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

기술 요약: Feature-wise Linear Modulation을 통한 중첩된 혼합 유형 웨이퍼 빈 맵 결함의 조건부 생성

문제 정의
반도체 제조에서 웨이퍼 빈 맵(WBM)은 공정 진단 및 수율 관리를 위한 핵심적인 공간적 증거를 제공한다. 단일 유형 결함은 이미 잘 연구되어 있으나, 여러 결함 메커니즘이 단일 웨이퍼 상에 공존하며 공간적으로 중첩되는 혼합 유형 결함은 중요한 과제를 제기한다. 기존 방식들은 다음과 같은 두 가지 주요 한계점을 가진다:

1. 이미지 수준 분류 모델은 국소적인 구성 결함 영역을 찾아내지 못한 채 클래스 레이블만을 출력하므로, 근본 원인 분석에 필요한 공간적 증거를 제공하지 못한다.
2. 세그멘테이션 기반 모델은 일반적으로 픽셀당 상호 배타적인 분류 체계를 채택한다. 중첩 영역에서 이러한 모델들은 단 하나의 "가장 확률이 높은" 결함 유형을 선택해야 하며, 이 과정에서 다른 중첩된 결함의 구성 패턴을 효과적으로 폐기하거나 가려버린다. 이러한 "은폐(concealment)" 현상은 엔지니어가 중첩 영역 내의 모든 활성 결함 메커니즘을 식별하는 것을 방해하며, 특히 스크래치와 같이 얇은 패턴이 밀도가 높은 결함에 의해 쉽게 덮여버리는 경우 더욱 심각하다.

방법론: 웨이퍼 조건부 생성 네트워크 (WCGN)
이러한 한계를 해결하기 위해, 저자들은 혼합 유형 WBM 분석을 직접적인 분류/세그멘테이션 작업에서 레이블 조건부 마스크 생성 문제로 재정의하는 프레임워크인 웨이퍼 조건부 생성 네트워크(WCGN)를 제안한다.

• 아키텍처: WCGN의 핵심은 **Feature-wise Linear Modulation (FiLM)**이 통합된 U-Net 아키텍처이다.
  • 인코더(Encoder): 입력된 혼합 유형 WBM으로부터 다중 스케일 공간 특징을 추출한다.
  • 조건부 메커니즘(Conditioning Mechanism): 모든 클래스를 동시에 예측하는 대신, 디코더는 특정 타겟 결함 레이블($l$)에 따라 조건화된다. "레이블 매퍼(Label Mapper)"(2개 층의 MLP)는 원-핫(one-hot) 결함 레이블을 연속적인 잠재 조건 벡터($v_{cond}$)로 변환한다.
  • FiLM 레이어: 이 레이어들은 디코더 단계에 삽입된다. 이들은 $v_{cond}$를 사용하여 채널별 스케일($\gamma$) 및 시프트($\beta$) 파라미터를 생성한다. 이 파라미터들은 특징 맵을 선형적으로 조절하여, 쿼리된 결함과 관련된 특징은 증폭시키고 무관한 패턴이나 노이즈는 억제한다.
  • 동적 패딩(Dynamic Padding): 다운샘플링 과정 중 인코더의 floor-processing으로 인해 발생하는 차원 불일치를 처리하기 위해, 확장 경로(expansive path)에서 정밀한 픽셀 수준 정렬을 보장하는 동적 패딩 전략이 사용된다.
• 학습 전략:
  • 데이터 생성: 표준 MixedWM38 데이터셋에는 중첩된 결함에 대한 픽셀 수준의 정답(ground truth)이 부족하므로, 저자들은 합성 벤치마크를 생성하였다. 이들은 픽셀 연결성 필터링을 사용하여 데이터셋에서 단일 유형 마스크를 추출하고, 이 마스크들을 중첩시켜 혼합 유형 WBM을 합성하였다. 이 과정은 각 구성 결함에 대한 정답 마스크를 보존한다.
  • 손실 함수: 클래스 불균형을 처리하고 어려운 사례에 집중하기 위한 Focal Loss와 영역 중첩 및 경계 보존을 최적화하기 위한 Dice Loss를 결합한 하이브리드 손실 함수가 사용된다.
• 추론(Inference):
  • 마스크 생성: 주어진 혼합 유형 WBM에 대해, 모델은 특정 결함 레이블을 반복적으로 쿼리한다. 각 쿼리에 대해, 모델은 해당 결함 유형에만 해당하는 이진 마스크를 생성한다.
  • 분류: 생성된 마스크들을 집계함으로써, 시스템은 (활성화된 픽셀 수가 임계값을 초과하는 경우) 각 결함 유형의 존재 여부를 결정하며, 이를 통해 최종 멀티 레이블 분류 벡터를 재구성한다.

