Dieser Übersichtsartikel bietet eine umfassende Überprüfung der Methoden, die maschinelle Lernklassifizierungstechniken für die Identifizierung von Waferdefekten in der Halbleiterherstellung nutzen.
Der Artikel beginnt mit einer Einführung in die Bedeutung der Halbleiterherstellung und die Notwendigkeit einer effizienten Defekterkennung. Traditionelle manuelle Inspektionen erweisen sich als kostspielig und ungenau, weshalb bildverarbeitende und maschinelle Lernverfahren als kostengünstigere und genauere Lösungen an Bedeutung gewinnen.
Der Hauptteil des Artikels präsentiert eine detaillierte Taxonomie der maschinellen Lernverfahren zur Defektklassifizierung. Diese Taxonomie unterteilt die Methoden in drei Hauptkategorien: typenbasiert, labelbasiert und agentenbasiert. Jede Kategorie wird weiter in Unterkategorien und spezifische Techniken untergliedert.
Für jede Technik werden die Hauptkomponenten, die Begründung für den Einsatz, die Bedingungen für eine optimale Leistung sowie relevante Forschungsarbeiten und Fallstudien beschrieben. Dazu gehören Techniken wie Convolutional Neural Networks, Residual Neural Networks, Adversarial Training, XGBoost, Entscheidungsbäume, Support Vector Machines und Logistische Regression.
Der Artikel schließt mit einer Beobachtungsevaluierung, die die Techniken anhand von Kriterien wie Komplexität, Leistung, Robustheit und Einschränkungen bewertet. Außerdem enthält er eine experimentelle Evaluierung, die die verschiedenen algorithmischen Kategorien und Techniken vergleicht und bewertet.
Insgesamt bietet dieser Übersichtsartikel einen umfassenden Einblick in den Stand der Forschung zu maschinellen Lernverfahren für die Defektklassifizierung in Halbleiterwafers. Er liefert eine strukturierte Taxonomie, detaillierte Analysen der Techniken sowie Erkenntnisse aus Beobachtungen und Experimenten, die Forschern und Praktikern als Grundlage für zukünftige Entwicklungen dienen können.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések