综述：现代统计技术在半导体制造中的应用概述

《Applied System Innovation》：An Overview of the Application of Modern Statistical Techniques in Semiconductor Manufacturing Hsuan-Yu Chen and Chiachung Chen

　　

半导体产业长期以来依赖统计过程控制（Statistical Process Control，SPC）进行良率与可靠性管理。在早期技术节点中，休哈特（Shewhart）控制图、累积和（Cumulative Sum，CUSUM）、指数加权移动平均（Exponentially Weighted Moving Average，EWMA）及过程能力指数Cp/Cpk等传统单变量工具可有效监控有限的关键参数。然而，5 nm及以下及新兴3 nm技术从根本上改变了统计环境。先进图形化、高深宽比刻蚀、原子层沉积（Atomic Layer Deposition，ALD）、化学机械抛光（Chemical Mechanical Polishing，CMP）及新型材料的应用大幅收窄了工艺窗口。在此尺度下，关键尺寸（Critical Dimension，CD）、套刻精度（Overlay）或表面粗糙度纳米级偏差即可显著影响良率。与此同时，现代晶圆厂产生海量高频传感器数据与高维量测数据，传统SPC的独立、正态、低维与平稳假设往往不再成立。半导体数据呈现出：（i）极高维度与强变量间相关性；（ii）涵盖工厂→机台→腔室→配方→批次→晶圆→区域的层级结构；（iii）量测延迟与采样限制导致的不完整与异步观测特征。为应对上述挑战，本文综述适用于晶圆制造的前沿统计方法，包括霍特林T2（Hotelling T2）统计量、结合T2与Q统计量的主成分分析（Principal Component Analysis，PCA）/偏最小二乘（Partial Least Squares，PLS）、贡献度诊断、时间序列漂移与变点检测，以及在数据受限场景下进行不确定性感知监测的贝叶斯层级模型。此外，研究人员探讨了如何将这些方法与故障检测与分类（Fault Detection and Classification，FDC）、批次间控制（Run-to-Run，R2R）、先进过程控制（Advanced Process Control，APC）及制造执行系统（Manufacturing Execution System，MES）相集成。本文聚焦于可扩展、可解释且易维护的实施路径，旨在将统计分析从被动监控工具转变为主动的数据驱动型晶圆厂控制组件。

半导体制造业长期将统计思维应用于复杂制造系统，自20世纪中叶扩散、氧化与薄膜工艺首次引入统计质量控制以来，统计过程控制（SPC）始终是良率管理与可靠性保障的基石。从早期平面工艺到当前5 nm及以下及新兴3 nm技术节点，统计方法随器件结构、材料与设备的复杂度同步演进，但当代晶圆厂面临的统计挑战与此前代际存在本质差异。集成电路（IC）制造早期，工艺相对简单，关键质量特性（Critical to Quality，CTQ）参数数量有限，设计裕度较宽，工艺工程师通常以较低采样频率监控膜厚、薄层电阻与结深等可控变量，经典单变量SPC工具足以检测可归因原因并维持可接受的质量水平，偏差多归因于离散设备故障或人员因素，可在局部采取纠正措施且对系统影响极小。随着摩尔定律推动器件尺寸持续微缩，统计格局发生深刻变化。先进节点引入复杂多重图形化、高深宽比刻蚀、原子层沉积（ALD）及高介电常数金属栅等新型材料与结构，工艺窗口急剧收窄：关键尺寸（CD）、套刻精度或线边缘粗糙度的纳米级偏差即可决定器件良率并可能引发灾难性损失。鳍式场效应晶体管（FinFET）、全环绕栅极晶体管与3D NAND等先进架构进一步强化了纵向与横向工艺间的相互依赖，增加了跨模块变异传递风险，例如光刻扰动会影响下游刻蚀、沉积与化学机械抛光（CMP）。