Diffuse to Detect: Generative Diffusion Models for Unsupervised IC Anomaly Detection

ملخص تقني: الانتشار للكشف: نماذج الانتشار التوليدية للكشف غير الخاضع للإشراف عن عيوب الدوائر المتكاملة (IC)

بيان المشكلة
تتناول الورقة البحثية التحدي الحرج المتمثل في فحص العيوب الكامنة في تصنيع أشباه الموصلات. العيوب الكامنة هي عيوب فيزيائية (مثل التماس المقاومة أو الفتحات المقاومة) تسمح للأجهزة باجتياز جميع معايير الاختبار الوظيفي ولكنها تسبب حالات فشل في الميدان تحت ظروف التشغيل. ويعد اكتشاف هذه العيوب أمراً صعباً بسبب ثلاثة عوامل متراكمة:

1. الاختلال الشديد في الفئات: غالباً ما تكون معدلات الفشل في نطاق أجزاء في المليون (على سبيل المثال، أقل من 0.12% في مجموعات البيانات المدروسة)، مما يجعل التعلم الخاضع للإشراف غير عملي بسبب نقص بيانات الشذوذ المصنفة وميل المصنفات إلى الانهيار نحو الفئة الأكثر تكراراً.
2. الأبعاد العالية: تولد برامج الاختبار الحديثة آلاف الميزات القياسية لكل جهاز، مما يخلق مساحة ميزات عالية الأبعاد حيث تعاني الطرق التقليدية القائمة على المسافة أو الكثافة دون هندسة ميزات دقيقة.
3. التفاوت الصارم: يجب أن توازن أنظمة الفحص بين تعظيم استدعاء الشذوذ النادر وتقليل الإيجابيات الكاذبة لتجنب فقدان الإنتاجية (Yield Loss)، وهو توازن تفشل فيه عمليات العتبة البدائية.

ركزت طرق الكشف عن الشذوذ القائمة على الانتشار (Diffusion) بشكل أساسي على بيانات الصور أو البيانات الجدولية منخفضة الأبعاد (مثل TabDDPM)، والتي تعامل ناقلات الميزات كمدخلات مسطحة وغير مرتبة. وتفتقر هذه النهج إلى التحيز الاستقرائي الهيكلي المطلوب لبيانات اختبار الدوائر المتكاملة (IC) عالية الأبعاد والمتباينة دلالياً.

المنهجية
يقترح المؤلفون "الانتشار للكشف" (Diffuse to Detect)، وهو إطار عمل غير خاضع للإشراف بالكامل يدمج محول الانتشار (Diffusion Transformer - DiT) لنمذجة توزيع السيليكون السليم. تمر المنهجية عبر المراحل التالية:

1. تقليل الأبعاد والترميز (Tokenization):

   • يتم أولاً ضغط ناقلات القياس عالية الأبعاد ($x \in \mathbb{R}^F$، حيث $F \sim 10^3$) بواسطة مشفر MLP ذي طبقتين إلى تمثيل كامن مدمج ($h \in \mathbb{R}^{D_r}$، حيث $D_r = 128$).
   • يتم إعادة تشكيل هذا الناقل الكامن إلى تسلسل رموز ثنائي الأبعاد مهيكل ($Z_0 \in \mathbb{R}^{C \times L}$)، على غرار تضمين الرقع (Patch Embedding) في محولات الرؤية (Vision Transformers). وهذا يسمح للنموذج بمعاملة بيانات القياس كتسلسل بدلاً من ناقل مسطح.

2. الترميز الموضعي ثنائي المستوى:

   • على مستوى الميزة: تُضاف تضمينات جيبية ثابتة لترميز موقع الرموز داخل التسلسل الكامن، مما يلتقط البنية الدلالية لتدفق الاختبار.
   • على مستوى الشريحة (Die-Level): يقوم MLP متعلم ومحكوم (Gated MLP) بتوليد تضمين لكل جهاز بناءً على إحداثيات الرقاقة الفيزيائية ($d_x, d_y$). وهذا يراعي الاختلافات المكانية المنهجية (مثل تأثيرات الحواف مقابل المركز) المتأصلة في بيانات اختبار مستوى الرقاقة.

3. عملية الانتشار:

   • يستخدم الإطار محول انتشار أحادي البعد (1D DiT) كعمود فقري لإزالة الضجيج. وخلافاً لنماذج الانتشار الجدولية القياسية التي تستخدم شبكات ResNet-based MLPs، يستخدم DiT1D آليات الانتباه الذاتي لالتقاط الارتباطات المركبة بين الميزات عبر تسلسل الرموز.
   • يتم تدريب النموذج حصرياً على الأجهزة السليمة باستخدام هدف DDPM القياسي للتنبؤ بالضجيج المضاف خلال عملية الانتشار الأمامية.

