반도체 웨이퍼 결함 탐지와 OOD(Out-of-Distribution) 견고성 학습

Semiconductor Wafer Defect Detection and Robust OOD Learning

연구 내용

웨이퍼 맵 결함 데이터의 분포 변화에 대응하기 위해 OOD 탐지와 준지도/손실함수 기반 결함 인식 모델을 결합하여 신뢰성 있는 검사 추론을 제공하는 연구

반도체 공정에서는 실제 결함 분포가 공정 상태에 따라 달라져 학습 분포 밖 샘플에 취약합니다. 연구는 웨이퍼 bin map(WBM) 기반 결함 인식에서 out-of-distribution(OOD) 신호를 견고하게 다루기 위해 softmax 확률 보정과 Outlier Exposure(OE) 전략을 결합합니다. 또한 라벨 부족 문제를 해결하기 위해 triplet loss 기반 준지도 학습과 Mixup을 적용하고, 데이터 희소성을 완화하기 위해 합성 결함 이미지를 보조 데이터로 활용합니다. 이를 통해 결함 탐지 모델의 일반화와 이상 샘플 대응력을 높이는 데 차별성을 둡니다.

관련 프로젝트

2건

연구 흐름

초기에는 softmax 기반 분류기의 확률 보정을 통해 hard OOD까지 포함한 OOD 탐지 성능을 안정화하는 방향으로 연구를 수행했습니다. 이후 웨이퍼 bin map 환경에서 라벨이 제한된 조건을 고려하여 semi-supervised learning과 triplet loss, Mixup을 조합한 결함 탐지 모델로 확장했습니다. 최근에는 실제 결함 샘플 수집 비용을 고려해 DCGAN으로 합성 결함을 생성하고 OE에 통합하여 웨이퍼 맵 결함의 OOD 대응력을 강화하는 연구를 진행했습니다. 이러한 흐름은 웨이퍼 불량 탐지 모델 개발 과제의 요구사항과 연결됩니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

웨이퍼 품질 판정 자동화
공정 상태 변화 감지
OOD 기반 검사 신뢰도 지표
라벨 부족 환경 결함 분류
합성 결함 데이터 생성 파이프라인
결함 유형별 우선 탐지
검사 결과의 자동 보정
제조 이상 조기 경보 체계
품질 보증용 모델 모니터링
반도체 EDS 의사결정 연계