Conditional Generation of Overlapping Mixed-type Wafer Bin Map Defects via Feature-wise Linear Modulation

Resumen Técnico: Generación Condicional de Defectos de Mapas de Obleas de Tipos Mixtos y Superpuestos mediante Modulación Lineal por Características

Planteamiento del Problema
En la fabricación de semiconductores, los Mapas de Obleas (WBM, por sus siglas en inglés) proporcionan evidencia espacial crítica para el diagnóstico de procesos y la gestión del rendimiento. Mientras que los defectos de un solo tipo están bien estudiados, los defectos de tipos mixtos —donde múltiples mecanismos de defectos coexisten y se superponen espacialmente en una sola oblea— presentan un desafío significativo. Los enfoques existentes sufren dos limitaciones primarias:

1. Los modelos de clasificación a nivel de imagen emiten etiquetas de clase sin localizar las regiones de defectos constituyentes, fallando en proporcionar la evidencia espacial necesaria para el análisis de la causa raíz.
2. Los modelos basados en segmentación emplean típicamente un esquema de clasificación mutuamente excluyente por píxel. En las regiones superpuestas, estos modelos deben seleccionar un único tipo de defecto "más probable", descartando o encubriendo efectivamente los patrones constituyentes de otros defectos superpuestos. Este fenómeno de "ocultación" impide que los ingenieros identifiquen todos los mecanismos de defectos activos dentro de una superposición, particularmente para patrones delgados como los rayones (scratches), que son fácilmente abrumados por defectos más densos.

Metodología: La Red Generativa Condicional de Obleas (WCGN)
Para abordar estas limitaciones, los autores proponen la Red Generativa Condicional de Obleas (WCGN), un marco que reformula el análisis de WBM de tipos mixtos de una tarea directa de clasificación/segmentación a un problema de generación de máscaras condicionada por etiquetas.

• Arquitectura: El núcleo de WCGN es una arquitectura U-Net integrada con Modulación Lineal por Características (FiLM).
  • Codificador (Encoder): Extrae características espacciales multiescala del WBM de tipo mixto de entrada.
  • Mecanismo de Condicionamiento: En lugar de predecir todas las clases simultáneamente, el decodificador está condicionado a una etiqueta de defecto específica ($l$). Un "Mapeador de Etiquetas" (un MLP de dos capas) convierte la etiqueta de defecto one-hot en un vector de condición latente continuo ($v_{cond}$).
  • Capas FiLM: Estas capas se insertan en las etapas del decodificador. Utilizan $v_{cond}$ para generar parámetros de escala ($\gamma$) y desplazamiento ($\beta$) por canal. Esto modula linealmente los mapas de características, amplificando selectivamente las características relevantes para el defecto consultado mientras se suprimen los patrones irrelevantes o el ruido.
  • Relleno Dinámico (Dynamic Padding): Para manejar los desajustes de dimensiones derivados del procesamiento de piso (floor-processing) del codificador durante el submuestreo, se emplea una estrategia de relleno dinámico en la ruta expansiva para asegurar una alineación precisa a nivel de píxel para las conexiones de salto (skip connections).
• Estrategia de Entrenamiento:
  • Generación de Datos: Dado que el conjunto de datos MixedWM38 estándar carece de verdad de terreno (ground truth) a nivel de píxel para defectos superpuestos, los autores generaron un benchmark sintético. Extrajeron máscaras de tipo único del conjunto de datos utilizando filtrado de conectividad de píxeles y sintetizaron WBM de tipo mixto superponiendo estas máscaras. Este proceso preservó las máscaras de verdad de terreno para cada máscara constituyente.
  • Función de Pérdida: Se utiliza una pérdida híbrida que combina la Pérdida Focal (Focal Loss) (para manejar el desequilibrio de clases y enfocarse en ejemplos difíciles) y la Pérdida Dice (Dice Loss) (para optimizar la superposición de regiones y la preservación de bordes).
• Inferencia:
  • Generación de Máscaras: Para un WBM de tipo mixto dado, el modelo consulta iterativamente etiquetas de defectos específicas. Para cada consulta, genera una máscara binaria correspondiente únicamente a ese tipo de defecto.
  • Clasificación: Al agregar las máscaras generadas, el sistema determina la presencia de cada tipo de defecto (si el número de píxeles activados supera un umbral), reconstruyendo así el vector de clasificación multietiqueta final.

