UFLD晶圆缺陷分类方法提出

2026年10月30日，arXiv Computer Vision 刊出 Aleksandr Dekhovich 等作者的论文，提出 Uncertainty-aware Feedback Loop Diagnosis（UFLD）晶圆缺陷分类算法。该算法用强化学习自适应采集测量，并在每一步后给出预测不确定性水平，一旦获得足够信息即停止采集。作者在 MixedWM38 数据集上验证，称 UFLD 将采集时间缩短约 40%，检测准确率达 98.4%，且无需额外的学习型置信度估计网络，参数效率高于依赖集成模型或辅助置信度模型的现有方案，可减少晶圆图分析的全表面扫描需求。论文称其优于现有自适应采集流程和标准卷积神经网络。上述数字与结论均来自该论文自述，尚未见独立验证或后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。