싱가포르 A*STAR(Agency for Science, Technology and Research) 연구원들이 "Exploring Active Learning for Semiconductor Defect Segmentation"이라는 새로운 기술 논문을 발표했습니다.

“우리는 반도체 XRM 스캔에 AL을 적용할 때 두 가지 고유한 문제인 대규모 도메인 이동과 심각한 클래스 불균형을 식별합니다. 이러한 문제를 해결하기 위해 레이블이 지정되지 않은 데이터에 대해 대조 사전 훈련을 수행하여 각 AL 주기에 대한 초기화 가중치를 얻고 희귀 클래스를 포함하는 샘플 선택을 선호하는 희귀 인식 수집 기능을 제안합니다. 우리는 로직과 메모리 다이로 구성된 고대역폭 메모리 구조의 XRM 스캔에서 컴파일된 반도체 데이터 세트에서 우리의 방법을 평가하고 우리의 방법이 최첨단 성능을 달성함을 입증합니다.”라고 논문은 말합니다.

찾기 여기에 기술 문서. 2022년 XNUMX월 게시.

L. Cai et al., "반도체 결함 세분화를 위한 활성 학습 탐색", 2022 IEEE 이미지 처리 국제 회의(ICIP), 2022, pp. 1796-1800, doi: 10.1109/ICIP46576.2022.9897842.

관련 독서
자동 데이터 오류를 찾기가 어려운 이유
데이터 센터 CPU의 미묘한 IC 결함으로 인해 계산 오류가 발생합니다.
2.5D, 3D 스택 IC에 대한 테스트 전략 활성화
더 나은 표준, 3D DFT 및 차세대 프로브는 이러한 복잡한 시스템을 완전히 테스트하기 위한 훌륭한 출발점입니다.
나노시트 FET는 계측 및 검사의 변화를 주도합니다.
깊거나 숨겨진 구조 내부의 결함을 감지하려면 다중 도구 접근 방식이 필요합니다.
데이터 레이크 최대한 활용하기
제조 및 설계 데이터를 효과적으로 사용하는 데 데이터 구성과 잘 설계된 데이터 아키텍처가 중요한 이유.