Explainable AutoML (xAutoML) with adaptive modeling for yield enhancement in semiconductor smart manufacturing

提高产量被认为是半导体智能制造中降低生产成本的主要驱动因素。然而，优化和确保高产量率是一个高度复杂和技术挑战，特别是在保持可靠的产量诊断和预测的同时，需要理解复杂条件中的所有干扰因素。本研究提出了一种领域特定的可解释自动化机器学习技术（称为xAutoML），它自主学习产量预测的最佳模型，并提供关键诊断因素的见解。xAutoML在自动优化管道中结合了量身定制的问题解决功能，以解决半导体产量增强的复杂性。首先，为了捕捉关键诊断因素，设计了知识驱动的特征提取和模型不可知的关键特征选择。其次，结合算法选择和超参数调整以及自适应损失，开发了生成优化分类器以更好地预测缺陷，并针对数据模式的变化自适应演化。此外，整个AutoML管道提供了一套可解释性工具，增强用户的理解并促进对自动化过程的信任。所提出的xAutoML表现出卓越的性能，具有领域特定的精细对策、自适应优化能力和嵌入式可解释性。研究结果表明，所提出的xAutoML是半导体产量改进、缺陷诊断和相关应用的一个引人注目的解决方案。

该论文旨在解决半导体智能制造中提高产量的问题。作者提出了一个自主学习的解释性自动化机器学习技术，以自动学习最佳模型进行产量预测，并提供关键诊断因素的见解。

该论文的关键思路是使用领域特定的解释性自动化机器学习技术（xAutoML）来解决半导体制造中的产量问题。该技术包括知识感知的特征提取、模型无关的关键特征选择、组合算法选择和超参数调整、自适应损失等功能，同时提供解释性工具以增强用户理解和信任。

该论文的亮点包括：1）提出了一个自主学习的解释性自动化机器学习技术，用于半导体制造中的产量预测和缺陷诊断；2）使用了知识感知的特征提取和模型无关的关键特征选择；3）使用了组合算法选择和超参数调整，以生成更好的分类器；4）提供了解释性工具以增强用户理解和信任；5）在实验中展示了该技术的卓越性能和自适应优化能力。

最近在这个领域中，还有一些相关的研究被进行，例如：“A machine learning approach for yield prediction in semiconductor manufacturing using random forests and support vector regression”和“Automatic fault diagnosis in semiconductor manufacturing using machine learning and feature selection”。