一、设备调机的困境：为什么需要智能DOE

半导体设备在出厂前或进入客户产线后，都需要经历”调机”过程——调整工艺参数（温度、压力、流量、功率等），使设备输出满足客户的工艺规格要求。

传统调机方法存在三大问题：

• 试片量巨大：全因子实验设计（Full Factorial DOE）在5个参数、2个水平的情况下需要2⁵=32组实验；加上响应面法（RSM）的中心点和轴向点，一轮下来50-100片试片是常态
• 依赖经验：资深工程师知道”先调哪个参数、调多少”，但这些经验在工程师脑子里，无法传承给新人或复用到同型号设备
• 停机时间长：每片试片需要上片、加工、量测、分析，一天最多跑5-10组实验。50组实验意味着1-2周的设备停机

NeuroBox E5200 的设计目标是：用最少的试片、最短的时间，找到满足规格要求的最优工艺配方。

二、系统架构：五阶段闭环流程

E5200 的核心是一个五阶段闭环流程，每个阶段由独立的AI引擎驱动：

系统通过充分性评估自动判断”够了没有”——当模型精度和参数置信度满足预设标准时，自动停止实验，避免过度试验浪费试片。

状态机管理

每次调机过程作为一个独立的Session管理，支持中断恢复。Session状态从创建→DOE生成→数据采集→校准→充分→完成，全程自动跟踪，实验数据和校准历史持久化保存。

三、智能DOE生成：高效覆盖参数空间

传统DOE的问题是实验点数随参数维度指数增长。E5200 采用多策略融合的实验设计方法，用最少的实验点获取最多的信息。

3.1 空间填充设计

采用拉丁超立方采样（Latin Hypercube Sampling, LHS）作为主要的空间填充策略。LHS将每个参数维度均匀分层，确保实验点在高维空间中均匀分布——这比随机采样和全因子设计都更高效。

以5参数CMP调机为例：全因子需要32组实验，而LHS只需10组就能获得可比的参数空间覆盖度。

3.2 物理中心点

在LHS之外，系统自动添加参数空间的物理中心点作为基准实验。中心点是所有参数取中间值的”安全”实验，优先执行，为工程师提供一个参考基线。

3.3 轴向探针

为每个参数生成2个轴向点（该参数取极值，其他参数取中心值），用于快速识别各参数的主效应。这相当于高效版的”一次一因子”（OFAT）实验。

3.4 增量设计

当需要追加实验时，系统采用最大最小距离准则生成新的实验点——新点与所有已有实验点的最小距离最大化，确保新实验探索的是参数空间中信息最稀缺的区域。

四、贝叶斯校准引擎：物理模型 + 不确定性量化

E5200 不是”黑箱”模型——它基于半导体工艺的物理模型建模，然后用贝叶斯方法量化参数的不确定性。

4.1 物理模型校准

系统内置了9种半导体工艺的物理模型（CMP、刻蚀、CVD、PVD、ALD、离子注入、氧化、光刻、扩散），每种工艺对应特定的物理方程。

以CMP为例，基于经典Preston方程建模：去除速率是压力、转速、流量和温度的函数。校准的目标是用实验数据拟合方程中的系数——这些系数因设备个体而异。

校准采用全局优化算法求解最大后验估计（MAP），确保找到全局最优参数而非局部最优。

4.2 不确定性量化

仅给出”最优参数”是不够的，还需要告诉工程师”这些参数有多可靠”。E5200 根据数据量自动选择最合适的不确定性量化方法：

• 小样本（<10片）：采用Bootstrap重采样方法。对实验数据多次有放回抽样，每次重新校准，统计参数分布。这种方法对非高斯后验更加鲁棒
• 中等样本（≥10片）：采用Laplace近似方法。在MAP点计算Hessian矩阵的逆作为协方差矩阵，计算效率更高

4.3 参数可辨识性评估

不确定性量化的结果直接反映参数是否被充分约束：

4.4 预测不确定性传播

参数的不确定性通过Monte Carlo采样传播到预测输出。系统从参数后验分布中抽样，逐一评估物理模型，输出预测均值和95%置信区间。工程师看到的不只是”预测值=50nm”，而是”预测值=50±3nm（95%置信）”。