4. درجة الشذوذ (Anomaly Scoring):

   • أثناء الاستدلال، يتم اشتقاق درجة الشذوذ من خطأ التنبؤ بالضجيج عبر مجموعة ثابتة من خطوات الانتشار متوسطة المدى.
   • الأجهزة التي تقع خارج التوزيع المتعلم للسيليكون السليم تسبب أخطاء إعادة بناء مرتفعة.
   • يتجنب هذا النهج أخذ العينات التكرارية لغرض تسجيل الدرجات، مما يتطلب فقط عدداً ثابتاً من التمريرات الأمامية، مما يجعله مناسباً لعمليات الفحص عالية الإنتاجية.

المساهمات الرئيسية

• أول إطار عمل للانتشار لبيانات اختبار الدوائر المتكاملة (IC): تقدم الورقة أول إطار عمل قائم على نموذج الانتشار للكشف عن الشذوذ غير الخاضع للإشراف على بيانات الاختبار الكهربائية للدوائر المتكاملة، مما يلغي الحاجة إلى هندسة الميزات اليدوية.
• الترميز الهيكلي والترميز الموضعي: يقترح المؤلفون مخطط ترميز موضعي ثنائي المستوى يجمع بين التضمينات الجيبية الثابتة لمواقع الرموز وتضمينات الشريحة المتعلمة لكل جهاز. وهذا يشفر كل من بنية تدفق الاختبار والهندسة المكانية للرقاقة.
• الانتشار في الفضاء الكامن باستخدام المحولات: يوضح العمل أن إجراء عملية الانتشار في فضاء كامن مدمج باستخدام مزيل ضجيج يعتمد على المحولات (Transformer) يتفوق على الطرق التي تقوم بالانتشار في فضاء الميزات الخام أو التي تستخدم مزيلات ضجيج قائمة على MLP.

النتائج التجريبية
تم تقييم الإطار على مجموعتي بيانات صناعيتين لدوائر متكاملة (IC) مخصصة للسيارات بتقنية 16 نانومتر، والتي اتسمت باختلال شديد في الفئات (معدلات الشذوذ 0.22% و0.12%).

• الأداء: حقق نموذج DiT1D المقترح أداءً هو الأفضل في حالته (SOTA)، متفوقاً على الطرق الكلاسيكية (مثل Isolation Forest وPCA)، والأساليب المرجعية للتعلم العميق (مثل GANomaly وDAGMM)، ونماذج الانتشار المرجعية (مثل TabDDPM وDTE variants).
  • في مجموعة البيانات 1، حقق DiT1D قيمة AUROC بلغت 0.771 وقيمة AUCPR بلغت 0.0250، متجاوزاً بشكل كبير أفضل طريقة تالية (LOF وDTE-IG على التوالي). وقد نجح في استدعاء 3 من أصل 7 حالات شذوذ مؤكدة عند عتبة إنتاجية 95%، بينما لم تستطع معظم الأسالções المرجعية استدعاء أي حالة أو حالة واحدة فقط.
  • في مجموعة البيانات 2، كان DiT1D هو الطريقة الوحيدة التي استدعت جميع حالات الشذو السبع الموجودة في تقسيم الاختبار عند نقطة تشغيل إنتاجية 95%.
• دراسات الاستئصال (Ablation Studies):
  • أدى إزالة التضمين الموضعي لمستوى الشريحة إلى أكبر انخفاض في الأداء (انخفض AUROC بمقدار 0.234)، مما يبرز أهمية نمذجة الاختلافات المكانية للرقاقة.
  • أدى إزالة المشفر التلقائي (الانتشار في الفضاء الخام) إلى تدهور الأداء بشكل حاد، مما يؤكد ضرورة الضغط الكامن.
  • استبدال المحول (Transformer) بظهر (Backbone) من نوع MLP (أسلوب TabDDPM) أدى إلى انخفاض في AUROC والاستدعاء، مما يؤكد فائدة الانتباه الذاتي في التقاط الارتباطات بين الرموز.

الأهمية والادعاءات
تدعي الورقة أن "الانتشار للكشف" يوفر حلاً قوياً لأهداف جودة "الصفر عيوب" (Zero Defect) المطلوبة في قطاعات السيارات والحوسبة عالية الأداء. ومن خلال الاستفادة من نماذج الانتشار التوليدية المدربة فقط على البيانات السليمة، فإن هذا النهج:

• يلغي الحاجة إلى عينات شذوذ مصنفة، مما يعالج ندرة بيانات العيوب في العمليات الناضجة.
• يتجنب هندسة الميزات اليدوية، التي كانت تاريخياً تمثل عقبة في مسارات جودة أشباه الموصلات.
• يوفر قابلية للتفسير: من خلال بقايا إعادة البناء في الفضاء الكامن، يمكن للطريقة تحديد مكان الفشل. ويشير المؤلفون إلى أنه يمكن رسم هذه البقايا مرة أخرى إلى برامج اختبار محددة، مما يوفر لمهندسي الاختبار رؤى قابلة للتنفيذ حول الأسباب الجذرية (مثل تحديد انحرافات قياس تسرب محددة) دون الحاجة إلى معرفة التمثيل الكامن.

يضع هذا العمل نفسه كخطوة هامة نحو تطبيق النمذجة التوليدية المتقدمة على القيود المحددة لبيانات اختبار أشباه الموصلات عالية الأبعاد، والمرتبطة مكانياً، وغير المتوازنة للغاية.