في ظل تزايد تعقيد هياكل الأشباه الموصلات، أصبح كشف وتصنيف العيوب الدقيقة تحديًا حاسمًا يؤثر مباشرة على جودة الإنتاج ونسبة الربح. تُعاني الأنظمة التقليدية القائمة على الشبكات العصبية التلافيفية (CNN) من قيود متعددة، أبرزها الحاجة إلى مجموعات بيانات مُصنّفة بكميات كبيرة، وصعوبة التعميم على أنواع جديدة من العيوب، واحتياجات إعادة التدريب المستمرة بسبب التغيرات في العمليات التصنيعية. هذا يُجبر المصانع على الاعتماد على التفتيش اليدوي، ما يُعَدّ مكلفًا وغير متسق. لحل هذه التحديات، تُقدّم NVIDIA نهجًا مُحدَّثًا يعتمد على الذكاء الاصطناعي التوليدي ونماذج الرؤية الأساسية (VFMs) ونماذج الرؤية واللغة (VLMs). تُستخدم نماذج مثل Cosmos Reason لتحليل خرائط العيوب على مستوى الوَرَق (wafer maps)، حيث تُميّز بين أنواع العيوب مثل "العيب الحلقي المركزي" الناتج عن تلوث كيميائي، وتُولّد تفسيرات بلغة طبيعية، وتُجري مقارنات مع نماذج "مثالية" لتحديد الأسباب الجذرية. بفضل التدريب المُخصص (Supervised Fine-Tuning)، ترتفع دقة التصنيف من مستويات "الصفر-تغذية" إلى أكثر من 96%، مع تقليل الحاجة إلى التصنيف اليدوي. على مستوى المُكوّنات الفردية (die-level)، تُستخدم نماذج الرؤية الأساسية مثل NV-DINOv2، التي تُدرّب أولاً على ملايين الصور غير المُصنّفة من مصانع الأشباه الموصلات عبر تعلم ذاتي (Self-Supervised Learning). هذه الخطوة تُعدّّل النموذج لفهم سياق التصوير الصناعي (كالتصوير الضوئي، والإلكتروني، والمجهرية). ثم يُتم تدريبه على مجموعة صغيرة من الصور المُصنّفة (مثلاً 600 عينة) باستخدام تقنية "الاستدلال الخطي" (Linear Probing)، ما يُحقق دقة تصل إلى 98.51% — مقارنة بـ93.84% للنموذج الأصلي. هذه الطريقة تُقلل الحاجة إلى التصنيف اليدوي وتحسّن المرونة في بيئة تُنتج ملايين الصور يوميًا. تُقدّم أداة NVIDIA TAO Toolkit بيئة متكاملة لتنفيذ هذه المراحل: من تجهيز البيانات (بما في ذلك تنظيفها من الصور الضبابية أو المكررة)، إلى التدريب، وتصدير النموذج إلى صيغة ONNX للاستخدام في بيئة الإنتاج عبر TensorRT أو DeepStream. النتائج تُظهر تحسّنًا ملحوظًا في الأداء، مع رفع إنتاجية التصنيع حتى 9.9% في بعض الحالات. هذا التحول لا يقتصر على كشف العيوب، بل يمهد لمستقبل "مصنع ذكي" (Smart Fab) يعتمد على أنظمة ذكاء اصطناعي عاملة (Agentic AI) تُحلّل العمليات، وتحسّن المراقبة، وتدعم السلامة عبر تطبيقات تحليل الفيديو. تُسهم هذه التقنيات في تقليل وقت تطبيق النماذج، وتحسين قدرتها على التكيّف مع التغيرات، وتمكين التصنيع المُتَسَارع في مصانع الأشباه الموصلات الحديثة.