Исследователи проанализировали применимость квантовых нейронных сетей (QNN) для классификации дефектов на полупроводниковых пластинах. Сравнив подходы непрерывных (CV) и дискретных (DV) переменных на наборе данных WM-811K, авторы определили эффективность различных квантовых парадигм для задач промышленного контроля качества, критически важных для повышения выхода годных кристаллов при производстве современных чипов и высокоскоростной памяти.
Внедрение квантовых вычислений в производственные процессы требует понимания того, какая архитектура лучше справляется с конкретными задачами классификации изображений дефектов. Работа фокусируется на поиске оптимального баланса между вычислительной мощностью квантовых систем и требованиями к точности детекции брака на этапе производства, где сложность топологии чипов постоянно растет.
Исследование подчеркивает переход от теоретических моделей квантового машинного обучения к прикладным задачам в полупроводниковой индустрии. Авторы демонстрируют, как выбор между CV и DV парадигмами влияет на способность нейросети распознавать восемь различных классов дефектов, что напрямую коррелирует с экономической эффективностью техпроцессов и снижением процента брака.
Ключевые факты
- Исследование базируется на классификации дефектов набора данных WM-811K, содержащего восемь различных категорий брака.
- Проведено прямое сравнение двух доминирующих квантовых парадигм: непрерывных переменных (CV) и дискретных переменных (DV).
- Работа направлена на оптимизацию процессов контроля качества при производстве чипов с использованием стековой компоновки (die stacking).
- Результаты исследования помогают выбрать архитектуру квантовой нейросети для интеграции в системы автоматизированного контроля полупроводниковых пластин.