論文の概要: LDU-Bench: Multimodal LLM Evaluation for Lithography Defect Understanding under Layout-Varying Circuit Backgrounds
- arxiv url: http://arxiv.org/abs/2608.03078v1
- Date: Tue, 04 Aug 2026 03:43:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.021746
- Title: LDU-Bench: Multimodal LLM Evaluation for Lithography Defect Understanding under Layout-Varying Circuit Backgrounds
- Title（参考訳）: LDU-Bench:Layout-Varying 回路環境下でのリソグラフィ欠陥認識のためのマルチモーダルLCM評価
- Authors: Huanglong Ji, Botong Zhao, Shujing Lv, Yue Lv,
- Abstract要約: 本稿では,リソグラフィ欠陥理解のためのマルチタスクマルチモーダルベンチマークであるLDU-Benchを提案する。
LDU-Benchはレビューワークフローを、欠陥トリアージ、形態認識、粗いローカライゼーション、画像条件付き原因分析の4つの独立したタスクに分解する。
実験の結果,既存のMLLMは比較的確実に欠陥トリアージを行うことができるが,下流のレビュー段階に安定して移行できないことがわかった。
- 参考スコア（独自算出の注目度）: 1.0192955869666205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal large language models have demonstrated strong defect recognition capability in industrial anomaly detection. However, in lithography review, merely determining whether an image contains a defect is insufficient for engineering inspection; models must also understand defect morphology, spatial location, and the potential causes supported by visible evidence. To this end, this paper proposes LDU-Bench, a multi-task multimodal benchmark for lithography defect understanding. Constructed from real lithography and integrated-circuit review images, LDU-Bench decomposes the review workflow into four independent tasks: defect triage, morphology recognition, coarse localization, and image-conditioned cause analysis. It systematically evaluates models using task-level metrics, diagnostic readouts, and the Lithography Closure Score (LCS). Experimental results show that although existing MLLMs can perform defect triage relatively reliably, this ability does not stably transfer to downstream review stages. Morphology alignment, effective localization, and evidence-to-cause mapping remain the major bottlenecks. Further diagnostics indicate that this capability break is not a fluctuation of a single metric, but reflects insufficient structured understanding across semantic levels. Overall, LDU-Bench provides a quantifiable and diagnostic unified platform for evaluating the usability, failure points, and capability boundaries of industrial MLLMs in lithography review chains.
- Abstract（参考訳）: マルチモーダルな大規模言語モデルは,産業的異常検出において強い欠陥認識能力を示した。
しかし、リソグラフィーのレビューでは、欠陥を含む画像が工学検査に不十分であるかどうかを判断するだけで、モデルはまた欠陥形態、空間的位置、および可視的証拠によって裏付けられる潜在的な原因を理解する必要がある。
本稿では,リソグラフィー欠陥理解のためのマルチタスクマルチモーダルベンチマークであるLDU-Benchを提案する。
LDU-Benchは、実際のリソグラフィと集積回路レビュー画像から構築され、レビューワークフローを4つの独立したタスクに分解する。
タスクレベルのメトリクス、診断読み出し、Lithography Closure Score(LCS)を使用してモデルを体系的に評価する。
実験の結果,既存のMLLMは比較的確実に欠陥トリアージを行うことができるが,下流のレビュー段階に安定して移行できないことがわかった。
モルフォロジーアライメント、効果的なローカライゼーション、エビデンス・トゥ・カウンタ・トゥ・カウンタ(英語版)が主要なボトルネックである。
さらなる診断では、この能力の破壊は単一の計量の揺らぎではなく、意味レベルでの構造的理解が不十分であることを反映している。
