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

Resumen Técnico: Difundir para Detectar: Modelos de Difusión Generativa para la Detección No Supervisada de Anomalías en Circuitos Integrados

Enunciado del Problema
El artículo aborda el desafío crítico de la detección de defectos latentes en la fabricación de semiconductores. Los defectos latentes son imperfecciones físicas (por ejemplo, cortocircuitos resistivos o circuitos abiertos) que permiten que los dispositivos superen todos los criterios de prueba funcional pero provocan fallos en el campo bajo estrés operativo. Detectar estos defectos es difícil debido a tres factores que se potencian mutuamente:

1. Desequilibrio de Clases Extremo: Las tasas de fallo suelen estar en el rango de partes por millón (por ejemplo, <0.12% en los conjuntos de datos estudiados), lo que hace que el aprendizaje supervisado sea poco práctico debido a la falta de datos de anomalías etiquetadas y a la tendencia de los clasificadores a colapsar hacia la clase mayoritaria.
2. Alta Dimensionalidad: Los programas de prueba modernos generan miles de características de medición paramétrica por dispositivo, creando un espacio de características de alta dimensión donde los métodos tradicionales basados en distancia o densidad luchan sin una ingeniería de características cuidadosa.
3. Tolerancia Estricta: Los sistemas de detección deben equilibrar la maximización de la recuperación de anomalías raras con la minimización de falsos positivos para evitar la pérdida de rendimiento, un equilibrio que la umbralización ingenua a menudo no logra alcanzar.

Los métodos existentes de detección de anomalías basados en difusión se han centrado principalmente en datos de imágenes o datos tabulares de baja dimensionalidad (por ejemplo, TabDDPM), que tratan los vectores de características como entradas planas y desordenadas. Estos enfoques carecen del sesgo inductivo estructural requerido para los datos de prueba de circuitos integrados de alta dimensionalidad y semánticamente heterogéneos.

Metodología
Los autores proponen Difundir para Detectar, un marco completamente no supervisado que incorpora un Transformador de Difusión (DiT) para modelar la distribución del silicio sano. La metodología procede a través de las siguientes etapas:

1. Reducción de Dimensionalidad y Tokenización:

   • Los vectores de medición crudos de alta dimensionalidad ($x \in \mathbb{R}^F$, donde $F \sim 10^3$) se comprimen primero mediante un codificador MLP de dos capas en una representación latente compacta ($h \in \mathbb{R}^{D_r}$, donde $D_r = 128$).
   • Este vector latente se remodela en una secuencia estructurada de tokens 2D ($Z_0 \in \mathbb{R}^{C \times L}$), análogo a la incrustación de parches en los Transformadores de Visión. Esto permite que el modelo trate los datos de medición como una secuencia en lugar de un vector plano.

2. Codificación Posicional de Dos Niveles:

   • Nivel de Característica: Se añaden incrustaciones sinusoidales fijas para codificar la posición de los tokens dentro de la secuencia latente, capturando la estructura semántica del flujo de prueba.
   • Nivel de Die: Un MLP aprendido y con puerta genera una incrustación por dispositivo basada en las coordenadas físicas de la oblea ($d_x, d_y$). Esto tiene en cuenta las variaciones espaciales sistemáticas (por ejemplo, efectos de borde vs. centro) inherentes a los datos de prueba a nivel de oblea.

3. Proceso de Difusión:

   • El marco emplea un Transformador de Difusión 1D (DiT1D) como columna vertebral de eliminación de ruido. A diferencia de los modelos de difusión tabular estándar que utilizan MLPs basados en ResNet, DiT1D utiliza mecanismos de autoatención para capturar correlaciones compuestas entre características a través de la secuencia de tokens.
   • El modelo se entrena exclusivamente con dispositivos sanos utilizando el objetivo DDPM estándar para predecir el ruido añadido durante el proceso de difusión hacia adelante.

