產業簡介
半導體產業是一個至關重要的產業，在電子元件和積體電路的開發和製造中發揮關鍵作用。該產業涉及設計、開發和生產微型、複雜設計的半導體材料（例如 矽）晶圓。號
產業面對的難題
在真實的半導體製造場景中，製造過程中可能會出現異常情況。我們的客戶希望識別除常見缺陷之外的不常見製造缺陷
解決方案
我們提出的解決方案的流程圖如下所示，後續內容對每個區塊進行了簡要解釋。
提案流程圖
- 對已知缺陷進行訓練
收集製造過程中已知、常見的缺陷類型的樣本資料集。基於此已知缺陷資料訓練基本分類器模型。 - 在生產過程中檢測異常並進行分類
在生產線上部署經過訓練的基本分類器模型，以識別已知缺陷的實例。同時監控生產過程中是否存在基本分類器標記為「未知」或「異常」的 任何輸入 - 這些可能是潛在的新的、不常見的缺陷。 - 收集新出現缺陷的樣本
每當基本分類器檢測到異常時，調查並收集這種新的、不常見的缺陷類型的樣本 - 使用增量學習不斷擴展開放集識別學習模型
定期微調或重新訓練基本分類器模型，納入新收集的新出現缺陷的樣本。這使得開放集識別學習模型能夠不斷擴展其知識並提高其檢測已知 和以前未見過的缺陷類型的能力。
我們的技術優勢
開放集辨識學習 (Open Set Recognition)
開放集辨識（OSR）是一種機器學習方法，專注於在模型訓練和部署過程中處理分佈外或未知樣本。傳統的機器學習模型假設測試資料屬於 已知類別之一，但在許多現實場景中，資料可能不一定遵循這一假設。這在半導體產業尤其重要，製造商經常在生產過程中遇到不屬於原始 訓練資料的異常和新型缺 陷。
以下上述描述的範例，顯示向分類器饋送未知的缺陷樣本影像 [1].
增量學習( Incremental Learning)
增量學習（也稱為持續學習）是一種機器學習方法，其中 AI 模型隨著時間的推移學習新訊息，並維護和擴展先前的知識。以下展示了自動駕駛汽車中的目標偵測範例。首先訓練車輛模型來偵測汽車。之後，如果同一個模型被訓練來檢測自行車，它可能會失去先前檢測汽車的知識。
一個實用的解決方法是增量學習，即訓練模型學習新對象，同時保留先前學習過的關於對象的知識，如下所示。
持續學習常見的場景有任務增量學習、領域增量學習、類別增量學習三種。這三種場景的簡要描述及其產業應用如下表所示：
場景 | 簡述 | 半導體產業應用 |
任務增量學習 | 依序學習解決許多不同的任務 | 增量學習能夠在不同的處理步驟（每個步驟都有獨特的缺陷類 型）對新缺陷類型的缺陷檢測模型進行增量更新，並且保持先前處理步驟檢測缺陷的能力，以提高缺陷檢測系統的多功能性並輕鬆適應不同階段半導體製造過程的缺陷。 |
域增量學習 | 學習在不同情況下解決相同問題 | 半導體產業擁有多種具有獨特缺陷特徵的裝置類型（邏輯晶片、儲存 器、功率、射頻）。域增量學習支援對新設備域的缺陷檢測模型進行 增量更新。這有助於避免從頭開始重新訓練整個模型，並促進缺陷檢 測系統的快速發展和適應。 |
類別增量學習 | 區分增量觀察的類別 | 允許更新缺陷檢測和分類模型，以識別隨著流程和材料的發展而可能 出現的新缺陷類別，而不會忘記如何檢測先前學習的缺陷類型。 |
實現增量學習的策略有多種，包括訓練特定於上下文的元件、參數正則化、功能正則化、重播和基於模板的分類。各種策略可以圖形化表示 如下[2]:
此外也可以進一步探索和自訂用於實施增量學習的各種策略，例如訓練特定於上下文的組件、參數正則化、功能正則化、重播和基於模板的 分類。以滿足半導體產業的具體需求。
結論
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
參考文獻
[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導體行業的信息，請聯繫我們 info@wisiotech.com 了解更多！