Аннотация:
Надежная автоматизация входного контроля транзисторов в микроэлектронике требует выявления отклонений в многоканальных вольт-амперных характеристиках, однако пороговые и простые статистические схемы слабо обобщаются на новые и экспериментальные структуры, не обнаруживают ранее невиданные дефекты и игнорируют нелинейные межканальные зависимости. Мы предлагаем фреймворк детектирования аномалий на основе нейросетевых моделей, обучаемых на результатах контроля нормальных устройств. В рамках фреймворка мы сравниваем семейство автоэнкодеров (MLP/LSTM/CAE) и специализированные методы (USAD, GBAD), а также исследуем полученные латентные пространства для интерпретации работы нейросетей. Разработанный фреймворк был верифицирован на основе 14.2 тысяч ВАХ полевых транзисторов 180 нм с экспертной разметкой. На тесте лучший результат продемонстрировали модели GBAD (F1 = 0,857) и регуляризованный CAE (F1 = 0,857). Результаты задают воспроизводимые бейзлайны для обнаружения аномалий в многоканальных I-V-данных транзисторов и подчеркивают преимущество явного моделирования межканальной структуры и анализа латентных представлений для повышения переносимости и интерпретируемости.
