NVIDIA представила революционный подход к автоматической классификации дефектов в полупроводниковом производстве, задействовав генеративный ИИ и визуальные фундаментальные модели. Традиционные свёрточные нейросети (CNN), которые десятилетиями использовались фабриками для автоматической инспекции пластин, столкнулись с непреодолимыми ограничениями: необходимость тысяч размеченных изображений на каждый класс дефектов, частая переподготовка моделей и неспособность обобщать результаты при появлении новых типов брака. Новая платформа NVIDIA на базе моделей Cosmos Reason и NV-DINOv2 решает эти проблемы, сокращая время развёртывания моделей в два раза и практически исключая ручную разметку данных.
На уровне анализа кремниевых пластин (wafer-level) NVIDIA применила свою визуальную языковую модель Cosmos Reason VLM. После дообучения на небольшом размеченном датасете модель достигает точности классификации дефектов свыше 96% — при том что в режиме zero-shot, без какой-либо специализированной настройки, результаты были значительно ниже. Ключевое преимущество Cosmos Reason — способность не просто выявлять дефект, но и генерировать естественно-языковое объяснение причин брака, проводить интерактивный анализ в формате вопрос-ответ, а также сравнивать тестовые изображения с эталонными образцами для предварительного установления коренных причин отклонений.
Для инспекции на уровне отдельных кристаллов (die-level) применяется модель NV-DINOv2 — визуальная фундаментальная модель, обученная методом самоконтролируемого обучения (SSL). Трёхэтапный процесс включает предварительное обучение на миллионах неразмеченных изображений, затем доменную адаптацию на сотнях миллионов производственных снимков с реальных фабрик и, наконец, тонкую настройку с использованием всего нескольких сотен размеченных образцов. Результат впечатляет: точность классификации выросла с 93,84% у базовой модели до 98,51% после доменной адаптации — улучшение на 8,9% за счёт использования неразмеченных данных.
По данным одного из ведущих полупроводниковых производителей, участвовавшего в тестировании NV-DINOv2, прирост производительности достигает 9,9% при использовании доменной адаптации. Компьютерное зрение на современных фабриках обрабатывает миллионы высокоразрешённых изображений ежедневно, и традиционный подход с ручной разметкой каждого дефекта становится экономически нецелесообразным. Платформа NVIDIA, интегрированная с инструментами TAO Toolkit 6.0, TensorRT и DeepStream, позволяет автоматизировать весь конвейер — от захвата изображения до финального решения о качестве кристалла — с минимальным вмешательством человека.
Эксперты индустрии отмечают, что полупроводниковая отрасль находится на переломном этапе: по мере перехода к технологическим нормам 2 нм и ниже один дефект размером всего 5 нанометров на пластине может стать «критическим убийцей» всего кристалла. Разница между 70% и 85% выхода годных чипов на передовой фабрике измеряется миллиардами долларов годовой выручки. В этих условиях генеративный ИИ от NVIDIA способен кардинально изменить экономику производства, снижая процент брака и ускоряя выявление системных проблем на производственной линии.
Глобальный рынок решений для управления выходом годных в полупроводниковом производстве оценивается в $1,2 млрд и, по прогнозам аналитиков, достигнет $2,3 млрд к 2031 году при среднегодовом росте 8,5%. Подход NVIDIA формирует новую парадигму «двухуровневого ИИ» в отрасли: первый уровень — встроенный ИИ в инспекционном оборудовании для извлечения физических характеристик непосредственно с пластин, второй — аналитический ИИ поверх производственных данных для корреляции сигналов между инструментами и раннего обнаружения дрейфа процесса. Эта стратегия уже привлекла внимание ведущих фабрик мира, включая участников программы EPIC Center компании Applied Materials, где NVIDIA является ключевым технологическим партнёром.
