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

Resumo Técnico: Geração Condicional de Defeitos de Wafer Bin Map de Tipos Mistos e Sobrepostos via Modulação Linear por Características

Definição do Problema
Na manufatura de semicondutores, os Mapas de Wafer Bin (WBMs) fornecem evidência espacial crítica para o diagnóstico de processos e gestão de rendimento (yield). Embora defeitos de tipo único sejam bem estudados, defeitos de tipos mistos — onde múltiplos mecanismos de defeito coexistem e se sobrepõem espacialmente em um único wafer — apresentam um desafio significativo. As abordagens existentes sofrem de duas limitações primárias:

1. Modelos de classificação ao nível de imagem produzem rótulos de classe sem localizar as regiões de defeito constituintes, falhando em fornecer a evidência espacial necessária para a análise de causa raiz.
2. Modelos baseados em segmentação tipicamente empregam um esquema de classificação mutuamente exclusivo por pixel. Em regiões sobrepostas, esses modelos devem selecionar um único tipo de defeito "mais provável", efetivamente descartando ou obscurecendo os padrões constituintes de outros defeitos sobrepostos. Este fenômeno de "ocultação" impede que engenheiros identifiquem todos os mecanismos de defeito ativos dentro de uma sobreposição, particularmente para padrões finos como arranhões (scratches), que são facilmente dominados por defeitos mais densos.

Metodologia: A Rede Generativa Condicional de Wafer (WCGN)
Para abordar essas limitações, os autores propõem a Wafer Conditional Generative Network (WCGN), um framework que reformula a análise de WBM de tipos mistos de uma tarefa direta de classificação/segmentação para um problema de geração de máscara condicionada ao rótulo.

• Arquitetura: O núcleo da WCGN é uma arquitetura U-Net integrada com Modulação Linear por Características (FiLM).
  • Encoder: Extrai características espaciais multiescala do WBM de tipo misto de entrada.
  • Mecanismo de Condicionamento: Em vez de prever todas as classes simultaneamente, o decoder é condicionado a um rótulo de defeito alvo específico ($l$). Um "Mapeador de Rótulo" (um MLP de duas camadas) converte o rótulo de defeito one-hot em um vetor de condição latente contínuo ($v_{cond}$).
  • Camadas FiLM: Estas camadas são inseridas nos estágios do decoder. Elas utilizam $v_{cond}$ para gerar parâmetros de escala ($\gamma$) e deslocamento ($\beta$) por canal, modulando linearmente os mapas de características, amplificando seletivamente as características relevantes para o defeito consultado enquanto suprime padrões irrelevantes ou ruídos.
  • Padding Dinâmico: Para lidar com discrepâncias de dimensão decorrentes do processamento de arredondamento (floor-processing) do encoder durante o downsampling, uma estratégia de padding dinâmico é empregada no caminho expansivo para garantir o alinhamento preciso de pixel a pixel para as conexões de salto (skip connections).
• Estratégia de Treinamento:
  • Geração de Dados: Como o conjunto de dados MixedWM38 padrão carece de verdade fundamental (ground truth) ao nível de pixel para defeitos sobrepostos, os autores geraram um benchmark sintético. Eles extraíram máscaras de tipo único deste conjunto de dados usando filtragem de conectividade de pixels e sintetizaram WBMs de tipos mistos sobrepondo estas máscaras. Este processo preservou as máscaras de verdade fundamental para cada defeito constituinte.
  • Função de Perda: Uma perda híbrida combinando Focal Loss (para lidar com o desequilíbrio de classes e focar em exemplos difíceis) e Dice Loss (para otimizar a sobreposição de regiões e a preservação de bordas) é utilizada.
• Inferência:
  • Geração de Máscara: Para um dado WBM de tipo misto, o modelo consulta iterativamente rótulos de defeitos específicos. Para cada consulta, ele gera uma máscara binária correspondente apenas àquele tipo de defeito.
  • Classificação: Ao agregar as máscias geradas, o sistema determina a presença de cada tipo de defeito (se o número de pixels ativados exceder um limiar), reconstruindo assim o vetor de classificação de múltiplos rótulos final.

Principais Contribuições

1. Reformulação da Tarefa: O estudo altera o paradigma de classificação/segmentação de "passagem única" para um framework de geração condicional. Isso permite que o modelo desmembre defeitos sobrepostos ao gerar máscaras específicas para cada rótulo consultado, em vez de forçar uma decisão de classe única por pixel.
2. Desmembramento de Defeitos Sobrepostos: O modelo identifica e visualiza explicitamente os tipos de defeitos constitintes dentro de regiões sobrepostas, resolvendo o problema de "ocultação" inerente aos métodos de segmentação convencionais.
3. Detecção Aprimorada de Padrões Finos: O mecanismo de modulação condicional permite que o modelo suprima sinais de defeitos dominantes ao consultar padrões finos e de baixa área (ex: arranhões), levando a uma segmentação significativamente melhorada desses tipos de defeitos difíceis.
4. Robustez a Combinações Não Vistas: Ao aprender a extrair elementos constituintes baseados em condições de rótulo em vez de memorizar padrões compostos específicos, o modelo demonstra forte generalização para combinações de tipos mistos não vistas que foram excluídas do treinamento.

Resultados Experimentais
O modelo foi avaliado no dataset MixedWM38 para classificação e em um benchmark gerado com máscaras ao nível de pixel para segmentação.

• Desempenho de Classificação: A WCGN alcançou uma Taxa de Correspondência Exata (EMR) de 97,85% e um F1-Score Ponderado de 0,9948 no benchmark MixedWM38, superando os baselines de estado da arte (incluindo Improved U-Net, Semantic U-Net e RA-UNet).
• Desempenho de Segmentação: No dataset de tipos mistos gerado, a WCGN alcançou uma média de Interseção sobre União (mIoU) de 0,8725. Notavelmente, mostrou melhoria significativa na segmentação de defeitos de arranhão (scratch), um desafio conhecido na análise de WBM.
• Desmembramento de Sobreposição: Em um subconjunto de defeitos estritamente sobrepostos, a WCGN manteve desempenho superior (EMR 0,9859, mIoU 0,8602) comparado aos baselines que não conseguiam resolver os tipos constituintes.
• Generalização: Em estudos de ablação onde combinações complexas de tipos mistos (3-mistos e 4-mistos) foram excluídas do treinamento, a WCGN manteve alto desempenho, demonstrando sua capacidade de generalizar para combinações de defeitos não vistas.

Significância e Alegações
O artigo afirma que a WCGN proporciona um avanço significativo na informática de engenharia para a manufatura de semicondutores. Ao externalizar evidências espaciais relevantes para o processo em vez de produzir rótulos de "caixa-preta", o modelo suporta:

• Diagnóstico Interpretável: Engenheiros podem inspecionar visualmente os defeitos constituintes específicos dentro de uma sobreposição, facilitando uma análise de causa raiz mais rápida.
• Monitoramento de Processo: A capacidade de detectar defeitos finos e obscurecidos (como arranhões) evita que sinais críticos de falha sejam negligenciados.
• Adaptabilidade: A dependência do framework na extração condicional, em vez da memorização de padrões de conjunto fechado, torna-o mais robusto à emergência contínua de novas combinações de defeitos em nós de manufatura avançados.

Os autores reconhecem limitações, incluindo a dependência de verdade fundamental gerada sinteticamente para regiões sobrepostas e o custo computacional da inferência iterativa. Eles sugerem que trabalhos futuros devem focar na validação com datasets anotados do mundo real e na otimização computacional para implantação escalável.