面向智能化学机械抛光（CMP）的多尺度建模与机器学习融合：从材料/工艺创新到可持续闭环制造

《Materials》：Toward Intelligent Chemical Mechanical Polishing: Integrating Multiscale Modeling and Machine Learning

　　

化学机械抛光（CMP）仍是先进半导体制造中关键的平坦化技术。随着器件架构向FinFET、环栅（gate-all-around，GAA）结构、异质集成和宽禁带半导体过渡，CMP必须同时实现埃级平坦度、高选择性、低损伤和更高可持续性。在此背景下，CMP研究正从经验试错转向更集成的范式，即结合耗材设计、基于物理的建模和数据驱动智能。该综述从四个相互关联的视角系统总结CMP近期进展。第一，研究人员考察抛光液和磨料设计进展，包括形貌工程、多孔和核壳磨料、缺陷可控的CeO₂体系以及更环境友好的化学配方，并涉及光辅助、电辅助、超声辅助、等离子体辅助和气体辅助CMP的出现。第二，研究人员评述多尺度建模图景，涵盖宏观平坦化和轮廓演化、介观接触力学和抛光液输运，以及基于第一性原理计算和反应分子动力学（reactive molecular dynamics）的原子模拟。第三，研究人员评估机器学习在CMP中迅速增长的作用，重点包括材料去除率（MRR）预测、表面质量评价、过程监测、虚拟量测（VM）和智能逐批控制（run-to-run，R2R）。第四，研究人员讨论面向可持续性的CMP，包括源削减、废水处理和回收，以及利用建模和数字控制减少非生产性资源消耗。通过综合这些领域的发展，该稿件强调跨尺度模型集成、物理信息驱动的智能控制、跨工具和材料的可迁移性以及面向生命周期的过程设计中的当前差距。研究人员最后概述闭环CMP生态系统——连接材料创新、机理理解、原位传感和智能优化——如何支持下一代高效、绿色和可制造的平坦化技术。

1. 引言（Introduction）
该部分指出，人工智能（AI）和高性能计算（HPC）推动下一代计算需求增长，国际器件与系统路线图（IRDS）持续强调半导体性能与能效要求。器件从FinFET向环栅（GAA）纳米片晶体管演进，异质集成和复杂架构对全局平坦度、局部形貌控制和缺陷抑制提出更严格需求。CMP作为集成电路制造中的关键全局平坦化技术，依赖表面化学反应与机械辅助去除的协同。典型CMP系统包括晶圆载体、旋转抛光盘、抛光垫和抛光液供给单元，过程可理解为化学改性、机械剪切去除和流体输运三个相互依赖子过程的耦合。CMP性能不仅由材料去除率（MRR）评价，还涉及片内非均匀性（WIWNU）、平坦化效率、表面缺陷和粗糙度演化。耗材化学–机械特性与压力、相对速度、温度和抛光液供给等工艺参数共同决定结果。针对GaN、SiC等硬且化学惰性材料，工艺窗口对选择性、均匀性和低损伤提出更高要求。耗材方面，研究涉及磨料形貌、孔结构、复合与核壳磨料等；工艺方面，超声、电化学和光催化等外场被用于降低反应势垒。理论描述从Preston方程发展到接触力学、流体动力学、反应动力学和分子动力学（MD）等模型。机器学习因能处理非线性、高维过程数据，已用于MRR预测、虚拟量测和过程控制。该综述旨在将材料与工艺创新、多尺度机理理解、数据驱动智能和可持续性整合到统一框架，探讨智能闭环CMP的发展路径。

2. 综述范围与方法（Review Scope and Methodology）
文献来自Web of Science Core Collection、Scopus、IEEE Xplore和SpringerLink等数据库，主要聚焦2020至2026年研究，约占参考来源的四分之三，早期文献用于理论基础。研究路线图涵盖材料与工艺创新、多尺度机理建模、数据驱动智能和可持续性四个相互关联维度，展示CMP从经验优化向机理理解、预测智能、自适应决策以及智能可持续闭环制造的演进。

3. CMP材料与工艺技术进展（Advances in CMP Materials and Process Technologies）
该部分总述抛光液设计和工艺方法创新，包括改善去除效率、抑制缺陷的磨料体系，以及面向超硬或化学惰性材料的辅助抛光策略。

