Zero-Shot Multi-Class Wafer Map Classification with Rule-Ordered Prompts for Large Multimodal Models

{"tags": ["Wafer Map Classification", "Large Multimodal Models", "Zero-Shot Learning", "Prompt Engineering", "Semiconductor Manufacturing", "Industrial AI"], "risks": ["Độ chính xác trên tập WM811K còn ở mức 81.3%, có thể chưa đáp ứng đủ tiêu chuẩn khắt khe cho triển khai thực tế trong fab.", "Độ trễ và chi phí suy luận của mô hình đa phương thức lớn (LMM) cao hơn đáng kể so với mô hình chuyên dụng nhỏ (CNN/ViT).", "Phụ thuộc vào chất lượng trích xuất thành phần liên thông; nhiễu hình ảnh có thể dẫn đến gợi ý sai cho LMM."], "category": "Research", "entities": ["Mixed-WM38", "WM811K", "Large Multimodal Model (LMM)"], "summary_vi": "Nghiên cứu đề xuất khung phân loại khuyết tật bản đồ wafer (wafer map) 6 lớp theo hướng zero-shot, không cần huấn luyện (training-free) dựa trên mô hình đa phương thức lớn (LMM) đóng băng. Phương pháp kết hợp làm nổi bật thành phần liên thông với các prompt nhận biết hình thái, vị trí và luật loại trừ có thứ tự. Thử nghiệm đạt độ chính xác tổng thể 93.8% trên Mixed-WM38 và 81.3% trên WM811K.", "key_changes": ["Đề xuất khung phân loại khuyết tật wafer 6 lớp không cần huấn luyện (training-free) cho mô hình đa phương thức lớn đóng băng (frozen LMM).", "Kết hợp kỹ thuật làm nổi bật thành phần liên thông (connected-component highlighting) với prompt nhận biết hình thái, vị trí và quy tắc loại trừ.", "Tối ưu hóa thứ tự quy tắc (rule-ordered prompts), giúp đạt 93.8% độ chính xác so với 90.1-91.9% của 8 thứ tự thử nghiệm khác.", "Đạt kết quả thực nghiệm 92.9% macro / 93.8% overall trên Mixed-WM38 và 79.1% macro / 81.3% overall trên WM811K."], "sub_category": "Semiconductor Defect Inspection", "novelty_score": 70, "business_score": 78, "research_score": 75, "why_it_matters": "Trong sản xuất bán dẫn, việc thu thập và dán nhãn lại dữ liệu lỗi mỗi khi điều kiện sản xuất thay đổi gây tốn kém lớn về thời gian và chi phí. Nghiên cứu chứng minh rằng việc kết hợp tiền xử lý thị giác cổ điển với kỹ thuật prompt có cấu trúc trên LMM đóng băng có thể phân loại chính xác lỗi công nghiệp mà không cần huấn luyện lại mô hình.", "developer_score": 70, "importance_score": 72, "possible_use_cases": ["Kiểm tra và phân loại khuyết tật wafer map tự động trong dây chuyền bán dẫn khi thay đổi điều kiện sản xuất mà không cần dán nhãn huấn luyện lại.", "Hệ thống triage sơ bộ lỗi khuyết tật công nghiệp kết hợp giữa thuật toán xử lý ảnh truyền thống và LMM đa phương thức.", "Áp dụng phương pháp prompt có thứ tự quy tắc và định vị vùng khuyết tật cho các bài toán phân loại ảnh công nghiệp zero-shot khác."], "actionability_score": 75}