准确分类晶圆盒地图是半导体制造中的关键任务，它直接关系到最终产品的质量、效率与可靠性。晶圆盒地图的分类结果会影响到从质量控制到资源分配的整个制造流程。因此，通过根据缺陷模式对晶圆盒地图进行分类，制造商能够分析制造过程中存在的各种根本原因，从而提高产量、减少浪费并降低生产成本。
晶圆盒地图的缺陷模式可分为两类：随机缺陷和系统缺陷（Batool等人，2021年）。随机缺陷是由制造过程中的环境因素引起的，比如压力或温度变化、电磁振动以及灰尘颗粒等，这些因素与制造过程异常的根源并无关联。由于随机缺陷表现为类似噪声的特性，因此要准确分类晶圆盒地图，就必须将其精确去除（Wang等人，2006年；Nakazawa和Kulkarni，2018年）。而系统缺陷则与制造过程异常所导致的重复性模式有关。所以，若想提高晶圆盒地图分类的准确性，就必须在预处理阶段有效去除随机缺陷，同时保留系统缺陷的特征。
与自然图像分类不同，晶圆盒地图具有很强的几何规律性，往往需要具备抗旋转识别能力，因为相同的缺陷机制可能会以不同的方向出现。此外，半导体工厂的实际应用还带来了一些在基准测试中往往未被充分考虑的限制条件，比如存在多种缺陷机制共存的混合模式情况、长尾类别不平衡问题、数量有限且仍在不断变化的标注数据，以及对推理延迟和模型体积的严格要求。近期的一些研究开始通过更强大的混合模式建模技术（Zhang等人，2024年；Joo和Kim，2025年）、高效的标签学习框架（Manivannan，2024年；Sheng等人，2025年），以及能够在混合缺陷情况下抑制噪声并稳定识别的生成式去噪策略（Long等人，2025年）来应对这些问题。还有相关研究通过泛化零样本学习、主动学习以及开放集识别技术，试图处理那些此前未曾出现过的缺陷模式，这反映出制造环境中不断会出现新的缺陷类型（Kim和Shim，2024年；Kim和Shim，2025年；Shin等人，2025年）。
尽管已经取得了一些进展，但现有文献仍缺乏一种既具备实际应用价值又可重复实现的基准方案，无法同时解决多个实际问题，比如在混合模式多标签场景下骨干网络的可靠性、拉东表示形式对现代架构的优势、如何在去除随机缺陷的同时保留系统特征，以及如何在保持稀有类别性能的同时实现模型压缩。本研究提出了一种工作流层面的基准方案，旨在连接研究原型与面向工厂的实际部署需求。它提供了一个可复现的框架，用于评估原始域和拉东域之间的表示形式优劣，针对多标签混合模式场景对各类现代骨干网络进行基准测试，同时提供一条能够在满足延迟限制的前提下保持系统稳健性的部署路径。
本研究还填补了现有文献中的一个工程方面的空白。许多先前的研究仅提供了部分实现方案，却没有给出一个可以直接被采用并在实践中进行验证的端到端流程。为了便于重复使用，本研究将整个流程整合在一起，使得预处理和推理操作只需最少的配置即可完成。
在本文中，我们解决了三个紧密关联的问题：不同数据域下的架构选择、在随机噪声存在时的系统缺陷重点突出，以及向紧凑模型进行知识迁移。首先，我们对单一模式和混合模式晶圆盒地图在原始域和经过拉东变换后的域中，各类现代卷积型、基于变换器的以及混合型骨干网络进行了基准测试，为模型和域的选择提供了实用的参考依据。其次，我们引入了通过卷积变分自编码器生成的强化拉东模式，这种模式能够在去除随机缺陷的同时保留主要的系统结构，我们还量化了这种方法带来的好处，尤其是对于那些占比较低的类别而言。第三，我们设计并验证了一种多标签知识蒸馏流程，该流程能够生成轻量级的学生模型，从而实现高效推理，同时我们还给出了面向部署的效率指标，以便明确准确率与效率之间的权衡关系。这些组件被整合到一个统一的工作流中，涵盖了从预处理、强化拉东模式生成，到教师模型训练和学生模型部署的全过程，因此该框架能够作为一种可复现且面向实际部署的基准方案，而非一组相互独立的技术手段。
晶圆盒地图分类所需的抗旋转特性凸显了旋转增强技术的重要性（Kang，2020年）。正如Jeong等人（2023年）所展示的，通过结合卷积的平移不变特性以及应用于晶圆盒地图的拉东变换，分类模型能够在卷积层实现抗旋转能力。在本研究中，我们比较了在不同现代模型中，经过拉东变换的数据与原始域数据的性能，发现大多数情况下，包括卷积型、基于变换器的以及混合型骨干网络，拉东域都能提升性能。
基于选定的模型，本文探讨了如何在存在随机缺陷模式的情况下提取更相关的特征。我们提出了通过变分自编码器生成的“强化拉东模式”（Kingma，2013年）。这类生成的拉东模式倾向于保留主要的低频结构，从而突出系统缺陷的特征，同时减弱类似噪声的波动。通过将原始的拉东输入与强化后的拉东模式相结合，我们旨在提高分类的准确性，尤其是在数据较为稀缺的情况下。
最后，为了便于实际应用以及高效部署训练好的模型，我们采用了知识蒸馏技术。在所提出的框架中，一个体积更小、运行速度更快的“学生模型”在更大的“教师模型”的指导下进行训练（Hinton，2015年），这样不仅能够保持与教师模型相当的性能，还能降低部署时的计算成本。
第2节回顾了晶圆盒地图分类领域的相关研究，重点介绍了混合模式识别、抗旋转学习以及面向部署的压缩技术。第3节阐述了本文提出的方法，包括跨域的架构基准测试、强化拉东模式生成以及多标签知识蒸馏技术。第4节展示了实验结果以及面向部署的分析内容。第5节对全文进行了总结，并讨论了实际应用中的注意事项与局限性。