3.1 抛光液体系发展（Development of Slurry Systems）
磨料优化集中于形貌工程和结构设计。非球形SiO₂磨料在ZrO₂陶瓷抛光中可提高MRR并降低粗糙度；多孔和有序介孔磨料通过增大有效接触面积、降低局部应力集中来减轻犁沟和脆性断裂，但复杂孔结构可能削弱机械强度、批次一致性和分散稳定性。复合与核壳磨料成为重要方向，如PS@CeO₂/DND用于蓝宝石CMP，CeO₂包覆金刚石和TiO₂基异质结构用于SiC光辅助CMP，金属–有机框架（MOF）基策略如Al₂O₃@MIL-100和CeO₂@MOF衍生磨料用于调控界面化学，但合成复杂、涂层均匀性、长期分散稳定性和耐磨性仍需验证。CeO₂已从物理调控介质发展为化学工程化反应平台，通过稀土掺杂、复合稀土氧化物、多孔自组装和简化合成调控活性；表面缺陷促进氧迁移、Ce⁴⁺/Ce³⁺氧化还原循环和Ce–O–Si键形成。La掺杂多孔自组装CeO₂在SiO₂膜CMP中实现较高MRR和Ra，但过度活性可能影响选择性和局部腐蚀。抛光液配方遵循氧化–络合–去除序列，氧化剂形成改性层，络合剂促进溶解，机械作用去除改性层，同时需平衡pH、离子强度和界面电荷。添加剂如h-BN、氧化石墨烯、MoS₂和聚合物分散剂可稳定分散、降低摩擦，但过量会抑制MRR；混合磨料体系可在效率和表面质量间取得协同。

3.2 新兴辅助CMP技术（Emerging Assisted CMP Technologies）
针对SiC、金刚石和蓝宝石等超硬、化学惰性材料，外部辅助CMP通过紫外、光电化学、光催化、电-Fenton、电化学、超声、等离子体和气体气氛等调控表面反应层。代表性技术包括光催化CMP（PCMP）、电化学机械抛光（ECMP）、光电化学机械抛光（PECMP）、超声辅助电化学抛光、等离子体辅助CMP和气体辅助CMP。4H-SiC研究中，PECMP在优化条件下实现MRR 1.109 μm/h、Ra 0.738 nm，并进一步获得无划痕表面；TiO₂/紫外激活过硫酸盐、CeO₂包覆金刚石、TiO₂异质结构、电-Fenton和ECMP结合氧化石墨烯与金刚石磨料等均被用于提高效率或改善表面。金刚石、YAG和蓝宝石等体系中，辅助过程主要增强氧化和界面润湿，使可去除层在温和机械条件下形成。辅助CMP的价值不仅在于提高MRR，还在于拓宽工艺窗口、降低损伤和稳定表面质量。然而，多数研究仍在无图形晶圆上，实际器件沟槽、台阶和多层堆叠中的场分布和反应异质性可能引发碟形凹陷、线宽变化和残余厚度误差；设备耐久性、耗材兼容性及环境安全风险也需评估。

4. CMP多尺度建模（Multiscale Modeling of CMP）
多尺度建模涵盖原子尺度界面反应、介观磨料–抛光垫–抛光液相互作用，以及特征、芯片和晶圆尺度平坦化。原子尺采用第一性原理和MD解析吸附、反应路径、键形成与断裂及原子去除；介观尺度采用接触力学、统计粗糙峰模型、润滑和多相输运描述真实接触面积、局部压力、液膜行为、颗粒输运和局部去除；宏观尺度采用连续压力/速度场和Preston型模型预测轮廓演化、碟形凹陷、厚度变化和WIWNU。多尺度覆盖不等同于多尺度集成，集成要求一个尺度的信息或物理关系显式传递并耦合到另一尺度。已有研究连接磨料颗粒、抛光垫粗糙峰和晶圆尺度，或整合纤维建模、欧拉–拉格朗日分析和反应力场MD，但多数CMP研究仍局限于单一尺度，标准化信息传递有限。

