3. 关键质量参数（KQ）与关键工艺参数（KPP）识别
在半导体制造中，单个晶圆需经历数百道工艺步骤，每步产生数十个参数。直接使用全量参数建模会导致维度灾难、过拟合与可解释性丧失。本章聚焦于如何从海量SPC数据中科学筛选出对良率影响最大的关键质量参数（KQ）与关键工艺参数（KPP），为后续预测模型提供高质量特征。
核心目标：将原始参数空间从“数百维”压缩至“数十维”，同时最大化保留与良率相关的信息量。
3.1 参数分类与业务定义
首先明确两类参数在良率分析中的角色差异：
| 参数类型 | 英文缩写 | 定义 | 典型示例 | 与良率关系 |
|---|---|---|---|---|
| 关键质量参数 | KQ (Key Quality) | 直接反映晶圆电性能或物理质量的测量值 | 阈值电压(Vt)、饱和电流(Idsat)、氧化层厚度 | 强相关，常作为良率的代理指标 |
| 关键工艺参数 | KPP (Key Process Parameter) | 工艺设备的状态参数，影响KQ的成因变量 | 腔体温度、气体流量、RF功率、刻蚀时间 | 间接相关，通过KQ传导至良率 |
实战经验：优先识别KQ作为模型的目标变量或核心特征；KPP则作为解释变量，用于根因定位与工艺调整。
3.2 相关性分析：初筛与共线性诊断
相关性分析是特征筛选的第一步，用于量化参数与良率之间的线性关联强度，并检测参数间的多重共线性。
3.2.1 单变量相关性计算
使用Pearson相关系数衡量每个参数与良率（或KQ）的线性关系：
import pandas as pd
import numpy as np
# 假设 df 包含所有SPC参数列和良率列 'yield'
corr_with_yield = df.corr()['yield'].drop('yield').sort_values(ascending=False)
# 筛选值大于0.3的参数作为候选
candidate_features = corr_with_yield[abs(corr_with_yield) > 0.3].index.tolist()
print(f"初筛候选特征数: {len(candidate_features)}")
print(candidate_features[:10]) # 展示前10个3.2.2 共线性诊断：VIF
高相关性参数会破坏模型稳定性。使用方差膨胀因子（VIF）检测共线性：
from statsmodels.stats.outliers_influence import variance_inflation_factor
def calculate_vif(df, features):
vif_data = pd.DataFrame()
vif_data['feature'] = features
vif_data['VIF'] = [variance_inflation_factor(df[features].values, i)
for i in range(len(features))]
return vif_data.sort_values('VIF', ascending=False)
vif_result = calculate_vif(df, candidate_features)
# 剔除VIF > 10的特征（经验阈值）
selected_features = vif_result[vif_result['VIF'] <= 10]['feature'].tolist()
注意：VIF阈值需根据数据量调整。小样本（<200）建议阈值设为5；大样本（>1000）可放宽至10。
3.3 主成分分析（PCA）降维
当参数间存在复杂非线性关联时，PCA通过正交变换将原始特征压缩为少数主成分，适用于高维SPC数据的初步降维。
3.3.1 PCA数学原理
PCA寻找数据方差最大的投影方向。第k个主成分的方差贡献率决定了其信息保留程度：
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
# 标准化（PCA对尺度敏感）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df[all_features])
# 执行PCA，保留95%方差
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X_scaled)
print(f"原始特征数: {X_scaled.shape[1]}")
print(f"PCA降维后特征数: {X_pca.shape[1]}")
print(f"各主成分方差贡献率: {pca.explained_variance_ratio_}")3.3.2 PCA在良率分析中的局限性
| 优势 | 劣势 |
|---|---|
| 无监督降维，无需标签 | 主成分物理含义模糊，难以解释 |
| 有效去除噪声与冗余 | 假设线性关系，忽略非线性模式 |
| 计算效率高，适合大规模数据 | 对异常值敏感，需预处理 |
| 保留全局方差结构 | 可能丢弃与良率相关的低方差信息 |
建议：PCA适合作为特征工程的中间步骤，用于生成“合成特征”输入模型；但最终业务解释仍需回溯原始KPP。
3.4 特征选择方法：Filter / Wrapper / Embedded
根据是否依赖后续模型，特征选择分为三大类。在良率预测场景中，通常组合使用以达到最佳效果。
3.4.1 Filter方法（过滤法）
独立于模型，基于统计指标对特征排序。计算效率高，适合海量SPC参数的快速初筛。
| 方法 | 指标 | 适用场景 | 代码示例 |
|---|---|---|---|
| 方差阈值 | 方差 | 剔除近乎常数的参数 | VarianceThreshold(threshold=0.01) |
| 卡方检验 | 卡方统计量 | 分类问题，离散特征 | SelectKBest(chi2, k=20) |
| 互信息 | 互信息值 | 捕捉非线性关系 | mutual_info_regression |
| 相关系数 | Pearson/Spearman | 线性相关初筛 | f_regression |
# Filter方法示例：互信息特征选择
from sklearn.feature_selection import SelectKBest, mutual_info_regression
