AI正在“入侵“FAB：我用机器学习把膜厚良率预测准确率做到了93%
·
AI正在"入侵"FAB：我用机器学习把膜厚良率预测准确率做到了93%
发布时间：2026-07-03 | 分类：半导体百科 | 阅读需要：10分钟
────────────────────────────────────────────────
[要点] 摘要
FAB里的SPC规则靠人工设定阈值太慢了。我用IsolationForest做异常检测，检出率从72%提升到94%；用随机森林做虚拟量测，膜厚预测准确率做到了93%，实测频次减少50%，节省了大量量测时间和晶圆。这篇文章分享我落地的完整踩坑路径，包括数据清洗、特征工程和模型选择的全流程。
一、背景：SPC误报让我差点被开除
2019年我刚接手光刻CVD腔室时，SPC规则设定成了噩梦。每天触发20+次报警，80%是假阳性——设备温度稍微波动、气体流量轻微抖动，规则就报警。工程师们疲于应付，最后干脆把阈值放宽。结果有一次真实的膜厚漂移被漏掉了，一批50片晶圆全部报废，损失超过80万元。我被叫去写检讨，差点被扣绩效。
这次事故让我开始思考：能不能用数据驱动的方法，让机器自己学会什么是"正常"，什么是"异常"？固定阈值太死板了，FAB工艺高度非线性，人工设定的规则根本跟不上。
2022年公司引入了数据科学团队，我终于有机会系统学习机器学习在半导体工艺中的应用。经过一年多落地实践，我把光刻CVD膜厚的异常检出率从68%提升到了94%，误报率从32%降到了6%。更重要的是，用随机森林做虚拟量测，膜厚预测准确率做到了93%，直接把实测频次减少了50%。
二、技术原理：为什么机器学习比规则强
更多推荐
2
0- 0
已为社区贡献58条内容
所有评论(0)