Selbstüberwachtes Pretraining für Defekterkennung in der Halbleiterfertigung
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 500.000 ungelabelte Wafer-Patches und 3.000 gelabelte Patches mit fünf Defektklassen. Trainiere zuerst einen Encoder selbstüberwacht (Empfehlung: DINOv2-Architektur mit einem kleinen ViT-Backbone), dann feinjustiere die obersten Schichten auf den gelabelten Daten. Vergleiche gegen eine reine ResNet-50-Supervised-Baseline auf 100, 500 und 3.000 Labels. Erfolgskriterium: SSL-Modell schlägt die Baseline bei 100 Labels um mindestens 8 Punkte F1, und das Engineering-Memo erklärt für die Qualitätsabteilung, ob die GPU-Vortrainings-Investition sich rechnet.
Das Briefing
Was Du tust und was Du zeigst.
Zeige, ob selbstüberwachtes Vortraining auf ungelabelten Wafer-Bildern die Defekt-Klassifikation in einem datenarmen Regime sinnvoll verbessert.
Earning criteria — what you'll demonstrate
- Selbstüberwachte Verfahren (kontrastive Methoden, DINO-Familie) konzeptionell und praktisch beherrschen
- Repräsentationslernen anhand von Linear-Probing und Few-Shot-Fine-Tuning bewerten
- Den datenarmen Vorteil von SSL quantitativ gegen eine starke überwachte Baseline messen
- Forschungsergebnisse als geschäftliche Investitionsempfehlung formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML Researcher
Eine SSL-Methode zu implementieren, sauber gegen eine Baseline zu vergleichen und die Datenkurve zu zeigen ist genau die Arbeit, die ML Researcher in industrieller Forschung jede Woche liefern.
Dieses Projekt schärft
- self-supervised-learning
- representation-learning
- model-evaluation
Applied AI Scientist
Forschungsmethoden auf ein konkretes Datenproblem in der Fertigung anwenden und das Ergebnis ehrlich quantifizieren ist Kerngebiet der angewandten KI.
Dieses Projekt schärft
- self-supervised-learning
- transfer-learning
- model-evaluation
Machine Learning Engineer
Saubere Trainings-Pipelines mit Hyperparameter-Tracking und reproduzierbaren Experimenten sind das Handwerk, das jeder ML Engineer in einem produktnahen Team beherrschen muss.
Dieses Projekt schärft
- pytorch
- vision-transformers
- transfer-learning
Noch eine Sache