4. 硅光工艺参数特征工程

硅光芯片的良率损失往往不是由单一工序决定的，而是光刻线宽、刻蚀深度、沉积厚度、掺杂浓度等多道工序参数共同作用的结果。原始工艺数据通常以“批次—晶圆—芯片—工序—测量点”的多层结构存储，直接送入良率模型往往效果很差：量纲差异大、缺失值多、参数之间高度相关、非线性耦合明显。特征工程的任务，就是把这些原始工艺记录转化为一组对良率有判别力、量纲一致、冗余受控的特征向量。

一、关键工艺参数的提取

硅光工艺中，与良率最相关的参数集中在四类工序。光刻环节关注关键尺寸（CD）、套刻误差（Overlay）、曝光剂量与焦距；刻蚀环节关注刻蚀深度、侧壁角、选择比与刻蚀均匀性；沉积环节关注膜厚、折射率、应力与均匀性；掺杂环节关注掺杂浓度、结深与方块电阻。这些参数通常来自两类数据源：设备日志中的设定值（setpoint）与量测机台的实际测量值（measurement）。特征提取时应优先使用实际测量值，因为设定值与实际值之间的偏差本身就是重要的工艺漂移信号。

提取时需要注意三个问题。第一是空间对齐：同一晶圆上不同工序的测量点位置不同，需要按芯片坐标（die coordinate）对齐，才能形成“同一颗芯片的多工序参数组合”。第二是时间对齐：工艺参数按批次记录，而良率按芯片记录，需要通过批次号与晶圆号做关联。第三是单位统一：CD 常用 nm，膜厚常用 Å 或 nm，掺杂浓度常用 cm⁻³，提取阶段就应统一到标准单位，避免后续缩放被量纲主导。

二、衍生特征的构造

原始参数往往不足以表达工艺窗口的偏移。以光刻为例，CD 的绝对值不如“CD 偏离目标值的比例”更能反映工艺稳定性，因此可构造偏差特征：ΔCD = (CD_meas − CD_target) / CD_target。类似地，刻蚀深度与目标深度的偏差、膜厚与设计值的偏差，都是强判别特征。

第二类衍生特征是工序间的耦合量。硅光波导的损耗同时受刻蚀深度与侧壁粗糙度影响，可构造“刻蚀深度 × 侧壁角”或“刻蚀深度 / 线宽”这类比值特征，用来表达深宽比相关的工艺敏感性。第三类是均匀性特征，例如同一晶圆上 CD 的最大值与最小值之差、标准差，反映片内均匀性，这类特征对边缘芯片良率尤其敏感。第四类是统计特征，如某参数在最近 N 个批次中的移动平均与移动标准差，用于捕捉设备漂移。

三、特征缩放与编码

不同工艺参数量纲差异极大：CD 在几十纳米量级，掺杂浓度在 10¹⁸ 量级，若直接输入基于距离的模型（如 KNN、SVM、正则化线性模型），大数量级参数会主导距离计算。常用做法是 Z-score 标准化：x' = (x − μ) / σ，使每个特征均值为 0、标准差为 1。对于存在明显离群值的参数（如个别批次的异常膜厚），可改用 Robust Scaling，用中位数与四分位距代替均值与标准差。

对于类别型工艺变量，例如设备腔体编号、光刻机台号、工艺配方版本，需要编码。机台号这类无序类别可用 One-Hot 编码；配方版本若存在明确的代际顺序（如 v1→v2→v3），可用序数编码保留顺序信息。需要注意，One-Hot 编码会显著增加特征维度，当类别数很多时应考虑目标编码或频次编码，但必须防止目标泄漏。

四、面向良率预测的特征选择

特征选择的目的是在保留判别力的同时降低维度。常用三类方法：过滤法（如方差阈值、互信息、皮尔逊相关）、包裹法（如递归特征消除 RFE）、嵌入法（如 Lasso 的 L1 正则、树模型的 feature importance）。在硅光良率场景中，推荐先用互信息做初筛，剔除与良率几乎无关的参数；再用 Lasso 或随机森林重要性做二次筛选；最后用 RFE 结合交叉验证确定最终特征子集。

需要特别注意的是多重共线性。刻蚀深度与刻蚀时间往往高度相关，若同时保留，线性模型系数会不稳定。可通过计算方差膨胀因子（VIF）识别，VIF 大于 10 的特征应考虑合并或删除。此外，良率预测中正负样本常不均衡，特征选择时应使用分层交叉验证，避免因采样偏差选出只在多数类上有效的特征。

五、一个可参考的特征工程记录表

为了让特征工程过程可追溯、可复现，建议为每个特征维护一条记录。下表给出一个示例结构，字段可根据实际数据源调整。

完成上述流程后，得到的特征矩阵应满足：量纲一致、缺失值已按工艺含义处理（例如用同批次中位数填补，而非全局均值）、类别变量已编码、冗余特征已剔除。这样的特征集再送入良率预测模型，通常比直接使用原始参数获得更稳定、更可解释的结果。