4. Puntuación de Anomalías:

   • Durante la inferencia, una puntuación de anomalía se deriva del error de predicción de ruido sobre un conjunto fijo de pasos de tiempo de difusión de rango medio.
   • Los dispositivos que se encuentran fuera de la distribución aprendida del silicio sano inducen errores de reconstrucción elevados.
   • El enfoque evita el muestreo iterativo para la puntuación, requiriendo solo un número fijo de pasadas hacia adelante, lo que lo hace adecuado para la detección de producción de alto rendimiento.

Contribuciones Clave

• Primer Marco de Difusión para Datos de Prueba de CI: El artículo introduce el primer marco basado en modelos de difusión para la detección no supervisada de anomalías en datos de prueba eléctrica de circuitos integrados, eliminando la necesidad de ingeniería manual de características.
• Tokenización Estructurada y Codificación Posicional: Los autores proponen un esquema novedoso de codificación posicional de dos niveles que combina posiciones de tokens sinusoidales fijas con incrustaciones de die aprendidas por dispositivo. Esto codifica tanto la estructura del flujo de prueba como la geometría espacial de la oblea.
• Difusión en Espacio Latente con Transformadores: El trabajo demuestra que realizar la difusión en un espacio latente compacto utilizando un eliminador de ruido Transformer supera a los métodos que difunden en el espacio de características crudo o utilizan eliminadores de ruido basados en MLP.

Resultados Experimentales
El marco se evaluó en dos conjuntos de datos industriales de prueba de circuitos integrados automotrices de 16 nm caracterizados por un desequilibrio de clases extremo (tasas de anomalía del 0.22% y 0.12%).

• Rendimiento: El modelo DiT1D propuesto logró un rendimiento de vanguardia, superando a métodos clásicos (por ejemplo, Bosque de Aislamiento, PCA), líneas base de aprendizaje profundo (por ejemplo, GANomaly, DAGMM) y líneas base de difusión existentes (TabDDPM, variantes de DTE).
  • En el Conjunto de Datos 1, DiT1D logró un AUROC de 0.771 y un AUCPR de 0.0250, superando significativamente al segundo mejor método (LOF y DTE-IG, respectivamente). Recuperó con éxito 3 de 7 anomalías confirmadas en un umbral de rendimiento del 95%, mientras que la mayoría de las líneas base recuperaron cero o una.
  • En el Conjunto de Datos 2, DiT1D fue el único método que recuperó las 7 anomalías presentes en la división de prueba en el punto operativo de rendimiento del 95%.
• Estudios de Ablación:
  • Eliminar la incrustación posicional a nivel de die causó la mayor caída en el rendimiento (el AUROC disminuyó en 0.234), destacando la importancia de modelar las variaciones espaciales de la oblea.
  • Eliminar el autoencoder (difundiendo en el espacio crudo) degradó severamente el rendimiento, confirmando la necesidad de compresión latente para datos de alta dimensionalidad.
  • Reemplazar el Transformer con una columna vertebral MLP (estilo TabDDPM) resultó en un AUROC y una recuperación más bajos, validando el beneficio de la autoatención para capturar correlaciones entre tokens.

Significado y Afirmaciones
El artículo afirma que Difundir para Detectar ofrece una solución robusta para los objetivos de calidad "Cero Defectos" requeridos en los sectores automotriz y de computación de alto rendimiento. Al aprovechar modelos de difusión generativa entrenados exclusivamente con datos sanos, el enfoque:

• Elimina la necesidad de anomalías etiquetadas, abordando la escasez de datos de defectos en procesos maduros.
• Evita la ingeniería manual de características, que históricamente ha sido un cuello de botella en las pipelines de calidad de semiconductores.
• Proporciona interpretabilidad: A través de los residuos de reconstrucción en el espacio latente, el método permite la localización de fallos. Los autores señalan que estos residuos pueden mapearse de nuevo a programas de prueba específicos, ofreciendo a los ingenieros de prueba información procesable sobre las causas raíz (por ejemplo, identificar desviaciones específicas en mediciones de fuga) sin requerir conocimiento de la representación latente.

El trabajo se posiciona como un paso significativo hacia adelante en la aplicación de modelado generativo avanzado a las restricciones específicas de los datos de prueba de semiconductores de alta dimensionalidad, espacialmente correlacionados y extremadamente desequilibrados.