产业简介
半导体行业是一个至关重要的行业，在电子元件和集成电路的开发和制造中发挥着关键作用。该产业涉及设计、开发和生产微型、复杂设计的半导体材料（例如 硅）晶圆。
产业面对的难题
在真实的半导体制造场景中，制造过程中可能会出现异常情况。我们的客户希望识别除常见缺陷之外的不常见制造缺陷
解决方案
我们提出的解决方案的流程图如下所示，后续内容对每个块进行了简要解释。
提案流程图
- 对已知缺陷进行训练
收集制造过程中已知、常见的缺陷类型的样本数据集。基于此已知缺陷数据训练基本分类器模型。 - 在生产过程中检测异常并进行分类
在生产线上部署经过训练的基本分类器模型，以识别已知缺陷的实例。同时监视生产过程中是否存在基本分类器标记为“未知”或“异常”的 任何输入 - 这些可能是潜在的新的、不常见的缺陷。 - 收集新出现缺陷的样本
每当基本分类器检测到异常时，调查并收集这种新的、不常见的缺陷类型的样本 - 使用增量学习不断扩展开放集识别学习模型
定期微调或重新训练基本分类器模型，纳入新收集的新出现缺陷的样本。这使得开放集识别学习模型能够不断扩展其知识并提高其检测已知 和以前未见过的缺陷类型的能力。
我们的技术优势
开放集识别学习 (Open Set Recognition)
开放集识别（OSR）是一种机器学习方法，专注于在模型训练和部署过程中处理分布外或未知样本。传统的机器学习模型假设测试数据属于 已知类别之一，但在许多现实场景中，数据可能不一定遵循这一假设。这在半导体行业尤其重要，制造商经常在生产过程中遇到不属于原始 训练数据的异常和新型缺 陷。
下面上述描述的示例，显示向分类器馈送未知的缺陷样本图像 [1].
增量学习( Incremental Learning)
增量学习（也称为持续学习）是一种机器学习方法，其中 AI 模型随着时间的推移学习新信息，并维护和扩展先前的知识。以下展示了自动驾驶汽车中的目标检测示例。首先训练车辆模型来检测汽车。之后，如果同一个模型被训练来检测自行车，它可能会丢失先前检测汽车的知识。
一种实用的解决方法是增量学习，即训练模型学习新对象，同时保留先前学习过的关于对象的知识，如下所示。
持续学习常见的场景有任务增量学习、域增量学习、类增量学习三种。这三种场景的简要描述及其行业应用如下表所示：
场景 | 简要描述 | 半导体行业应用 |
任务增量学 习 | 依次学习解决许多不 同的任务 | 增量学习能够在不同的处理步骤（每个步骤都有独特的缺陷类 型）对新缺陷类型的缺陷检测模型进行增量更新，並且保持先前处理步骤检测缺陷的能力，以提高缺陷检测系统的多功能性并轻松适应不同阶段半导体制造过程的缺陷。 |
域增量学习 | 学习在不同情况下解 决同一问题 | 半导体行业拥有多种具有独特缺陷特征的器件类型（逻辑芯片、存储 器、功率、射频）。域增量学习支持对新设备域的缺陷检测模型进行 增量更新。这有助于避免从头开始重新训练整个模型，并促进缺陷检 测系统的快速开发和适应。 |
类增量学习 | 区分增量观察的类别 | 允许更新缺陷检测和分类模型，以识别随着流程和材料的发展而可能 出现的新缺陷类别，而不会忘记如何检测先前学习的缺陷类型。 |
实现增量学习的策略有多种，包括训练特定于上下文的组件、参数正则化、功能正则化、重放和基于模板的分类。各种策略可以图形化表示 如下[2]:
此外也可以进一步探索和定制用于实施增量学习的各种策略，例如训练特定于上下文的组件、参数正则化、功能正则化、重放和基于模板的 分类。以满足半导体行业的具体需求。
结论
本文介紹透過利用開放集識別和增量學習的力量，所提出的解決方案旨在增強半導體製造領域缺陷檢測系統的多功能性、適應性和壽命
参考文献
[1] S. W. Yang, C. S. Lin, S. K. Lin, and H. T. Chiang, “Automatic defect recognition of TFT array process using gray level co occurrence matrix,” Optik, vol. 125, no. 11, pp. 2671-2676, 2014.
[2] G. M. V. d. Ven, T. Tuytelaars, and A. S. Tolias, “Three types of incremental learning,” Nature Machine Intelligence, vol. 4, no. 12, pp. 1185-97, Dec. 2022.
如果您想了解更多半导体行业的信息，请联系我们。 info@wisiotech.com 了解更多!