selector = SelectKBest(score_func=mutual_info_regression, k=30)
X_selected = selector.fit_transform(X_scaled, y)
selected_mask = selector.get_support()
selected_features = np.array(all_features)[selected_mask]3.4.2 Wrapper方法（包裹法）
将模型性能作为特征子集的评价标准，通过搜索策略找到最优组合。精度高但计算成本大。
- 递归特征消除（RFE）：逐步剔除最不重要的特征，直至达到指定数量。
- 前向/后向搜索：每次添加或删除一个特征，评估模型性能变化。
- 遗传算法：模拟自然选择，在大规模特征空间中搜索最优子集。
# RFE示例：使用随机森林作为基模型
from sklearn.feature_selection import RFE
from sklearn.ensemble import RandomForestRegressor
estimator = RandomForestRegressor(n_estimators=100, random_state=42)
rfe = RFE(estimator, n_features_to_select=20, step=5)
rfe.fit(X_scaled, y)
print(f"选中的特征索引: {rfe.support_}")
print(f"特征排名: {rfe.ranking_}")
性能警告：Wrapper方法在特征数超过200时，单次训练时间可能超过10分钟。建议先用Filter方法将特征压缩至50以内，再使用Wrapper精细筛选。
3.4.3 Embedded方法（嵌入法）
特征选择内嵌于模型训练过程中，兼具Filter的效率与Wrapper的精度。
| 模型类型 | 特征重要性机制 | 良率场景优势 |
|---|---|---|
| Lasso回归（L1正则化） | 将不重要特征的系数压缩为0 | 自动特征筛选，适合线性关系 |
| 随机森林 | 基于基尼重要性或均方误差减少量 | 捕捉非线性，提供特征排序 |
| XGBoost / LightGBM | 基于分裂增益的特征重要性 | 处理缺失值，高精度 |
| 树模型SHAP值 | 基于博弈论的特征贡献度 | 可解释性强，全局+局部解释 |
# Embedded方法示例：Lasso自动特征选择
from sklearn.linear_model import LassoCV
lasso = LassoCV(cv=5, random_state=42, max_iter=10000)
lasso.fit(X_scaled, y)
coef_mask = lasso.coef_ != 0
selected_features = np.array(all_features)[coef_mask]
print(f"Lasso保留的特征数: {sum(coef_mask)}")3.5 实战策略：三层筛选流水线
结合三种方法的优势，设计适用于SPC数据的特征筛选流水线：
- 第一层（Filter）：使用方差阈值+互信息法，将特征从500+快速压缩至100以内。
- 第二层（Embedded）：使用Lasso或随机森林，进一步筛选至30-50个特征，并获取重要性排序。
- 第三层（Wrapper）：使用RFE或前向搜索，在20-30个特征中寻找最优子集，用于最终模型。
# 三层筛选流水线完整示例
from sklearn.feature_selection import VarianceThreshold, SelectKBest, mutual_info_regression, RFE
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import Pipeline
# 第一层：Filter - 方差阈值
filter_1 = VarianceThreshold(threshold=0.01)
# 第二层：Filter - 互信息
filter_2 = SelectKBest(score_func=mutual_info_regression, k=80)
# 第三层：Embedded - 随机森林重要性
rf = RandomForestRegressor(n_estimators=200, random_state=42)
# 使用RF的feature_importances_筛选top 30
from sklearn.feature_selection import SelectFromModel
embedded = SelectFromModel(rf, threshold='median', max_features=30)
# 第四层：Wrapper - RFE
rfe = RFE(estimator=RandomForestRegressor(n_estimators=100),
n_features_to_select=20, step=5)
# 构建流水线
pipeline = Pipeline([
('var_filter', filter_1),
('mutual_info', filter_2),
('embedded', embedded),
('rfe', rfe)
])
pipeline.fit(X_scaled, y)
final_features = pipeline.transform(X_scaled)
print(f"最终特征维度: {final_features.shape[1]}")
关键结论：在半导体良率预测中，推荐采用“Filter初筛 → Embedded主筛 → Wrapper精筛”的三层策略。实际项目经验表明，该方法可将模型训练时间缩短60%以上，同时保持或提升预测精度（R²提升约0.02-0.05）。
3.6 本章小结
本章系统介绍了从SPC数据中识别KQ与KPP的完整方法论：
- 相关性分析提供快速初筛与共线性诊断工具；
- PCA降维适用于无监督场景下的高维压缩，但牺牲可解释性；
- Filter/Wrapper/Embedded三种方法各有优劣，组合使用效果最佳；
- 三层筛选流水线是经过验证的实战框架，兼顾效率与精度。