Apr, 2024

芯片晶圆地图缺陷模式的迭代集群采摘

PDF
TL;DR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。
unsupervised clusteringwafer map defect patternsharvesting approachdimension reductionclustering performance
发现论文，激发创造
  • 晶片地圖缺陷模式半監督分類使用潛在向量表示

    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

  • 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

  • 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

  • 光伏组件故障检测的 DTW K 均值聚类

    文章提出了一种基于 DTW K-means 的无监督方法，旨在对光伏电池组的严重故障进行检测。

    Jun, 2023

  • 基于数据的方法的六边形定向自组装图案缺陷检测的 YOLOv8

    通过提出一种方法，我们展示了在获取高质量标签的过程中，使用神经网络 YOLOv8 可以实现对六边形接触孔 DSA 模式的缺陷检测，并讨论了我们的标签方法的优势和局限性，为以数据为中心的基于机器学习的缺陷检验提出了未来研究的方向。

    Jul, 2023

  • 基于少量数据学习的表面缺陷检测人机知识混合增强方法

    本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

    Apr, 2023

  • 通过聚类神经网络输出进行自动皮肤镜模式发现的人机交互

    通过自动的无监督聚类，可以从大型图像数据集中提取具有诊断相关性且可人工解释的视觉模式群集。

    Sep, 2023

  • AI 引导下的缺陷检测技术模拟单晶金刚石生长

    通过利用原位光学图像识别可见的宏观缺陷状态特征，本文详细介绍了利用语义分割方法进行缺陷分割的方法，并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法，在钻石生长的过程中取得了很好的准确性。

    Apr, 2024

  • 使用无监督聚类优化深度学习模型，预测基因突变

    本研究提出了一种基于非监督聚类的多实例学习方法，将其应用于三种癌症（CRC、LUAD 和 HNSCC）的 WSI 深度学习模型开发，使其能够更好地预测基因突变。结果显示，该方法可以识别预测性图像块，排除缺乏预测信息的图像块，并改善所有三种癌症类型中基因突变的预测效果。此外，我们的方法也能更好地识别预测基因突变的空间区域，证明 WSI 中的肿瘤区域不一定是最好的预测区域。

    Mar, 2022

  • 基于强化学习的半导体缺陷定位的特征提取器基准化

    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