基于堆叠降噪自编码器的神经–符号模型及在晶圆表面缺陷识别

摘要：

深度神经网络是具有复杂结构和多个非线性处理单元的模型,通过模块化的方式分层从数据提取代表性特征,已经在晶圆缺陷识别领域得到了较为广泛的应用.但是,深度神经网络在应用过程中本身存在"黑箱"和过度依赖数据的问题,显著地影响深度神经网络在晶圆缺陷识别的工业可应用性.提出一种基于堆叠降噪自编码器的神经–符号模型.首先,根据堆叠降噪自编码器的网络特点采用了一套符号规则系统,规则形式和组成结构使其可与深度神经网络有效融合.其次,根据网络和符号规则之间的关联性提出完整的知识抽取与插入算法,实现了深度网络和规则之间的知识转换.在实际工业晶圆表面图像数据集WM-811K上的试验结果表明,基于堆叠降噪自编码器的神经–符号模型不仅取得了较好的缺陷探测与识别性能,而且可有效提取规则并通过规则有效描述深度神经网络内部计算逻辑,综合性能优于目前经典的深度神经网络.

关键词：晶圆表面缺陷、深度学习、堆叠降噪自编码器、符号规则、知识发现

所属期刊栏目：48

分类号：TP391.41;TP183;TN911.73-34

资助基金：国家自然科学基金71771173

在线出版日期：2022-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：2688-2702