引言
在半導體製造領域中，機器學習的應用面臨著傳統演算法難以克服的關鍵障礙。儘管該產業產生了海量數據，但仍有兩項根本性挑戰始終存在：極端的類別不平衡，以及初期生產階段訓練資料集的匱乏。這些問題在半導體測試環節尤為突出——該環節的失效率可能低於 0.5%，且新產品在歷史資料極為有限的情況下，仍需立即進行品質預測。
這其中的風險極高。當有缺陷的晶粒在早期晶圓分選測試中未被偵測到而通過時，它們便會繼續進入昂貴的後續製程——封裝、組裝及最終測試——最終才被判定為不合格。這將造成重大的成本影響與時間延誤，而這些問題本可透過更有效的早期偵測演算法來避免。同樣地，當合格的晶粒在晶圓分選中被誤判為不合格時，也會直接導致成本損失與不必要的浪費。
近期研究顯示，專用的機器學習方法能夠克服這些限制，即使在訓練資料極度有限的情況下，仍能實現顯著的效能提升。關鍵在於選用專為製造環境設計的演算法，並採用能反映實際部署情境的評估方法。
理解「班級失衡」的挑戰
製造業數據失衡的程度
半導體製造是工業應用中類別不平衡最極端的例子之一。在高良率生產環境中，失效率通常低於 1%，部分產品的失效率甚至低至 0.5%。當透過軟分箱分類來分析特定失效模式時，這種不平衡現象更為明顯——某些失效類型在初始資料集中可能完全沒有出現。
這種極端的偏斜性為標準機器學習演算法帶來了根本性的問題。傳統模型以整體準確度為優化目標，這意味著一個僅對所有樣本預測為「合格」的分類器，即使維持 100% 的第二類錯誤率，仍可達到 99% 以上的準確度。此類模型對於識別實際缺陷毫無實用價值。
製造時程限制
半導體資料蒐集的時間性特質，使類別不平衡問題更加複雜。生產資料會隨著製造產能爬升速度與生產量，在數月間逐漸累積。在初期生產階段，製造商需要預測模型來做出品質決策，但現有的歷史資料卻不足以訓練傳統的機器學習系統。
這便形成了研究人員所稱的「雞生蛋還是蛋生雞」問題：製造商需要預測模型來優化早期生產階段，但傳統的機器學習方法卻需要龐大且平衡的資料集，而這些資料集在這些關鍵的早期階段根本不存在。
適用於製造環境的專用演算法
演算法選擇準則
這項研究針對 59 個生產批次（每個批次包含 25 片晶圓，每顆晶片約有 17,500 個測試參數）進行，評估了三種截然不同的演算法方法。篩選標準著重於那些既能處理類別不平衡問題，又能維持適合製造環境的運算效率的演算法。
該評估框架採用了兩種方法：一種是模擬真實世界模型重新訓練情境的時序驗證，另一種則是用於評估基準表現的傳統五折交叉驗證。這種雙重方法既確保了實用性，也兼顧了方法論上的嚴謹性。
現任分類員的特徵
基準演算法透過提升技術，展現出對大型資料集、缺失值及異常值的有效處理能力。此方法能降低偏誤並支援增量學習——這對於資料持續累積的製造環境至關重要。然而，提升演算法在小規模資料集上容易發生過擬合，且在訓練過程中需要大量的運算資源。
主要性能特點包括：
- 用於擴展的分散式運算能力
- 針對持續資料整合的增量式學習支援
- 對缺失值與異常值的穩健處理
- 更高的運算訓練成本
進階採樣式分類器
該專用演算法（分類器-A）在其核心架構中整合了多數類別的隨機欠採樣與少數類別的過採樣。此方法專門針對半導體測試資料特有的極端類別不平衡問題，同時維持對異常值的穩健性。
效能優勢包括：
- 透過自動化抽樣進行訓練資料的內部重新平衡
- 透過隨機特徵選擇降低方差
- 透過正則化實現內建的異常值抗干擾能力
- 減少了手動調整超參數的需求
該演算法著重於降低變異性，透過集合學習技術來提升整體模型的準確度，因此特別適用於製造初期階段常見的小型資料集情境。
傳統的局部資訊分類器
傳統的機器學習方法（分類器-B）利用資料點周圍的局部資訊來進行預測決策。雖然這些方法具備訓練速度快及增量學習能力等優勢，但在處理高維度資料時卻面臨困難，且對雜訊和異常值較為敏感——這在製造環境中構成了顯著的限制。
效能分析與結果
AUC-ROC 效能比較
在模擬有限資料集情境的時間驗證條件下，這款專用的基於抽樣的分類器表現始終優於其他方法。當以前 10 批資料進行訓練時，該演算法的 AUC-ROC 中位數分數，相較於現有分類器，提高了約 2 個百分點。
具體績效指標：
