論文の概要: Transformer-Based Approach to Optimal Sensor Placement for Structural Health Monitoring of Probe Cards

• arxiv url: http://arxiv.org/abs/2509.07603v1
• Date: Tue, 09 Sep 2025 11:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.27933
• Title: Transformer-Based Approach to Optimal Sensor Placement for Structural Health Monitoring of Probe Cards
• Title（参考訳）: 変圧器を用いたプローブカードの構造健康モニタリングのための最適センサ配置法
• Authors: Mehdi Bejani, Marco Mauri, Daniele Acconcia, Simone Todaro, Stefano Mariani,
• Abstract要約: 本稿では,半導体プローブカードの構造的健康モニタリングを最適化するための革新的トランスフォーマーに基づくディープラーニング戦略を提案する。 この研究は、注意に基づくディープラーニングが、積極的に保守し、運用上の信頼性を高め、半導体製造における歩留まりを向上する能力を強調している。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents an innovative Transformer-based deep learning strategy for optimizing the placement of sensors aiming at structural health monitoring of semiconductor probe cards. Failures in probe cards, including substrate cracks and loosened screws, would critically affect semiconductor manufacturing yield and reliability. Some failure modes could be detected by equipping a probe card with adequate sensors. Frequency response functions from simulated failure scenarios are adopted within a finite element model of a probe card. A comprehensive dataset, enriched by physics-informed scenario expansion and physics-aware statistical data augmentation, is exploited to train a hybrid Convolutional Neural Network and Transformer model. The model achieves high accuracy (99.83%) in classifying the probe card health states (baseline, loose screw, crack) and an excellent crack detection recall (99.73%). Model robustness is confirmed through a rigorous framework of 3 repetitions of 10-fold stratified cross-validation. The attention mechanism also pinpoints critical sensor locations: an analysis of the attention weights offers actionable insights for designing efficient, cost-effective monitoring systems by optimizing sensor configurations. This research highlights the capability of attention-based deep learning to advance proactive maintenance, enhancing operational reliability and yield in semiconductor manufacturing.
• Abstract（参考訳）: 本稿では,半導体プローブカードの構造的健康モニタリングを目的としたセンサ配置を最適化するための,トランスフォーマーに基づく革新的なディープラーニング戦略を提案する。 基板クラックや緩みねじなどのプローブカードの故障は、半導体製造の歩留まりと信頼性に重大な影響を及ぼす。 いくつかの故障モードは、適切なセンサーを備えたプローブカードを装備することで検出できる。 シミュレーションされた障害シナリオからの周波数応答関数は、プローブカードの有限要素モデルに採用される。 物理インフォームドシナリオ拡張と物理対応統計データ拡張によって強化された包括的データセットを使用して、ハイブリッド畳み込みニューラルネットワークとトランスフォーマーモデルをトレーニングする。 このモデルは、プローブカードの健康状態(ベースライン、緩いネジ、ひび割れ)の分類において高い精度(99.83%)と優れたき裂検出リコール(99.73%)を達成する。 モデルロバスト性は、10倍の層状交差原子価の3つの繰り返しの厳密な枠組みによって確認される。 注意重みの分析は、センサー構成を最適化することで、効率的で費用効率の良い監視システムを設計するための実用的な洞察を提供する。 本研究は, 半導体製造において, 注意に基づく深層学習が積極的に保守し, 運転信頼性を向上し, 利得を向上する能力を強調した。

関連論文リスト

• Federated Learning for Efficient Condition Monitoring and Anomaly Detection in Industrial Cyber-Physical Systems [0.30723404270319693]
  本稿では,センサの信頼性に基づく適応モデルアグリゲーション,資源最適化のための動的ノード選択,耐故障性のためのワイブルチェックポインティングという,3つの重要な革新を伴う拡張FLフレームワークを提案する。 NASAベアリングと水圧システムのデータセットの実験は、最先端のFL法と比較して優れた性能を示し、異常検出とノード故障時の精度の維持において99.5%のAUC-ROCを達成した。
  論文  参考訳（メタデータ） (2025-01-28T03:04:47Z)
• Defect Detection Network In PCB Circuit Devices Based on GAN Enhanced YOLOv11 [1.6775954077761863]
  本研究では, GANを用いた改良YOLOv11モデルを用いたプリント基板(PCB)の表面欠陥検出手法を提案する。 このアプローチは、欠落穴、ラットの噛み傷、オープンサーキット、ショートサーキット、バー、仮想溶接の6つの一般的な欠陥タイプを特定することに焦点を当てている。 強化されたYOLOv11モデルはPCB欠陥データセットで評価され、精度、リコール、堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2025-01-12T17:26:24Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series [45.31237646796715]
  この研究は、複雑な分布と高次元分布をモデル化する能力で有名な物理インフォームドリアルNVPニューラルネットワークを活用する新しいアプローチを提案する。 実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。 結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。
  論文  参考訳（メタデータ） (2024-07-03T07:19:41Z)
• An Attention-Based Deep Generative Model for Anomaly Detection in Industrial Control Systems [3.303448701376485]
  異常検出は、産業制御システムの安全かつ信頼性の高い運用に不可欠である。 本稿では,このニーズを満たすための新しい深層生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-03T23:58:27Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• Deep convolutional neural networks for cyclic sensor data [0.0]
  本研究では,センサによる条件モニタリングに焦点をあて,深層学習技術の応用について検討する。 本研究は,従来手法を用いたベースラインモデル,早期センサフュージョンを用いた単一CNNモデル,後期センサフュージョンを用いた2車線CNNモデル (2L-CNN) の3つのモデルの性能を比較した。
  論文  参考訳（メタデータ） (2023-08-14T07:51:15Z)
• Robust Learning-Based Incipient Slip Detection using the PapillArray Optical Tactile Sensor for Improved Robotic Gripping [7.674950351698604]
  そこで本研究では,PapillArray (Contactile, Australia) 触覚センサを用いて,創発性すべりを検出する新しい学習手法を提案する。 結果のモデルは、初期スリップに関連するパターンを識別するのに非常に効果的であり、オフラインデータセットでテストした場合、検出成功率は95.6%に達する。
  論文  参考訳（メタデータ） (2023-07-08T16:43:47Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。