摘要：该研究通过分析晶圆仓位图上的缺陷模式来解决半导体芯片制造中的错误。它引入了一种改进的贝叶斯推理方法，以加速错误模式识别，从而增强芯片良率分析。该算法在实际问题中的执行速度比传统方法更快，凸显了其在优化制造工艺方面的实用价值。

2025年4月18日，研究人员提出了一种创新方法，利用改进的量子贝叶斯推理来提高半导体制造中缺陷模式识别的速度。

该研究通过分析晶圆仓位图上的缺陷模式来解决半导体芯片制造中的错误。它引入了一种改进的贝叶斯推理方法，以加速错误模式识别，从而增强芯片良率分析。该算法在实际问题中的执行速度比传统方法更快，凸显了其在优化制造工艺方面的实用价值。

半导体制造领域取得了一项显著进展，研究人员开发了一种基于贝叶斯网络的量子算法，能够更高效地对晶圆

上的缺陷进行分类。这项创新解决了对准确高效缺陷检测的关键需求，而缺陷检测直接影响着产量和成本。

晶圆缺陷分类在芯片制造中至关重要，因为它可以确保产品质量并最大限度地减少浪费。传统方法通常难以处理大型数据集，导致效率低下。我们提出的量子解决方案旨在利用量子计算的独特能力来克服这些限制。

研究人员采用了预处理步骤来简化数据。他们将原始晶圆数据转换为二进制值（0 和 1），并将图像从高分辨率 52×52 像素格式压缩为 8×8 像素格式。这种压缩使得计算更易于管理，且不会造成大量信息损失。

该量子算法使用状态来表示缺陷概率，从而允许同时评估多种可能性——这是量子叠加所实现的特性。他们调整了量子系统的信念传播，使用门来模拟贝叶斯网络中的信息传递步骤，并根据证据更新概率。

该算法表现出极高的准确率——在训练集上达到 98%，在测试集上达到 95%，表明该算法在不同数据集上均表现出稳健的性能。混淆矩阵显示，虽然大多数分类是正确的（对角优势），但也存在一些错误分类，这凸显了有待改进的地方。

这种量子方法有望通过提高缺陷分类的准确性和效率来增强制造质量控制。尽管当前的量子硬件存在局限性，但未来的进步可能会使这些方法更加实用。这项创新凸

显了量子计算革新工业应用的潜力，有助于节省成本并提高半导体生产的良率。

了解某些缺陷被错误分类的原因可以进一步完善模型。将该方法与经典贝叶斯网络进行比较，可以深入了解其优势。随着量子技术的发展，这种方法有望成为高效缺陷检测的基石，推动制造效率的提升。

来源：小帆科技每日一讲