Automatisierte Fehlerdetektierung in der Halbleiter-Waferproduktion mittels maschinellen Lernens
- Die vorliegende wissenschaftliche Arbeit beschäftigt sich mit der Anwendung von maschinellem Lernen auf einen Waferdatensatz. Nach einer Einführung in Wafer und deren Defektbildung sowie einer Erklärung der Grundlagen des maschinellen Lernens und insbesondere des überwachten Lernens mit Hilfe von einem Convolutional Neural Network (CNN), wird der Datensatz analysiert, und es werden die verschiedenen Waferdefekte beschrieben.
Der Datensatz wird für das maschinelle Lernen verwendet, und sowohl das CNN als auch dasWavelet Scattering Transformation (WST )-Modell erreichen eine hohe Genauigkeit von 96% bzw. 97%. Besonders hervorgehoben wird die höhere durchschnittliche Genauigkeit des WST -Modell im Vergleich zu den Ergebnissen des Papers, aus dem der Datensatz stammt.
