研究意义

在半导体制造中，薄膜沉积后的厚度（Thickness, THK）是反映沉积质量和制程稳定性的关键物理量，影响后续工艺窗口、器件电学性能和良率。实际生产中，薄膜厚度通常依赖专用检测设备离线抽样量测，反馈周期长且覆盖有限。

虚拟量测（Virtual Metrology, VM）通过工艺配方、设备传感器、运行日志和历史量测结果估计未量测晶圆的质量指标，可在离线抽检基础上提供更密集的质量估计，是实现高频质量反馈的重要技术路径[1][2]。在半导体制造中，虚拟量测服务于质量预测、Run-to-Run 控制和先进过程控制，为过程调节与生产决策提供质量反馈[3][4][5]。

在 CVD、PECVD 等薄膜沉积场景中，已有研究利用工艺参数、设备传感器和历史量测结果预测沉积后厚度，表明过程数据可支撑厚度虚拟量测建模[6][7][8]。因此，厚度虚拟量测可在真实量测结果返回前提供中间质量变量，为过程调节、异常预警和良率分析提供数据基础。

虚拟量测模型在长期部署中还必须面对数据漂移。腔体清洁、零部件老化、靶材或反应源消耗、传感器校准、配方微调、设备维护和来料波动，会改变过程变量分布，并可能进一步影响过程变量与沉积后厚度之间的映射关系。前一种变化可通过在线过程数据窗口进行无标签感知，后一种变化则需要结合延迟返回的真实厚度标签验证，由此形成漂移感知与模型更新之间的时间差。静态模型通常默认训练数据与未来数据分布相近，当设备状态和生产条件持续演化时，模型可能出现静默失准，并影响批次间控制、质量监控和生产决策。随着多产品、多配方和多批次生产场景增加，虚拟量测的关键问题也从单次离线建模转向在线维护、更新策略和长期可靠性[9][10][11]。

基于上述背景，本课题面向晶圆薄膜沉积工艺长期运行中数据漂移导致的厚度虚拟量测模型失准问题，研究在真实厚度标签稀疏或反馈延迟条件下，利用在线过程数据感知分布变化，并在少量抽样晶圆厚度量测结果返回后完成模型自适应更新的方法。该问题涉及无标签漂移识别、模型失准预警、更新触发和历史稳定工况知识利用，有助于提高厚度质量信息时效性，减少对高成本离线量测的依赖，并为质量监控和良率管理提供更稳定的估计基础。

研究现状

薄膜厚度虚拟量测研究基础

目前，面向半导体制造过程的虚拟量测研究主要围绕两个层面展开：一是利用工艺配方、设备传感器、运行日志和历史量测结果建立质量预测模型；二是在长期生产条件下对虚拟量测模型进行在线维护，使模型适应设备状态、工艺条件和数据分布的持续变化。对于晶圆薄膜厚度虚拟量测而言，前者为过程数据估计沉积后厚度提供了建模基础。

已有研究验证了利用过程数据进行薄膜厚度虚拟量测的可行性。相关工作已在 CVD、PECVD 等沉积场景中构建厚度预测模型，并将工艺参数、设备传感器和历史量测结果作为主要输入[6][7][8]。同时，半导体虚拟量测研究也形成了回归模型、半监督学习、多任务学习、主动学习、迁移学习和领域自适应等方法，用于提高预测精度或缓解标签不足、跨场景建模问题[3][4][5][12][13][14][2][1][9]。

上述研究主要关注给定训练数据下的预测精度、标签不足或跨场景泛化问题，模型部署后的漂移感知、更新触发和长期维护仍有进一步研究空间。对于薄膜沉积厚度虚拟量测而言，设备状态变化、配方调整和来料波动会持续影响过程数据分布，因此模型维护问题需要与预测建模问题共同考虑。

