《ADVANCED ENGINEERING INFORMATICS》：Agentic AI for dynamic Aging & Test sampling optimization and High-Performance defect detection in TFT-LCD Industry
编辑推荐：
摘要老化和测试是TFT-LCD制造中的关键步骤，用于早期故障缺陷的识别。然而，由于产能和成本的限制，全面检测并不可行，因此需要采用抽样方法。本研究提出了一种基于智能代理的动态抽样优化方案，该方案用自主的闭环工作流程替代了被动概率抽样。该代理整合了多阶段生产历史（阵列/彩色滤光片/
摘要
老化和测试是TFT-LCD制造中的关键步骤，用于早期故障缺陷的识别。然而，由于产能和成本的限制，全面检测并不可行，因此需要采用抽样方法。本研究提出了一种基于智能代理的动态抽样优化方案，该方案用自主的闭环工作流程替代了被动概率抽样。该代理整合了多阶段生产历史（阵列/彩色滤光片/细胞/模块）、检测结果和维修记录；在产能和外部成本限制下规划和优先处理面板；执行老化和测试调度；并通过反馈和记忆不断更新参数。操作员通过提示指定抽样目标和限制，而特定阶段的代理则协调抽样和调度，以准确针对高风险面板，并根据需求和工艺变化适应性地重新分配检测资源。根据我们的观察评估，抽样大约20%的面板与约0.80%的缺陷检测率相关。成本分析显示，通过优化产品级别的抽样比例，整体检测成本降低了约30%，与随机抽样相比最多可降低56%。总体而言，这种部署提高了缺陷捕获率，并在工艺变化下实现了更高效的资源分配；然而，这些结果是基于观察的，可能受到其他同时因素的影响。
引言
TFT-LCD面板的制造过程非常复杂，产品缺陷表现为多种形式。为了提高产品质量和产量，生产流程中采用了多种缺陷检测方法，这些方法可以分为三个主要类别：键合测试、外观检查以及老化和测试。老化和测试程序是在产品发货给客户之前识别早期故障阶段缺陷的广泛采用且有效的方法。图1展示了TFT-LCD生产和老化测试过程，该过程包括四个主要阶段：阵列、彩色滤光片（CF）、细胞和模块。每个主要阶段都包含多个子过程。老化测试阶段位于最后阶段，在模块过程完成后进行。理想情况下，每个生产的面板都应接受严格的老化和测试检查。然而，实际限制（包括老化和测试相关的成本）要求实施抽样检查，以保持可接受的质量水平。这种策略有助于优化资源，同时确保在整个制造过程中保持足够的质量控制。
制造中的抽样方法可以分为概率抽样和非概率抽样。TFT-LCD工厂最初在老化测试阶段采用基于概率的随机抽样：在产能限制下随机选择50%的面板，检测率（缺陷面板/老化测试数量）约为50%。为了提高检测率同时降低成本，工厂转向了系统抽样，选择40%的面板，并优先处理生产历史中标记为高风险的面板。每三个月对风险事件策略进行一次统计验证，以检查是否存在偏差，检测率从50%提高到64%——这是一个重要的步骤，但仍受静态规则和多阶段数据使用不充分的限制。为了解决验证线拒绝率（VLRR，以DPPM为单位）的持续不稳定问题，并超越被动抽样，我们引入了基于智能代理的动态抽样优化方案。如图2所示，该代理在闭环中运作：
-生产历史整合：汇总阵列、彩色滤光片、细胞和模块的检测和维修记录，形成面板级别的风险表示。
-行动/执行：调度老化和测试计划和资源分配，以便首先检查高风险面板。
-反馈记忆与持续学习：获取实时老化结果
-在线参数更新/持续学习：在线更新模型参数，实现自我改进和快速适应工艺变化。
-动态抽样优化：堆叠式监督学习模型作为代理的决策引擎，改进风险排名和抽样分配。
在我们的观察分析中，在相似的抽样率下，我们观察到大约0.80%的缺陷检测率。在线部署后，在保持产能限制的同时，检测能力得以维持。此外，当优化产品间的抽样比例时，我们观察到总体成本降低了约30%。由于这些发现基于观察证据，同时发生的工艺变化和产品组合变化也可能对观察结果产生影响。与随机抽样相比，这种方法实现了更大的成本节约和质量提升。总之，智能代理通过主动的闭环反馈增强了缺陷捕获和资源分配，有效应对了工艺变化，提高了TFT-LCD生产线的整体效率。
