面向半导体材料制造中预测质量的鲁棒可靠AI：结合MLOps与不确定性量化
机器学习
2026-05-11 v1 计算工程、金融与科学
摘要
半导体材料制造为机器学习部署带来了独特的挑战，因为不断变化的工艺条件、设备老化和原材料变异性可能导致模型性能随时间推移而恶化。本研究使用五年的真实制造数据对机器学习运维(MLOps)重训练策略进行基准测试，以确定用于质量预测的最佳重训练方法。我们使用控制限归一化残差作为关键性能指标，评估了各种重训练频率和超参数优化策略。结果表明，每五个生产批次进行一次固定重训练节奏且不进行超参数重新调优的策略，在所有漂移条件下均能实现卓越的性能，同时与包含超参数优化的策略相比，显著降低了计算开销。该方法在突发的工艺变化和渐进的设备退化模式中都能有效保持模型准确性。为了解决制造决策中对不确定性量化的关键需求，我们实现了共形预测，以生成具有强统计保证的预测置信区间。这使得能够通过识别预测区间何时落在可接受的控制限内来实现主动质量控制，将传统的被动质量管理转变为预测性框架。这些发现为在制造环境中实施鲁棒的MLOps策略提供了实用指南，在这些环境中，计算效率和可靠的不确定性量化对于运营成功至关重要。
引用
@article{arxiv.2605.07752,
title = {Robust and Reliable AI for Predictive Quality in Semiconductor Materials Manufacturing with MLOps and Uncertainty Quantification},
author = {Min Gao and Julia Maria Perathoner and Anton Ludwig Bonin and Steven Eulig and Gianni Klesse},
journal= {arXiv preprint arXiv:2605.07752},
year = {2026}
}