4.1 宏观CMP模型（Macroscale CMP Models）
宏观模型主要预测厚度分布、平坦化演化和工艺均匀性。Preston关系MRR = k_pPV仍是最常用起点，其中P为名义压力，V为相对速度，k_p为Preston系数。实际CMP中k_p随耗材和界面状态演化，因此近期模型将其与速度场、抛光垫磨损、表面微结构或辅助场条件关联。研究用Ansys-Fluent计算压力与速度分布并结合实验Preston系数预测总厚度变化（TTV）；两尺度压力框架用于钨CMP，以芯片尺度描述长程轮廓变化，以特征尺度描述图案效应并与稳态氧化动力学耦合预测局部碟形凹陷。抛光垫状态演化可用磨损依赖的粗糙峰高度概率密度函数解释MRR漂移；微结构垫可改变有效Preston系数。超声辅助蓝宝石CMP中，去除模型结合二体磨损和颗粒冲击，并经原位表征、计算流体动力学（CFD）和抛光实验验证。宏观模型强于将工具和工艺输入转为轮廓演化和平坦化控制预测，但可靠性依赖局部去除律的表述和校准。

4.2 介观CMP模型（Mesoscale CMP Models）
介观模型关注界面接触区统计变量，将载荷、速度、抛光垫形貌和磨料特征转化为真实接触面积、载荷分配、液膜行为和局部去除函数，并与MRR、均匀性、粗糙度和功率谱密度（PSD）等输出关联，是连接晶圆尺度描述与原子机理的桥梁。

4.2.1 界面接触力学（Interfacial Contact Mechanics）
介观接触分析从经典接触力学出发，Hertz接触理论关联局部接触半径、接触面积和平均压力，Greenwood–Williamson框架将真实接触面积与宏观载荷和粗糙表面形貌统计关联。Preston方程可视为介观接触统计和界面反应速率的宏观投影。近期模型分为磨料主导、抛光垫主导和多耦合接触模型。磨料主导模型关注活性颗粒数和载荷分担，解释高局部应力下Preston线性关系失效，并引入颗粒弹塑性变形、载荷分布和有效接触颗粒数。抛光垫主导模型强调抛光垫表面形貌，利用测量的粗糙峰分布统计校准接触点，并以有效接触点尺寸、间距和分布解释非线性MRR；周期性微结构垫使Preston系数成为垫几何和操作条件的可预测函数。多耦合接触模型显式整合化学、磨料和外场效应，将去除分解为化学介导溶解和机械辅助剥离，并引入原子洞察和化学键概念。挑战在于校准依赖离散实验，且与抛光液流动和传质耦合较弱，难以闭合反应物供应、副产物去除和界面更新动态平衡。

4.2.2 抛光液流动与多相输运（Slurry Flow and Multiphase Transport）
抛光液流动控制磨料和化学物种在薄膜中的分布与更新，影响反应连续性、碎屑排出、均匀性和稳定性。建模主要依赖CFD，有时耦合其他物理场。研究使用三维CFD量化工艺参数对抛光液停留时间的影响；稠密离散相模型引入颗粒侵蚀比评价单颗粒贡献，发现颗粒浓度升高可能导致屏蔽和颗粒间干扰，使有效去除贡献下降。抛光垫微结构比较显示，特定图案可产生更强颗粒富集、更均匀速度和适中停留时间，从而改善MRR和WIWNU。超声振动辅助CMP的气液两相CFD表明，空化气泡崩溃可产生局部高温高压，但过大振幅增加空气分数并降低液体分数。声场与流场耦合分析解释了低名义载荷下仍保持高去除能力的现象。抛光液输运是颗粒有效性、化学供给和辅助场耦合的动态中介。

4.2.3 表面形貌演化（Surface Topography Evolution）
表面形貌演化模型直接连接粗糙度和PSD等可测量输出。近期工作从经验拟合转向物理可解释数值框架。微观去除模型可同时预测粗糙度和PSD演化；基于反应层的表面更新模型区分部分和完全去除，解释不同工艺条件下粗糙度和PSD的差异。将抛光垫粗糙峰和孔特征纳入固定点抛光表面轮廓预测，可用测量的垫形貌确定接触统计和有效颗粒数，构建局部去除空间分布。增加磨料尺寸或抛光液pH常加速粗糙度和PSD收敛，但可能提高稳态PSD。尺度敏感分析表明，表面分形复杂性与润湿性的相关性在特定面积和长度尺度最强，尺度分辨的PSD特征、粗糙峰统计和滤波形貌描述符可作为机器学习输入。总体而言，形貌演化建模更定量和面向表征，但可迁移性仍取决于局部去除律及接触和输运边界条件的闭合程度。