本研究将彩色滤光片（CF）、阵列和细胞阶段的关联因素重新定义为模块老化测试中智能代理闭环的输入。该代理感知多源生产信号（检测/维修历史），构建面板级别的风险表示，制定了解决产能和成本问题的抽样策略（产品配额和全球阈值），通过调度高风险面板和释放低风险面板来采取行动，并从OK/NG和成本反馈中在线学习，同时将版本持久保存在内存中并监控治理指标。通过失效模式分析得出的领域指导特征，并通过Fisher精确检验进行了验证，这些特征馈入堆叠式决策引擎，捕捉复杂的前端/中期影响，并管理工艺变化，生成用于策略转化的校准风险评分。这种智能设计将传统的质量保证从静态规则转变为适应性强、优先考虑风险的抽样方法，提高了缺陷检测率，并在产能限制下减少了浪费，同时将运营决策与可衡量的质量和成本结果实时对齐。
虽然该框架利用了先进的机器学习技术进行数据处理（例如Fisher精确检验用于特征选择和基于堆叠的模型用于风险评分），但根本的创新在于智能代理的编排。与传统的静态预测管道不同，所提出的系统作为自主推理引擎运作。它协调专门的子代理来解释制造目标，并根据实时工艺变化和产能限制动态重新配置抽样策略，超越了简单的预测，实现了智能执行。
本文的其余部分结构如下：第2节介绍了相关工作和相关文献，如不同的抽样策略、监督学习分类模型和智能代理的应用。第3节提供了基于智能代理的动态抽样方法学。第4节进行了几项实验并在实际应用中比较了结果。最后，第5节提出了研究结论。
章节摘录
制造中的抽样策略
抽样方法可以分为概率抽样和非概率抽样。概率抽样方法意味着母种群中的每个个体都有被选入研究样本的确定机会，例如简单随机抽样、系统抽样、分层抽样和簇抽样；而非概率抽样意味着从母种群中选出的样本中的个体概率完全未知，例如目的性抽样。
基于智能代理的动态抽样方法学
本章介绍了一种基于智能代理的动态抽样方法学，它在成本和产能限制下将老化和测试能力分配给高风险面板，如图3所示。用户通过代理界面提交提示。大型语言模型（LLM）位于智能代理工作流程的中心，将操作员的提示和限制（产能和成本）转换为系统可以执行的结构化意图。它通过将查询路由到领域指导的失效特征来协调后台代理。
基线方法的选择
为了评估所提出的智能代理框架的有效性，我们选择了三个类别的基线：
-行业标准基线：随机抽样（RS）和系统抽样（SS）。由于其简单性和可预测的吞吐量，这些仍然是高产量TFT-LCD制造中的主要协议。
-静态机器学习基线：包括随机森林（RF）、XGBoost和支持向量机（SVM）在内的个别模型。这些代表了‘被动’预测的最新技术
结论
总体而言，本研究利用智能代理将历史面板生产数据转化为老化和测试的实用政策见解。通过将识别的缺陷原因转化为领域指导的特征（通过失效模式分析和Fisher精确检验）并训练堆叠式监督模型，我们设计了一种智能抽样计划，提高了缺陷捕获率，同时尊重产能和成本限制。该方法在高成本检测环境中展示了实际价值，增强了
CRediT作者贡献声明
Ming-Sung Shih：撰写——原始草稿、方法论、调查、数据整理。James C. Chen：监督、资源、项目管理、调查。Tzu-Li Chen：撰写——审阅与编辑、方法论、调查、概念化。Ming-Hsiang Chen：可视化、验证、软件、调查。Ching-Lan Hsu：撰写——原始草稿、验证、软件、方法论、调查。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
Ming-Sung Shih|James C. Chen|Tzu-Li Chen|Ming-Hsiang Chen|Ching-Lan Hsu
