基于主动迁移学习的水平集估计在材料表面缺陷区域自适应识别中的应用
机器学习
2023-04-05 v1 计算工程、金融与科学
摘要
在材料表征中，识别材料表面的缺陷区域是一项基础工作。传统方法是在表面预定的网格点上逐点测量相关物理属性，并确定属性未达到期望水平的区域。为了更高效地识别缺陷区域，我们提出了自适应映射方法，优先将测量资源用于检测缺陷区域的边界。我们将此问题解释为主动学习(AL)框架下的水平集估计(LSE)问题。基于 AL 的 LSE 目标是用尽可能少的测量次数确定定义在表面上的物理属性函数的水平集。此外，为应对具有相似规格的材料被重复生产的情形，我们引入了迁移学习方法，以有效利用先前生产材料的信息。作为概念验证，我们将所提方法应用于硅晶圆的红区估计问题，并证明相比传统方法，我们能以显著更低的测量成本识别缺陷区域。
引用
@article{arxiv.2304.01404,
title = {Adaptive Defective Area Identification in Material Surface Using Active Transfer Learning-based Level Set Estimation},
author = {Shota Hozumi and Kentaro Kutsukake and Kota Matsui and Syunya Kusakawa and Toru Ujihara and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:2304.01404},
year = {2023}
}