To improve the quality of semiconductor manufacturing, defects need to be detected and their root causes controlled. Because the root causes can vary depending on defect patterns, classifying the patterns accurately is important. Several recent studies have investigated automatic defect classification using a convolutional neural network (CNN) with wafer map images. CNNs are excellent tools for classifying images of different shapes and sizes. However, the detection of small-sized defects that have small clusters and linear patterns is difficult. Therefore, this study focuses on patterns that are difficult to detect. We propose three steps for pattern classification. First, modified median filtering is used to preserve the original shapes of patterns. Second, a rotated defects (RoD) transform is performed by applying the rotational properties of wafer maps. The RoD transform augments the defect proportion and improves the detection of small-sized defects. Third, a multi-head CNN is used to extract and combine the features from the original and transformed maps. The combined features are then used to classify the defect patterns. Overall classification performance of defects can be improved by accurately classifying small clusters and linear patterns. The proposed model was evaluated using WM-811K wafer maps, and small-sized defects were accurately classified. Such an accurate defect classification model will enable effective root cause analysis and quality improvement in semiconductor manufacturing.

为了提高半导体制造的质量，需要检测缺陷并控制其根本原因。由于根本原因可能因缺陷模式而异，因此对模式进行准确分类很重要。最近的几项研究调查了使用卷积神经网络 (CNN) 和晶圆图图像的自动缺陷分类。CNN 是对不同形状和大小的图像进行分类的出色工具。然而，检测具有小簇和线性图案的小尺寸缺陷是困难的。因此，本研究侧重于难以检测的模式。我们提出了模式分类的三个步骤。首先，修改中值滤波用于保留模式的原始形状。第二，旋转缺陷 (RoD) 变换是通过应用晶圆图的旋转特性来执行的。RoD 变换增加了缺陷比例并改进了小尺寸缺陷的检测。第三，使用多头 CNN 从原始地图和转换后的地图中提取和组合特征。然后使用组合的特征对缺陷模式进行分类。通过对小簇和线性模式进行准确分类，可以提高缺陷的整体分类性能。使用 WM-811K 晶圆图评估所提出的模型，并准确分类小尺寸缺陷。这种准确的缺陷分类模型将使半导体制造中的有效根本原因分析和质量改进成为可能。RoD 变换增加了缺陷比例并改进了小尺寸缺陷的检测。第三，使用多头 CNN 从原始地图和转换后的地图中提取和组合特征。然后使用组合的特征对缺陷模式进行分类。通过对小簇和线性模式进行准确分类，可以提高缺陷的整体分类性能。使用 WM-811K 晶圆图评估所提出的模型，并准确分类小尺寸缺陷。这种准确的缺陷分类模型将使半导体制造中的有效根本原因分析和质量改进成为可能。RoD 变换增加了缺陷比例并改进了小尺寸缺陷的检测。第三，使用多头 CNN 从原始地图和转换后的地图中提取和组合特征。然后使用组合的特征对缺陷模式进行分类。通过对小簇和线性模式进行准确分类，可以提高缺陷的整体分类性能。使用 WM-811K 晶圆图评估所提出的模型，并准确分类小尺寸缺陷。这种准确的缺陷分类模型将使半导体制造中的有效根本原因分析和质量改进成为可能。通过对小簇和线性模式进行准确分类，可以提高缺陷的整体分类性能。使用 WM-811K 晶圆图评估所提出的模型，并准确分类小尺寸缺陷。这种准确的缺陷分类模型将使半导体制造中的有效根本原因分析和质量改进成为可能。通过对小簇和线性模式进行准确分类，可以提高缺陷的整体分类性能。使用 WM-811K 晶圆图评估所提出的模型，并准确分类小尺寸缺陷。这种准确的缺陷分类模型将使半导体制造中的有效根本原因分析和质量改进成为可能。