在此高敏感度环境下，未检测到的偏差造成的经济损失愈发严重，光刻剂量参数或等离子体刻蚀的细微变化若无法被传统单变量控制限识别，可能导致大批量晶圆电学性能退化。鉴于现代晶圆厂的高资本密集度与先进节点晶圆的极高价值，即便小幅良率损失也会转化为巨额经济损失，因此监控目标已从被动检测大幅偏差转向主动识别细微、多变量且动态的工艺变化。同时，设备、自动化与数据基础设施的技术进步推动了可用数据量的空前增长。现代半导体设备配备传感器阵列，以精细时间分辨率采集温度、压力、流量、射频功率、振动与终点信号；量测系统如CD-SEM、套刻量测、光学散射仪与电子束检测则产生高维空间与片内数据，在晶圆/批次/机台层级形成复杂的时空结构，制造环境呈现高通量、高速度与多模态数据特征。数据量的激增既带来机遇也带来挑战：一方面，海量传感器数据支持设备退化与漂移的早期检测；另一方面，由于强相关性、非高斯性、多模态与时间演化特征的存在，传统SPC的独立、正态与低维假设往往失效，独立运行多个单变量控制图会推高虚警率并掩盖根本原因，从而催生了对多变量与基于模型的监控需求。因此，现代统计技术已成为半导体工艺工程不可或缺的组成部分。多变量统计过程控制（Multivariate Statistical Process Control，MSPC）包括主成分分析（PCA）与偏最小二乘（PLS），可在降维的同时监控相关传感器阵列。在典型等离子体刻蚀与光刻应用中，基于PCA的监控可将维度降低70%–95%（例如从100至300个传感器降至5–15个主成分），同时保留90%–98%的总方差，相比单变量SPC可降低30%–50%的虚警率并提升10%–25%的故障检测率。动态与时间序列模型扩展（如动态PCA、多向PCA/PLS与潜变量时间序列模型）可捕捉时间依赖性与批次或配方层级结构，通常可将检测延迟缩短20%–40%，并将早期漂移检测的灵敏度提升15%–30%，在批次间（R2R）控制工艺中尤为显著；对于化学机械抛光（CMP）或沉积等批次型半导体工序，多向模型可将故障分类准确率从约70%–80%提升至85%–95%。先进异常检测与故障检测/分类方法——从针对特定故障的统计方案到k近邻（k-Nearest Neighbors，kNN）与高斯混合模型（Gaussian Mixture Model，GMM）等机器学习方法——有助于识别此前未见过的失效模式与非线性相互作用。实践中，基于kNN的检测器可实现85%–95%的检测准确率，虚警率通常低于5%–10%；在非线性工艺中，基于GMM的监控相比线性MSPC可将分类准确率提升10%–20%；混合机器学习-统计方法对未见故障的召回率可达70%–90%，而纯线性模型通常低于60%。预测建模与虚拟量测（Virtual Metrology，VM）进一步将设备与原位信号与晶圆级输出相关联，从而在先进过程控制（APC）架构内实现前馈/反馈动作。虚拟量测模型（如PLS回归、神经网络或集成模型）通常可实现：预测精度（R²）在CD、厚度或刻蚀速率方面达0.85–0.98；相比基准经验模型，均方根误差（Root Mean Square Error，RMSE）降低20%–50%；通过替代或减少物理测量，量测周期时间缩短30%–70%；通过更快的纠正措施与更紧密的控制回路，良率提升2%–5%。重要的是，半导体制造中统计实践的演进不仅限于算法层面，还延伸至跨系统集成。制造执行系统（MES）、故障检测与分类（FDC）平台、批次间（R2R）控制器与良率管理数据库必须实现互操作，才能使统计洞察驱动自动化决策回路。标准化APC与计算机集成制造（Computer Integrated Manufacturing，CIM）框架接口（如SEMI CIM/APC组件规范）与工厂集成路线图体现了这种向协调、实时、数据驱动制造生态系统的转变。本文采用“工艺→数据→模型→决策→控制→学习/更新”的统一概念框架。在半导体制造中，工艺层包含引入变异、漂移与故障的机台、腔室、配方、晶圆与量测步骤，这些操作生成数据层，包括高频设备传感器、晶圆/批次上下文、量测、电学测试与维护/MES记录。