的中年男人正对着笔记本电脑屏幕上的复杂图表叹气：“……还是不行，波动太大，良品率卡在89%上不去。Fab那边说工艺参数已经是极限了。”
坐在他对面，一个穿着精致套装、气质干练的短发女士接口道：“王工，光靠Fab那边微调参数空间很小了。我们买的这套AI辅助诊断系统，号称能通过实时生产数据预测并优化良率，钱可没少花。问题到底出在哪？是数据喂得不够？还是模型本身有缺陷？”
那位王工揉了揉眉心：“数据量是够的，但特征工程可能有问题。生产线上几百个传感器，时序数据、图像数据、设备日志……维度太高，噪声也大。
现有的模型框架处理这种高维异构数据，特征提取效率低，关键关联性抓不准。供应商派来的工程师调了几个月，效果也就那样。”
短发女士的脸色沉了下来：“合同里可是写着保证提升3个百分点的！现在别说3个点，稳定提升1个点都做不到。这季度KPI……”
袁天心中一动。AI辅助工业制造，这正是他的专业领域。
他曾在林城构想过类似的应用，但受限于数据基础和企业接受度，只能停留在纸面。眼前这个活生生的难题，像一块磁石吸引着他。
他略作思索，从公文包里抽出一张名片（印着他在林城的职务和电话，略显朴素），走到那桌旁边，语气平和地开口：“抱歉打扰。刚才无意听到二位在讨论晶圆良品率优化的问题？
关于高维异构数据的特征提取和降噪，特别是针对半导体制造这种复杂流程，或许可以尝试一种改进的图神经网络（GNN）结合注意力机制的方法，将设备状态、工艺参数、环境变量这些时序数据流和晶圆检测图像数据构建成动态关系图谱，利用注意力机制自适应地聚焦关键路径上的异常特征……”
袁天没有长篇大论，语速平稳，但每一个术语都精准地落在痛点。他一边说，一边用手指在桌面上虚点，勾勒着数据流和模型架构的思路。
“关键在于，不能把图像和时序数据割裂处理，要建模它们之间的动态关联。
比如，某个腔体温度的微小异常波动，可能在当批次的晶圆特定位置显微图像上留下细微的应力纹，但单看温度曲线或者单张图片
本章未完，请点击下一页继续阅读！