研究意义

半导体产业是现代信息技术、高端装备和智能制造体系的重要基础，晶圆制造则处于集成电路生产链条的核心环节。随着器件尺寸持续缩小、结构逐渐三维化以及产品迭代速度加快，晶圆加工过程对工艺稳定性、设备一致性和质量监控能力提出了更高要求。晶圆前道工艺包含薄膜沉积、光刻、刻蚀、离子注入、扩散、清洗和化学机械抛光等大量高度耦合的步骤，每一道工序都会影响晶圆表层或内部微观结构。已有研究指出，晶圆制造系统的稳定运行高度依赖设备协同、过程监控和制造执行能力[1]，因此及时掌握加工状态和关键质量指标，是保障制程稳定与提升良率的重要前提。

现代晶圆厂也是典型的数据密集型制造系统。生产设备在加工过程中持续产生传感器曲线、设备状态、工艺配方、批次信息和量测结果，这些数据为过程分析和质量预测提供了基础[2]。但在实际产线中，膜厚、刻蚀深度、线宽、电性参数等质量指标通常仍依赖专用量测设备获得。物理量测可信度高，但成本高、周期长、产能占用明显，难以对每片晶圆进行全量检测。抽检虽然能够控制量测成本，却会造成反馈滞后、未量测晶圆状态不可见和异常发现不及时等问题。

虚拟量测（Virtual Metrology, VM）为缓解上述矛盾提供了重要技术路径。其基本思想是利用设备传感器数据、工艺参数、设备状态和历史量测信息，建立过程数据与晶圆质量指标之间的映射关系，从而在不显著增加物理量测负担的情况下估计未量测晶圆的质量状态。虚拟量测能够连接数据采集、质量预测、异常发现和先进过程控制等环节，在降低量测成本、缩短反馈周期和提升过程可观测性方面具有重要价值。

然而，晶圆制造数据具有高维、多源、强噪声和非平稳等特点。一方面，设备传感器数据通常表现为多变量时序曲线，仅依赖少量人工统计量难以充分刻画复杂工艺状态；另一方面，设备老化、腔体状态变化、维护操作、配方调整和批次切换都会导致数据分布随时间变化，静态模型容易出现性能衰减。围绕晶圆虚拟量测开展研究，有助于减少对昂贵物理量测的依赖，缩短质量反馈周期，并为工艺调控、采样策略优化和良率提升提供数据支撑。

研究现状

晶圆虚拟量测研究基础

晶圆虚拟量测的核心目标是利用设备传感器数据、工艺参数、设备状态、类别信息和历史量测结果，对未进行物理量测的晶圆质量指标进行预测。早期研究主要围绕虚拟量测系统的概念提出、系统构建和工程化部署展开，相关工作已将虚拟量测用于晶圆到晶圆控制与先进过程控制，并逐步形成自动虚拟量测系统框架[3][4][5]。随着工业 4.0 和智能制造的发展，虚拟量测逐渐从单一预测模型演变为连接数据采集、质量预测、异常检测和过程控制的关键技术。已有综述从产品质量估计和半导体制造应用角度总结了虚拟量测的发展脉络，说明该方向正在从离线静态建模走向在线自适应建模[6][7]。

在传统建模路线中，晶圆虚拟量测方法多采用人工统计特征构造思路，即从传感器过程曲线中提取均值、方差、最大值、斜率、积分等表格化特征，再建立过程数据与质量指标之间的映射关系。由于这类特征维度固定、计算简单且易于解释，相关研究通常将其与树集成模型、梯度提升模型或特征降维方法结合使用。例如，已有工作在半导体 PVD 过程虚拟量测中验证了树集成模型的有效性[8]，也有研究利用 CatBoost 和 SHAP 对沉积膜厚进行可解释预测[9]。CatBoost 对类别变量和非线性关系具有较好适应能力[10]，稀疏 PCA 等方法也被用于减少虚拟量测中的关键传感器数量[11]。这类方法在工业场景中仍有价值，但难以充分表达多变量传感器曲线中的局部突变、阶段性波动和跨传感器动态关联。

时序特征提取与大模型表征

为弥补人工特征表达不足，虚拟量测和工业软测量研究逐渐从人工特征工程转向自动特征提取。DeepVM 通过卷积自编码器自动提取虚拟量测特征，DBAM 研究了深度学习提升时序数据软测量可扩展性的方式，PIE-VM 则将注意力机制引入多变量时序虚拟量测[12][13][14]。这些工作表明，面向多变量过程曲线的自动表征学习有助于补充传统统计特征难以表达的局部形态、上下文依赖和跨传感器关联。