虚拟量测模型的在线维护

针对虚拟量测模型长期运行失准问题，已有研究开始关注在线更新、自适应维护和动态采样。Kang 等人提出具有自适应更新能力的智能虚拟量测系统，将模型更新作为系统运行组成部分[15]。Feng 等人面向慢漂移制造过程提出带样本选择的在线虚拟量测模型；Zabrocki 等人研究了漂移和偏移条件下的在线时间序列虚拟量测方法[10][16]。近年研究进一步将概念漂移检测与模型适应结合起来，面向突发漂移和漂移后适应开展研究[17]。动态采样研究则从量测成本角度比较半导体虚拟量测方法，并尝试结合虚拟量测结果和量测成本设计采样框架[11]。

相关工作表明，虚拟量测系统的研究重点已从单次预测模型扩展到漂移检测、模型维护和长期运行可靠性。但部分方法仍依赖固定窗口、固定周期重训或较及时的真实标签反馈；动态采样研究也尚未充分与漂移检测和延迟标签下的模型更新机制统一。对于薄膜厚度虚拟量测而言，漂移、标签回流和模型更新之间存在时间差，定期重训或误差触发更新容易造成响应滞后、无效更新或异常样本污染。

概念漂移检测与数据流学习

概念漂移检测和数据流学习为虚拟量测在线维护提供了方法基础。相关研究主要围绕误差序列检测、滑动窗口统计检验、自适应窗口、增量学习和在线集成等方向展开，典型方法包括 ADWIN、自适应随机森林以及面向漂移适应和回归漂移学习的方法[18][19][20][21]。这类方法能够利用预测误差、窗口统计量或集成模型表现发现数据分布或模型性能变化，是后续漂移检测研究的重要基础。

近年来，漂移检测研究进一步向无标签、高维和复杂时间序列场景扩展。Hinder 等从监测视角梳理了演化环境中的概念漂移检测问题，说明仅利用输入分布变化进行漂移检测成为新的研究重点[22]。在工业过程建模领域，相关研究也开始关注特征分布变化、标签不足和半监督漂移检测问题[23]。此外，模型复用研究说明，历史模型可在合适条件下帮助处理复现或相似工况下的概念漂移问题[24]。

综合来看，现有研究已覆盖虚拟量测建模、在线更新、动态采样和概念漂移检测等方向，但薄膜厚度虚拟量测的长期部署仍存在一个关键问题：漂移检测结果需要进一步转化为可执行的模型维护决策。薄膜沉积过程变量高维强相关，传感器噪声、短期异常与持续工况迁移交织，单纯比较窗口分布容易产生误报或漏报；无标签检测能够识别输入分布偏离，却难以直接判断厚度预测模型是否已经失效；基于误差序列的方法又受制于离线量测标签滞后。因此，该方向需要建立连接“过程数据漂移、模型失准风险、标签回流验证和更新触发”的在线维护机制，使漂移信号服务于厚度虚拟量测模型的长期稳定运行。

