A wafer bin map (WBM) represents the wafer testing results for individual dies on a wafer using a binary value that represents pass or fail. WBMs often have specific defect patterns, which occur because of assignable causes. Therefore, the identification of defect patterns in WBMs aids in understanding the root causes of process failure. Previous studies on the classification of WBM defect patterns have demonstrated effective performances. However, in previous studies, the effect of class imbalance on the WBM defect patterns was not considered, although in practice, it is more reasonable to assume that there is a significantly large number of WBMs that lack defect patterns because they occur when there are process faults. In this paper, we propose memory-augmented convolutional neural networks with triplet loss for classifying defect patterns in highly imbalanced WBM data. We use a triplet loss-based convolutional neural network as an embedding function to obtain a well-separated low-dimensional space according to the defect patterns. We then use a memory module to balance the number of WBMs between defect-pattern classes. We train the proposed model end-to-end to learn the embedding function and update the memory simultaneously. We then validate the proposed model using simulated WBM data. The proposed model demonstrates a high classification performance and effective embedding results for imbalanced WBM data.

中文翻译：

---

用于不平衡晶圆缺陷模式分类的具有三重损失的记忆增强卷积神经网络

晶圆仓图 (WBM) 使用表示通过或失败的二进制值来表示晶圆上各个芯片的晶圆测试结果。WBM 通常具有特定的缺陷模式，这是由于可归因的原因而发生的。因此，识别 WBM 中的缺陷模式有助于了解过程失败的根本原因。先前关于 WBM 缺陷模式分类的研究已经证明了有效的性能。然而，在之前的研究中，没有考虑类别不平衡对 WBM 缺陷模式的影响，尽管在实践中，更合理地假设存在大量缺乏缺陷模式的 WBM，因为它们发生在过程中。故障。在本文中，我们提出了具有三重损失的记忆增强卷积神经网络，用于对高度不平衡的 WBM 数据中的缺陷模式进行分类。我们使用基于三元组损失的卷积神经网络作为嵌入函数，根据缺陷模式获得分离良好的低维空间。然后我们使用内存模块来平衡缺陷模式类之间的 WBM 数量。我们端到端地训练所提出的模型以学习嵌入函数并同时更新记忆。然后我们使用模拟的 WBM 数据验证所提出的模型。所提出的模型展示了对不平衡 WBM 数据的高分类性能和有效的嵌入结果。我们使用基于三元组损失的卷积神经网络作为嵌入函数，根据缺陷模式获得分离良好的低维空间。然后我们使用内存模块来平衡缺陷模式类之间的 WBM 数量。我们端到端地训练所提出的模型以学习嵌入函数并同时更新记忆。然后我们使用模拟的 WBM 数据验证所提出的模型。所提出的模型展示了对不平衡 WBM 数据的高分类性能和有效的嵌入结果。我们使用基于三元组损失的卷积神经网络作为嵌入函数，根据缺陷模式获得分离良好的低维空间。然后我们使用内存模块来平衡缺陷模式类之间的 WBM 数量。我们端到端地训练所提出的模型以学习嵌入函数并同时更新记忆。然后我们使用模拟的 WBM 数据验证所提出的模型。所提出的模型展示了对不平衡 WBM 数据的高分类性能和有效的嵌入结果。