本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

Jul, 2023

半导体材料和器件中检测缺陷的高效准确方法需求日益增长。这篇文章通过对 38 篇相关研究论文进行系统回顾，全面总结了基于扫描电子显微镜图像的自动化半导体缺陷检测的现状，包括最新创新和发展，提供了方法的综合概述和分析，并对未来工作提出了有希望的方向。

Aug, 2023

该研究提出了一个可提高成像工具缺陷检测吞吐量的 ADCD 框架，该框架通过在低分辨率图像中检测纳米级缺陷实例来解决高深度聚焦挑战，并通过 SR 辅助分支实现不同分辨率图像上的缺陷检测推断，无需明确训练。

Apr, 2024

这篇论文提出了一种利用预训练的 VAE 模型获取晶圆图故障分布信息，并结合原始图像集进行半监督模型训练的方法。通过师生网络的迭代学习，该模型在 WM-811K 晶圆数据集上验证得到了卓越的分类准确性和检测性能，实现了对工业应用的要求，并在性能上有显著的提升。

Oct, 2023

本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

Aug, 2023

综述了利用机器学习技术识别半导体制造中晶圆缺陷的方法学，提供了各种机器学习算法在晶圆缺陷检测中的优势、局限性和潜在应用的深入分析，通过创新的分类方法将算法细分为更具体的类别和技术，结合实证评估和实验评估提供了对机器学习技术和算法全面的理解，指导研究人员在工作中做出更明智的决策，并阐明了晶圆缺陷识别中机器学习技术的未来前景和进一步研究的机会。

Oct, 2023

本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。

Mar, 2018

通过融合各种图像分析和数据挖掘技术，我们在这项工作中创建了一个强大且准确的自动化图像分析流水线，用于提取显微图像中 KOH 刻蚀的 4H-SiC 晶片的所有缺陷的类型和位置。

Feb, 2024

本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域，通过改进缺陷实例分割技术，成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案，并且可以精确计算缺陷表面积和数量。

Nov, 2022

该研究通过使用深度强化学习方法，从逐渐缩小的输入图像区域中迭代地提取特征，比较了使用不同特征提取器训练的 18 个代理商的结果，并讨论了不同特征提取器的优缺点以及针对半导体缺陷定位的深度强化学习框架的一般优势和劣势。

Nov, 2023