参考文献

  1. [1]李莉, 张雅瑄, and 于青云, “面向制造过程的虚拟量测技术综述与展望,” 信息与控制, vol. 52, no. 4, pp. 417–431, 482, 2023.
  2. [2]Y. Zhang, L. Li, and Q. Yu, “Virtual Metrology for Enabling Zero-Defect Manufacturing: A Review and Prospects,” The International Journal of Advanced Manufacturing Technology, vol. 130, no. 7–8, pp. 3211–3227, 2024.
  3. [3]P. Kang et al., “A Virtual Metrology System for Semiconductor Manufacturing,” Expert Systems with Applications, vol. 36, no. 10, pp. 12554–12561, Dec. 2009.
  4. [4]P. Kang, D. Kim, H.-J. Lee, S. Doh, and S. Cho, “Virtual Metrology for Run-to-Run Control in Semiconductor Manufacturing,” Expert Systems with Applications, vol. 38, no. 3, pp. 2508–2522, Mar. 2011.
  5. [5]C.-F. Chien, W.-T. Hung, C.-W. Pan, and T. H. V. Nguyen, “Decision-Based Virtual Metrology for Advanced Process Control to Empower Smart Production and an Empirical Study for Semiconductor Manufacturing,” Computers & Industrial Engineering, vol. 169, p. 108245, July 2022.
  6. [6]M.-H. Hung, T.-H. Lin, F.-T. Cheng, and R.-C. Lin, “A Novel Virtual Metrology Scheme for Predicting CVD Thickness in Semiconductor Manufacturing,” IEEE/ASME Transactions on Mechatronics, vol. 12, no. 3, pp. 308–316, June 2007.
  7. [7]H. Purwins et al., “Regression Methods for Virtual Metrology of Layer Thickness in Chemical Vapor Deposition,” IEEE/ASME Transactions on Mechatronics, vol. 19, no. 1, pp. 1–8, 2014.
  8. [8]H.-J. Roh et al., “Development of the Virtual Metrology for the Nitride Thickness in Multi-Layer Plasma-Enhanced Chemical Vapor Deposition Using Plasma-Information Variables,” IEEE Transactions on Semiconductor Manufacturing, vol. 31, no. 2, pp. 232–241, May 2018.
  9. [9]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, Sept. 2024.
  10. [10]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, Nov. 2019.
  11. [11]X. Han, M. Miller, J. Moyne, G. W. Vogl, A. Penkova, and X. Jia, “A Comparative Study of Semiconductor Virtual Metrology Methods and Novel Algorithmic Framework for Dynamic Sampling,” IEEE Transactions on Semiconductor Manufacturing, vol. 38, no. 2, pp. 232–239, May 2025.
  12. [12]P. Kang, D. Kim, and S. Cho, “Semi-Supervised Support Vector Regression Based on Self-Training with Label Uncertainty: An Application to Virtual Metrology in Semiconductor Manufacturing,” Expert Systems with Applications, vol. 51, pp. 85–106, 2016.
  13. [13]C. Park, Y. Kim, Y. Park, and S. B. Kim, “Multitask Learning for Virtual Metrology in Semiconductor Manufacturing Systems,” Computers & Industrial Engineering, vol. 123, pp. 209–219, 2018.
  14. [14]J. Shim and S. Kang, “Domain-Adaptive Active Learning for Cost-Effective Virtual Metrology Modeling,” Computers in Industry, vol. 135, p. 103572, 2022.
  15. [15]S. Kang and P. Kang, “An Intelligent Virtual Metrology System with Adaptive Update for Semiconductor Manufacturing,” Journal of Process Control, vol. 52, pp. 66–74, Apr. 2017.
  16. [16]S. Zabrocki, P. S. Jo, C. Park, D. Yim, S. Yun, and B.-J. Lee, “Adaptive Online Time-Series Prediction for Virtual Metrology in Semiconductor Manufacturing,” in 2023 34th Annual SEMI Advanced Semiconductor Manufacturing Conference (ASMC), 2023, pp. 1–6.
  17. [17]C. Li and Y.-M. Hsieh, “Sudden Concept Drift Detection and Adaptation in Virtual Metrology for Semiconductor Manufacturing,” IEEE Access, vol. 13, pp. 151614–151623, 2025.
  18. [18]A. Bifet and R. Gavaldà, “Learning from Time-Changing Data with Adaptive Windowing,” in Proceedings of the 2007 SIAM International Conference on Data Mining, 2007, pp. 443–448.
  19. [19]J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, and A. Bouchachia, “A Survey on Concept Drift Adaptation,” ACM Computing Surveys, vol. 46, no. 4, pp. 44:1–44:37, Mar. 2014.
  20. [20]M. Lima, M. Neto, T. Silva 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.
  21. [21]H. M. Gomes et al., “Adaptive Random Forests for Evolving Data Stream Classification,” Machine Learning, vol. 106, no. 9–10, pp. 1469–1495, 2017.
  22. [22]F. Hinder, V. Vaquet, and B. Hammer, “One or Two Things We Know about Concept Drift—A Survey on Monitoring in Evolving Environments. Part A: Detecting Concept Drift,” Frontiers in Artificial Intelligence, vol. 7, June 2024.
  23. [23]乔俊飞, 孙子健, and 汤健, “面向工业过程建模的概念漂移检测综述,” 控制理论与应用, vol. 38, no. 8, pp. 1159–1174, 2021.
  24. [24]P. Zhao, L.-W. Cai, and Z.-H. Zhou, “Handling Concept Drift via Model Reuse,” Machine Learning, vol. 109, no. 3, pp. 533–568, Mar. 2020.