Oct, 2023

晶片地圖缺陷模式半監督分類使用潛在向量表示

PDF
TL;DR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。
defect detectionsemiconductorwafer mapmodelclassification accuracy
发现论文，激发创造
  • 半导体晶圆图缺陷模式识别的机器学习技术：一项调查、实证和实验评估

    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

  • 芯片晶圆地图缺陷模式的迭代集群采摘

    通过特征提取、维度削减和聚类等步骤，本论文提出了一种针对半导体晶圆映射缺陷图案的无监督聚类方法，其中创新之处在于通过筛选轮廓分数选择性过滤聚类来改善聚类性能，尤其适用于困难的缺陷图案，并在实际工业数据集上对比了文献中的相关方法并展示了改进的结果。

    Apr, 2024

  • 无监督与监督学习相结合的显微镜技术实现对整片 4H-SiC 晶片缺陷分析

    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

  • SEMI-CenterNet: 半导体缺陷检查的机器学习促进方法

    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

  • 扫描电子显微镜图像中的自动半导体缺陷检测：系统综述

    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

  • 基于半扩散模型的半导体缺陷分类和分割方法 (SEMI-DiffusionInst)

    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

  • 基于自编码器的制造质量控制与无监督类别选择

    基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。

    Sep, 2023

  • 混合经典量子深度学习在半导体缺陷检测中的应用

    本文提出使用量子计算技术的经典量子混合算法来进行近期量子处理器上的深度学习，以实现损伤芯片的缺陷学习和缺陷检查，保护环境免受二氧化碳排放和能源消耗的影响。同时探讨使用不同表达能力和纠缠容量的参数化量子电路，可用于构建一条未来的路线图，将基于电路的量子深度学习应用于半导体缺陷检测。

    Aug, 2022

  • 自监督上下文学习用于工业缺陷的视觉检测

    本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

    Nov, 2023

  • 利用 VLM-LLM 特征进行渐进对齐以增强 ASE 数据集中的缺陷分类

    我们提出了 ASE 数据集，其中包含丰富的图像数据描述，用于缺陷分类，但缺陷特征难以直接学习。我们通过使用专门的视觉语言模型（VLM）和大型语言模型（LLM）的惊人零样本能力，为差异分类问题提供了解决方案。我们通过在图像中激活额外的多模态特征以提高性能，并设计了逐步特征对齐（PFA）块来改善少样本情况下的对齐困难。最后，我们提出的跨模态注意力融合（CMAF）模块可以有效地融合不同的模态特征。实验证明了我们的方法在 ASE 数据集上相对于其他缺陷分类方法的有效性。

    Apr, 2024