論文の概要: SemiFA: An Agentic Multi-Modal Framework for Autonomous Semiconductor Failure Analysis Report Generation
- arxiv url: http://arxiv.org/abs/2604.13236v1
- Date: Tue, 14 Apr 2026 19:08:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.26303
- Title: SemiFA: An Agentic Multi-Modal Framework for Autonomous Semiconductor Failure Analysis Report Generation
- Title（参考訳）: SemiFA: 自律型半導体故障解析のためのエージェント多モードフレームワーク
- Authors: Shivam Chand Kaushik,
- Abstract要約: SemiFAは1分以内で半導体検査画像から構造化FAレポートを自動生成するエージェントマルチモーダルフレームワークである。
そこで我々は,9つの欠陥クラスにまたがって,構造化FA物語と組み合わせた930個のアノテート半導体欠陥画像のデータセットであるSemiFA-930を紹介する。
DINOv2ベースの分類器は140の検証画像に対して92.1%の精度を実現し、完全なパイプラインはNVIDIA A100-SXM4-40 GB GPU上で48秒で完全なFAレポートを生成する。
- 参考スコア（独自算出の注目度）: 3.077179632121371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semiconductor failure analysis (FA) requires engineers to examine inspection images, correlate equipment telemetry, consult historical defect records, and write structured reports, a process that can consume several hours of expert time per case. We present SemiFA, an agentic multi-modal framework that autonomously generates structured FA reports from semiconductor inspection images in under one minute. SemiFA decomposes FA into a four-agent LangGraph pipeline: a DefectDescriber that classifies and narrates defect morphology using DINOv2 and LLaVA-1.6, a RootCauseAnalyzer that fuses SECS/GEM equipment telemetry with historically similar defects retrieved from a Qdrant vector database, a SeverityClassifier that assigns severity and estimates yield impact, and a RecipeAdvisor that proposes corrective process adjustments. A fifth node assembles a PDF report. We introduce SemiFA-930, a dataset of 930 annotated semiconductor defect images paired with structured FA narratives across nine defect classes, drawn from procedural synthesis, WM-811K, and MixedWM38. Our DINOv2-based classifier achieves 92.1% accuracy on 140 validation images (macro F1 = 0.917), and the full pipeline produces complete FA reports in 48 seconds on an NVIDIA A100-SXM4-40 GB GPU. A GPT-4o judge ablation across four modality conditions demonstrates that multi-modal fusion improves root cause reasoning by +0.86 composite points (1-5 scale) over an image-only baseline, with equipment telemetry as the more load-bearing modality. To our knowledge, SemiFA is the first system to integrate SECS/GEM equipment telemetry into a vision-language model pipeline for autonomous FA report generation.
- Abstract（参考訳）: 半導体故障解析(FA)では、検査画像の検査、機器テレメトリの相関、過去の欠陥記録の照会、構造化されたレポートの作成が求められる。
半導体検査画像から構造化FAレポートを1分以内で自動生成するエージェントマルチモーダルフレームワークであるSemiFAを提案する。
SemiFA は FA を 4 つある LangGraph パイプラインに分解する: DINOv2 と LLaVA-1.6 を用いて欠陥形態を分類・命名するDefectDescriber、SECS/GEM 機器テレメトリを Qdrant ベクトルデータベースから取得した歴史的に類似した欠陥を融合する RootCauseAnalyzer、重大度と推定される収量の影響を割り当てるSeverity Classifier、修正プロセス調整を提案する RecipeAdvisor 。
