用于半导体智能制造良率提升的可解释 AutoML（xAutoML）与自适应建模
计算工程、金融与科学
2024-03-20 v1
摘要
提升良率被认为是降低半导体智能制造生产成本的首要驱动力。然而，优化并确保高良率是一项极其复杂且技术性强的挑战，尤其是在维持可靠的良率诊断与预测的同时，这需要理解复杂条件下的所有混杂因素。本研究提出一种领域特定的可解释自动化机器学习技术（称为 xAutoML），该技术能够自主学习用于良率预测的最优模型，并具备一定的可解释性，同时提供关键诊断因素的见解。xAutoML 在自动优化流程中融入了定制化的问题解决功能，以应对半导体良率提升的复杂性。首先，为捕获关键诊断因素，设计了知识驱动的特征提取与模型无关的关键特征选择。其次，开发了结合算法选择与自适应损失的超参数调优，以生成更优的分类器用于缺陷预测，并能响应数据模式的变化进行自适应演化。此外，在整个 AutoML 流程中提供了一套可解释性工具，增强了用户理解并促进了对自动化过程的信任。所提出的 xAutoML 凭借领域特定的精细化对策、自适应优化能力和嵌入式可解释性，展现出卓越性能。研究结果表明，所提出的 xAutoML 是半导体良率改进、缺陷诊断及相关应用中极具吸引力的解决方案。
引用
@article{arxiv.2403.12381,
title = {Explainable AutoML (xAutoML) with adaptive modeling for yield enhancement in semiconductor smart manufacturing},
author = {Weihong Zhai and Xiupeng Shi and Yiik Diew Wong and Qing Han and Lisheng Chen},
journal= {arXiv preprint arXiv:2403.12381},
year = {2024}
}