웨이퍼 맵 결함 패턴 분류는 핵심 원인 정보(root-cause information)를 제공함으로써 반도체 제조 공정에서 생산 수율과 품질을 향상시키는 데 필수적이다. 그러나 대규모 생산 상황에서 현장 전문가에 의한 수동 진단은 어렵고, 기존 딥러닝 프레임워크는 학습에 많은 양의 데이터가 필요하다. 이를 해결하기 위해, 레이블의 회전과 플립에는 웨이퍼 맵 결함 패턴이 영향을 주지 않는다는 라벨링 규칙에 기반한 새로운 회전 및 플립 불변성(rotation- and flip-invariant) 방법을 제안한다. 해당 방법은 데이터가 부족한 상황에서도 클래스 구별 성능(class discriminant performance)을 달성한다. 이 방법은 기하학적 불변성을 확보하기 위해 Radon 변환과 커널 플립(kernel flip)을 결합한 합성곱 신경망(CNN) 백본을 활용한다. Radon 특징은 이동 불변성을 갖는 CNN을 위한 회전 등변적 다리(rotation-equivariant bridge) 역할을 하며, 커널 플립 모듈은 모델이 플립 불변성을 갖도록 한다. 우리는 광범위한 정성 및 정량 실험을 통해 본 방법을 검증하였다. 정성적 분석을 위해, 모델의 의사결정을 적절히 설명하기 위한 다중 브랜치 층별 관련성 전파(multi-branch layer-wise relevance propagation)를 제안한다. 정량적 분석에서는, 애블레이션 연구(ablation study)를 통해 제안 방법의 우수성을 검증하였다. 또한, 회전 및 플립 증강 테스트 세트를 사용하여 분포 외 데이터(out-of-distribution data)에서 회전 및 플립 불변성에 대한 제안 방법의 일반화 성능을 확인하였다.

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