晶圆制造工期预测是晶圆制造系统运行优化的核心问题,是保障晶圆产品准时交付的关键。深度学习方法从海量数据中识别规律,在静态环境下的产品工期预测问题中取得了良好的效果。然而,在车间在制品水平等因素动态变化下,当前方法通过构建...晶圆制造工期预测是晶圆制造系统运行优化的核心问题,是保障晶圆产品准时交付的关键。深度学习方法从海量数据中识别规律,在静态环境下的产品工期预测问题中取得了良好的效果。然而,在车间在制品水平等因素动态变化下,当前方法通过构建复杂系统的黑箱模型预测晶圆制造工期,缺乏可解释性,难以阐述模型随系统状态的变动规律。提出一种面向晶圆制造工期预测的可解释深度学习方法(Interpretable deep learning method,IDLM),具体包括构建脑启发的深度神经网络结构解析模型,从“神经元→神经环路→神经网络”三个层面为预测网络解析提供结构基础;设计工期预测网络的关键神经元识别算法,利用信息熵权规则滤取工期预测网络中的关键神经元;提出工期预测网络关键神经环路搜索算法,快速搜索相似神经元优化组合以得到关键预测环路。试验结果表明,IDLM可在保持工期预测精度的同时提取出预测神经网络的关键神经环路,为动态环境下工期预测网络的自适应优化提供基础。展开更多
文摘晶圆制造工期预测是晶圆制造系统运行优化的核心问题,是保障晶圆产品准时交付的关键。深度学习方法从海量数据中识别规律,在静态环境下的产品工期预测问题中取得了良好的效果。然而,在车间在制品水平等因素动态变化下,当前方法通过构建复杂系统的黑箱模型预测晶圆制造工期,缺乏可解释性,难以阐述模型随系统状态的变动规律。提出一种面向晶圆制造工期预测的可解释深度学习方法(Interpretable deep learning method,IDLM),具体包括构建脑启发的深度神经网络结构解析模型,从“神经元→神经环路→神经网络”三个层面为预测网络解析提供结构基础;设计工期预测网络的关键神经元识别算法,利用信息熵权规则滤取工期预测网络中的关键神经元;提出工期预测网络关键神经环路搜索算法,快速搜索相似神经元优化组合以得到关键预测环路。试验结果表明,IDLM可在保持工期预测精度的同时提取出预测神经网络的关键神经环路,为动态环境下工期预测网络的自适应优化提供基础。
