KCI등재
웨이퍼 결함 패턴 분류를 위한 보간법 기반의 준지도 대조학습 = Interpolation based Semi supervised Contrastive Learning for wafer defect pattern classification
저자
발행기관
학술지명
권호사항
발행연도
2024
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
75-91(17쪽)
제공처
웨이퍼 빈 맵의 결함 패턴은 반도체 제조 공정 과정에서의 불량 정보와 불량 위치 정보를 제공하기 때문에 매우 중요한 정보이다. 현재 WBM 결함 패턴 분류 작업은 현업 엔지니어에 의해 분류되고 있다. 그러나, WBM 분류 작업은 많은 시간과 비용을 요구하는 문제가 존재한다. 이러한 문제를 해결하기 위해 준 지도학습을 활용한 연구가 진행되고 있다. 대표적인 연구 방법으로 수도 레이블링을 활용하는 준 지도학습 방법이 있다. 이는 적은 레이블이 존재하는 데이터를 활용 하여 지도학습 진행 후, 레이블이 없는 데이터를 활용하여 수도 레이블을 생성한다. 이를 통해 얻은 수도 레이블과 레이블이 존재하는 데이터를 활용하여 모델을 재 학습하는 방법을 수도 레이블링을 활용한 준 지도학습이라 한다. 하지만 수도 레이블링을 활용한 준 지도학습의 경우 생성된 수도 레이블에 따라 모델의 성능이 달라진다는 문제점이 있다. 또한 이미지 분야에서 이미지에 증강을 적용 시 이미지의 의미론적 정보를 잃는 문제가 발생할 수 있다. 본 연구에서는 Wafer Interpolation Contrastive Learning(WaICL) 모델을 제안한다. 제안된 모델은 수도 레이블링을 활용한 준 지도학습 모델과 자가 지도학습의 대조 학습을 결합하여 수도 레이블 의존성 문제를 완화하며, 대조 학습 단계에서 보간법 방법을 사용하여 이미지의 의미론적 정보를 잃는 문제를 완화하였다. 또한 적은 레이블을 활용한 제안 방법론의 실험 결과가 지도학습과 비슷한 성능을 보여 레이블링이 어려운 분야에서 레이블링 문제를 해결할 수 있음을 확인하였다.
더보기The defect pattern of Wafer Bin Map (WBM) is crucial as it provides information about defects and their locations in the semiconductor manufacturing process. Currently, defect pattern classification in WBM is manually performed by industry engineers, posing challenges in terms of time and cost. To address this issue, research utilizing semi supervised learning is underway. A prominent approach involves pseudo labeling, which involves utilizing a small set of labeled data for supervised learning, generating pseudo-labels for unlabeled data, and then retraining the model using both the pseudo labels and labeled data. However, a drawback of pseudo labeling is that the model’s performance can vary based on the generated pseudo labels. Additionally, applying image augmentation in the field of images may lead to the loss of semantic features. In this study, we propose the Wafer Interpolation Contrastive Learning (WaICL) model. The proposed model alleviates the dependency on pseudo-labels by combining pseudo-labeling from semi supervised learning with self-supervised contrastive learning. In the contrastive learning stage, an interpolation method is employed to mitigate the loss of semantic features in images. Experimental results of the proposed methodology using limited labels demonstrate performance similar to supervised learning, confirming its potential to address labeling challenges in areas where labeling is difficult.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)