Titelaufnahme

This research work builds upon the work of Schrunner et al. [102] and Nartey [88] on the ensurance of the data and process integrity during the early stages of the semiconductor production process. The Wafer Health Factor (WHF) is a quality metric that combines the class probabilities from a process pattern recognition in analog wafer maps with a criticality score defined by domain experts. Motivated by a possible circumvention of an expensive feature engineering through the use of an end-to-end approach, this thesis explores the use of Deep Learning (DL) for the WHF and how it influences both the robustness and the performance of the pattern classifiers.

The small dataset of only 346 labeled wafer maps poses a major challenge in applying DL methods. To assess, if the use of additional unlabeled wafer maps can improve classification performance and robustness, recent self-supervised representation learning (SSL) methods are evaluated and compared against a supervised baseline. With the focus lying on the security and the reliability of the production process and product integrity, the robustness of these methods is measured through a novel metric based on adversarial attacks [81].

Due to the high effectiveness of a domain specific augmentation pipeline, the supervised baseline achieves very competitive results almost reaching the performance of an ensemble classifier build on a set of highly specialized hand-crafted features [88]. Two of the three evaluated SSL methods are able to outperform the supervised classifiers, especially when the dataset is reduced further.

While the supervised classifiers require stronger adversarial perturbations to change the classification output, the SSL classifiers stay very stable throughout the training process and demonstrate higher domain specific awareness as evident by the uncharacteristically high wafer related structure in the adversarial perturbations. The investigation of the robustness of the different DL classifiers yielded interesting results, that motivate further studies of novel training methods and strengthen the viability of ensemble approaches.

Diese Forschungsarbeit baut auf den Arbeiten von Schrunner et al. [102] und Nartey [88] zur Sicherstellung der Daten- und Prozessintegrität in den frühen Phasen des Halbleiterherstellungsprozesses auf. Der Wafer Health Factor (WHF) ist eine Qualitätsmetrik, welche die Klassenwahrscheinlichkeiten aus einer Prozessmustererkennung in analogen Wafer Maps mit einem von Domänenexperten definierten Kritikalitätswerten der jeweiligen Prozessmuster kombiniert. Motiviert durch eine mögliche Umgehung eines teuren Feature-Engineerings durch die Verwendung eines End-to-End-Ansatzes, untersucht diese Arbeit einerseits die Verwendung von Deep Learning (DL) für den WHF, als auch die Beeinflussung der Robustheit und der Genauigkeit der Musterklassifikation.

Der untersuchte Datensatz mit 346 gelabelten Wafer Maps stellt aufgrund der kleinen Anzahl an zu evaluierenden Objekten eine große Herausforderung bei der Anwendung von DL Methoden dar. Um zu beurteilen, ob die zusätzliche Verwendung von ungelabelten Wafer Maps die Klassifizierungsleistung und die Robustheit verbessern kann, werden Methoden des Self-Supervised Representation Learning (SSL) evaluiert und mit einer Supervised Baseline verglichen. Da der Schwerpunkt auf der Sicherheit und Zuverlässigkeit des Produktionsprozesses und der Produktintegrität liegt, wird die Robustheit dieser Methoden durch eine neuartige Metrik gemessen, die auf Adversarial Attacks basiert.

Aufgrund der hohen Effektivität der entworfenen domänen-spezifischen Augmentierungs-Pipeline liefert die Supervised Baseline sehr konkurrenzfähige Ergebnisse, die fast die Leistung eines Ensemble-Classifiers erreichen, welcher auf eine Menge von hochspezialisierter, handgefertigter Features aufbaut [88]. Zwei der drei bewerteten SSL Methoden sind in der Lage, die Supervised Classifiers zu übertreffen, insbesondere wenn der Datensatz weiter reduziert wird.

Während die Supervised Classifiers stärkere Störungen benötigten, um das Klassifikationsergebnis zu verändern, bleiben die SSL Classifiers während des gesamten Trainingsprozesses sehr stabil und zeigen ein höheres domänen-spezifisches Bewusstsein, was durch die uncharakteristisch hohe Struktur in den Störungen deutlich wird. Die Untersuchung der Robustheit der verschiedenen DL Classifiers liefert interessante Ergebnisse, die zu weiteren Studien über neuartige Trainingsmethoden motivieren und die Stärken von Ensemble-Ansätzen betonen.