模型层利用MSPC进行多变量监控、时间序列模型捕捉漂移与时间模式、贝叶斯方法处理稀疏数据中的不确定性、实验设计（Design of Experiments，DOE）/响应面进行优化，以及FDC进行设备健康诊断。基于上述输出，决策层评估风险是否可接受、是否存在异常苗头，并确定经济上合理的行动，例如批次暂扣、采样升级、配方修正、触发维护或重新认证。这些决策输入控制层，由APC/R2R控制器、MES工作流与工程措施实施前馈/反馈校正，以稳定CD、套刻精度、厚度、刻蚀速率与良率。最后，系统应包含学习与更新循环，因为半导体环境是非平稳的：维护、腔室老化、配方变更与节点转换需要模型重新校准、阈值调整与定期再训练。由此，本文介绍的各方法并非孤立技术，而是闭环制造智能架构的协调组成部分。传统与现代统计技术的对比显示，传统方法依赖简化假设下的单变量SPC，以有限数据解决局部故障；而现代方法借助MSPC、时间序列模型与高级分析处理高维、相关且动态的数据，通过与APC、FDC与MES集成，实现预测性监控、系统级洞察与主动的数据驱动控制。此外，人为因素依然至关重要。先进统计技术的有效部署需要统计学家、工艺工程师、设备工程师与数据科学家的协作，强调可解释性、对机台间/腔室间变异的鲁棒性、可扩展性与在高通量运行中的可维护性，模型必须在机台匹配、维护事件、腔室间差异与技术节点转换下保持可靠，这凸显了可持续实施与方法创新同等重要。在此背景下，本文系统综述现代统计技术在半导体制造（聚焦晶圆制造）中的应用，探讨多变量监控、异常检测、预测建模与集成过程控制的基本原理、方法进展与实际应用，强调半导体环境特有的高维度、时空结构、对变化的极端敏感度与严苛可靠性要求，旨在提供连接统计理论与制造实践的统一框架。本综述系统整合了面向半导体制造的统计方法，将MSPC、时间序列建模、贝叶斯推断、DOE与FDC统一为多层分析框架，其核心科学贡献在于超越孤立方法，展示了不同统计范式如何在闭环控制架构内解决相关性、时间动态、不确定性与设备级变异等互补性挑战，通过将数据特征与适当的建模策略和决策机制相关联，为需要鲁棒性、适应性与可解释性的下一代数据驱动晶圆厂奠定了结构化基础。

半导体制造数据具有固有层级结构，反映了晶圆厂的物理与运营架构，可概括为：工厂→机台→腔室→配方→批次→晶圆→晶粒/器件→量测点。每一层级引入不同的变异来源，包括机台校准漂移、腔室差异、配方设置、批次历史、晶圆环境与片内空间不均匀性。忽略该层级结构会掩盖主要方差分量，跨腔室/机台的无差别合并会将系统差异（如腔室效应）误判为随机噪声，而机台匹配挑战要求模型显式考虑分组与跨层级效应。层级统计方法（如混合效应模型、方差分量分析与层级贝叶斯框架）具有重要价值，因为它们可分解不同层级的变异性，支持针对性干预，例如腔室调优或配方调整。尽管传感器数据丰富，半导体制造中的关键质量量测往往稀缺且延迟。CD-SEM、套刻、检测与电学测试等量测设备昂贵且耗时，全面量测在经济上不可行，晶圆厂依赖仅对晶圆/批次/工序子集进行采样的策略，这带来了统计挑战：对小漂移的灵敏度降低、潜在采样偏差（尤其在自适应/非均匀采样下）以及相对于纳米级工艺变异不可忽略的量测噪声。同样重要的是延迟：许多量测结果在相关工序结束数小时或数天后才可用，而生产持续进行，漂移可能已累积。因此，决策通常必须在部分可观测条件下，利用代理变量（设备传感器）或预测模型在量测返回前推断质量。稀疏与延迟反馈推动了预测与前馈控制策略的发展，包括虚拟量测（VM）与基于VM的R2R控制，其利用工艺/设备上下文预测量测目标并提供更及时的控制动作，可靠部署这些模型需要稳健处理缺失数据、不规则采样与异步数据流。传统SPC常假设正态性、独立性与平稳性，但半导体数据频繁违反这些假设。非高斯行为普遍存在：颗粒与缺陷计数可能过度离散和/或零膨胀，而其他质量指标可能因机制与采样/检测方案呈现偏态或重尾分布。非平稳性也普遍存在：设备老化与退化、预防性维护重置基线、配方与目标演变、材料与供应商变更以及产品组合变化，都会改变底层数据分布。