.png){kind=icon}
返回
Adaptive Open-World Learning for Analyzing Wafer Map Variations
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.131994.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在半导体制造行业中，晶圆图对于可视化晶圆失效模式以及诊断晶圆失效的根本原因至关重要。然而，现有研究通常依赖具有二元表示的数据集，无法捕捉晶圆测试过程中不同项目中的失效细节。此外，研究人员使用闭集分类模型来学习晶圆图中的信息，这无法适应动态生产环境。本文介绍了基于项目级分层设计的数据预处理方法，专为工业生产环境中的Chip Probe Map（CP Map）和Delta Fuse Count Map（DFC Map）而设计，随后对这两种类型的晶圆图进行了全面的语义分析。同时，我们为这两种类型的晶圆图设计了一个开放世界学习框架，该框架包含两个组件：（1）M3Net用于已知类别的图像分类，从多任务学习、多尺度特征融合和多标签分类损失函数三个角度探索了CP Map和DFC Map的独特属性；（2）并行支持向量机（PSVM）用于新型类别图像检测。在工业数据集上的实验结果表明，M3Net在分类已知失效模式方面优于现有方法，而PSVM模块能够有效检测潜在的全新失效类型以供专家审查。这项工作为分析工业生产环境中的晶圆图变化提供了一种可扩展且自适应的解决方案。
Keyword:
Wafer map analysis
Open-world learning
Semiconductor manufacturing
Failure pattern detection
Industrial data preprocessing