第5ノードはPDFレポートを組み立てる。
そこで我々は,9つの欠陥クラスにわたる構造化FA物語と組み合わせた930個のアノテート半導体欠陥画像のデータセットであるSemiFA-930を紹介し,手続き合成,WM-811K,MixedWM38について述べる。
我々のDINOv2ベースの分類器は、140の検証画像(macro F1 = 0.917)に対して92.1%の精度を達成し、完全なパイプラインは、NVIDIA A100-SXM4-40 GB GPU上で48秒で完全なFAレポートを生成する。
GPT-4oの4つのモード条件での判定アブレーションは、画像のみのベースライン上の+0.86の複合点(1-5スケール)による根本原因推論を改善することを示し、機器テレメトリはより負荷を伴うモダリティとなる。
我々の知る限り、SemiFAは、SECS/GEM機器テレメトリを自律的なFAレポート生成のためのビジョン言語モデルパイプラインに統合する最初のシステムである。
関連論文リスト
- Automated Segmentation and Tracking of Group Housed Pigs Using Foundation Models [0.23915781021862328]
ファンデーションモデル(FM)は、タスク固有の教師あり学習への依存を減らすことでコンピュータビジョンを再構築している。
本研究は,群飼養豚の自動モニタリングのためのFM中心ワークフローを提案する。
論文 参考訳（メタデータ） (2026-04-03T19:50:08Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection [11.313360174738465]
MIRAGEは、リアルな異常画像生成とピクセルレベルのマスク生成のための完全に自動化されたパイプラインである。
当社のパイプラインでは,生成モデルをAPIコールを通じてブラックボックスとしてアクセスしています。
マスク生成を大規模に行うためには、軽量でトレーニング不要なデュアルブランチセマンティックチェンジ検出モジュールを導入する。
論文 参考訳（メタデータ） (2026-03-13T18:36:44Z) - When Detectors Forget Forensics: Blocking Semantic Shortcuts for Generalizable AI-Generated Image Detection [48.75021863792367]
Vision Foundation Models (VFMs, emphe.g., CLIP) は、しばしば目に見えない生成パイプラインを使って生成された画像に一般化するのに苦労する。
textbfGeometric Semantic Decoupling (GSD)を提案する。
GSDはバッチワイズ統計から意味論的方向を推定し、幾何学的制約によってそれらを投影し、アーティファクト検出器は意味論的不変な法医学的証拠に依存するように強制する。
論文 参考訳（メタデータ） (2026-03-10T06:16:35Z) - MIRAGE: Agentic Framework for Multimodal Misinformation Detection with Web-Grounded Reasoning [0.6475163438744868]
我々は、マルチモーダル検証を4つのシーケンシャルモジュールに分解する推論時モデルプラガブルエージェントフレームワークであるMIRAGEを提案する。
視覚的妥当性評価は、AI生成した画像を検出し、クロスモーダルな一貫性分析は、Webエビデンスにおけるアウト・オブ・コンテクストの再利用、検索強化された事実チェックの根拠を特定する。
MIRAGEは、ターゲットとするWeb検索、構造化された出力、引用リンクされた有理数を用いた視覚言語モデル推論をオーケストレーションする。
論文 参考訳（メタデータ） (2025-10-20T14:40:26Z) - Adaptive Monitoring and Real-World Evaluation of Agentic AI Systems [3.215065407261898]
大規模言語モデルと外部ツールを組み合わせたマルチエージェントシステムは、研究機関からハイテイクドメインへと急速に移行している。
この「先進的な」続編は、アルゴリズムのインスタンス化や経験的な証拠を提供することで、そのギャップを埋める。
AMDMは擬似ゴールドリフトで異常検出遅延を12.3秒から5.6秒に減らし、偽陽性率を4.5%から0.9%に下げる。
論文 参考訳（メタデータ） (2025-08-28T15:52:49Z) - Precise Information Control in Long-Form Text Generation [107.83171105517863]
提案手法は,短時間の自己完結文のセットで与えられた長文の出力をモデルで生成することを必要とするタスクの定式化である。
PICには、完全に全ての入力クレームを含むモデルの能力をテストする完全な設定と、関連するクレームのみを選択的に組み込む必要がある部分的な設定が含まれている。
提案するPIC-Benchは,PIC設定に適合する8つの長文生成タスクのベンチマークである。
論文 参考訳（メタデータ） (2025-06-06T23:42:42Z) - ProofAug: Efficient Neural Theorem Proving via Fine-grained Proof Structure Analysis [50.020850767257095]
本稿では,LLMに様々な粒度で自動化手法を付加するProofAugを提案する。
本手法は,オープンソースのDeep-math-7bベースモデルとIsabelle証明アシスタントを用いて,MiniF2Fベンチマークで検証した。
また、ProofAugのLean 4バージョンを実装し、Kimina-Prover-seek-Distill-1.5Bのパス@1のパフォーマンスを44.3%から50.4%に改善します。
論文 参考訳（メタデータ） (2025-01-30T12:37:06Z)
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。