턴을 빠르게 탐지하고 이를 자동으로 분류할 수 있는 프레임워크를 제안했다. 제안하는 방법론의 유용성과 실제 산업에 대한 적용 가능성에 대해 웨이퍼 빈 맵 오픈데이터인 WM-811K를 통해 확인하였다
In the semiconductor manufacturing industry, a wafer bin map (WBM) contains defect patterns that provides important clues to identify the root causes of the defect. Traditionally, field engineers classify the pattern types by manually checking WBM. Recently, many studies have been conducted for automatic classification by using deep learning models. To accurately classify defect patterns with convolutional neural network (CNN)-based deep learning models, every WBM must have accurate pattern labels. However, in reality, it takes a lot of time and efforts for engineers to label all the data. In addition, existing CNN-based studies show limitations that cannot detect new defect patterns, frequently occurred in real situations. In this study, we devise a new pattern detection framework based on active learning. Through this, new patterns can be selectively detected even with existing active learning methodologies, and classification performance can be secured by effectively sampling unlabeled data. And we compared the performance and characteristics of each sampling strategy for new pattern detection. The usefulness and applicability of this study was demonstrated by WM-811K, publicly available WBM data.