漂移可能是渐进的，而清洁或硬件更换后可能发生突变，配方转换可能改变传感器工况并降低静态FDC模型的性能，除非采用自适应机制。环境因素（如湿度/温度）与调度/排队效应也可能诱发时变相关性。非平稳性对传统静态控制限与固定基线构成挑战，因此模型必须支持时变参数、自适应阈值与漂移检测，通常通过动态潜变量监控（如动态PCA）、移动窗口/递归更新与在线学习框架实现。综上，高维度、相关性、层级结构、稀疏与延迟量测以及非平稳行为共同定义了半导体数据的复杂性，解释了为何简单、独立、静态工具不足以支撑现代晶圆制造，有效的工艺控制需要能够应对结构、不确定性与持续演化的多变量、层级、动态与自适应统计框架。

多变量统计过程控制（MSPC）是现代晶圆制造的核心方法基础，能够同时监控多个相互关联的工艺与质量特性。MSPC将经典SPC概念扩展至多维权空间，评估变量的联合分布而非独立评估每个变量，通过显式考虑相关结构与协方差模式，将统计监控与工艺/机台行为的物理耦合相结合。在先进技术节点，即便是细微的协同漂移也可显著影响良率，使得这种联合视角不仅有益且往往至关重要。传统SPC工具通常隐含独立性假设监控单个变量，但在半导体制造中这些假设极少成立，因为工艺变量在物理与操作层面相互关联。独立监控大量相关变量会产生两个关键问题：首先，即使每张控制图都调整为低一类错误率，同时运行多张图表仍会推高整体虚警概率；其次，多个变量上的中度但协同的偏移可能规避单变量控制限，导致检测到良率损失后才被发现。多变量方法通过将观测向量与历史多变量基线进行比较来解决这些问题，即检验联合行为是否与正常工况一致。MSPC还强化了诊断能力，分解与贡献度分析有助于识别导致多变量报警的变量（或变量块），支持复杂机台与集成模块的根本原因分析。霍特林T²（Hotelling T²）控制图是多变量监控的基础工具，T²统计量衡量观测向量与历史均值之间的（平方）马氏距离，并由协方差矩阵缩放，将单变量标准化距离推广至多维权场景，并自然纳入相关性：自然变异性更高的方向贡献更小。在半导体应用中，T²图用于联合监控CD/套刻相关指标、电学参数测试向量、多层膜厚量测与传感器汇总健康指标，其优势在于概念清晰，并在多变量正态性假设下将多变量偏差压缩为单一标量统计量。然而，在高维场景下T²存在实际局限：可靠的协方差估计需要充足的历史数据，当变量数接近或超过样本量时，协方差估计会变得不稳定或奇异，且平稳性与多变量正态性假设可能被违反，因此直接T²监控通常限于中等维度的向量或应用于降维之后。为解决高维与多重共线性问题，基于PCA的MSPC是最广泛使用的方法之一，PCA将相关变量转换为正交主成分（潜变量），捕获主导变异模式，在晶圆厂中这些模式通常对应有意义的物理因子（如腔室漂移、系统性套刻偏差、共享终点轨迹变异）。基于PCA的MSPC通常监控两个互补统计量：得分（主成分）空间中的T²统计量检测沿历史主导变异方向的偏移，而Q统计量（平方预测误差，SPE）监控正交于PCA模型的残差变异，捕获未被既定模式解释的行为，两者共同覆盖“已知变异”偏移与新异异常。在半导体实践中，基于PCA的MSPC用于监控光刻后量测、等离子体设备数据（包括多块结构）、刻蚀/沉积传感器轨迹与其他多变量指标，贡献度分析通过将报警关联到原始变量或变量块来增强可解释性。经典基于PCA的监控常假设线性结构与稳定基线，但半导体工艺表现出非线性耦合与演化的工况，核PCA（Kernel PCA）通过将PCA扩展至非线性特征空间，实现对弯曲流形与非线性关系的监控；自适应与递归PCA方法在线更新模型以适应渐进漂移，而移动窗口策略从近期数据重新估计模型以维持变化条件下的灵敏度。实施成功不仅取决于统计本身，还取决于治理：基线（正常工况，Normal Operating Condition，NOC）选择必须排除潜在异常以避免污染；硬件、配方或技术节点变更后需重新校准；必须控制虚警以维持信任；计算效率对高频数据至关重要；可解释性确保报警能导向可操作的诊断而非不透明的分数。

