DEEP LEARNING-BASED ROOT CAUSE ANALYSIS OF PROCESS CYCLE IMAGES

The technology disclosed relates to training a convolutional neural network (CNN) to identify and classify images of sections of an image generating chip resulting in process cycle failures. The technology disclosed includes creating a training data set of images of dimensions MxN using labeled images of sections of image generating chip of dimensions JxK. The technology disclosed can fill the MxN frames using horizontal and vertical reflections along edges of JxK labeled images positioned in MxN frames. A pretrained CNN is further trained using the training data set. Trained CNN can classify a section image as normal or depicting failure. The technology disclosed can train a root cause CNN to classify process cycle images of sections causing process cycle failure. The trained CNN can classify a section image by root cause of process failure among a plurality of failure categories. La technologie divulguée concerne l'entraînement d'un réseau de neurones à convolution (CNN) pour identifier et classifier des images de sections d'une puce de génération d'images donnant lieu à des défaillances de cycle de traitement. La technologie divulguée consiste à créer un jeu de données d'entraînement d'images de dimensions MxN à l'aide d'images étiquetées de sections de puce de génération d'images de dimensions JxK. La technologie divulguée peut remplir les trames MxN à l'aide de réflexions horizontales et verticales le long de contours d'images étiquetées JxK positionnées dans des trames MxN. Un CNN préentraîné est en outre entraîné à l'aide du jeu de données d'entraînement. Le CNN entraîné peut classifier une image de section comme étant normale ou comme représentant une défaillance. La technologie divulguée peut entraîner un CNN de cause profonde à classifier des images de cycle de traitement de sections provoquant une défaillance de cycle de traitement. Le CNN entraîné peut classifier une image de section par cause profonde d'une défaillance de traitement parmi une pluralité de catégories de défaillance.