提高基于CNN的晶圆缺陷分类模型的信心和可解释性,使用温度缩放和LIME.
Jieun Lee1, Yeonwoo Ju1, Junho Lim1
1Department of System Semiconductor Engineering, Sangmyung University, Cheonan 31066, Republic of Korea.
Micromachines
|September 27, 2025
概括
本研究介绍了一种先进的晶圆缺陷分类模型,可以提高半导体制造中的准确性,信心和可解释性. 该模型实现了高精度,同时为智能质量管理提供了可解释的预测.
科学领域:
- 半导体制造业 半导体制造业
- 人工智能的人工智能
- 质量控制 质量控制 质量控制
背景情况:
- 准确的晶圆缺陷分类对于半导体产量和质量至关重要.
- 现有的方法主要侧重于分类准确性,忽视了信心和可解释性.
研究的目的:
- 开发一个模型,同时评估晶圆缺陷分类中的准确性,预测信心和可解释性.
- 为了解决缺陷数据集中的类失衡问题.
- 加强人工智能模型在半导体生产中的实际应用.
主要方法:
- 利用加权交叉损失函数来处理类不平衡.
- 采用基于卷积神经网络 (CNN) 的模型进行分类.
- 应用温度缩放来提高预测的可靠性.
- 综合局部可解释的模型不可知解释 (LIME) 和梯度加权类激活映射 (Grad-CAM) 以实现模型可解释性.
主要成果:
- 在测试数据集上达到97.8%的高分类准确度.
- 通过使用温度缩放成功增强了预测信心.
- 为模型预测提供了可视化的解释,使用户能够理解决策过程.
结论:
- 拟议的模型通过整合准确性,可靠性和可解释性,为晶圆缺陷分类提供了一种全面的方法.
- 可解释的预测提高了AI在半导体质量管理中的可信度和采用.
- 这项研究为半导体制造业下一代智能质量管理系统铺平了道路.