مدل یادگیری عمیق یکپارچه برای آشکارسازی نقص ویفر با استفاده از نمایش مشترک ویژگی‌های مکانی و زمانی

سوری, علی; مودتی, سمیرا; غلامی, محمد

doi:10.22034/jscit.2025.540754.2156

مدل یادگیری عمیق یکپارچه برای آشکارسازی نقص ویفر با استفاده از نمایش مشترک ویژگی‌های مکانی و زمانی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

علی سوری ¹

سمیرا مودتی ²

محمد غلامی ²

¹ دانشکده مهندسی و فناوری، دانشگاه مازندران، بابلسر، ایران.

² گروه مهندسی برق، دانشکده مهندسی و فناوری، دانشگاه مازندران، بابلسر، ایران.

10.22034/jscit.2025.540754.2156

چکیده

تشخیص نقص ویفر در تولید نیمه‌هادی‌ها از اهمیت بالایی برخوردار است، زیرا مستقیماً بر قابلیت اطمینان و عملکرد مدارهای مجتمع تأثیر می‌گذارد. نقص‌هایی مانند ترک‌های میکروسکوپی، آلودگی و ناهماهنگی الگو می‌توانند موجب خرابی دستگاه شوند. در این مطالعه، یک چارچوب ترکیبی بهبود‌یافته مبتنی بر یادگیری عمیق ارائه می‌شود که در آن شبکه‌های عصبی کانولوشنی (CNN) برای استخراج ویژگی‌های مکانی با شبکه‌های حافظه کوتاه‌مدت بلند (LSTM) جهت مدل‌سازی وابستگی‌های زمانی در الگوهای نقص ترکیب شده‌اند. با ادغام اطلاعات مکانی و زمانی، دقت طبقه‌بندی نقص‌ها نسبت به روش‌های متداول افزایش یافته است. ارزیابی‌ها بر روی مجموعه داده‌های MIR-WM811K و WaferMap عملکرد برتری را نشان می‌دهند، به‌گونه‌ای که دقت‌های 12/98٪ و 38/97٪ به دست آمده است. مدل پیشنهادی CNN-LSTM از معماری‌های موجود از جمله RCNN، VGG-16، ResNet-34 و DenseNet-121 عملکرد بهتری دارد. قدرت این روش در یادگیری تلفیقی مکانی–زمانی آن نهفته است که ویژگی‌های پیچیده نقص‌ها را مؤثرتر شناسایی می‌کند. این روش یک خط مبنای جدید برای بازرسی ویفر مبتنی بر یادگیری عمیق ارائه می‌دهد و پتانسیل بالایی برای افزایش بهره‌وری تولید و بهبود کیفیت محصولات در صنعت نیمه‌هادی دارد.

کلیدواژه‌ها

آشکارسازی نقص ویفر

ویژگی‌های مکانی و زمانی

یادگیری عمیق

صنعت نیمه‌رسانا