在訓練的早期階段，性能優勢更加顯著，此時專用演算法的類別不平衡處理能力能發揮最大效益。隨著更多訓練資料的加入，性能差距雖有所縮小，但仍持續保持優勢。
運算效率的權衡
執行時間分析揭示了訓練速度與推論效能之間存在著重要的取捨關係。傳統的局部資訊分類器展現出最快的訓練時間，但推論速度卻最慢。在兩大主要競爭者之中，現有分類器在推論速度上略佔優勢，而專用分類器進行推論運算所需的時間則約為其三倍。
然而，專用分類器所帶來的 2 個百分點 AUC 提升，足以彌補額外的運算開銷，特別是考慮到在製造環境中，錯誤分類的缺陷晶粒所帶來的成本影響。
統計顯著性與變異性
時間驗證方法包含使用不同隨機種子進行多次實驗重複，以量化性能的變異性。結果顯示，專用分類器在不同的資料分割方式與初始化條件下均展現出穩定的性能優勢，這表明這是演算法本身的穩健改進，而非特定於資料集的偽影。
製造環境中的實施考量事項
特徵工程與特徵選擇
由於半導體測試數據具有高維度特性——每個晶片約有 17,500 個參數——因此必須建立穩健的特徵篩選流程。要有效實施此流程，必須在控制運算複雜度的同時，識別出具有強大預測信號的特徵，並在數據有限的情況下避免過擬合。
在權衡模型複雜度與可用訓練資料時，參數篩選變得尤為關鍵。這些專用演算法透過內建的特徵選擇機制，展現出處理高維度特徵空間的能力，從而減輕了手動特徵工程的負擔。
超參數優化
與需要大量手動超參數調校的傳統方法不同，這款專用分類器內建了方差控制功能與自動化取樣策略。這不僅降低了部署的複雜性，更能讓模型在製造環境中更快地投入運作。
該演算法的正則化機制在維持對少數類別模式的敏感度的同時，也提供了針對過擬合的內建防護——這對於半導體缺陷檢測應用而言，是一項至關重要的平衡。
與現有基礎設施的整合
現代製造環境需要與現有的資料處理及決策系統無縫整合。這些專用的演算法支援增量學習，使模型能隨著生產資料的累積而持續改進，無需對模型進行完整的重新訓練。
此項能力能配合製造作業的時間表，並在生產規模從初期量產過渡至全面量產的過程中，提供可持續的模型維護方案。
對業務的影響與成本考量
早期缺陷檢測的價值
其主要商業價值源自於早期缺陷檢測能力的提升。透過在晶圓分選階段而非最終測試階段識別潛在故障，製造商得以避免因可能發生故障的晶粒所產生的下游製程成本。鑑於封裝、組裝及最終測試作業涉及龐大開支，即使早期檢測準確度僅有微幅提升，也能帶來可觀的成本節省。
更快的投資回報率
製造商透過採用專門針對類別不平衡問題的演算法，能夠從投產第一天起便建立預測模型，無需等待數月來累積足夠且平衡的訓練資料。這不僅能立即提供決策支援，更能加速人工智慧／機器學習投資計畫的回報。
減少下游廢棄物
透過提升晶圓分選至最終測試的預測準確度，可直接減少後續製程的浪費，避免有缺陷的晶粒進入昂貴的製造工序。這款專業的分類器能精準識別難以判別的樣本，從而顯著降低第一類與第二類錯誤率，為客戶帶來實質價值。
未來考量與可擴展性
資料增長與模型演進
隨著生產量增加及更多數據的取得，專用演算法的增量學習能力可讓模型在無需完全重新訓練的情況下持續改進。此方法在保留初期學習優勢的同時，也能以經濟有效的方式維護模型。
集合方法
雖然個別演算法展現出明顯的效能優勢，但未來研究可探索結合多個專用分類器的集合式方法。然而，目前的研究結果顯示，基於採樣的專用分類器本身已內建集合式技術，這可能限制了透過外部集合式策略所能獲得的額外效益。
優化製造業中的人工智慧應用
半導體產業獨有的限制——時間序列資料蒐集模式、極端的類別不平衡，以及對模型的即時需求——要求採用超越傳統演算法的專門機器學習方法。研究表明，即使在訓練資料集極度有限的情況下，精心挑選的演算法仍能實現顯著的效能提升。
專門針對類別不平衡問題所開發的演算法，其 AUC 值提升了 2 個百分點，這直接轉化為製造成本的降低、品質控制的改善，以及人工智慧投資回報的加速。隨著業界持續擴大人工智慧的應用規模，這些專門化的方法為克服製造環境中固有的基本數據限制，提供了實用的解決方案。
要取得成功，必須超越標準的機器學習做法，轉而採用專為製造限制所設計的演算法。現有證據明確支持在半導體測試應用中採用專用的類別不平衡技術，這不僅能立即創造商業價值，同時隨著生產數據的累積，亦為持續改進奠定基礎。