岗位描述
1.在极度缺乏真实缺陷数据（Defect/Anomaly）的场景下，利用AI实现亚像素级的检测与分割； 2.合成数据与生成模型： 针对半导体先进制程良率极高（缺陷罕见）或罕见病理特征的问题，利用生成式AI（Diffusion Models, GANs）与物理仿真器结合，生成高质量的训练数据集； 3.微弱信号提取： 研发针对超大分辨率图像（如Gigapixel级晶圆图像）的深度 学习架构，实现在极强背景噪声下的弱小目标检测与分割； 4.物理融合AI： 研发物理信息神经网络（PINN），将光学衍射先验、成像链路的物理约束作为正则化项引入神经网络，提升模型在未见工况下的泛化能力。 1.计算机科学、人工智能相关专业，博士优先。 2.深入理解 CNN, Transformer, VAE, Diffusion 等生成与判别模型； 3.具备 Few-shot Learning（少样本学习）、Anomaly Detection（异常检测）、无监督/弱监督学习的相关课题经验。