近年来，时序基础模型、语言模型重编程方法和自监督时序表征学习的发展，为传感器时序特征增强提供了新的技术路径。TimesFM、Chronos 等时序基础模型基于大规模时间序列数据预训练，能够在一定程度上提取可迁移的序列表示[15][16]；Time-LLM 等方法则尝试借助预训练语言模型完成时序重编程[17]。总体来看，这类方法推动了时间序列建模从人工统计特征向自动表示学习发展，但现有研究多面向通用预测、分类或异常检测任务，较少针对半导体虚拟量测中“多传感器过程曲线到晶圆级质量指标”的监督回归问题展开。真实工业数据还包含类别变量、标量工艺参数、变长序列和缺失等复杂结构，通用预训练模型直接迁移时仍可能面临领域差异、样本规模需求和解释性不足等问题。

在线更新与数据生命周期管理

在模型在线更新方面，半导体制造过程的非平稳特性使可持续迭代的模型维护机制成为保障长期预测性能的核心前提。设备老化、腔体状态变化、预防性维护、配方调整和批次切换都会导致数据分布随时间变化，即概念漂移。相关综述指出，静态模型难以长期适应动态数据流，需要围绕漂移检测、漂移理解和漂移适应建立方法体系[18][19][20]。对于晶圆虚拟量测而言，模型性能衰减不是偶然现象，而是长期产线部署中必须面对的工程问题。

现有在线更新方法中，固定长度滑动窗口是较常用的策略。该方法将最近一段时间内的数据作为训练集，随着新样本到来不断移除最旧样本，从而使模型跟踪近期工艺状态。ADWIN 等自适应窗口方法进一步尝试根据数据变化调整窗口长度[21]，滑动窗口神经网络也被用于工业软测量的连续更新[22]。这类方法能够提升模型对短期漂移的适应性，但也存在不足：样本保留规则主要依据时间新旧，窗口中所有样本被等价对待，低信息量或重复样本可能占据训练空间；简单移除旧样本还可能导致重要历史工艺模式被遗忘。

因此，样本选择和数据生命周期管理逐渐成为在线学习研究的重要方向。其核心思想是根据数据价值动态决定样本的保留、使用和淘汰策略。已有数据流主动学习研究表明，不同样本对模型训练的贡献并不相同，在线场景需要实时选择更有价值的数据样本[23]。同时，持续学习研究也指出，模型迭代过程中需要避免重要历史知识被遗忘[24]。在半导体虚拟量测领域，带样本选择的在线虚拟量测模型已经被用于跟踪存在慢漂移的动态制造过程[25]。但总体来看，现有方法仍较多关注窗口长度、数据新旧或分布变化检测，对窗口内部样本价值评估、低贡献样本淘汰和高价值历史样本保留等问题研究不足。围绕时序特征增强与数据生命周期更新开展研究，有助于提升晶圆虚拟量测模型在长期运行条件下的准确性、稳定性和工程可用性。

