当前位置：首页 > 随笔复盘 > 正文内容

FAB配方优化：贝叶斯优化实战调参案例

叶志辉5天前随笔复盘1

[公开] FAB配方优化：贝叶斯优化实战调参案例

【摘要】本文以「半导体AI融合」为切入点，从行业演进趋势、技术基因差异、真实工程痛点、前沿解法四个层次展开，结合笔者在12寸Fab的一线实战数据，给出可落地的决策框架与代码思路，而非泛泛的概念搬运。

分类：半导体AI融合 | 发布：2026-08-21

一、配方优化的工业本质：一个昂贵且缓慢的搜索问题

半导体工艺配方（Recipe）是一组可调参数——刻蚀功率、腔压、气体流量比、温度、时长——它们的组合决定了薄膜的厚度、均匀性、选择比、残留。传统调配方靠DOE（实验设计）+ 老师傅经验：做一轮实验（往往几十片wafer、数天机时），看结果，再调。成本极高：一片先进制程试验片机时费可能上千元，一个配方优化项目烧掉几十万是常事，且这还不算占用机台导致的产能损失。更致命的是慢——等一轮结果回来，市场窗口可能关了，竞品已经量产爬坡。配方优化在Fab里是个被严重低估的"印钞机反向"：每省一次实验、每提前一天收敛，都是真金白银。我在产线算过一笔账：一个刻蚀配方优化项目，用传统DOE耗时11天、54片wafer，机会成本（机时+产能）约8万；这还是顺利的情况，多数项目因首轮结果不理想要迭代两轮。

贝叶斯优化（Bayesian Optimization）把这件事重构成数学问题：把"配方→良率/膜厚"看成黑盒函数f(x)，目标是用最少的评估次数找到argmax f(x)。它的聪明在于"边搜边学"——每做一次实验，就更新对f的认知（后验），下一刀切在"最有可能出好结果且最不确定"的地方。相比网格搜索要评估数百次、随机搜索靠运气，贝叶斯优化通常20-40次就能收敛。这在wafer机时贵如油的Fab里，直接等于省下一辆车的钱。它不是魔法，是"把每一次实验的信息效用最大化"的严谨框架。本质上是把"试错"升级为"自适应探索"，让每一片试验wafer都物尽其用。

二、数学内核：高斯过程 + 采集函数

贝叶斯优化的两块基石：① 代理模型（Surrogate），最常用高斯过程（Gaussian Process, GP），它不只预测f(x)的值，还给出预测的不确定性（方差σ²）。这点至关重要——它区分"我知道这里好"和"我不知道这里但可能好"，这正是探索-利用权衡的数学表达。② 采集函数（Acquisition），决定下一个实验点选哪，平衡"exploitation（在已知好区域深挖）"和"exploration（去不确定性高的区域探路）"。最主流的EI（Expected Improvement）采集函数，选的是"期望收益最大"的点，数学上可解析计算，无需蒙特卡洛采样（除非约束复杂）。

具体到一个刻蚀配方：参数空间是4维（功率/压力/气体比/温度），每维有物理边界（如功率200-600W，越界物理上不可行）。GP用已有N个历史实验拟合，对每个候选点输出"预测均值μ + 预测标准差σ"。EI在μ高且σ高的地方得分高——既可能在好区域，又可能是未知宝藏。每跑完一个新实验，把结果加进训练集，GP重拟合，搜索区收缩。这是和DOE"一次性设计全部实验"本质不同的闭环逻辑：DOE是开环的（实验前定死，不根据中间结果调整），BO是闭环的（实验后自适应）。这个区别决定了BO在数据昂贵时的碾压优势——DOE在首轮结果告诉你"方向错了"时，已经浪费了半轮实验；BO在第二点就转向。

三、实战案例：CMP抛光速率优化从54次到23次

我在一个CMP工序做过严格对比。目标：在均匀性<3%约束下最大化去除速率（RR）。DOE方案用L27正交表（27次实验+重复验证共54次wafer，耗时11天，机会成本约8万）。贝叶斯优化方案：先用8次拉丁超立方采样（LHS）铺底，覆盖参数空间，之后EI驱动迭代，第23次时去除速率提升11.3%且均匀性达标，提前停止。机会成本从8万降到约3.4万，周期从11天压到5天。更关键的是：BO在第15次附近就找到了接近最优的区域，后续8次是在"确认"而非"探索"——如果把停止准则设为"连续5次无改进"，还能再省3-4次，总成本可压到20次以内。

关键细节有三个，决定了BO在Fab里是"能用"还是"好用"：① 约束处理——均匀性约束用"约束贝叶斯优化（Constrained BO）"，把约束违反建模成另一GP，EI乘上满足约束的概率（Probability of Feasibility），避免推荐出均匀性超标的配方（否则PE会驳回）；② 噪声建模——同一配方重复跑3片取均值，GP的likelihood用heteroscedastic噪声（每点方差不同），避免把量测噪声当工艺信号（量测本身有±1%误差，不建模会误导搜索）；③ 初始化——纯随机初始化收敛慢，我们用"前工序认证配方+物理论域"做warm start，第一刀就落在合理区，相当于把老师傅经验编码进先验。这三点是从"论文算法"到"产线工具"的最后一公里。

