集成深度拓扑数据分析与自监督及迁移学习技术的半导体图像分析高级聚类框架

半导体制造产生大量图像数据，这些数据对于缺陷识别和良率优化至关重要，但常常超出人工检查的能力范围。传统聚类技术难以处理高维、无标签的数据，限制了其捕捉细微模式的有效性。本文介绍了一个高级聚类框架，该框架将深度拓扑数据分析（TDA）与自监督和迁移学习技术相结合，为无监督图像聚类提供了一种新颖的方法。TDA 捕捉内在的拓扑特征，而自监督学习则从无标签数据中提取有意义的表示，减少了对标注数据集的依赖。迁移学习增强了框架的适应性和可扩展性，允许在不从头开始重新训练的情况下对新数据集进行微调。在合成和开源的半导体图像数据集上验证，该框架成功识别出与缺陷模式和工艺变化一致的聚类。这项研究凸显了结合 TDA、自监督学习和迁移学习的变革潜力，为半导体制造及其他拥有大规模图像数据集的领域中的主动过程监控和质量控制提供了一种可扩展的解决方案。