PHM2016 实验报告

带延迟的流式交替评估

摒弃传统的静态"训练集/测试集"划分，完全贴合工业流水线场景。系统采用以下两阶段全局运行范式：

微观视角 — 晶圆内时序编码器

• 输入与预处理（引入掩码机制）
  • 接收时序矩阵。由于加工时间微调导致不同晶圆时序长度不一，预处理阶段采用 Padding + 掩码生成策略。Transformer 计算时会忽略无效的 Padding 区域，保证时序特征的严谨性。
  • 计算特征均值作为初始 [CLS] 令牌插入序列起始位置。
• Transformer 骨干网络
  • RoPE（旋转位置编码）：天然适应序列长度的变化，精准捕捉局部相对时间依赖。
  • LoRA 微调：仅在 Q/K/V 和 FFN 引入低秩矩阵，极大降低流式在线更新的算力开销。
  • AdaLN 极速域自适应：缩放和平移参数 $\gamma, \beta$ 由一个"条件网络"动态生成。在 64 个点的预训练期，该条件网络通过学习历史多次耗材更换的模拟数据，掌握了元跳变知识。因此在线推断时，仅需输入跳变后极少样本的统计特征，即可瞬间生成正确的对齐参数，强制将特征空间拉回稳态。
• 预测输出头

  提取 [CLS] 向量送入 MLP，输出微观预测值 $\hat{Y}_{\mathrm{intra},\, t}$。

宏观视角 — 晶圆间退化编码器

• 特征构建（跨越量测延迟的上下文拼接）

  当前 $t$ 时刻的输入由两部分拼接：

  • 实时全局特征：第 $t$ 晶圆数据矩阵各特征维度的均值。
  • 延迟容忍上下文：由于 $Y_{t-1}$ 不可得，系统提取最近可用的真实数据与近期预测数据构建混合状态向量：$\big[$ 最新可用真实 MRR $Y_{t-k}$，局部预测序列一阶差分 $\hat{Y}_{t-1} - \hat{Y}_{t-2}$，局部滚动标准差 $\big]$。这保证了在没有最新真实标签时，模型仍能感知当前的退化斜率。
• GRU 序列建模

  处理上述拼接向量，提取宏观退化特征。

• 延迟残差预测范式
  • 由于最新状态不可知，历史滑动指数均值（EMA）退回至基于 $t - k$ 时刻计算。
  • GRU 预测当前值与延迟 EMA 之间的残差 $\hat{R}$。
  $$\hat{Y}_{\mathrm{inter},\, t} = \mathrm{EMA}_{\mathrm{history}}(\le t-k) + \hat{R}$$

  此设计有效过滤了基线漂移，使模型专注于预测当前状态与历史稳态之间的偏差。

推断期 — 自适应不确定性融合

• 延迟校准的不确定性量化

  双流编码器分别通过 ACI（自适应共形推断）模块，利用历史 $t - k$ 步累积的误差分数，实时生成当前预测的置信区间。

• 基于温度调节的 Softmax 融合

  提取 ACI 输出的区间宽度 $W_1, W_2$ 作为不确定性度量。为避免跳变初期某一路权重骤降为 0 导致容错率丧失，采用带温度系数 $\tau$ 的 Softmax 计算融合权重：

  $$w_i = \frac{\exp(-W_i / \tau)}{\displaystyle\sum_{j=1}^{2} \exp(-W_j / \tau)}, \qquad \tau \text{ 为温度系数}$$

  系统最终预测为两路加权融合：

  $$\hat{Y}_{\mathrm{final},\, t} = w_1\, \hat{Y}_{\mathrm{intra},\, t} + w_2\, \hat{Y}_{\mathrm{inter},\, t}$$

