利用AI驱动的模型革新半导体缺陷检测
realtime news Dec 17, 2025 02:44
NVIDIA利用生成式AI和视觉基础模型来增强半导体缺陷分类，解决传统CNN的限制并提高制造效率。
随着半导体行业在芯片制造中面临日益复杂的挑战，NVIDIA正在开创一种变革性的缺陷分类方法，整合生成式AI和视觉基础模型。根据NVIDIA的博客文章，这些先进技术将彻底改变缺陷的检测和分类方式，这一过程历史上依赖于卷积神经网络（CNNs）。
传统缺陷分类的挑战
半导体的复杂制造过程要求极高的精度，甚至微小的缺陷也可能导致重大故障。传统的CNN在从数据集中提取视觉特征方面虽有效，但面临诸如高数据需求、有限的语义理解以及需要频繁再训练以适应新缺陷类型和条件等挑战。这些限制导致了对人工检查的依赖，在现代制造规模中显得昂贵且低效。
结合VLMs和VFMs的AI驱动解决方案
NVIDIA通过运用视觉语言模型（VLMs）和视觉基础模型（VFMs）结合自我监督学习来解决这些挑战。这种方法增强了自动缺陷分类（ADC）系统，使其能够更有效地处理如晶圆图像和芯片级检查数据等复杂图像类型。VLMs，例如NVIDIA的Cosmos Reason，在图像理解和自然语言推理方面提供了先进能力，促进互动问答和根本原因分析。
新方法的优势
新的AI驱动模型相比传统方法提供了多项优势。VLMs需要更少的标记示例用于训练，使其更易于适应新的缺陷模式和制造变化。它们还能生成可解释的结果，帮助工程师更迅速地识别根本原因并采取纠正措施。此外，VLMs的自动数据标记显著减少了模型开发所需的时间和成本。
先进能力和未来展望
NVIDIA的方法不仅限于晶圆级智能，还引入了如NV-DINOv2等用于芯片级精度的VFMs。这些模型利用自我监督学习来跨新缺陷类型进行泛化，而无需大量再训练，从而提高了操作效率。处理大量未标记数据的能力允许领域适应和任务特定微调，对于保持缺陷检测的高精度至关重要。
通过整合这些AI技术，NVIDIA旨在为智能制造环境铺平道路，大幅减少人工工作负载并提高晶圆厂的生产力。自动化ADC系统的部署预计将提升分类准确性并简化整个半导体生产流程中的缺陷分析。
有关NVIDIA在半导体制造AI进展的更多见解，读者可以访问NVIDIA博客。
Image source: Shutterstock.jpg)
