Abstract

집적 회로의 고도화로 인한 반도체 제조 공정이 복잡해지면서, Wafer 상에 여러 결함이 동시에 발생하는 Multi-Defect 문제가 중요해졌다. 이에, 복잡한 결함 패턴에 대한 명확한 분할 및 탐지가 중요해지고 있다. 본 연구는 단일 모델로 다양한 결함 유형을 선택적으로 분할 및 분류할 수 있는 Conditional U-Net 프레임워크를 제안한다. 제안 모델은 이미지 분할에 뛰어난 U-Net 을 기본 구조로 사용하며, Decoder 에 FiLM(Feature-wise Linear Modulation) Layer 를 단계별로 결합한다. FiLM Layer 는 단일 결함 유형의 레이블을 조건으로 입력받아, U-Net 의 Decoder 가 조건 결함의 Mask 만을 생성하도록 Feature Map을 동적 조절 및 이미지를 도출한다. Mixedwm38 데이터셋의 단일 결함 이미지를 조합하여 다중 결함 학습 데이터를 생성하였으며, 실험을 통해 제안 모델이 주어진 조건에 따라 목표 결함을 효과적으로 분할하는 예측 성능을 확인했다. 본 연구에서 제안한 모델은 향후 더욱 복잡해질 다중 결함 웨이퍼에 대한 정밀한 분석과 공정 수율 관리에 효과적으로 기여할 것으로 기대된다.

As the semiconductor manufacturing process becomes more complex with the increasing integration of circuits, the multi-defect problem, where various defects occur simultaneously on a wafer, has gained importance. Consequently, the clear segmentation and detection of these complex defect patterns are becoming crucial. This study proposes a Conditional U-Net framework that can selectively segment and classify various defect types with a single model. The proposed model uses U-Net, which is excellent for image segmentation, as its basic architecture and incorporates FiLM (Feature-wise Linear Modulation) layers into the decoder at each stage. The FiLM layers receive the label of a single defect type as a conditional input to dynamically modulate the feature maps, enabling the U-Net’s decoder to generate a mask for only the conditioned defect and produce the resulting image. We generated multi-defect training data by combining single-defect images from the Mixed-WM38 dataset. Through experiments, we confirmed the model’s predictive performance in effectively segmenting the target defect according to the given condition. The model proposed in this study is expected to contribute effectively to the precise analysis of increasingly complex multi-defect wafers and to process yield management in the future.

Recommended citation: 최재준, 김영훈*. Conditional U-Net Architecture with Feature-wise Linear Modulation for Wafer Defect Segmentation and Classification. 한국데이터마이닝학회 하계학술대회 논문집, 2025.