监控期 — 延迟感知的跳变检测与极速响应

独立监控基座：影子 MLP

在主干双流网络之外，并行维护一个极轻量级（双层）的"影子 MLP"。由于其参数量极小且仅在确认的稳态下进行微调，它只能拟合半导体物理加工最基础的"大趋势"映射，无法过拟合复杂的噪声或渐进老化。当真实的物理跳变（如耗材物理极限突破、化学液质变）发生时，影子 MLP 会瞬间爆发出极其尖锐、纯粹的预测残差。

• 阶段 1：影子评估与贝叶斯警戒

  检测针对刚刚到达的真实标签 $Y_{t-k}$：

  • 残差计算：影子 MLP 对 $X_{t-k}$ 进行推断，计算基准残差 $E_{\mathrm{shadow},\, t-k} = \lvert Y_{t-k} - \hat{y}_{\mathrm{shadow}} \rvert$
  • 贝叶斯似然比检验（BLR）：动态计算该残差在"稳态假设 $H_0$"与"跳变假设 $H_1$"下的似然比，并更新累积似然分数 $S_t$：
    $$\Lambda_t = \frac{P(E_{\mathrm{shadow}} \mid H_1)}{P(E_{\mathrm{shadow}} \mid H_0)}$$
  • 异常拦截：若 $S_t$ 突破初始警戒线，立刻将该样本隔离（拒绝进入经验回放池），并暂时冻结主干网络的所有在线微调，防止可疑数据污染模型。
• 阶段 2：累积确诊
  • 若后续 $t-k+1$ 的真实数据令影子残差回落，累积分数 $S_t$ 衰减，系统判定首个异常为偶然物理噪声，解除微调冻结，将该点作为 Outlier 丢弃。
  • 若连续获取的标签令影子残差居高不下，$S_t$ 连乘突破最终确诊阈值，系统正式宣告发生严格分布跳变。
• 阶段 3：后验状态回滚与架构重置

  在 $t$ 时刻才确诊了 $t-k$ 时刻发生的跳变，主干网络在真空期内已吸收了 $k$ 步错误的预测状态。确诊后立刻触发以下强纠错机制：

  • a. 状态回滚：强制将宏观 GRU 的隐藏层状态和历史 EMA 基线倒带（Rollback）至 $t-k-1$ 时刻的无污染快照。
  • b. AdaLN 极速对齐：将跳变点 $X_{t-k}$ 的统计特征输入至模块一的"元学习条件网络"，瞬间刷新 $\gamma, \beta$ 参数，强制底层网络适应新的特征空间。
  • c. 残差基准重建：宏观基线退化为用跳变后的 1–2 个真实点做简单移动平均（SMA），作为新退化周期的起点。
  • d. 状态清空与重放：清空经验回放缓冲区，利用修正后的最新模型对流水线上尚未得到真实量测值的晶圆（$t{-}k{+}1$ 至 $t$）重新进行一次前馈推断，覆盖错误的预测历史。

更新期 — 状态感知与双速在线微调

• 动态预热的经验回放
  • 模块四触发 Buffer Flush 后，缓冲区内样本极少。此时冻结 Transformer 和 GRU 的反向传播（凭借 AdaLN 支撑初期预测精度），防止极小 Batch Size 导致模型崩溃。
  • 当 Buffer 累积样本量达到最小阈值（$\mathrm{Batch} > 8$）后，正式恢复深层网络在线微调。
• 参数解耦与双速学习率
  • 慢通道：冻结主体，仅微调 LoRA 和 MLP，赋予小学习率 $\eta_{\mathrm{intra}}$，保护局部空间拓扑记忆。
  • 快通道：负责追踪渐进式磨损，赋予大学习率 $\eta_{\mathrm{inter}} = 5\,\eta_{\mathrm{intra}}$，充当快速学习者。
• 流式优化器适配

  为应对流式 Non-IID 数据，重置优化器状态字典，并将 Adam 等优化器的动量参数 $\beta_1, \beta_2$ 大幅调低或直接采用 SGD，彻底消除历史分布残余动量对新梯度更新的拖拽效应。