현대 반도체 제조에서 웨이퍼 빈 맵(WBM) 결함 패턴을 정확히 분류하는 것은 생산성을 보장하는 데 필수적이다. 최근 연구들은 딥러닝 기반 접근을 점차 활용하고 있으나, 그 효과는 종종 대규모의 라벨링된 데이터셋에 의존하며, 이는 확보 비용이 크다. 능동 학습(AL)은 가장 정보가 많은 샘플을 질의함으로써 라벨링 비용을 줄일 수 있는 실용적인 해결책을 제공한다. 그러나 기존의 AL 전략은 인간 라벨링 오류로 인해 발생하는 노이즈 라벨이 존재한다는 점 때문에 효과적으로 활용되기 어렵고, 이는 흔히 잘못된 결정 경계를 초래하며 확인 편향과 성능 저하로 이어진다. 이러한 한계를 해결하기 위해, 본 연구는 노이즈 라벨 하에서 WBM 결함 분류를 수행하는 하이브리드 딥 능동 학습 프레임워크를 제안한다. 제안된 프레임워크는 세 가지의 새로운 기법을 제시한다. 첫째, 커버리지 기반 다양성 샘플링은 라벨이 없는 풀에 대해 폭넓고 중복되지 않는 커버리지를 제공하는 후보 샘플을 식별한다. 둘째, 베이지안 기반 불확실성 샘플링은 정보 이득을 기준으로 후보를 순위화한다. 셋째, 가우시안 혼합 모델을 이용한 손실 기반 노이즈 필터링 메커니즘은 깨끗한 샘플과 노이즈가 있는 샘플을 구분한다. 노이즈 샘플을 폐기하는 대신, 그 이웃 영역을 아직 탐색되지 않은 것으로 표시하여 이후의 다양성 샘플링이 이를 다시 방문하고 확인 편향을 완화할 수 있도록 한다. 제안된 프레임워크의 효과는 노이즈 오라클 설정의 AL에서 실세계 WBM 데이터셋을 사용하여 검증하였다. 포괄적인 실험 결과는 제안된 프레임워크가 서로 다른 라벨 노이즈 비율 하에서 기존의 AL 기준 방법 및 최신 AL 방법을 실질적으로 능가함을 보여준다. 또한 광범위한 절제 실험을 통해 제안된 프레임워크의 각 기법이 강건성 및 라벨 효율성에 미치는 효과를 확인하였다. • 딥 능동 학습을 웨이퍼 빈 맵 결함 분류에 활용한다. • 대표 후보를 선택하기 위해 커버리지 기반 다양성 샘플링을 수행한다. • Monte Carlo dropout을 사용한 효율적인 베이지안 에피스테믹 불확실성을 활용한다. • 노이즈 라벨과 깨끗한 라벨을 구분하기 위해 손실 기반 가우시안 혼합 모델링을 적용한다. • 제안된 방법은 노이즈 라벨 조건에서 기존 방법보다 우수한 성능을 보인다.

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