능동적 학습과 데이터 증강을 통한 웨이퍼 맵 결함 패턴의 효율적 감지 및 분류

다국어 초록 (Multilingual Abstract)

Wafer Bin Maps (WBM) are essential for diagnosing process issues and monitoring yield in semiconductor manufacturing, yet conventional supervised models suffer from class imbalance and cannot detect defect patterns outside predefined labels. This study introduces an integrated framework that combines preprocessing, open-set recognition, deep-learning classification, and active learning to overcome these limitations. C-means filtering and Radon transform features were used to construct rotation-invariant representations of WBM data. An OC-SVM discriminator, enhanced with EEOC-SVM, identified unknown defect patterns, while a ResNet50 model with ImageNet pretrained weights classified known patterns under imbalanced conditions. Unknown samples were clustered using DBSCAN, manually labeled, and incorporated into iterative model updates via active learning. Results show that the proposed pipeline improves feature robustness, reliably detects unseen defect types, and significantly enhances classification performance. This work provides a practical and scalable approach for adaptive defect-pattern analysis in real semiconductor yield-management environments.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 이론적 배경 5
• 2.1 반도체 제조 공정과 웨이퍼 빈 맵 5
• 2.1.1 반도체 제조 단계와 EDS 공정 5
• 2.1.2 대표적인 WBM 결함 패턴 6
• 2.2 웨이퍼 결함 패턴 분류를 위한 머신러닝 기법 8
• 2.2.1 지도학습 기반 연구 8
• 2.2.2 비지도학습 기반 연구 9
• 2.2.3 준지도학습 기반 연구 9
• 2.2.4 능동적학습 기반 연구 9
• 2.2.5 오픈 셋 인식 관련 연구 10
• 2.3 데이터 불균형과 이미지 증강 11
• 2.3.1 WBM 클래스 데이터 불균형 11
• 2.3.2 이미지 증강 기법 12
• 2.4 특징 추출 및 표현 기법 14
• 2.4.1 밀도 기반·기하하적 특징 14
• 2.4.2 Radon 변환 14
• 2.4.3 Hough 변환 16
• 2.4.4 Polar 변환 18
• 제3장 연구 방법 20
• 3.1 전체 연구 개요 20
• 3.2 데이터셋 구성 22
• 3.2.1 WM-811k의 결함 및 클래스 정의 22
• 3.3 이미지 증강 24
• 3.4 데이터 전처리 24
• 3.4.1 C-Mean Filtering 24
• 3.4.2 Radon 변환을 통한 특징 추출 26
• 3.5 SVM기반 결함 패턴 검출 28
• 3.5.1 OC-SVM 28
• 3.5.2 EEOC-SVM 30
• 3.6 기존 결함 패턴 분류기 32
• 3.6.1 ImageNet1k 데이터 기반 전이학습 32
• 3.6.2 ResNet50 기반 분류기 34
• 3.7 신규 결함 패턴 군집화 36
• 3.7.1 DBSCAN 기반 데이터 군집화 36
• 3.8 능동적 학습 38
• 제4장 연구결과 및 고찰 44
• 제5장 결론 49
• 참고 문헌 51
• Abstract 56
• 감사의 글 57