全体として、LDU-Benchは、リソグラフィーレビューチェーンにおける産業MLLMのユーザビリティ、障害点、能力境界を評価するための、定量化と診断の統一プラットフォームを提供する。
関連論文リスト
- Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。
その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。
本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
論文 参考訳（メタデータ） (2026-07-07T03:20:52Z) - Benchmarking Large Vision-Language Models on Fine-Grained Image Tasks: From Evaluation to Diagnosis [63.49939245944781]
我々は1100万の質問と0.28万の画像を含む総合的なきめ細かい評価ベンチマークであるFG-BMKを紹介する。
現在のLVLMは、視覚的表現、セマンティックグラウンドディング、モダリティアライメント、カテゴリーレベルの知識において、相互に絡み合ったボトルネックから生じる障害を伴って、微粒化認識器が不十分なままである。
論文 参考訳（メタデータ） (2026-06-17T13:23:26Z) - Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback [51.08692072066352]
テキスト・トゥ・イメージ(T2I)モデルは依然として局所的で微妙で構造的に複雑な失敗を示す。
構造的欠陥接地は, 各欠陥を位置, タイプ, 理由, 重要性としてモデル化し, 構造的集合予測としてT2Iの診断を行う。
我々の検出器は、構造欠陥接地におけるプロプライエタリなVLMよりも優れています。
論文 参考訳（メタデータ） (2026-06-04T13:03:16Z) - Marking the Wrong Symptoms: Evaluating LLM Watermarks in Medical Texts [9.564559994172438]
本研究では,11LLMと7VLMにまたがる5つの透かし方式をベンチマークし,透かしが医療性能に与える影響について,厳密な研究を行った。
以上の結果から,透かしは,語彙的腐敗,幻覚的用語,誤帰や画像所見の欠落など,複数の障害モードにまたがる顕著な劣化を引き起こすことが示唆された。
本研究は,医療における透かしモデルの安全な展開の前提として,ドメイン固有性の評価を定めている。
論文 参考訳（メタデータ） (2026-05-16T08:16:08Z) - A Knowledge-Driven LLM-Based Decision-Support System for Explainable Defect Analysis and Mitigation Guidance in Laser Powder Bed Fusion [0.0]
本研究は、構造化欠陥知識とLCMに基づく推論を統合し、説明可能な欠陥診断と緩和ガイダンスを提供する知識駆動システムを提案する。
提案システムは,27の既知のLPBF欠陥を階層的カテゴリと因果関係に分類した知識ベース上に構築されている。
論文 参考訳（メタデータ） (2026-05-01T21:12:51Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - LLM-YOLOMS: Large Language Model-based Semantic Interpretation and Fault Diagnosis for Wind Turbine Components [5.383947139043873]
本研究では, YOLOMSと大規模言語モデル(LLM)を組み合わせて, インテリジェントな故障解析と診断を行う統合フレームワークを提案する。
特に, YOLOMSでは, マルチスケール検出とスライディング・ウインドウ・クリーピングを採用し, 断層特徴抽出の高度化を実現している。
このモジュールは、YOLOMS検出結果を定性的属性と量的属性の両方に富んだ構造化テキスト表現に変換する。
論文 参考訳（メタデータ） (2025-11-13T15:14:34Z) - LTD-Bench: Evaluating Large Language Models by Letting Them Draw [57.237152905238084]
LTD-Benchは、大規模言語モデル(LLM)のブレークスルーベンチマークである。
LLMの評価を抽象的なスコアから直接観察可能な視覚出力に変換する。
LTD-Benchの視覚出力は強力な診断分析を可能にし、モデル類似性を調べるための潜在的アプローチを提供する。
論文 参考訳（メタデータ） (2025-11-04T08:11:23Z) - A Novel Ophthalmic Benchmark for Evaluating Multimodal Large Language Models with Fundus Photographs and OCT Images [11.761590928900358]
眼科領域では,光学コヒーレンス・トモグラフィー(OCT)の報告を解析するために,大言語モデル(MLLM)が研究されている。
データセットは439基の画像と75基のOCT画像からなる。
標準化されたAPIベースのフレームワークを用いて、7つの主流MLLMを評価し、異なる疾患の診断精度に有意なばらつきが認められた。
論文 参考訳（メタデータ） (2025-03-10T09:19:55Z) - Feature Representation Learning for Robust Retinal Disease Detection
from Optical Coherence Tomography Images [0.0]
眼科画像は、異なる網膜変性疾患を区別する自動化技術で失敗する、同一の外観の病理を含んでいる可能性がある。
本研究では,3つの学習ヘッドを持つ堅牢な疾患検出アーキテクチャを提案する。
2つのOCTデータセットによる実験結果から,提案モデルが既存の最先端モデルよりも精度,解釈可能性,堅牢性に優れ,網膜外網膜疾患の検出に有用であることが示唆された。
論文 参考訳（メタデータ） (2022-06-24T07:59:36Z)
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。