異常偵測持續隨著拓樸結構與狀態空間技術而進步
 |
背景
INFICON在2020年第二季開始測試全新的SmartFDC™產品。本產品運用非監督式機器學習（人工智慧其中一個領域）將時間序列製程資料中的異常偵測自動化，以補強傳統FDC技術所產生的結果。
外形的重要性
SmartFDC預設會運用機器學習技術來建構能自動學習製程行為及其在正常運作情況下變化的包封模型。該包封模型的形狀未知：對於理想的製程行為或外形不做任何假設。這讓SmartFDC模型得以建立機台或在一個機台步驟上動態移動之感測頭（圖1）資料的極限。只要製程資料的外形一致，本模型便可依該外形進行監控。這樣的適應能力讓SmartFDC可以以最小的設定去監控工廠內的任何製程。
圖1：三個在一個機台步驟中適應製程資料（藍線）變化的包封模型（綠線）範例。
概率極限
在監控複雜製程時，重點在於能夠區分外形與雜訊。為加強SmartFDC的性能，我們研究了一些能明顯考慮製程外形的機器學習演算法。持續同調（Persistent Homology），是代數拓樸數學法則的一項應用，可依時間序列資料軌跡（圖2）的波峰間距離歸納其外形。運用此技術，我們能夠像傳統統計製程管制極限那樣定義外形的概率極限。
圖2：運用持續同調為溫度感測頭資料編碼，以導出能定義該資料中外形範圍的二維聯合機率分佈之演算法範例。
潛在狀態空間建模
另一個替代的外形分析法為將資料切成較短的間隔讓原始值或時間導數接近常數。建立了訓練資料中間隔發生的順序後，便可在間隔失序時偵測到異常（圖3）。未監督時，本方法一般稱為潛在狀態空間建模。 潛在狀態空間也會產生後續可用於對指定機台步驟與工具箱中的資料進行分類的變數。.
圖3：一個常規製程行為的理想範例（左）分成五個粗略的直線段，而異常情況（右）中的線段則顯得失序。
製程資料特色區分
圖4：將16,000個批次自動按三個外形特性分組的一個實例。
機器學習除了用於設定更穩健的製程極限之外，在製程監控上也有許多用途。例如，我們運用機器學習演算法依製程資料的外形與其他特色將其自動化分類（圖4）。依這些類別，便能教我們的演算法分辨並忽略無意義的資料。本功能的應用包括：
- 判斷何時感測頭傳回的值超出其動態範圍。
- 從清潔或診斷步驟區分出（故障會造成晶圓損壞）製程步驟。
我們將此過程視為在向我們的模型教導常識。此常識將讓我們顧客的領域知識專家有能力可以專注於最複雜且最花錢的故障上。
持續研究與開發
已在生產環境中獲得成功的SmartFDC仍專注在後續的研究與發展上，以致力於加強偵測能力並灌輸其對製程資料的常識推理能力。