除MSPC外，半导体制造还需显式处理时间行为。晶圆制造产生的数据本质上是序列性的：晶圆按时间顺序加工，腔室逐渐老化，预防性维护重置设备基线，环境波动引入时变模式，许多良率损失源于多批次累积的渐进漂移，与晶圆厂的批次间（R2R）控制密切相关。因此，时间序列建模与漂移检测是多变量监控的重要补充，这些方法显式纳入时间依赖性、自相关性与动态演化，通过建模工艺行为随时间的变化，可更早识别细微退化机制，并在先进制造控制回路中支持更精确、及时的干预策略。在先进半导体制造中，灾难性硬件故障相对罕见，更常见的是渐进性能退化，表现为缓慢将工艺推向规格限的小偏差，多种机制共同作用，包括腔室污染物积累、CMP耗材磨损、传感器校准漂移与光刻光学退化，均可微妙地影响CD与套刻精度，这些效应通常表现为缓慢单调趋势或低频振荡而非阶跃变化。此类漂移可能在很长一段时间内保持在单变量控制限内，但在多批次后累积成为良率相关问题，晶圆间噪声可能掩盖漂移，因此需要具备时间意识的统计方法来区分真实退化与随机变异，而非依赖独立性假设。经典休哈特图对大幅突变敏感，但对小幅持续偏差相对不敏感，为提高对小漂移的灵敏度，晶圆厂广泛使用EWMA与CUSUM控制图。EWMA对过去观测值施加指数衰减权重，平滑参数控制记忆长度，较小的平滑参数强调长期累积并提高对小漂移的灵敏度；在先进节点，CD、套刻、膜厚或刻蚀速率的亚纳米级偏移即可影响良率，EWMA图通过滤除短期噪声同时保留潜在趋势，提供实用的早期预警。CUSUM累积与目标值的偏差，持续的微小偏差会使统计量稳步增长并最终跨越决策阈值，使其特别适用于检测套刻对准、刻蚀行为或电学参数向量等指标的微小但系统性偏移。然而，EWMA/CUSUM通常在相对稳定的基线条件下推导，并常假设弱自相关（或需显式处理自相关），在强时间依赖性、工况变化或结构性漂移的环境中，可能需要更丰富的时间序列模型以实现稳健监控。除控制图外，显式时间序列模型通过对先前观测值和/或潜状态的依赖关系提供更丰富的工艺动态表征。自回归积分滑动平均（AutoRegressive Integrated Moving Average，ARIMA）模型（Box–Jenkins方法）将变量表示为过去值与过去预测误差的函数，广泛用于自相关序列；在晶圆厂中，可采用ARIMA风格的残差监控：建模可预测的时间模式，并将预测偏差视为异常。但其线性结构限制了其对复杂机台中常见非线性相互作用与多变量耦合的表征能力，除非进行扩展。状态空间模型通过将量测与动态演化的潜过程状态相关联，泛化了时间序列建模，卡尔曼滤波（Kalman Filter）提供递归估计器，融合先验状态估计与新的含噪量测，该框架与半导体R2R/APC高度契合，其中控制动作（如光刻剂量更新、CMP补偿、刻蚀修正）基于估计的机台或腔室状态计算，并通过新反馈更新。状态空间方法显式建模过程与量测噪声，平滑适应渐进漂移，并与前馈/反馈架构集成，在自适应制造系统中桥接统计推断与控制工程。虽然渐进漂移常见，但在维护、配方/工艺修改、硬件更换或供应商/材料变更后会发生离散结构性变化，变点检测旨在定位统计属性发生变化的时间点（均值/方差/协方差或完整分布），支持根本原因分析、为模型训练划分数据段，并确保跨工况的模型有效性。经典与现代方法包括基于似然/序贯程序、贝叶斯分段与在线变点推断以及非参数检验。在晶圆厂实践中，变点分析将良率异常与维护事件相关联，检测腔室退化起始，并避免合并可能降低灵敏度或偏置基线的异质数据。

