Data-driven cycle time optimisation in semiconductor manufacturing using machine learning and heuristic search algorithms

Mohammad Sharifur Rahman

doi:10.1016/j.engappai.2026.116166

Data-driven cycle time optimisation in semiconductor manufacturing using machine learning and heuristic search algorithms

2026-09-12

0

OA

AI

M

Mohammad Sharifur Rahman *

DOI：10.1016/j.engappai.2026.116166

原文链接

原文求助

摘要

En 中文

在半导体晶圆制造中，周期时间显著影响产出率和成本，但由于瓶颈随时间在不同设备间转移，难以控制。本文提出了一种结合机器学习（ML）和启发式优化的混合框架，用于最小化晶圆制造厂中的Delta周期时间（ΔCT）。训练了多个机器学习模型，以根据每台设备的关健绩效指标（KPIs）预测ΔCT，并使用遗传算法（GA）、粒子群优化（PSO）和序列二次规划（SQP）针对训练好的模型优化这些指标。随机森林模型表现出比其他机器学习模型更强的鲁棒性，最佳情况下每台设备的均方根误差（RMSE）为0.029，尽管交叉验证的RMSE在各设备间差异很大（中位数≈0.49）。该框架在一个由96台设备组成的希捷科技公司（Seagate Technology）晶圆制造厂专有数据上进行了评估。随机森林与遗传算法的组合实现了最大改进，将平均ΔCT从+0.276天降至−0.392天（平均减少0.668天），改进了所有96台设备；粒子群优化（PSO）效果相近，降至−0.347天（减少0.623天），同样改进了所有96台设备；序列二次规划（SQP）更为保守，平均ΔCT为+0.091天（减少0.184天），改进了77台设备中的96台。在某些设备中，基准ΔCT接近零，因此绝对天数减少比百分比减少是更合适的指标。该框架将生产日志转换为设备特定的KPI建议，指出了哪些地方可实现周期时间缩短。

Keyword:

Cycle-time reduction

Work in process

Machine learning

Optimisation

Smart manufacturing

Semiconductor manufacturing

Data-driven cycle time optimisation in semiconductor manufacturing using machine learning and heuristic search algorithms

摘要

期刊

机构

引用论文