面向半导体失效分析报告生成的智能多模态框架 SemiFA
计算机视觉与模式识别
2026-04-16 v1
摘要
半导体失效分析（FA）需要工程师检查检查图像、关联设备遥测、查阅历史缺陷记录，并撰写结构化报告，该过程每个案例可耗时数小时。我们提出 SemiFA，一个智能多模态框架，可在不到一分钟内从半导体检查图像自动生成结构化失效分析报告。SemiFA 将 FA 分解为四代理人 LangGraph 流水线：一个 DefectDescriber 利用 DINOv2 和 LLaVA-1.6 分类并描述缺陷形态，一个 RootCauseAnalyzer 将 SECS/GEM 设备遥测与从向量数据库中检索到的类似历史缺陷进行融合，一个 SeverityClassifier 为缺陷分配严重程度并估算产能影响，一个 RecipeAdvisor 提出纠正性工艺调整建议。第五个节点负责组装 PDF 报告。我们引入 SemiFA-930，一个包含 930 张标注好的半导体缺陷图像的数据集，配有跨九类缺陷的结构化失效分析叙述，数据来源于程序综合、WM-811K 和 MixedWM38。我们的 DINOv2 基分类器在 140 张验证图像上达到 92.1% 准确率（宏 F1=0.917），完整管道在 NVIDIA A100-SXM4-40 GB GPU 上耗时 48 秒。GPT-4o 评判器在四种模态条件下的消除实验证明，多模态融合相对于仅图像基准提升了 0.86 分（满分 5 分），其中设备遥测是影响更大的模态。我们不妥知的，SemiFA 是首个将 SECS/GEM 设备遥测集成到视觉-语言模型管道中，用于自动失效分析报告生成的系统。
引用
@article{arxiv.2604.13235,
title = {Neural 3D Reconstruction of Planetary Surfaces from Descent-Phase Wide-Angle Imagery},
author = {Melonie de Almeida and George Brydon and Divya M. Persaud and John H. Williamson and Paul Henderson},
journal= {arXiv preprint arXiv:2604.13235},
year = {2026}
}