Hybrid Quantum-MambaVision：用于校准混合类型晶圆缺陷检测的量子增强状态空间模型
计算机视觉与模式识别
2026-05-19 v1
摘要
从工业视觉数据中提取可操作知识，本质上受限于极端类别不平衡和现代基础模型的计算复杂度。半导体制造中，多标签晶圆缺陷识别是一项复杂的空间数据挖掘任务，其中重叠模式会遮蔽关键根因信号。虽然视觉转换器（ViT）在全局依赖提取方面表现出色，但其二次方级扩展使得其在高吞吐量、实时异常检测中效率低下。为克服这些计算障碍，本文引入 Hybrid Quantum-MambaVision，一个专为空间知识发现而设计的高效架构。我们将线性复杂度状态空间模型（SSM）主干与参数化量子上下文适配器（QCA）和低秩适配（LoRA）相结合。Mamba 主干高效地捕获长程空间依赖，而量子适配器将压缩后的隐层特征映射到高维希尔伯特空间，以分离复杂的重叠特征。在高度不平衡的 MixedWM38 数据集上，Hybrid Quantum-MambaVision 实现了卓越的多标签分类性能，显著降低了复杂多缺陷拓扑结构的错误率。量子正则化器作为深刻的不确定性校准器，大幅降低了最大校准误差（MCE），并最小化了预期误报成本。这一工作建立了可扩展的量子-经典混合范式，用于工业数据挖掘中的高效表征学习。
关键词
引用
@article{arxiv.2605.16404,
title = {Hybrid Quantum-MambaVision: A Quantum-enhanced State Space Model for Calibrated Mixed-type Wafer Defect Detection},
author = {Satwik Sai Prakash Sahoo and Jyoti Prakash Sahoo and Ting Wang and Subrota Kumar Mondal},
journal= {arXiv preprint arXiv:2605.16404},
year = {2026}
}