Contribuciones Clave

1. Reformulación de la Tarea: El estudio cambia el paradigma de la clasificación/segmentación de "paso único" a un marco de generación condicional. Esto permite al modelo desenredar defectos superpuestos mediante la generación de máscaras específicas para cada etiqueta consultada, en lugar de forzar una decisión de clase única por píxel.
2. Desentrelazamiento de Defectos Superpuestos: El modelo identifica y visualiza explícitamente los tipos de defectos constituyentes dentro de las regiones superpuestas, resolviendo el problema de "ocultación" inherente a los métodos de segmentación convencionales.
3. Mejora en la Detección de Patrones Delgados: El mecanismo de modulación condicional permite al modelo suprimir señales de defectos dominantes al consultar para patrones delgados y de baja área (ej. rayones), lo que conduce a una segmentación significativamente mejorada de estos tipos de defectos difíciles.
4. Robustez ante Combinaciones No Vistas: Al aprender a extraer elementos constituyentes basados en condiciones de etiqueta en lugar de memorizar patrones compuestos específicos, el modelo demuestra una fuerte generalización a combinaciones de tipos mixtos no vistas que fueron excluidas del entrenamiento.

Resultados Experimentales
El modelo fue evaluado en el conjunto de datos MixedWM38 para clasificación y en un benchmark generado con máscaras a nivel de píxel para segmentación.

• Rendimiento de Clasificación: WCGN logró una Relación de Coincidencia Exacta (EMR) del 97.85% y un F1-Score Ponderado de 0.9948 en el benchmark MixedWM38, superando a los modelos base del estado del arte (incluyendo Improved U-Net, Semantic U-Net y RA-UNet).
• Rendimiento de Segmentación: En el conjunto de datos de tipo mixto generado, WCGN alcanzó una Intersección sobre Unión media (mIoU) de 0.8725. Notablemente, mostró una mejora significativa en la segmentación de defectos de rayones (scratches), un desafío conocido en el análisis de WBM.
• Desentrelazamiento de Superposición: En un subconjunto de defectos estrictamente superpuestos, WCGN mantuvo un rendimiento superior (EMR 0.9859, mIoU 0.8602) en comparación con los modelos base que no podían resolver los tipos constituyentes.
• Generalización: En estudios de ablación donde se excluyeron del entrenamiento combinaciones complejas de tipos mixtos (3-mixtos y 4-mixtos), WCGN mantuvo un alto rendimiento, demostrando su capacidad para generalizar a combinaciones de defectos no vistas.

Significancia y Reivindicaciones
El artículo afirma que WCGN proporciona un avance significativo en la informática de ingeniería para la fabricación de semiconductores. Al externalizar evidencia espacial relevante para el proceso en lugar de emitir etiquetas de "caja negra", el modelo soporta:

• Diagnóstico Interpretable: Los ingenieros pueden inspeccionar visualmente los defectos constituyentes específicos dentro de una superposición, facilitando un análisis de causa raíz más rápido.
• Monitoreo de Procesos: La capacidad de detectar defectos delgados y ocultos (como rayones) evita que las señales críticas de falla sean pasadas por alto.
• Adaptabilidad: La dependencia del marco en la extracción condicional en lugar de la memorización de patrones de conjunto cerrado lo hace más robusto ante la aparición continua de nuevas combinaciones de defectos en los nodos de fabricación avanzada.

Los autores reconocen limitaciones, incluyendo la dependencia de una verdad de terreno generada sintéticamente para las regiones superpuestas y la sobrecarga computacional de la inferencia iterativa. Sugieren que el trabajo futuro debería centrarse en la validación con conjuntos de datos anotados del mundo real y en la optimación computacional para un despliegue escalable.