《Engineering Applications of Artificial Intelligence》：Data-driven cycle time optimisation in semiconductor manufacturing using machine learning and heuristic search algorithms
编辑推荐：
中文摘要翻译
在半导体晶圆制造中，周期时间（Cycle Time, CT）对生产效率和成本影响显著，但由于瓶颈会随时间的推移在不同设备之间转移，周期时间难以控制。本文提出了一种将机器学习（Machine Learning, ML）与启发式优化相结合的混合框架，
中文摘要翻译
在半导体晶圆制造中，周期时间（Cycle Time, CT）对生产效率和成本影响显著，但由于瓶颈会随时间的推移在不同设备之间转移，周期时间难以控制。本文提出了一种将机器学习（Machine Learning, ML）与启发式优化相结合的混合框架，用于最小化晶圆制造工厂中的附加周期时间（Delta Cycle Time, ΔCT）。研究人员训练了多种机器学习模型，根据每台设备的关键绩效指标（Key Performance Indicators, KPIs）预测ΔCT，并采用遗传算法（Genetic Algorithm, GA）、粒子群优化（Particle Swarm Optimisation, PSO）和序列二次规划（Sequential Quadratic Programming, SQP）针对训练好的模型对这些指标进行优化。随机森林（Random Forest, RF）模型展现出比其他机器学习模型更强的鲁棒性，实现了单台设备最佳均方根误差（Root Mean Square Error, RMSE）为0.029，尽管交叉验证的RMSE在不同设备间差异较大（中位数≈0.49）。该框架在希捷科技（Seagate Technology）晶圆制造工厂包含96台设备的专有数据上进行了评估。随机森林结合遗传算法取得了最大改进，将平均ΔCT从+0.276天降至?0.392天（平均降低0.668天），全部96台设备均得到改善。粒子群优化效果相当，降至?0.347天（降低0.623天），同样改善了全部96台设备；序列二次规划则较为保守，降至+0.091天（降低0.184天），改善了96台设备中的77台。在某些设备中，基线ΔCT接近于零，因此绝对天数减少比百分比减少更适合作为评价指标。该框架将生产日志转化为设备特定的KPI建议，揭示了周期时间缩减可实现的具体环节。
论文解读：数据驱动的半导体制造周期时间优化——机器学习与启发式搜索的融合
一、研究背景与问题提出
半导体产业是推动人工智能、自动驾驶、5G通信和物联网等技术创新的核心驱动力，全球半导体市场预计到2030年将超过1万亿美元。在这一背景下，制造商面临日益复杂的性能、成本和产能要求，同时还需应对前所未有的工艺复杂度。周期时间（Cycle Time, CT）已成为衡量运营效率的关键指标，缩短周期时间能够显著提升生产率、降低库存持有成本，并增强对市场变化的响应能力。
然而，半导体晶圆制造中的周期时间控制面临诸多挑战。瓶颈设备会随时间推移在不同工具之间转移，形成多维度的动态瓶颈。传统方法，包括混合整数规划、排队论和启发式调度，通常依赖有界假设，难以应对现代晶圆厂的复杂性。例如，传统方法将设备视为具有确定性加工时间的独立单元，未考虑随机波动和设备间的相互依赖关系，且假设车间处于静态条件。
尽管已有研究将机器学习应用于半导体制造，但主要集中在故障检测、设备故障预测和工艺参数估计等离散任务上。许多模型被孤立地部署，在时间序列问题中，预测模型往往未被纳入下游优化流程。此外，大量先前研究存在方法学缺陷，包括缺乏超参数调优、忽视KPI约束以及忽略设备间依赖关系，这最终限制了其研究结果的可靠性和适用性。
二、研究内容与核心贡献
针对上述问题，本研究提出了一种结合统计分析、监督式机器学习和启发式优化的鲁棒混合框架，以最小化半导体晶圆制造中的附加周期时间（Delta Cycle Time, ΔCT）。ΔCT作为目标指标，正值直接表示制造延迟，会降低产量并增加库存持有成本；负值则代表调度效率改善的机会。
研究利用希捷科技（Seagate Technology）商业晶圆制造工厂的生产数据，训练了基于多种技术的机器学习模型，包括决策树、线性回归、支持向量机、梯度提升、深度神经网络和随机森林（Random Forest, RF），用于预测ΔCT。通过比较各模型的均方根误差（RMSE），研究选择随机森林作为预测模型，因其在大多数设备上取得了最低的RMSE。随后，三种启发式优化方法——遗传算法（Genetic Algorithm, GA）、粒子群优化（Particle Swarm Optimisation, PSO）和序列二次规划（Sequential Quadratic Programming, SQP）——被分别嵌入随机森林框架中，为每台设备生成三个优化模型，以最小化ΔCT为目标进行评价。
该研究的三大核心贡献包括：第一，引入了一个将基于机器学习的ΔCT预测与约束感知优化相结合的统一框架；第二，对三种优化技术进行了比较分析，探索了收敛速度、解质量和鲁棒性方面的独特优势；第三，在真实工业数据上验证了该方法，遗传算法在96台设备上实现了平均ΔCT绝对减少0.668天。
三、关键技术方法
本研究采用的主要技术方法包括：其一，数据预处理与相关性分析，从生产日志中提取设备级KPI并进行统计分析；其二，随机森林回归模型，作为ΔCT预测器，通过交叉验证评估预测精度（最佳RMSE为0.029，中位交叉验证RMSE≈0.49）；其三，三种优化算法——遗传算法、粒子群优化和序列二次规划，在KPI约束条件下对训练好的预测模型进行优化。数据来源为希捷科技晶圆制造工厂的专有生产数据，涵盖96台设备。
四、研究结果
4.1 预测模型性能比较
研究比较了多种机器学习模型的预测性能，随机森林模型展现出比其他模型更强的鲁棒性。在单台设备上取得了最佳RMSE为0.029，但交叉验证的RMSE在不同设备间差异较大（中位数≈0.49），表明预测精度因设备而异。
4.2 优化算法性能比较
随机森林与遗传算法的组合取得了最大的改进效果，将平均ΔCT从+0.276天降至?0.392天，实现了0.668天的平均减少，全部96台设备均得到改善。粒子群优化效果相当，将ΔCT降至?0.347天，实现了0.623天的减少，同样改善了全部96台设备。序列二次规划则较为保守，将ΔCT降至+0.091天，实现了0.184天的减少，改善了96台设备中的77台。
4.3 评价指标讨论
研究指出，在某些设备中，基线ΔCT接近于零，因此绝对天数减少比百分比减少更适合作为评价指标。这一发现对工业实践中的绩效评估具有重要指导意义。
五、讨论与结论
本研究的框架采用分层方法，在保持系统级约束和依赖关系的同时，在设备层面分解和隔离性能瓶颈。该框架将生产日志转化为设备特定的KPI建议，揭示了周期时间缩减可实现的具体环节。研究结果以模型预测的潜力形式报告，需要经过生产验证。
研究结论表明，该混合框架能够有效适应各种制造环境，通过利用KPI驱动的约束和分层分解来有效缩短周期时间。然而，研究也承认了若干局限性：当前框架对每台设备独立训练和优化，未显式建模设备间耦合和共享资源约束；预测精度因设备而异；改进效果为模型预测值，需生产验证。未来研究方向包括实时集成、多目标优化以及设备间依赖关系的显式建模。
该论文发表在《Engineering Applications of Artificial Intelligence》期刊上，为半导体制造领域的周期时间优化提供了新的方法论视角，展示了机器学习与启发式优化相结合在复杂工业环境中的巨大应用潜力。