4.3 微观与原子尺度CMP模型（Microscale and Atomistic CMP Models）
宏观去除率、选择性和缺陷形成受少量原子界面事件控制，包括磨料表面能否触发氧化和桥键形成、钝化膜是否稳定、络合剂能否有效溶解反应产物。原子建模用于识别反应路径、活性位点和断键机制。

4.3.1 第一性原理计算与DFT（First-Principles Calculations and DFT）
第一性原理计算，尤其是密度泛函理论（DFT），用于约束界面化学。研究比较苯并三唑和1,2,4-三唑在Cu/Cu₂O–OH表面的去质子化和吸附结构，解释酸性或碱性条件下的抑制差异；计算乙二胺在Si、SiO₂和Si₃N₄表面的反应势垒，解释高选择性多晶硅CMP；结合吸附能和电荷分布分析多胺在Cu/Cu₂O/CuO表面的配位与去除行为。DFT还可识别磨料介导反应中的化学活性位点，如–COOH和–NH₂基团参与电子转移和与CeO₂表面及Si–O网络的配位。DFT输出可用于参数化反应力场（如ReaxFF）或为连续尺度模型提供反应边界条件。

4.3.2 分子动力学与反应MD（Molecular Dynamics and Reactive MD）
经典MD揭示接触应力、磨料运动和润滑条件对损伤风险及机械去除边界的影响。Si CMP三体模型表明适度磨料自转可降低局部应力集中并减轻划痕；4H-SiC的C面和Si面模拟显示C面更易通过密集位错释放应力；β-SiC抛光模型表明合适表面纹理和超薄水膜可降低残余应力和粗糙度。反应力场分子动力学（ReaxFF-MD）通过键级依赖势直接观察键形成与断裂。研究显示介孔壳/核SiO₂磨料可重分布接触应力并改变反应层厚度；CeO₂–H₂O–熔融石英界面中Ce–O–Si桥键形成与断裂与原子去除效率相关；CeO₂–有机添加剂–石英体系揭示氧化和弱化层形成。对于宽禁带和超硬材料，ReaxFF模拟表明H₂O₂促进Si–OH和Si–O–Si结构，降低摩擦和亚表面损伤；碱性盐如Na₂CO₃可加速氧化和蚀刻。ECMP和PECMP中电场或光照增加羟基和氧化物物种生成，加深氧渗透，形成更厚但易去除的氧化层。原子尺度研究共同表明，界面先经化学激活形成桥键或弱化层，再由接触应力和滑动促发断裂。DFT适于识别可行反应和吸附态并提供参数，经典MD澄清机械接触边界和损伤起始，ReaxFF-MD捕捉化学软化、桥键形成到应力辅助断裂和去除的序列。这些尺度可通过信息传递连接：DFT参数化反应力场或提供边界条件，介观接触和输运模型给出真实接触面积、局部压力、液膜特征和局部去除函数，数据驱动模型可利用抛光垫表面描述符或物理磨损信息进行预测，并进一步反馈逐批控制（R2R）。

5. CMP中的机器学习（Machine Learning in CMP）
CMP涉及化学、力学、输运、设备状态和耗材老化的复杂交互，纯物理模型难以同时保持跨材料、工具和操作条件的精度与可迁移性。机器学习可处理高维数据、捕捉非线性依赖并利用过程信号。方法包括回归预测连续结果、分类识别缺陷或工艺状态、无监督聚类分组以及异常检测。这些学习范式支持工艺预测、状态识别、异常检测和决策支持。

5.1 预测关键CMP指标的机器学习（Machine Learning for Predicting Key CMP Metrics）
MRR和表面质量是核心目标，受抛光液化学、载荷速度、抛光垫状态、图案密度和工具漂移共同影响。传统Preston方程或简化接触力学模型输入有限。机器学习将CMP视为高维非线性映射问题。

