小样本学习：半导体AI为什么不需要百万数据

集芯科技 | 半导体AI技术专栏

一、”大数据”思维在半导体中的失灵

ChatGPT 的训练数据以万亿 token 计，自动驾驶模型依赖数百万小时的驾驶视频，推荐系统背后是数亿用户的行为记录。这些成功案例塑造了一种认知：AI = 大数据。

然而，半导体制造的数据经济学截然不同：

• 数据获取成本极高：每一片试片（test wafer）的成本从几百元到几千元不等，高端工艺甚至更高。50片试片的成本可能就达到数万元。
• 实验周期长：一轮试片实验从准备、加工到测量，通常需要数小时甚至数天。”快速迭代”在这里是一种奢望。
• 产能占用：试片实验意味着占用正式生产的设备时间，对于满载运行的产线来说，每多跑一片试片都是对产能的直接侵蚀。
• 工艺变更频繁：半导体产品更新换代快，往往一个工艺节点还没积累够数据，就已经需要切换到新工艺了。

这些约束意味着，等待”数据积累足够”再做AI，在半导体制造中是行不通的。我们需要的是能够在极少量数据下就产生价值的AI方法。

二、小样本学习的四大核心策略

小样本学习并非一种单一技术，而是一个方法论体系。在半导体制造场景中，以下四种策略的组合使用能够产生最佳效果。

策略一：物理模型约束

这是半导体小样本学习中最重要的一环。与纯数据驱动的”黑箱”模型不同，物理信息神经网络（Physics-Informed Neural Networks, PINNs）将已知的物理规律编码进模型结构中。

例如，薄膜沉积过程遵循热力学和流体力学定律，这些定律可以转化为模型的硬约束或软正则化项。这意味着模型不需要从数据中”重新发现”牛顿定律——它已经知道基本的物理关系，只需要少量数据来校准具体的设备参数。

物理约束的效果是显著的：它将模型的搜索空间从”所有数学上可能的映射关系”缩小到”物理上合理的映射关系”，前者可能需要上万个数据点才能收敛，后者可能只需要十几个。

策略二：主动学习（Active Learning）

传统实验设计（如全因子实验）对所有参数组合一视同仁，不管某些区域是否已有足够信息。主动学习则遵循一个简单但强大的原则：让模型自己决定下一步最值得探索的参数点。

具体来说，模型会评估当前参数空间中各区域的不确定性，然后建议在不确定性最高的区域采集下一个数据点。每次实验后，模型更新自身对参数空间的认知，再推荐下一个最有价值的实验点。

这种”边学边问”的方式，相比均匀采样的实验设计，通常能将所需的试片数量减少50%-70%。

策略三：数据增强（Data Augmentation）

在有限的实际数据基础上，通过合理的数据增强可以扩展有效训练集。半导体场景中的数据增强不同于图像领域的简单旋转和裁剪——它需要基于物理意义来执行：

• 噪声注入：基于传感器的已知噪声特性，对采集数据添加合理范围的扰动
• 物理仿真数据：通过简化的物理模型生成合成数据，与少量实际数据混合训练
• 对称性利用：利用设备的旋转对称性、镜像对称性等几何特征扩展数据
• 工况插值：在已有数据点之间，基于物理连续性假设进行合理插值

策略四：迁移学习

将已有设备或已有工艺上积累的模型知识迁移到新设备或新工艺上。当同型号的设备已有一台完成了完整校准，后续设备只需极少量数据即可完成适配。关于迁移学习的详细阐述，请参阅我们的专题文章。

三、实战案例：10-15片试片完成工艺建模

以下是四大策略协同工作的典型效果对比：

关键观察：

• 物理约束是基石。它将所需数据量从”百片级”压缩到”数十片级”。
• 主动学习是加速器。它在物理约束的基础上，进一步将数据需求压缩到”十片级”。
• 模型精度不降反升。因为物理约束提供了正则化效果，模型的泛化能力反而优于纯数据驱动方法。

四、工程实现中的关键考量

小样本学习的理论固然优美，但工程实现中还需关注几个实际问题：

1. 物理模型的精度权衡

物理约束不能过强也不能过弱。过强的物理约束会导致模型无法适应设备个体差异；过弱则退化为纯数据驱动。实际中通常将物理约束作为软正则化项，通过交叉验证来调整其权重。

2. 主动学习的批量化

在实际生产中，不可能每做一片试片就停下来让模型推荐下一片。通常采用批量主动学习（Batch Active Learning），一次推荐3-5个实验点，平衡信息效率和操作便捷性。

3. 不确定性校准

小样本模型的预测不确定性比大数据模型更大，因此模型必须准确量化自身的不确定性，并在置信度不足时主动提醒工程师。这是负责任的AI应用的基本要求。

4. 与领域专家的协作

小样本学习不是替代工程师的经验，而是将经验（以物理约束的形式）系统化。模型给出的建议应该对工程师透明可解释，而不是黑箱输出。

结语

半导体AI不需要百万数据，这不是一个遗憾，而是一个优势。正因为数据稀缺，半导体AI才走出了一条比互联网AI更具技术含量的道路——用物理知识补偿数据不足，用智能采样替代暴力穷举，用贝叶斯推断拥抱不确定性。这才是真正适合工业场景的AI范式。