五、主动学习推荐：让每片试片价值最大化

这是E5200的核心创新。当充分性评估判断”数据还不够”时，系统不是简单地要求”再多跑几组”，而是精确告诉工程师“下一组实验应该在什么参数点跑，为什么”。

5.1 信息增益采集函数

主动学习的核心问题是：在参数空间中，哪个实验点能最大程度地降低模型不确定性？

E5200 基于Fisher信息矩阵设计采集函数。对于每个候选实验点，系统计算：如果在这个点做实验，模型参数的总方差能降低多少？选择信息增益最大的点作为推荐。

5.2 高效协方差更新

在推荐多个实验点时，系统采用高效的矩阵更新算法，在选择每个新点后立即更新参数协方差矩阵，确保后续推荐不会选择信息重复的实验点。这种贪心策略在计算效率和推荐质量之间取得了很好的平衡。

5.3 推荐输出

每个推荐包含：

• 实验参数：每个输入参数的具体数值
• 预期信息增益：量化该实验的预期价值
• 目标参数：该实验主要约束哪些模型参数
• 推荐理由：自然语言解释，如”当前压力指数不确定性最大，建议在高压区域补充实验”

六、工艺窗口分析与配方优化

6.1 虚拟DOE与响应面

当物理模型校准完成后，E5200 可以在不跑实际实验的情况下，通过模型预测生成完整的响应面。系统自动对关键参数对进行网格扫描，生成带不确定性的2D响应面图，工程师可以直观看到参数空间中的”甜点区”。

6.2 全局灵敏度分析

系统自动分析每个输入参数对输出的影响程度，并按影响力排序。例如在CMP调机中，系统可能告诉工程师：”压力对去除速率的影响最大（占比45%），其次是转速（30%），流量影响较小（15%）”——帮助工程师聚焦关键参数。

6.3 逆向配方优化

传统流程是”给定参数→看结果”，E5200 支持逆向优化——”给定目标规格→自动计算最优配方”：

• 输入客户要求的规格上下限（LSL/USL）
• 全局优化算法在参数空间中搜索最大化规格符合概率的配方
• 输出最优配方 + 预测值 + 置信区间 + Cpk

6.4 工艺窗口可视化

在最优配方基础上，系统自动扫描周围参数空间，生成工艺窗口热力图：

• 绿色区域：规格符合概率高（Cpk ≥ 1.33），安全操作区
• 黄色区域：边界区域（1.0 ≤ Cpk < 1.33），需要关注
• 红色区域：不满足规格（Cpk < 1.0），应避免

工程师不仅知道”最优配方是什么”，还知道”配方偏离多少还是安全的”——这对量产中的参数波动管控至关重要。

七、迁移学习：同型号设备越调越快

这是E5200实现”数据飞轮”的关键技术。

7.1 问题背景

同型号设备的物理模型结构相同，但模型参数因设备个体差异（制造公差、安装差异、零部件批次等）而不同。传统方法对每台设备独立调机，完全没有利用之前的经验。

7.2 贝叶斯迁移框架

E5200 采用贝叶斯先验迁移：

1. 第一台设备（Machine A）：完整调机流程，约15片试片。获得参数θ_A和协方差矩阵Cov_A
2. 第二台设备（Machine B）：将θ_A作为先验分布。只需2-3片试片的数据，结合先验，即可获得Machine B的后验估计
3. 后续设备：先验随积累的设备数量不断增强。到第五台设备时，可能只需3-5片试片

7.3 迁移诊断

系统自动检测参数偏移的显著性。如果某台设备的参数与先验差异过大（可能是设备异常或配置不同），系统会告警并建议独立校准，避免错误迁移。

八、数据飞轮：越用越精准

E5200 的数据飞轮效应体现在多个层面：

关键机制：

• Session持久化：每次调机的全部数据（实验设计、量测结果、校准历史、推荐记录）自动保存，支持中断恢复和历史回溯
• 先验积累：每台设备的校准结果自动纳入迁移学习知识库
• 自适应边界：系统根据历史校准结果自动优化参数搜索范围，避免在已知无效区域浪费实验

九、部署与性能

9.1 部署方式

E5200 部署在NVIDIA Jetson边缘设备上，与NeuroBox E3200共享硬件平台。核心算法基于数值计算库实现，无需GPU加速，在边缘设备上即可高效运行。

9.2 典型调机流程

9.3 性能指标

9.4 与传统方法对比

© 2025-2026 迈烁集芯（上海）科技有限公司 · ai-mst.com · 本白皮书内容受知识产权保护