贝叶斯统计方法为处理稀疏数据、高不确定性、多级变异与利用工艺知识提供了灵活框架，尤其适合数据有限但信息丰富的晶圆制造环境。与依赖大样本近似与固定参数假设的频域方法不同，贝叶斯推断可显式量化不确定性并纳入先验知识，这在半导体制造中尤为重要，因为即便当前节点数据稀疏（如早期爬坡阶段），通常仍存在关于机台行为、工艺物理与历史基线的物理认知。半导体制造的若干结构特征使贝叶斯方法尤为适用：关键驱动因素是量测稀疏性，在先进节点，受成本与产能限制，仅小部分晶圆接受详细CD-SEM/套刻/电学测试，在小样本量下经典估计量可能不稳定，贝叶斯方法通过结合有限数据与反映历史基线或工程预期的先验信息提高稳定性。不确定性量化是另一动机：贝叶斯分析支持决策制定，通过后验分布（不仅是点估计），使工程师能够判断CD偏移、刻蚀速率漂移或套刻偏差超过风险阈值的概率，这在经济风险较高时尤为重要。晶圆加工的序列性与贝叶斯更新天然契合，每批新的量测结果递归细化关于当前工艺状态的后验信念，可与监控和APC回路集成。传统控制图依赖来自历史“受控”数据的固定参数估计，在量测频率低或工况演化时可能脆弱，贝叶斯控制图通过将先验置于参数（如均值/方差）之上，并在每次新观测后更新它们来扩展SPC。在贝叶斯均值监控中，工艺均值被视为随机变量，随着新的CD或套刻数据到达，后验分布得到更新，监控可构建为超过规格或风险阈值的后验概率（基于风险的报警而非固定限值），这种结构在小样本下提高了鲁棒性，并支持随着数据积累进行动态适应。在漂移缓慢且量测间隔长的晶圆厂环境中，贝叶斯制图思想常与预测监控和健康指标配对，以在不产生过多虚警的情况下保持灵敏度，先验选择至关重要：过于信息性的先验可能延迟对真实偏移的检测，而过于弥散的先验会降低实用价值，因此敏感性分析与历史验证必不可少。半导体数据的多层结构（工厂→机台→腔室→批次→晶圆→位点）自然推动了层级贝叶斯建模，其中低层级参数从高阶分布中抽取，实现部分汇集（“收缩”）并在本地数据有限时获得更稳定的估计。例如，机台间套刻性能可建模为围绕机群分布的机台级随机效应，腔室级刻蚀速率偏差可通过向机台组均值收缩来估计，改善观测值较少的腔室的估计稳定性，支持概率性机台/腔室比较（机台匹配）、跨层级方差分解，以及在运行众多名义相同机台的大型晶圆厂中进行结构化不确定性核算。计算进展——尤其是马尔可夫链蒙特卡洛（Markov Chain Monte Carlo，MCMC）与变分推断——使层级贝叶斯方法在工业规模上日益可行，但计算效率与监控延迟仍是高通量部署的关键考量。除估计与监控外，贝叶斯方法还为不确定性下的决策提供了一致基础。贝叶斯决策理论将后验分布与显式损失/成本函数相结合，在平衡良率风险与产能/停机成本时，支持经济上理性的干预（如停止修复与继续生产的权衡）。在半导体制造中，贝叶斯决策框架已被用于优化不确定条件下的在线量测与检测策略，选择采样率/周期/批次以最大化信息同时控制生产力风险；贝叶斯优化也被探索用于在实验成本约束下加速工艺开发，通过显式平衡预期改进与不确定性。总体而言，贝叶斯统计方法为具有稀疏数据、层级变异、演化基线与高经济风险的晶圆厂环境提供了鲁棒框架，通过后验更新、层级建模与决策论行动，可强化现代晶圆制造中的监控、诊断与控制。

实验设计（Design of Experiments，DOE）在半导体工艺工程中发挥着基础性作用。统计过程控制确保生产稳定性，而DOE提供了识别因果关系、量化灵敏度与确定稳健工况的结构化方法。在工艺窗口极窄且晶圆价值极高的先进节点，实验必须在科学严谨性与经济效率之间取得平衡，推动了从固定一次性设计向序列、模型驱动与不确定性感知框架的转变。在早期技术代际，工艺公差范围较宽，相互作用参数较少，经典析因与响应面法（Response Surface Methodology，RSM）设计实用且有效，全因子或分式因子实验可估计温度、压力、气体流量与曝光剂量等参数的主效应与低阶交互作用，中心复合设计与Box–Behnken设计常用于近似二阶响应面并确定定义工艺窗口内的最优设定点。随着器件几何尺寸缩小与工艺复杂度提升，传统DOE的局限性愈发明显。现代机台暴露出数十个具有非线性、情境依赖交互作用的可控因子，使得全因子（甚至丰富的分式因子）探索成本高昂，尤其是考虑到先进节点晶圆成本与扰动下游模块的运营风险。因此，当代晶圆厂实验强调信息效率：从有限试验中汲取最大学习成果，而非穷尽映射整个因子空间。这种转变体现在半导体文献中，将DOE与仿真、代理响应面和优化工作流相结合。序列实验代表了从静态设计矩阵到迭代学习周期的概念转变