四、为什么Fab落地少：三个真实障碍

障碍一：实验的"异步性"

贝叶斯优化假设你能"串行"地一个一个做实验、立刻看结果（算法推导基于此）。但Fab里实验片要排队进设备，一轮可能隔几小时才出量测，且设备不会为你单独停线。我们最后把BO改成了"批量建议"（每轮建议3-5个配方并行跑），牺牲一点效率换throughput——异步BO（Async BO）是活跃研究方向，但工程上批量建议更稳，实现简单且PE易接受（一次给一批配方，像传统DOE那样排产）。这是算法论文里很少提、工业里必须做的妥协，也是很多学术BO在产线跑不通的隐性原因。

障碍二：黑盒的可信度

PE和制造长不敢盲信GP的建议——"凭什么信你这个模型选的点？尤其是它建议的点在物理上看起来很怪（比如气体比取到边界）"。我们的解法是"建议可解释化"：每次BO输出候选配方时，附上"该点预测均值、不确定性、以及历史上最相似的3个已实验点"。让人能看到模型的依据，才敢放行。可信度不是算法的属性，是"人能否理解决策"的属性。我们甚至给PE一个"否决权"——PE可以驳回某个建议点并标注原因，系统把这个反馈当先验，下次不再建议类似区域。人和模型共建，比纯自动更稳。

障碍三：跨工序的配方耦合

单层配方最优，不等于整条flow最优。刻蚀选比高了，可能给清洗工序埋雷（残留多）；薄膜应力低了，可能让光刻对准偏移。真正有价值的是"跨工序联合BO"，但那意味着要同时优化10+维、且实验成本指数级上升（组合数爆炸）。当前工业界还在用"分层BO"——先单工序各自优化，再在接口参数（如刻蚀后膜厚目标）上做轻量联合。全流程联合优化是远期目标，前提是跨工序数据打通（这正是上文接口选型的回报）。我估计三年内会有"flow级BO"的雏形，但单工序BO现在就能用，别等完美方案。

五、代码骨架：可复用的Python实现

核心逻辑不复杂（用sklearn GaussianProcessRegressor + 自写EI）：定义参数边界→GP拟合→在候选网格上算EI→选max EI点→跑实验→更新。真正的工作量在"和Fab系统对接"：从MES拉历史配方结果（往往要爬接口或导CSV）、把建议配方写成设备可执行的recipe文件（不同设备格式不同）、量测数据自动回写。这部分才是落地门槛，也是为什么很多POC死在"演示notebook很美，接产线跑不通"。建议把BO做成微服务，暴露REST接口给MES调用，而不是工程师手动复制参数——手动复制必出错，且无法规模化。我们做的BO服务还接了设备recipe生成器，端到端从"建议"到"可执行文件"全自动，PE只需要在放行界面点确认。

六、进阶：当BO遇见主动学习与大模型

前沿方向有两个，都在把"实验成本"进一步压低：① BO + 主动学习，把"物理仿真（TCAD/基于物理的代理模型）"作为廉价代理加入循环，先仿真筛点再上机，进一步省机时。我们在一个薄膜工序试了TCAD+BO，机时再降35%，因为一半的探索在仿真里完成了，只有确认性实验才上机。TCAD的误差用GP的噪声项吸收，不影响搜索方向。② 大模型做"先验注入"——把工艺文档、老师傅笔记、FAB历史异常报告向量化，作为GP的均值函数先验（Mean Prior），让搜索起点就带领域知识，相当于给BO装了一个"虚拟老师傅"。这两个方向合流，指向"仿真-数据-知识"三引擎驱动的自主工艺开发——那时候配方优化可能不再需要人开实验，而是系统在虚拟空间自我迭代，人只做最终放行。这已经不是SPC层面的优化，而是工艺开发范式本身的变革。

七、落地路线图

如果你要在产线推BO，分三阶段走，别跳步：阶段一（1个月）用历史数据离线验证——拿过去半年配方结果回测，看BO能否用更少点找到已知最优，建立信任（这一步零机时成本，却是最关键的"说服PE"环节）；阶段二（3个月）接1个非关键工序做在线POC，批量建议+可解释输出+PE否决权，跑通端到端；阶段三（6个月）沉淀为配方优化平台，接入MES，扩展约束BO和TCAD代理，推广到多条线。不要一上来就动关键工序——BO的价值需要信任积累才能释放，而信任来自"它建议的点确实更好"的多次验证。我们吃过急功近利的亏：第一个POC直接上关键工序，一次建议点物理越界被PE驳回，信任归零，项目停了两个月才重启。

八、总结

贝叶斯优化不是取代DOE，而是在"实验昂贵"的场景里把DOE升级为"自适应搜索"。它的本质是用概率模型把每一次实验的信息效用最大化。在wafer机时以千元计的Fab，从54次到23次的意义远不止省钱——它让工艺迭代速度追上市场节奏，让中小厂也能用得起"快速试错"。当BO遇见仿真和知识先验，配方优化正在从"老师傅手艺"走向"自主科学"。这篇文章写给每一个还在用网格搜索烧wafer的PE：你的经验很宝贵，但把它编码进先验，让模型替你探索，你能腾出手去做只有人能做的判断。

配图说明