5.1.1 材料去除率预测（Prediction of Material Removal Rate）
早期MRR预测以工艺参数为输入，采用监督回归、深度置信网络和神经网络。残差卷积神经网络（ResCNN）在PHM2016基准上取得MSE 6.72和R² 0.9923。融合网络将领域知识编码为浅层特征，同时用深度结构学习高阶交互。问题在于CMP数据有限、噪声大，并受耗材磨损和设备状态漂移影响，训练精度高并不保证切换后性能。近期研究结合多源信息：先预测抛光垫表面形貌描述符如粗糙峰半径和密度，再耦合物理MRR模型；小样本下结合响应面法和神经网络；采用超图卷积网络、多模态注意力动态超图对比学习、条件概率自编码器和堆叠集成学习；量化抛光垫表面形貌并用深度集成学习降低预测误差。耐用MRR预测依赖纳入漂移敏感状态变量，而非单纯加深网络。

5.1.2 表面粗糙度与质量预测（Surface Roughness and Quality Prediction）
表面粗糙度和质量预测更复杂，受化学、机械、输运和材料响应共同影响。针对SiC CMP，BP神经网络结合修正Preston方程可描述MRR和粗糙度对压力、速度和抛光液化学的非线性依赖。许多表面质量模型仍是黑箱，Geng等比较RBF、BP和卷积神经网络（CNN）用于单晶SiC电-Fenton CMP，并结合SHAP分析排序变量贡献。表面质量预测仍处探索阶段，多针对特定材料或固定工艺窗口，跨场景稳定性不足。趋势是纳入多模态和时间相关过程信号、抛光垫表面形貌描述符以及实时监测数据，以提升对漂移和工艺变化的敏感性。

5.2 用于监测与过程控制的机器学习（Machine Learning for Monitoring and Process Control）
5.2.1 监测与缺陷识别（Monitoring and Defect Identification）
传统统计过程控制工具如Shewhart、指数加权移动平均（EWMA）和累计和（CUSUM）在CMP数据非正态或多峰时敏感性和及时性受限。狄利克雷过程高斯混合模型（DP-GMM）可自适应拟合复杂数据分布，将抛光垫磨损检测延迟降至约47 ms，优于EWMA的超过140 ms。晶圆表面缺陷自动检测方面，CNN-WDI模型在九类缺陷数据集上取得平均分类准确率96.2%，对少数类缺陷更有效；卷积网络与YOLOv3结合可实现约23帧/秒的实时缺陷定位。Mueller矩阵光谱椭偏与深度学习融合用于TSV-Cu形貌无损监测，正常与缺陷状态识别准确率超过99%，并达到1 nm高度灵敏度。CMP监测正从单一视觉检测走向多模态传感。

5.2.2 虚拟量测（Virtual Metrology）
虚拟量测（VM）利用过程状态预测质量变量，减少物理量测步骤。CMP非线性漂移威胁VM精度。循环特征融合卷积神经网络（RFI-CNN）结合CNN静态特征提取和循环神经网络动态漂移跟踪，在工厂CMP数据上使厚度变化波动较最佳弹性网基线降低8.48%。PHM2016基准上，随机森林特征筛选结合ResCNN优于标准CNN、支持向量回归和随机森林，但深度模型计算量大，难以满足毫秒级在线监测，且依赖高质量标签。后续研究采用模型压缩、多源数据融合、数据增强和自适应更新；多模态注意力动态超图对比学习可融合异质传感器信息和时间注意力；特征融合深度网络分离浅层与深层特征，将物理知识与数据学习结合。VM不仅是缺失量测的替代，也是更稳定和响应性先进过程控制的使能层。

5.2.3 逐批控制与强化学习（Run-to-Run Control and Reinforcement Learning）
逐批控制（R2R）根据前一片晶圆结果调整下一片配方。经典方案基于线性模型如EWMA和双EWMA，但需扰动形式假设和手动调参，面对CMP强非线性和时变扰动难以优化。神经网络R2R控制分别用网络表示过程模型和控制器，直接从输入–输出数据更新权重，可改善厚度均匀性和抛光输入优化。最小二乘生成对抗网络（LS-GAN）R2R控制器绕过独立VM模块，直接学习控制导向的过程表示，并以CNN提取漂移特征，在漂移和突变条件下优于传统神经网络R2R控制。强化学习（RL）进一步用于CMP控制，将配方调整建模为马尔可夫决策过程，QUOTA-DDPG等分布式强化学习控制器在扰动补偿和目标跟踪方面优于经典R2R。深度强化学习还可作为dEWMA控制器的在线调参层，保留经典架构稳定性和可解释性，同时提高对时变扰动的适应性。跨尺度信息流表明，原子和介观模型提供物理描述符，过程传感提供实时或批次级信息，机器学习与VM输出支持R2R配方调整。已有结果中，ResCNN MRR预测R²达0.9923，抛光垫状态感知模型R²达0.9857，神经网络R2R将WIWNU从约6–7%降至1–2%，但跨工具、材料和操作条件的端到端验证仍是开放挑战。机器学习还可用于材料信息学，整合材料描述符、实验抛光数据和原子模拟输出，加速磨料与添加剂筛选。

