본 연구에서는 반도체 제조 공정에서의 웨이퍼 불량 패턴 검출을 위해 CNN 기반 및 Vision Transformer(ViT) 기반 알고리즘을 활용하였으며 동일한 학습용 하드웨어 및 소프트웨어 환경에서 분석을 진행하였다. 공개 WM-811K 데이터셋을 기반으로Accuracy, F1, Precision, Recall을 포함한 총 17개의 지표를 사용하여 웨이퍼 빈 맵 패턴 분류 성능을 평가하였다. 검증 결과,EfficientNetV2-M이 가장 높은 성능을 달성하였으며, Swin-L 또한 상위 모델로 평가되어 향후 연구 및 실제 응용에 대한 기대를높였다. 본 연구는 지도 학습 기반 구조를 중심으로 최신 딥러닝 모델들의 웨이퍼 불량 검출 성능을 비교하기 위한 객관적인 벤치마크를 제시한다.

In this study, for wafer defect pattern detection in semiconductor manufacturing, CNN-based and VisionTransformer (ViT)-based algorithms were utilized and analyzed under the same training hardware and softwareconditions. Based on the public WM-811K dataset, the performance of wafer bin map pattern classfication wasevaluated using 17 metrics including Accuracy, F1, Precision, and Recall. According to the validation results,EfficientNetV2-M achieved the highest performance, while Swin-L was also ranked among the top models, increasingexpectations for future research and practical applications. This study presents an objective benchmark forcomparing the performance of the latest deep learning models in wafer defect detection, mainly focusing onsupervised learning architecture.