现代半导体实验不仅受统计数据的限制，批量大小、评审周期和运营风险等因素也限制了生产中实际可进行的实验数量。同时，从业人员常常需要在两种强大但并不完美的方法之间做出选择：一种是高效但依赖模型的实验设计（DOE），另一种是灵活但通常耗费资源的贝叶斯优化。
本次演讲将探讨停止选择而开始组合时会发生什么。这项工作提出了一种混合实验策略，该策略使用确定性筛选设计（DSD）作为贝叶斯优化的高质量训练数据。其思路很简单：首先构建一个能够提供因子空间广泛且结构化覆盖的实验设计（DOE），然后让贝叶斯优化在此基础上进行高效的细化和优化。
我们利用来自干法刻蚀、PECVD 和 CMP 工艺的模拟和已发表实例，展示了这种混合方法如何提高学习速度、降低实验成本，并且在某些情况下，能够识别出比任何单一方法都更优的操作条件。与使用空间填充训练数据的贝叶斯优化相比，基于 DSD 的方法收敛速度更快，运行次数也显著减少——这在资源受限的晶圆厂环境中是一项重要的优势。
与会者将学习如何利用现代 DOE 概念直接增强 JMP 中的主动学习工作流程，了解这种方法在哪些情况下最为有效，以及如何在实际制造环境中切实可行地部署它。如果您一直对贝叶斯优化感兴趣，但又犹豫是否将其应用于生产，那么本次课程旨在弥合这一差距。
