Обнаружение шаблонов пластин с использованием полуконтролируемого обучения

Было доказано, что шаблоны дефектов пластин позволяют выявить ошибки в ходе нескольких тестов с использованием расширенного статистического анализа. Первоначально использовались более старые методы, в которых полученные данные оказывались неточными, что приводило к большим проблемам при проведении экспериментов. Поэтому появились различные новые методы обнаружения, позволяющие получить более точные и точные результаты в различных областях.

Темы, затронутые в этой статье:

Ⅰ. Мотивация

Ⅱ. Этапы проведения эксперимента

Ⅲ. Результаты, полученные после моделирования

Ⅳ. Заключение

Несмотря на то, что мы живем в современном XXI веке, когда производственные системы стали более автоматизированными, процесс изготовления различных электронных деталей, таких как интегральные схемы (ИС), может приводить к ошибкам. При проведении исследований в любой области важно изучать любые закономерности для сбора, анализа и интерпретации результатов.

Когда дело доходит до испытаний пластин любой формы, результаты достигаются с использованием карт пластин, которые указывают расположение неисправных кристаллов на пластине.

Ⅰ. Мотивация

Качество набора обучающих данных и метод машинного обучения (ML) были применены, чтобы повлиять на производительность модели прогнозирования. Независимо от алгоритма ML, противоречивый обучающий набор отрицательно повлияет на производительность модели прогнозирования.

Можно увидеть, что коллекция размеченных карт пластин имеет разный уровень ошибок в маркировке. Например, для базы данных WM-811K было идентифицировано девять типов дефектов: центр, кольцевой, локальный по краям, кольцевой по краям, локальный, почти полный, случайный, царапина и отсутствие. При относительно приемлемых результатах распознавания можно идентифицировать семь из девяти типов неисправностей с визуально различимыми закономерностями (более 80 процентов). Однако более тщательное изучение базы данных выявляет ряд сомнительных обозначений, как показано в этом разделе.

1. Несогласованная маркировка

Непоследовательная маркировка проиллюстрирована на рис. 1 с несколькими примерами. Несмотря на то, что они кажутся очень похожими, на рис. 1(а) обозначен центр, а на рис. 1(б) — пончик. Рисунки 1(c) и 1(d) относятся к категории Scratch, однако рисунок 1(c) помечен как Donut. Понятно, что рис. 1(а) и рис. 1(в) имеют неправильные обозначения, что затрудняет обучение с учителем.

Рис. 1. Примеры противоречивой маркировки в WM-811K (а) Центр, (б) Кольчик, (в) Кольчик, (г) Царапина.

2. Несколько шаблонов

Множественные схемы неисправностей могут быть представлены на более сложной карте пластины. Эти шаблоны могут иметь только один тип неисправности или несколько типов дефектов. Примеры сложных карт пластин со смешанными типами шаблонов дефектов можно найти на рис. 2, а карты пластин с несколькими шаблонами дефектов одного и того же типа можно найти на рис. 3.

Рис. 2. Примеры смешанных шаблонов дефектов на карте одной пластины.

Рис. 3. Примеры нескольких шаблонов дефектов одного типа.

3. Особые редкие узоры

Рис. 4. Примеры специальных узоров.

В некоторых случаях могут возникнуть некоторые особые шаблоны дефектов, которые неправильно распознаются как отдельный тип шаблона. Большую часть времени эти карты пластин относят к расплывчатой, но связанной категории неисправностей. Например, «Локальный», «Нет», «Царапина» и «Локальный» — это метки для четырех карт пластин на рис. 4. В действительности, каждый из четырех шаблонов дефектов на рис. 4 можно отнести к категории отдельного типа шаблона дефектов. Почти половина пластин на рис. 4(а) являются дефектными кристаллами, поэтому этот показатель следует отнести к категории «Наполовину заполненных». На рис. 4(b) никакой закономерности не видно, однако плотность дефектов находится между «Нет» (низкая плотность) и «Случайная» (высокая плотность). Параллельные (или вертикальные) линии составляют дефектный узор на рис. 4(c) и на рис. 4(d).

