在晶圆制造过程中，针对时变产品类型，采用自适应持续学习方法进行周期时间预测

《JOURNAL OF INTELLIGENT MANUFACTURING》：Adaptive continual learning for cycle time prediction in wafer fabrication with time-varying product types

针对晶圆制造中产品类型动态变化导致的概念漂移问题，提出FD-MIR方法，结合教师-学生特征蒸馏和基于聚类的动态采样策略，有效提升CT预测精度。

　　

摘要

考虑到晶圆制造系统中存在的固有不确定性，准确预测周期时间（CT）对于确保晶圆产品的及时交付至关重要。然而，当由于新订单的动态引入导致晶圆产品类型发生变化时，就会出现概念漂移问题，这会导致数据联合概率分布的变化。这种漂移会挑战基于批量学习的现有CT预测模型的性能，可能导致预测结果下降或失效。为了解决这一挑战，我们提出了一种持续深度学习预测方法，该方法通过记忆和更新晶圆数据流来不断学习有关新类型晶圆产品的知识。具体来说，我们对传入的数据流采用基于模型的概念漂移检测，并设计了一种动态采样策略来平衡少数类和多数类之间的样本分布，从而解决类别不平衡问题。在持续学习框架内，我们提出的FD-MIR（具有最大干扰检索的特征蒸馏）方法结合了教师-学生特征蒸馏架构和基于聚类的自适应阈值最大干扰检索（CA-MIR）策略以及自适应K选择机制：当检测到概念漂移时，将漂移前的模型固定为教师模型以指导学生模型的特征学习，而CA-MIR通过聚类分析动态确定用于重放的关键历史样本数量（K），该方法通过将干扰值聚类到多个簇中，并根据累积干扰比率阈值选择样本。实验结果表明，我们的方法在晶圆产品类型发生变化的情况下能够更准确地预测CT，性能更为优越。该方法在提高晶圆制造系统中CT预测的效率和准确性方面具有巨大潜力。