参考文献

  1. [1]V. Maitra, Y. Su, and J. Shi, “Virtual metrology in semiconductor manufacturing: Current status and future prospects,” Expert Systems with Applications, vol. 249, p. 123559, 2024.
  2. [2]Y. Shi, Y. Cai, S. Lou, and Y. Chen, “Explainable prediction of deposited film thickness in IC fabrication with CatBoost and SHapley Additive Explanations (SHAP) models,” Applied Intelligence, vol. 54, no. 1, pp. 246–263, 2024.
  3. [3]Y. Xie, T. Wang, Y.-S. Jeong, A. Tosyali, and M. K. Jeong, “True sparse PCA for reducing the number of essential sensors in virtual metrology,” International Journal of Production Research, vol. 62, no. 6, pp. 2142–2157, 2024.
  4. [4]A. Das, W. Kong, R. Sen, and Y. Zhou, “A decoder-only foundation model for time-series forecasting,” in Proceedings of the 41st International Conference on Machine Learning, 2024.
  5. [5]D. Cacciarelli and M. Kulahci, “Active learning for data streams: a survey,” Machine Learning, vol. 113, no. 1, pp. 185–239, 2024.
  6. [6]A. F. Ansari et al., “Chronos: Learning the Language of Time Series,” Transactions on Machine Learning Research, 2024.
  7. [7]M. Jin et al., “Time-LLM: Time Series Forecasting by Reprogramming Large Language Models,” in The Twelfth International Conference on Learning Representations, 2024.
  8. [8]J. Lee, B. Park, and H. S. Cho, “Semiconductor Manufacturing Automation,” in Springer Handbook of Automation, 2nd ed., S. Y. Nof, Ed. Cham: Springer, 2023, pp. 919–938.
  9. [9]S. Han et al., “Deep learning-based virtual metrology in multivariate time series,” in 2023 IEEE International Conference on Prognostics and Health Management (ICPHM), 2023, pp. 30–37.
  10. [10]P.-A. Dreyfus, F. Psarommatis, G. May, and D. Kiritsis, “Virtual metrology as an approach for product quality estimation in Industry 4.0: a systematic review and integrative conceptual framework,” International Journal of Production Research, vol. 60, no. 2, pp. 742–765, 2022.
  11. [11]M. Lima, M. Neto, T. S. Filho, and R. A. de A. Fagundes, “Learning Under Concept Drift for Regression—A Systematic Literature Review,” IEEE Access, vol. 10, pp. 45410–45429, 2022.
  12. [12]M. Alharbi, P.-Y. Hong, and T.-M. Laleg-Kirati, “Sliding window neural network based sensing of bacteria in wastewater treatment plants,” Journal of Process Control, vol. 110, pp. 35–44, 2022.
  13. [13]N. Gentner, M. Carletti, A. Kyek, G. A. Susto, and Y. Yang, “DBAM: Making Virtual Metrology/Soft sensing with time series data scalable through Deep Learning,” Control Engineering Practice, vol. 116, p. 104914, 2021.
  14. [14]C.-H. Chen, W.-D. Zhao, T. Pang, and Y.-Z. Lin, “Virtual metrology of semiconductor PVD process based on combination of tree-based ensemble model,” ISA Transactions, vol. 103, pp. 192–202, 2020.
  15. [15]J. Feng, X. Jia, F. Zhu, J. Moyne, J. Iskandar, and J. Lee, “An Online Virtual Metrology Model With Sample Selection for the Tracking of Dynamic Manufacturing Processes With Slow Drift,” IEEE Transactions on Semiconductor Manufacturing, vol. 32, no. 4, pp. 574–582, 2019.
  16. [16]M. Maggipinto, A. Beghi, S. McLoone, and G. A. Susto, “DeepVM: A Deep Learning-based approach with automatic feature extraction for 2D input data Virtual Metrology,” Journal of Process Control, vol. 84, pp. 24–34, 2019.
  17. [17]J. Lu, A. Liu, F. Dong, F. Gu, J. Gama, and G. Zhang, “Learning under Concept Drift: A Review,” IEEE Transactions on Knowledge and Data Engineering, vol. 31, no. 12, pp. 2346–2363, 2019.
  18. [18]G. I. Parisi, R. Kemker, J. L. Part, C. Kanan, and S. Wermter, “Continual lifelong learning with neural networks: A review,” Neural networks, vol. 113, pp. 54–71, 2019.
  19. [19]L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, “CatBoost: unbiased boosting with categorical features,” Advances in neural information processing systems, vol. 31, 2018.
  20. [20]J. Moyne and J. Iskandar, “Big Data Analytics for Smart Manufacturing: Case Studies in Semiconductor Manufacturing,” Processes, vol. 5, no. 3, p. 39, 2017.
  21. [21]J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, and A. Bouchachia, “A survey on concept drift adaptation,” ACM computing surveys (CSUR), vol. 46, no. 4, pp. 1–37, 2014.
  22. [22]F.-T. Cheng, H.-C. Huang, and C.-A. Kao, “Developing an Automatic Virtual Metrology System,” IEEE Transactions on Automation Science and Engineering, vol. 9, no. 1, pp. 181–188, 2012.
  23. [23]P. Kang et al., “A virtual metrology system for semiconductor manufacturing,” Expert Systems with Applications, vol. 36, no. 10, pp. 12554–12561, 2009.
  24. [24]A. Bifet and R. Gavalda, “Learning from time-changing data with adaptive windowing,” in Proceedings of the 2007 SIAM international conference on data mining, 2007, pp. 443–448.
  25. [25]P. H. Chen et al., “Virtual metrology: a solution for wafer to wafer advanced process control,” in ISSM 2005, IEEE International Symposium on Semiconductor Manufacturing, 2005, pp. 155–157.