4. Полуконтролируемая система

Чтобы обеспечить эффективность контролируемого обучения, очень важно точно разметить данные обучения. Для решения проблем неточных данных полуконтролируемое обучение является одним из идеальных методов, поскольку модели прогнозирования строятся с использованием исходных данных, размеченных вручную. Остальная часть немаркированных данных, которая не используется, затем классифицируется с использованием модели. Кроме того, они также используются для идентификации маркированных образцов, которые не соответствуют модели. Затем этот алгоритм обучается с использованием улучшенной маркировки на различных итерациях.

Если эти образцы не могут быть отнесены к существующему типу дефекта, они обрабатываются неконтролируемым алгоритмом для создания новых типов дефектов. Затем следующий цикл алгоритма обучения с учителем обучается с использованием улучшенной маркировки. Чтобы получить окончательную расширенную маркировку и категоризацию, весь процесс можно повторить несколько раз.

Ⅱ. Этапы проведения эксперимента

Всего было использовано три этапа, на которых данные изучались посредством эксперимента. Первые два этапа были извлечены с использованием алгоритмов машинного обучения, после чего помеченные карты пластин использовались для построения модели прогнозирования на третьем этапе.

Рис. 5. Полуконтролируемая система распознавания образов карт пластин с расширенной маркировкой.

1. Этап 1 — Предварительная обработка: все элементы в базе данных WM-811K могут быть указаны неправильно, и около 1,84 % карт пластин будут удалены. Следующий шаг — отбросить случайные дефекты, чтобы получить более чистые шаблоны, содержащие два локальных шаблона дефектов и несколько случайно распределенных шаблонов дефектов.

2. Этап 2. Извлечение функций. Алгоритмы машинного обучения извлекут все контролируемые и неконтролируемые функции. Для геометрических особенностей необходимо обнаружить кластерные дефекты, что можно сделать с помощью анализа связанных компонентов (CCA). Второй будет содержать статистические функции, в которых будут использоваться четыре класса.

3. Этап 3. Построение модели классификации. На третьем этапе необходимо сформировать классификационную модель с низким допуском в соответствии с имеющимися помеченными данными. Здесь будут проверены все неклассифицированные данные.

4. Этап 4. Классификация немаркированных данных. На четвертом этапе все немаркированные данные из третьего этапа будут приняты во внимание, если вероятность превышает порог предыдущего этапа. Если он не классифицирован, он будет классифицирован как «ошибочная пластина».

5. Этап 5 — Обучение без учителя. Здесь будут кластеризованы похожие карты пластин, которые еще не были помечены. Это делается с помощью самоорганизующейся карты (SOM), которая представляет собой модель искусственной нейронной сети (ИНС).

6. Этап 6 — Расширенная маркировка. Новые модели SOM необходимо маркировать вручную, поскольку некоторые группы очень похожи на существующие типы шаблонов дефектов. Такие существующие типы шаблонов дефектов будут объединены с уже существующими.

Ⅲ. Результаты, полученные после моделирования

В обучающем наборе помеченных образцов все этапы начались в первой итерации. Общее количество меченых образцов увеличилось, поскольку некоторые немаркированные образцы группируются по типу дефекта после каждой итерации. После каждой пятой итерации количество размеченных данных практически не менялось.

Рис. 6 Точность после каждой итерации

Достигнутая точность показана на рисунке выше, где первая итерация была предоставлена для справки, а модель прогнозирования построена с использованием обучающих данных. Увидев результаты, первая итерация показала очень высокую точность (97%). Но при внимательном рассмотрении фактическая точность составляла менее 80%. Это произошло из-за большого количества пластин, на которых не были обнаружены закономерности.

Ⅳ. Заключение

Для понимания и изучения карт автоматического обнаружения пластин контролируемая модель и ее алгоритм показали положительные результаты. Использование моделей ручного и машинного обучения может использоваться в разных случаях.

Для улучшения и выявления типов дефектов полуконтролируемое обучение может быть очень полезно для ряда приложений.