NVIDIA 用生成式 AI 革新半導體缺陷檢測：超越傳統 CNN 方法

每顆現代電子設備的核心都有一塊硅芯片，其製造過程精度極高，即使微觀缺陷也可能決定成敗。傳統基於 CNN 的自動缺陷分類正在觸及極限。NVIDIA 展示了利用生成式 AI 和視覺基礎模型革新半導體缺陷分類的方案。

CNN 方法面臨三大挑戰：需要數千張標注圖像、缺乏語義理解能力、因工藝變化需要頻繁重新訓練。NVIDIA 採用視覺語言模型和視覺基礎模型來解決這些問題，將傳統 ADC 升級為更智能的系統。

VLM 可對晶圓圖圖像進行分類，VFM 可對芯片級圖像進行分類。相比 CNN，VLM 無需大量標注資料即可理解缺陷的上下文語義，並能進行根本原因分析和多模態資料整合。這些方案已應用於前道工藝和後道封裝的多個製造環節。

NVIDIA 用生成式 AI 革新半導體缺陷檢測：超越傳統 CNN 方法的核對路徑

針對NVIDIA 用生成式 AI 革新半導體缺陷檢測：超越傳統 CNN 方法，現有文字只能作為初步背景。應再確認完整主題或型號、目前有效的來源文件、軟體或服務相依條件、安裝環境，以及驗收所需的證據。

將NVIDIA 用生成式 AI 革新半導體缺陷檢測：超越傳統 CNN 方法用於引用、提交詢問或業務判斷前，需記錄假設、排除項、相容性核對、代表性測試、結果與未決問題。本頁不據此確認價格、庫存、交付、授權、認證或保固。

後續核對NVIDIA 用生成式 AI 革新半導體缺陷檢測：超越傳統 CNN 方法時，應保存來源網址、發布與更新日期、責任實體、適用地區、文件版本和引用段落；若資料來自轉述，還要回到可追溯的原始來源，區分已證實內容、編輯摘要與尚待確認的推論。

當NVIDIA 用生成式 AI 革新半導體缺陷檢測：超越傳統 CNN 方法的型號、軟體、服務範圍或聯絡資訊出現變更，需重新檢查頁面結論、相關連結和驗收條件，並保留變更日期與覆核人，避免沿用已失效的資訊。