6. CMP可持续性（Sustainability in CMP）
CMP是晶圆厂中水和化学品密集的工艺之一，CMP废水约占总废水30–40%，超纯水消耗超过总水用三分之一。未来CMP技术不能仅由抛光性能评价，还必须考虑可持续性。

6.1 过程优化与源削减（Process Optimization and Source Reduction）
提高资源效率和源头减量是降低环境负担的直接途径。含CeO₂和SiO₂纳米磨料的废水可采用电混凝、电渗析、化学混凝和膜过滤进行深度处理，去除悬浮颗粒和部分溶解污染物，使处理水满足排放或回用要求，并将磨料和金属离子浓缩到污泥或截留流中以实现资源回收。CMP污泥可再利用为混凝土添加剂。工艺侧优化抛光液输送系统如喷雾喷嘴和Araca型注入系统可减少抛光液用量；混合磨料策略通过大小颗粒协同提高MRR、缩短抛光时间，从而降低每片能耗和水耗。末端处理不消除源头污染且增加能耗和运行成本，因此需重配方抛光液和后清洗化学品，优先采用可生物降解、低毒抑制剂和络合剂，并引入全生命周期评价（LCA）框架，将水、化学品、能源、耗材和处置纳入统一边界。

6.2 可持续CMP的多尺度建模与数字方法（Multiscale Modeling and Digital Approaches to Sustainable CMP）
多尺度建模和机器学习为可持续优化提供新路径。物理模型可替代过度保守的经验设置，通过连接载荷、速度、温度、流动行为和抛光垫状态与去除、均匀性和缺陷指标，支持工艺时间、抛光液输送、清洗、修整和维护决策，减少返工或过早耗材更换。机理模型还可评估抛光液和后清洗化学品的残留行为与可处理性，优先选择易降解或可回收组分。基于机器学习的VM和先进过程控制可减少非生产性消耗：VM减少物理量测和监控片使用，节省晶圆、水和能源；基于摩擦或光学信号的智能终点检测可防止过抛光。早期工艺开发中，机器学习可减少寻找绿色耗材的试错实验，例如结合计算化学与机器学习快速估计氨基酸等生物分子在金属表面的吸附能和腐蚀抑制倾向。未来可整合分子描述符、模拟性质、实验抛光液数据库和环境指标，实现考虑去除效率、表面质量、毒性、可回收性和资源消耗的多目标耗材筛选。可持续CMP应被视为系统级目标：高效工具减少资源需求，可回收和良性化学降低环境负担，智能数字方法协调全过程绿色制造。

7. 结论与未来展望（Conclusions and Future Perspectives）
CMP研究正从孤立改进转向材料、工艺、机理建模、数据驱动智能和可持续性的协同发展。先进磨料、工程化抛光液和辅助CMP可改善去除效率、表面完整性和工艺窗口，尤其针对硬或化学惰性材料，但实际部署仍受合成复杂性、批次一致性、耗材稳定性、成本以及辅助过程设备和场控制要求约束。可持续方法如源削减、回收和绿色化学可降低环境负担，但需平衡处理成本、能耗和工艺性能。多尺度物理建模提供从晶圆级平坦化到介观接触与输运以及原子反应机理的可解释描述，但预测可迁移性受校准要求和跨尺度耦合不完整限制。机器学习通过非线性预测、过程监测、VM和智能控制补充物理模型，但其工业可靠性仍受数据质量、过程漂移、域偏移、迁移性不足和不确定性量化不充分影响。未来研究应聚焦可靠跨尺度信息传递、物理信息驱动且不确定性感知的学习、多模态传感和闭环多目标优化。下一代CMP生态系统应连接耗材设计、机理建模、原位传感、VM和智能控制，并将可持续指标纳入过程决策，使物理模型提供可解释先验，数据驱动方法适应演化工艺条件，生命周期考虑指导平坦度、损伤、良率、资源使用和环境影响的同步优化。