ترجمه فارسی مقاله استفاده از شبکه‌های مولد تخاصمی برای افزایش داده‌های تصویر و طبقه‌بندی عیوب ناشی از تقسیم ویفر نیمه‌هادی

چکیده

In semiconductor manufacturing, the wafer dicing process is central yet vulnerable to defects that significantly impair yield – the proportion of defect-free chips. Deep neural networks are the current state of the art in (semi-)automated visual inspection. However, they are notoriously known to require a particularly large amount of data for model training. To address these challenges, we explore the application of generative adversarial networks (GAN) for image data augmentation and classification of semiconductor wafer dicing induced defects to enhance the variety and balance of training data for visual inspection systems. With this approach, synthetic yet realistic images are generated that mimic real-world dicing defects. We employ three different GAN variants for high-resolution image synthesis: Deep Convolutional GAN (DCGAN), CycleGAN, and StyleGAN3. Our work-in-progress results demonstrate that improved classification accuracies can be obtained, showing an average improvement of up to 23.1 % from 65.1 % (baseline experiment) to 88.2 % (DCGAN experiment) in balanced accuracy, which may enable yield optimization in production.

چکیده به فارسی (ترجمه ماشینی)

در تولید نیمه هادی ، فرآیند دیزاسیون ویفر در عین حال آسیب پذیر در برابر نقص هایی است که عملکرد قابل توجهی را مختل می کند – نسبت تراشه های بدون نقص.شبکه های عصبی عمیق وضعیت فعلی هنر در بازرسی بصری خودکار (نیمه) است.با این حال ، آنها بسیار مشهور شناخته شده اند که به داده های زیادی برای آموزش مدل نیاز دارند.برای پرداختن به این چالش ها ، ما در مورد استفاده از شبکه های طرفداری مولد (GAN) برای تقویت داده های تصویر و طبقه بندی نقص های نیمه هادی ویفر ناشی از نقص برای تقویت تنوع و تعادل داده های آموزش برای سیستم های بازرسی بصری بررسی می کنیم.با این رویکرد ، تصاویر مصنوعی و در عین حال واقع بینانه تولید می شوند که نقص در حال تغییر در دنیای واقعی را تقلید می کنند.ما از سه نوع GAN مختلف برای سنتز تصویر با وضوح بالا استفاده می کنیم: GAN Convolutional Deep Convolutional (DCGAN) ، CycleGan و StyleGan3.نتایج کار در حال پیشرفت ما نشان می دهد که می توان دقت طبقه بندی بهبود یافته را بدست آورد ، که نشان دهنده بهبود متوسط ​​تا 23.1 ٪ از 65.1 ٪ (آزمایش پایه) به 88.2 ٪ (آزمایش DCGAN) در دقت متعادل است ، که ممکن است بهینه سازی عملکرد در تولید را امکان پذیر کند.بشر