1. 课程导论：良率预测在半导体制造中的重要性
1.1 良率：半导体制造的“生命线”
在半导体制造中，良率（Yield） 是指合格芯片占晶圆上总芯片数的比例。它直接决定了企业的盈利能力、产能利用率和市场竞争力。一个百分点的良率提升，对于先进制程（如 7nm、5nm）而言，可能意味着数千万甚至上亿美元的利润增长。
良率通常分为两类：
- 晶圆良率（Wafer Yield）：通过电性测试（CP 测试）的芯片数量占比。
- 封装良率（Assembly Yield）：封装后最终测试（FT 测试）的合格芯片占比。
传统良率管理依赖统计过程控制（SPC）和人工经验分析，但面对数百道工艺步骤、数千个工艺参数以及复杂的非线性缺陷模式，传统方法已难以满足先进制程的需求。
关键数据： 在 3nm 制程中，单次光刻对准偏差超过 0.5nm 就可能导致整片晶圆良率下降 10% 以上。传统 SPC 规则往往在缺陷发生后才报警，而深度学习模型可以在工艺参数漂移初期就预测良率风险。
1.2 深度学习相比传统方法的优势
下表对比了传统良率预测方法与深度学习方法的差异：
| 对比维度 | 传统方法（SPC/MLR） | 深度学习方法 |
|---|---|---|
| 特征工程 | 依赖人工提取关键工艺参数，耗时且易遗漏 | 自动从高维数据中学习特征，无需人工设计 |
| 非线性建模 | 线性回归或简单非线性模型，拟合能力有限 | 多层神经网络可拟合任意复杂非线性关系 |
| 多模态数据 | 难以同时处理传感器时序、晶圆图、文本日志 | 支持 CNN、RNN、Transformer 等处理异构数据 |
| 缺陷模式识别 | 基于规则匹配已知缺陷，无法发现新缺陷模式 | 无监督/自监督学习可发现未知缺陷聚类 |
| 预测时效性 | 批次完成后才能统计良率，滞后严重 | 可在工艺进行中实时预测，支持动态调整 |
| 泛化能力 | 对新产品或工艺变更需重新建模 | 迁移学习可快速适配新工艺节点 |
实践建议： 在半导体 Fab 厂中，深度学习模型通常作为传统 SPC 的补充，而非完全替代。最佳实践是：SPC 负责实时报警，深度学习负责趋势预测和根因分析。
1.3 深度学习良率预测系统架构
下图展示了一个典型的深度学习良率预测系统架构，涵盖从数据采集到模型部署的全流程：
1.4 课程目标与学习路径
本课程旨在帮助学员掌握从数据准备到模型部署的全流程技能，具体目标如下：
- 理解业务：掌握半导体制造工艺基础与良率关键影响因素。
- 数据处理：学会清洗、对齐、增强半导体制造中的多模态数据。
- 模型构建：掌握 CNN、LSTM、Transformer、GNN 等模型在良率预测中的应用。
- 模型优化：学习超参数调优、模型压缩、可解释性分析等实用技术。
- 工程部署：掌握 ONNX/TensorRT 模型转换、边缘端推理、实时监控等部署技能。
1.5 课程学习路径图
下图展示了本课程 30 章内容的递进学习路径：
1.6 课程章节概览
下表列出了本课程 30 章的核心主题与学习重点：
| 章节范围 | 核心主题 | 学习重点 |
|---|---|---|
| 第 1-5 章 | 半导体工艺与数据基础 | 光刻/刻蚀/沉积工艺、良率定义、数据采集、Pandas 数据处理 |
| 第 6-10 章 | CNN 与晶圆图缺陷检测 | 卷积神经网络、晶圆图分类、缺陷模式识别、数据增强 |
| 第 11-15 章 | 时序模型与多模态融合 | LSTM/GRU、Transformer 注意力机制、传感器数据融合 |
| 第 16-19 章 | 模型优化与可解释性 | 超参数搜索、SHAP 值分析、Grad-CAM 可视化、模型剪枝 |
| 第 20-22 章 | 图神经网络与设备关系 | GNN 基础、设备关联图构建、故障传播预测 |
| 第 23-27 章 | 模型部署与 MLOps | ONNX 转换、TensorRT 加速、Docker 容器化、实时监控 |
| 第 28-30 章 | 综合实战与案例复盘 | 端到端良率预测系统搭建、实际产线案例、常见问题排查 |
重要提示： 本课程所有代码均基于 Python 3.10+ 和 PyTorch 2.0+ 开发。建议学员提前配置好 CUDA 环境（推荐 NVIDIA A100 或 RTX 4090 以上显卡），并安装好以下核心依赖库：torch、torchvision、pandas、numpy、scikit-learn、onnxruntime、tensorrt。