整合监督学习与无监督学习以揭示关键工艺输入
机器学习
2024-09-10 v1
摘要
本研究引入了一套针对大规模工业工艺（具有大量数值和类别输入）的机器学习框架。该框架旨在（i）辨认影响输出的关键参数，以及（ii）生成准确的样外定性和定量生产结果预测。具体而言，我们聚焦于确定每个输入在塑造工艺结果方面的重要性，使用工业化学气相沉积（CVD）工艺作为示例。初始目标是将领域知识与仅基于工艺输出（即反应器中各位置的涂层厚度测量值）的聚类技术相结合。该方法识别出一组在定性特征（如薄膜平均厚度和标准差）相似的生产运行。特别地，可以归因于不同聚类结果差异的产出差异可归因于特定输入的差异，表明这些输入对生产结果至关重要。基于此洞察，我们随后实施监督分类和回归方法，使用识别出的关键工艺输入。该方法论证在大量输入且数据不足以直接应用深度学习技术的场景中具有价值，为揭示底层工艺提供了有意义的见解。
引用
@article{arxiv.2405.07751,
title = {Integrating supervised and unsupervised learning approaches to unveil critical process inputs},
author = {Paris Papavasileiou and Dimitrios G. Giovanis and Gabriele Pozzetti and Martin Kathrein and Christoph Czettl and Ioannis G. Kevrekidis and Andreas G. Boudouvis and Stéphane P. A. Bordas and Eleni D. Koronaki},
journal= {arXiv preprint arXiv:2405.07751},
year = {2024}
}