목적: 분포 외(OOD) 탐지는 결함을 식별하고 품질 관리를 보장하는 데 있어 반도체 제조 공정에서 중요한 역할을 한다. 그러나 다양한 실제 결함 샘플을 수집하는 일은 비용이 많이 들고 어려워 모델 성능을 제한한다. 본 연구는 Deep Convolutional Generative Adversarial Networks(DCGAN)를 사용하여 합성 결함 이미지를 생성하고, 이를 보조 데이터셋으로서 Outlier Exposure(OE) 프레임워크에 통합함으로써 OOD 탐지를 향상시킨다.방법: WM 811K 웨이퍼 데이터셋을 사용하여 DCGAN으로 합성 결함 이미지를 생성하고 이를 OE 프레임워크에 통합한다. 제안된 접근법은 Maximum Softmax Probability(MSP) 및 표준 OE 모델과 비교하여 그 효과를 평가한다. 성능은 FPR95, AUROC, AUPR로 측정한다. 또한 DCGAN 학습 에폭이 이미지 품질과 탐지 성능에 미치는 영향을 조사한다.결과: 실험 결과, DCGAN을 사용한 OE가 기준 방법보다 유의하게 우수함을 나타냈다. DCGAN 생성 데이터를 통합하면 FPR95는 감소하고 AUROC 및 AUPR은 증가하여 OOD 탐지 능력이 향상됨을 보여준다. 또한 DCGAN 학습을 최적화하는 방식이 합성 데이터의 품질과 전체 모델 성능을 어떻게 개선하는지에 대한 점을 강조한다.결론: 본 연구는 DCGAN으로 생성된 결함 이미지가 반도체 OOD 탐지에서 데이터 희소성 문제를 효과적으로 완화함을 확인한다. 향후 연구에서는 대안적인 생성 모델(예: StyleGAN, VQ-VAE)을 탐색하고, 클래스 불균형 문제를 해결하여 강건성과 신뢰성을 더욱 향상시켜야 한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.