《Digital Chemical Engineering》：Physics-structured graph neural networks for interpretable fault detection in semiconductor manufacturing processes
编辑推荐：
智能制造业已将半导体制造转变为高度数据驱动的环境，大量现场传感器在生产工具中持续生成过程监测数据。利用这些数据流来支持良率提升和故障检测已成为一项重要挑战，尤其是因为传统物理计量往往成本高昂、耗时且具有破坏性。因此，基于机器学习的软测量已成为一种实用替代方案，
智能制造业已将半导体制造转变为高度数据驱动的环境，大量现场传感器在生产工具中持续生成过程监测数据。利用这些数据流来支持良率提升和故障检测已成为一项重要挑战，尤其是因为传统物理计量往往成本高昂、耗时且具有破坏性。因此，基于机器学习的软测量已成为一种实用替代方案，利用常规传感器测量和情境过程信息来预测过程结果。已有研究表明，梯度提升决策树（GBDT）和前馈神经网络（FNN）等经典机器学习模型在应用于单个工具或同类工具内聚合数据时，能够改善通过/失败分类性能。在本工作中，研究人员将这些方法扩展到更广泛的半导体制造过程（即来自不同类别工具的数据以及同一工具生产不同产品时的数据），并提出了一种物理结构化图神经网络（GNN）框架用于通过/失败（PASS/FAIL）预测。此外，还评估了现代表格深度学习模型（包括TabM和TabR）作为补充基准，以确定强神经表格学习能否在传统GBDT模型和物理结构化图学习之外进一步提升故障检测性能。传感器测量值并非直接建模为独立个体，而是被组织成语义明确的物理过程子系统，每个子系统代表一组描述过程动态的相关传感器。这些子系统表示与分类情境变量结合，并通过图注意力架构处理以捕捉过程模块间的交互。TabM用作参数高效的集成式神经表格模型，而TabR通过将每次生产运行与相似的历史训练运行进行比较，引入检索增强预测。模型使用18个月期间收集的生产数据进行评估。对于每个工具，时间线上最近的20%被保留用于测试，而更早的数据用于训练和验证。为确保统计稳健性，仅纳入研究期内观测次数超过8000次的工具。结果表明，与传统机器学习方法相比，所提出的物理结构化GNN在多个工具上提升了预测性能，同时提供了可解释的注意力权重，突出显示不同过程子系统对预测故障的相对贡献。TabM和TabR的结果进一步表明，现代表格深度学习模型可以作为有用的补充预测器，尤其是在具有更丰富故障信息的工具上，但在严重类别不平衡下，它们并不能持续取代优化的LightGBM基准。这些结果展示了物理引导的图学习和补充性表格深度学习方法在半导体制造环境中实现可扩展且可解释故障检测的潜力。
**基于物理结构化图神经网络的半导体制造可解释故障检测研究解读**
**1. 研究背景与问题**
随着工业4.0和智能制造的推进，半导体制造工厂部署了大量现场传感器，产生海量过程监测数据。然而，传统物理计量成本高、耗时长且有时具有破坏性，难以满足实时质量监控需求。因此，基于机器学习的软测量（虚拟计量）成为预测过程结果的重要替代方案。已有研究表明，梯度提升决策树（GBDT）和前馈神经网络（FNN）在单工具或同类工具聚合数据上能实现较好的通过/失败（PASS/FAIL）分类性能。但现有方法仍存在以下关键问题：（1）将传感器数据视为扁平向量，忽略了工具内部物理子系统之间的结构关系，导致模型可解释性差，难以定位故障根因；（2）单个工具的数据量有限且存在严重类别不平衡（故障率约1%），标准表格模型难以达到工业部署所需的性能阈值（TPR≥80%且FPR≤20%）；（3）跨工具、跨过程的数据迁移和知识共享尚未充分利用。为此，本研究旨在开发一种物理结构化图神经网络（Physics-GAT）框架，将传感器按物理子系统组织为图结构，结合注意力机制实现可解释的故障检测，并与现代表格深度学习模型（TabM、TabR）及LightGBM基准进行全面比较。
**2. 主要技术方法**
研究人员利用Seagate Technology提供的18个月工业生产线数据，涵盖5个化学机械抛光（CMP）工具族（EBR）以及干法刻蚀工具族（NXE、G602）。关键方法包括：（1）物理结构化图神经网络（Physics-GAT）：将传感器统计特征按物理子系统（如压力、流量、旋转、电机电流等）分组，构建异构图，通过组内注意力池化、图注意力层和情境调制（FiLM）实现子系统交互建模；（2）多工具聚合训练：采用逐工具标准化和穷举辅助工具选择，缓解工具间域偏移；（3）跨机器元头（Metahead）GNN：将EBR抛光与干法刻蚀（NXE/G602）的独立骨干网络潜表征拼接，实现跨过程知识迁移；（4）TabM和TabR：参数高效集成式神经表格模型和检索增强表格模型；（5）上下文感知门控集成：通过轻量门控网络动态加权LightGBM、TabM和TabR的预测。
**3. 研究结果**
**3.1 基准模型性能**
单工具LightGBM在低FPR（≤0.2）区域显著优于FNN（除EBR53外），但绝对TPR远低于0.8的工业部署阈值。多工具聚合对EBR53、EBR54、EBR55有显著改善，但对EBR51（AUC）和EBR52无显著提升，表明聚合收益具有数据依赖性。
**3.2 物理结构化GNN性能与可解释性**
单工具Physics-GAT仅在EBR53上显著优于LightGBM。双工具训练显著增强了其优势：在EBR52、EBR53上AUC显著优于双工具LightGBM，在EBR52、EBR53、EBR55上受限TPR显著提升。组内注意力权重在PASS与FAIL之间几乎静态，未能动态区分故障，但模型透明性揭示了结构学习的局限性。跨机器元头GNN在EBR52和EBR53上超过LightGBM，并显著稳定了数据稀缺工具EBR55的波动指标。
**3.3 表格模型性能**
TabR在受限TPR上普遍优于TabM，但两者仅在故障率最高的EBR53上超过LightGBM。混合神经树框架（TabM/TabR+LightGBM）几乎在所有工具上优于单独表格模型，但在噪声高的EBR54上表现不佳。上下文感知门控集成仅在EBR53上优于LightGBM，整体未产生系统性改善。
**4. 讨论与结论**
研究表明，物理结构化GNN在多工具场景下展现出优于传统表格基准的潜力，其子系统级关系学习能有效利用跨工具数据，并提供组内注意力、子系统聚合等可解释性输出，为故障诊断提供有价值的信息。TabR的检索增强机制在低FPR区域优于TabM，表明局部历史相似性有助于稀有故障预测。然而，在严重类别不平衡下，优化的LightGBM仍难以被替代。未来需在真实工业环境中验证可解释性输出，并进行滚动时间窗口的鲁棒性测试。总体而言，该工作为半导体制造中的可扩展、可解释故障检测提供了有力概念验证。
