CMP去除速率预测改用自监督预训练：时间漂移下末段RMSE从11.23降到9.32
核心概要
化学机械平坦化（CMP）的材料去除率（MRR）虚拟量测此前多依赖简化线性假设或人工特征工程，后者需要领域知识，还可能丢掉原始传感器信号中的时间信息。GREP 先用未标注的传感器序列做自监督预训练，让编码器回归由完整序列与前后半段序列投影得到的全局代理目标，再用标注数据微调。在 PHM 2016 CMP 数据集上，它与特征工程监督基线在多数标注比例下表现相当，在部分少标注设置中误差更低，并在按时间划分的最后一个区间把 RMSE 从 11.23 降到 9.32。
深度剖析
CMP 的 MRR 虚拟量测可以不再从人工设计的工艺特征出发，而是直接从原始多通道传感器时间序列中学习表示，再回归去除速率。 此前的做法依赖简化线性假设或人工特征工程，例如从 68 个工程化描述符中挑选 20 个特征配合外部预训练的 TabPFN 模型，这类特征构建需要领域知识，并可能丢弃原始信号中的时间信息。 在 PHM 2016 CMP 数据集上，与按 Li 等人方法实现的工艺级特征加树模型监督基线相比，GREP 在多数标注数据比例下表现相当，在部分少标注设置中误差更低。
预训练阶段不需要任何 MRR 标签，模型学的是传感器序列自身的全局统计结构。 自监督时间序列表示学习此前多用对比学习、掩码重建，或对预设的统计、频谱、时间特征构造回归目标，后者需要显式选择与提取特征。 每条传感器通道先标准化，再切成完整序列、前半段和后半段三个视图，每个视图投影到 64 个固定高斯随机向量上形成代理目标，编码器与辅助回归头以标准化均方误差拟合这些目标；预训练只用指定的训练分区，随后分别为低速与高速抛光模式微调。
在训练数据只取最早时间段、测试落在后续时间区间的设置下，GREP 的预测误差低于基线。 按时间顺序划分的四个区间中，GREP 在全部四个区间都取得比基线更低的 RMSE。 第三、第四区间的 RMSE 分别降低 16.6% 和 17.0%，最后一个区间 GREP 为 9.32，基线为 11.23。
启示与展望
评估只在 PHM 2016 CMP 数据集上进行，覆盖腔体 4–6 的低速抛光与腔体 1–3 的高速抛光两种模式，指标为平均 MRR 的 RMSE。噪声实验使用高斯噪声、随机尖峰与线性趋势这类受控合成扰动，而非标定过的 CMP 传感器故障条件，模型在未扰动的测试数据上评估。与先进过程控制的集成不在该工作范围内。
噪声条件下两种方法都没有表现出一致的更低噪声敏感度：30% 标注数据时，噪声功率每增加十倍，GREP 与基线的 RMSE 斜率分别为 0.114 和 0.049，40% 标注数据时分别为 0.054 和 0.099。时间漂移实验中预测误差更小的原因没有被独立识别，过程漂移的物理成因仍未确定。