지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이제혁
- 발행연도
- 2023
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
WBM(Wafer Bin Map)의 결함 패턴은 반도체 제조 공정 과정에서의 불량 정보와 불량 위치 정보를 제공하여 중요하다. 현재 WBM 결함 패턴 분류 작업은 현업 엔지니어에 의해 분류되고 있다. 하지만 WBM 분류 작업은 많은 시간과 비용을 요구하는 문제가 존재한다. 이러한 문제를 해결하기 위해 준 지도학습을 활용한 연구가 진행되고 있다. 대표적인 연구 방법으로 pseudo labeling을 활용하는 준 지도학습 방법이 있다. 이는 적은 레이블링 데이터를 활용하여 지도학습 진행 후, 레이블이 없는 데이터를 활용하여 pseudo label을 생성한다. 이를 통해 얻은 pseudo label과 레이블 데이터를 활용하여 모델을 재학습하는 방법을 pseudo labeling을 활용한 준 지도학습이라 한다. 하지만 pseudo labeling을 활용한 준 지도학습의 경우 생성된 pseudo label에 따라 모델의 성능이 달라진다는 문제점이 있다. 또한 이미지 분야에서 이미지에 augmentation을 적용 시 이미지의 의미론적 특징을 잃는 문제가 발생할 수 있다. 본 연구에서는 Wafer Interpolation Contrastive Learning(WaICL) 모델을 제안한다. 제안된 모델은 pseudo labeling을 활용한 준 지도학습 모델과 자가 지도학습의 대조 학습을 결합하여 pseudo label 의존성 문제를 완화하며, 대조 학습 단계에서 interpolation 방법을 사용하여 이미지의 의미론적 특징을 잃는 문제를 완화하였다. 또한 적은 레이블을 활용한 제안 방법론의 실험 결과가 지도학습과 비슷한 성능을 보여 레이블링이 어려운 분야에서 레이블링 문제를 해결할 수 있음을 확인하였다.
목차
제 1장 서론 11.1 연구 배경 및 목적 11.2 논문 구성 4제 2장 관련 연구 52.1 Wafer Bin Map 불량 패턴 분류 52.2 준 지도학습 72.3 자가 지도학습 92.4 Interpolation method 112.5 Wide Residual Network 13제 3장 제안 방법론 153.1 Wafer Interpolation Contrastive Learning(WaICL) 15제 4장 실험 214.1 데이터 전처리 214.2 실험 설계 234.3 평가 지표 234.4 하이퍼 파라미터 선택 254.5 실험 결과 28제 5장 결론 및 향후 연구 32참고 문헌 33Appendix 38Abstract 43
최근 본 자료
댓글(0)
0