論文の概要: Online Open-World Wafer Defect Discovery using Hyperdimensional Computing

• arxiv url: http://arxiv.org/abs/2610.28949v1
• Date: Tue, 20 Oct 2026 22:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.151622
• Title: Online Open-World Wafer Defect Discovery using Hyperdimensional Computing
• Title（参考訳）: 超次元計算を用いたオンラインオープンワールドウェハ欠陥発見
• Abstract要約: 超次元コンピューティング(HDC)に基づくオンラインオープンワールドウェハ欠陥発見フレームワークであるWaferHDCを提案する。 WaferHDCは、繰り返し発生する障害の高速な異常検出とグループ化を可能にして、コンパクトなハイパーベクター表現を実現する。 業界標準のWM-811Kデータセットの標準化された相互情報において、調整されたランド指数で13.3 p.p.、調整されたランド指数で10.5 p.p.で最強のオンラインベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 10.41632953199838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional wafer defect analysis relies on offline, closed-world classifiers that fail to detect novel, unseen defect signatures emerging during continuous semiconductor manufacturing. To address this, we propose WaferHDC, an online open-world wafer defect discovery framework based on hyperdimensional computing (HDC). The memory-centric architecture of WaferHDC enables rapid anomaly detection and grouping of recurring failures into compact hypervector representations. This allows the memory space to dynamically scale with new defect modes without retraining a static classifier or archiving entire raw wafer history. WaferHDC first models normal spatial distributions, then dynamically groups recurring failures into persistent defect memory without labels or predefined class counts. It outperforms the strongest online baseline by 13.3 p.p. in adjusted Rand index and 10.5 p.p. in normalized mutual information on the industry-standard WM-811K dataset. These results demonstrate the effectiveness of WaferHDC for continuous and open-world wafer defect analysis.
• Abstract（参考訳）: 従来のウェハ欠陥分析は、連続半導体製造中に出現する新規で目に見えない欠陥の署名を検出できない、オフラインのクローズドワールド分類器に依存している。 そこで我々は,超次元計算(HDC)に基づくオンラインオープンワールドウェハ欠陥発見フレームワークであるWaferHDCを提案する。 WaferHDCのメモリ中心アーキテクチャは、繰り返し発生する障害の高速な異常検出とグループ化を可能にする。 これにより、静的分類器を再トレーニングしたり、生のウエハ履歴全体をアーカイブすることなく、新しい欠陥モードで動的にスケールすることができる。 WaferHDCはまず、正常な空間分布をモデル化し、次に障害をラベルや定義済みのクラスカウントなしで永続的な欠陥メモリに動的にグループ化する。 業界標準のWM-811Kデータセットの標準化された相互情報において、調整されたランド指数で13.3 p.p.、調整されたランド指数で10.5 p.p.で最強のオンラインベースラインを上回っている。 これらの結果から,WaferHDCの連続的およびオープンなウエハ欠陥解析への応用が示された。

関連論文リスト

• ManifoldCache: Training-Free Diffusion Acceleration via Constraint Manifold Caching [5.85394988427118]
  CMDM(Constraint-Manifold Diffusion Models)を紹介する。 医用ボリューム、分子構造、タンパク質のバックボーン設計、結晶構造予測、マルチビュー3Dシーンにまたがる8つの最先端モデルを統合する。 ManifoldCacheは、CMDMの最初の原則から設計された、トレーニング不要でデータフリーな最初のアクセラレータである。
  論文  参考訳（メタデータ） (2026-10-03T13:18:15Z)
• Over-the-Air Federated Learning in Heterogeneous Mobile Wireless Networks [56.36166282526799]
  オーバー・ザ・エア(Over-the-air)計算は、無線ネットワークに学習アルゴリズムをデプロイするためのスケーラブルで効率的なソリューションである。 我々は,アルゴリズム正規化を採用し,暗黙のゴシップを通じてデバイスのアップデートを均等に混合するFedOAGを提案する。
  論文  参考訳（メタデータ） (2026-09-26T18:04:09Z)
• Diffuse to Detect: Generative Diffusion Models for Unsupervised IC Anomaly Detection [6.4155075067452385]
  拡散変換器を組み込んだ最初の教師なし異常検出フレームワークを提案する。 異常スコアは、中距離拡散時間ステップ上のノイズ予測誤差から導かれる。 本手法は, 工業用16nm IC試験データに対して, 極端不均衡条件下での最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-26T02:24:44Z)
• CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
  本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。 フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。 実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
  論文  参考訳（メタデータ） (2026-05-12T08:08:33Z)
• DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
  本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。 メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。 EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
  論文  参考訳（メタデータ） (2026-04-13T03:19:36Z)
• DECOR: Deep Embedding Clustering with Orientation Robustness [0.0]
  私たちは、ウェハマップから一貫したクラスタに複雑な欠陥パターンをグループ化する、指向性フレームワークを備えたディープクラスタリングであるDECORを紹介します。 提案手法をオープンソースのMixedWM38データセット上で評価し,手動チューニングなしでクラスタを検出できることを実証した。
  論文  参考訳（メタデータ） (2025-10-01T18:22:03Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• CrackCLF: Automatic Pavement Crack Detection based on Closed-Loop Feedback [14.986335013488643]
  CrackCLFはニューラルネットワークモデルであり、自分でエラーを修正することを学習する。 提案されたCLFは、プラグアンドプレイモジュールとして定義することができ、異なるニューラルネットワークモデルに組み込んでパフォーマンスを改善することができる。
  論文  参考訳（メタデータ） (2023-11-20T14:52:48Z)
• Deep Open-Set Recognition for Silicon Wafer Production Monitoring [7.7977112365916]
  本稿では,サブマニフォールドスパース畳み込みネットワークに基づくウェハ監視のための包括的パイプラインを提案する。 実験により, サブマニフォールドスパース畳み込みによるWDMの直接処理により, 既知のクラスにおいて優れた分類性能が得られることが示された。 我々のソリューションは、新規性の検出において最先端のオープンセット認識ソリューションより優れています。
  論文  参考訳（メタデータ） (2022-08-30T08:39:52Z)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)

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。