주요 기여

1. 과업의 재정의: 본 연구는 "원패스(one-pass)" 분류/세그멘테이션에서 조건부 생성 프레임워크로 패러다임을 전환한다. 이를 통해 모델은 픽셀당 단일 클래스 결정을 강요하는 대신, 쿼리된 각 레이블에 대한 특정 마스크를 생성함으로써 중첩된 결함을 분리할 수 있다.
2. 중첩 결함의 분리: 모델은 중첩 영역 내의 구성 결함 유형을 명시적으로 식별하고 시각화하여, 기존 세그멘테이션 방식의 "은폐" 문제를 해결한다.
3. 얇은 패턴 탐지 능력 향 향상: 조건부 조절 메커니즘을 통해 얇고 면적이 작은 패턴(예: 스크래치)을 쿼리할 때 지배적인 결함 신호를 억제할 수 있어, 이러한 까다로운 결함 유형의 세그멘테이션 성능이 크게 향상되었다.
4. 미학습 조합에 대한 강건성: 모델은 특정 합성 패턴을 암기하는 것이 아니라 레이블 조건에 기반하여 구성 요소를 추출하도록 학습됨으로써, 훈련 세트에서 제외된 미학습 혼합 유형 결함 조합에 대해서도 강력한 일반화 성능을 보여준다.

실험 결과
모델은 분류를 위한 MixedWM38 데이터셋과 픽셀 수준 마스크가 포함된 생성된 벤치마크에서 평가되었다.

• 분류 성능: WCGN은 MixedWM38 벤치마크에서 Exact Match Ratio (EMR) 97.85% 및 Weighted F1-Score 0.9948을 달성하여, 기존의 최첨단 베이스라인(Improved U-Net, Semantic U-Net, RA-UNet 포함)을 능가하였다.
• 세그멘테이션 성능: 생성된 혼합 유형 데이터셋에서 WCGN은 평균 IoU (mIoU) 0.8725를 달축했다. 특히, WBM 분석의 난제로 알려진 스크래치 결함 세그멘테이션에서 유의미한 개선을 보였다.
• 중첩 분리 성능: 엄격하게 중첩된 결함 서브셋에서, WCGN은 구성 유형을 해결하지 못하는 베이스라인들과 비교하여 우수한 성능(EMR 0.9859, mIoU 0.8602)을 유지했다.
• 일반화: 훈련 시 복잡한 혼합 유형 조합(3-mixed 및 4-mixed)을 제외한 어블레이션 연구(ablation studies)에서, WCGN은 높은 성능을 유지하며 미학습 결함 조합에 대한 일반화 능력을 입증했다.

의의 및 주장
본 논문은 WCGN이 반도체 제조를 위한 엔지니어링 정보학(engineering informatics) 분야에서 중요한 진전을 제공한다고 주장한다. "블랙박스" 형태의 레이블을 출력하는 대신 공정 관련 공간적 증거를 외부화함으로써, 모델은 다음을 지원한다:

• 해석 가능한 진단: 엔지니어는 중첩 영역 내의 구체적인 구성 결함을 시각적으로 검사할 수 있어, 더 빠른 근본 원인 분석이 가능하다.
• 공정 모니터링: 얇고 가려진 결함(예: 스크래치)을 탐지하는 능력은 중요한 실패 신호가 간과되는 것을 방지한다.
• 적응성: 폐쇄 집합(closed-set) 패턴 암기가 아닌 조건부 추출에 의존하는 프레임워크 덕분에, 첨단 제조 노드에서 지속적으로 등장하는 새로운 결함 조합에 대해 강력한 대응력을 갖는다.

저자들은 중첩 영역에 대한 합성 생성 정답에 대한 의존도와 반복적 추론에 따른 계산 오버헤드를 한계점으로 인정하였다. 향-후 연구는 실제 주석이 달린 데이터셋을 통한 검증과 대규모 배포를 위한 계산 최적화에 집중해야 한다고 제언하였다.