現代半導體實驗不僅受統計數據的限制，批量大小、評審週期和營運風險等因素也限制了生產中實際可進行的實驗數量。同時，從業人員常常需要在兩種強大但不完美的方法之間做出選擇：一種是高效但依賴模型的實驗設計（DOE），另一種是靈活但通常耗費資源的貝葉斯最佳化。
本次演講將探討停止選擇而開始組合時會發生什麼。這項工作提出了一種混合實驗策略，該策略使用確定性篩選設計（DSD）作為貝葉斯優化的高品質訓練資料。其想法很簡單：首先建立一個能夠提供因子空間廣泛且結構化覆蓋的實驗設計（DOE），然後讓貝葉斯優化在此基礎上進行高效的細化和優化。
我們利用乾式蝕刻、PECVD 和 CMP 製程的模擬和已發表實例，展示了這種混合方法如何提高學習速度、降低實驗成本，並且在某些情況下，能夠識別出比任何單一方法都更優的操作條件。與使用空間填充訓練資料的貝葉斯最佳化方法相比，基於 DSD 的方法收斂速度更快，運行次數也顯著減少——這在資源受限的晶圓廠環境中是一項重要的優勢。
與會者將學習如何利用現代 DOE 概念直接增強 JMP 中的主動學習工作流程，了解這種方法在哪些情況下最為有效，以及如何在實際製造環境中切實可行地部署它。如果您一直對貝葉斯優化感興趣，但又猶豫是否將其應用於生產，那麼本次課程旨在彌合這一差距。
