In der Halbleiterfertigung, wo selbst mikroskopische Defekte das Funktionieren von Chips entscheidend beeinflussen, gewinnt die automatisierte Defektklassifizierung (ADC) zunehmend an Bedeutung. Traditionelle Ansätze basierend auf konvolutionellen neuronalen Netzen (CNNs) stoßen jedoch an ihre Grenzen: Sie erfordern große, manuell beschriftete Datensätze, leiden unter mangelnder semantischer Verständnisfähigkeit und müssen bei Prozessänderungen oder neuen Produktlinien häufig neu trainiert werden. Dies führt zu hohen Kosten, geringer Skalierbarkeit und erheblichem manuellem Aufwand. Um diese Herausforderungen zu meistern, setzt NVIDIA auf generative KI, insbesondere Vision-Language-Modelle (VLMs) wie Cosmos Reason und Vision Foundation Models (VFMs) wie NV-DINOv2, in Kombination mit dem NVIDIA TAO-Toolkit. VLMs verarbeiten Waferkarten, die räumliche Verteilung von Defekten darstellen, und können nicht nur Defekte klassifizieren, sondern auch natürlichsprachliche Erklärungen liefern, Wurzelursachen analysieren und interaktive Fragen beantworten. Durch feinabgestimmtes Training mit nur wenigen Beispielen erreicht das Cosmos Reason-Modell eine Klassifizierungspräzision von über 96 % – ein signifikanter Fortschritt gegenüber null-schritt-basierten Ansätzen. Gleichzeitig ermöglicht die Kombination von selbstüberwachtem Lernen (SSL) und domain-spezifischem Fine-Tuning mit NV-DINOv2 eine effiziente Anpassung an industrielle Bildquellen wie optische, e-beam- und Mikroskopiebilder. Die Methode nutzt Millionen unlabeled Bilder für die Domänenanpassung, wodurch die Notwendigkeit umfangreicher Beschriftung entfällt. In praktischen Tests stieg die Genauigkeit bei der Defekterkennung von 93,84 % auf 98,51 %, wobei nur 600 gelabelte Beispiele für die finale Feinabstimmung erforderlich waren. Die Vorgehensweise folgt einem dreistufigen Workflow: 1) Nutzung des allgemein vortrainierten NV-DINOv2, 2) SSL-basierte Domänenanpassung an fab-spezifische Bilddaten, 3) lineares Probing mit minimalen gelabelten Datensätzen. Eine sorgfältige Datenaufbereitung ist entscheidend – fehlerhafte, unscharfe oder redundante Bilder müssen vorab entfernt werden. Die resultierenden Modelle sind robust, skalierbar und erfordern nur geringen Wartungsaufwand, was sie ideal für dynamische Fertigungsabläufe macht. Industrieinsider schätzen die Technologie als Meilenstein für die Schaffung intelligenter Fabriken (Smart Fabs). Die Kombination aus beschleunigter Rechenleistung, generativer KI und agentenbasierten Systemen eröffnet neue Möglichkeiten für proaktive Prozesskontrolle, verbesserte Ausbeute und reduzierte Downtime. Neben der Defekterkennung werden auch Videoanalyse-Agents für Sicherheitsüberwachung, PPE-Compliance und Betriebsmonitoring eingesetzt. NVIDIA positioniert sich mit dieser Technologie als Schlüsselakteur in der digitalen Transformation der Halbleiterindustrie. Die offene Verfügbarkeit von Modellen wie Cosmos Reason und NV-DINOv2 über NGC und GitHub, unterstützt durch detaillierte Workflows und Tools, beschleunigt die Einführung in Fertigungsstätten weltweit. Die Zukunft der ADC liegt in wenigen Beispielen, kontinuierlichem Lernen und tiefem Verständnis – und generative KI ist der Schlüssel dazu.