场景 1：这批外延片会不会不合格？
业务语言
这批片质量有没有风险？
会不会客户不接受？
哪些参数导致风险？
AI 语言
这是一个：
分类问题
输入 X：
生长温度
生长时间
束流强度
腔体压力
源炉状态
衬底批次
设备编号
recipe 编号
历史检测数据
输出 y：
Pass / Fail
或者
高风险 / 中风险 / 低风险
可用模型
Logistic Regression
Random Forest
XGBoost
LightGBM
CatBoost
应用价值
提前识别高风险批次
减少无效后续加工
减少客户投诉
帮助工程师定位风险因子
场景 2：这片外延片的厚度/均匀性/PL 强度是多少？
业务语言
这炉长完之后，厚度能不能达标？
均匀性会不会偏？
PL 强度会不会低？
电学指标会不会异常？
AI 语言
这是一个：
回归问题
输入 X：
工艺参数
设备状态
生长过程曲线
历史检测结果
输出 y：
厚度数值
均匀性数值
电阻率数值
PL 强度
缺陷密度
可用模型
Linear Regression
Random Forest Regressor
XGBoost Regressor
LightGBM Regressor
神经网络回归
应用价值
提前预测关键质量指标
减少反复试错
帮助 recipe 调整
场景 3：MBE 设备是不是在漂移？
业务语言
最近几炉好像有点不稳定。
腔体真空是不是变差？
源炉是不是老化？
温控是不是开始波动？
AI 语言
这是一个：
异常检测 / 漂移检测问题
输入 X：
时间序列数据：
温度曲线
压力曲线
真空度曲线
源炉电流曲线
快门状态
报警日志
输出 y：
是否异常
异常时间段
异常变量
设备健康分
可用模型
Z-score
Control Chart
Isolation Forest
One-Class SVM
AutoEncoder
LSTM AutoEncoder
应用价值
在坏片产生之前发现设备风险
从事后维修变成提前预警
减少批次波动
场景 4：表面图像/晶圆图里有没有缺陷？
业务语言
这张图有没有缺陷？
缺陷是什么类型？
缺陷在哪里？
是不是边缘缺陷、环形缺陷、划痕、颗粒、局部异常？
AI 语言
可能是三种任务：
图像分类：判断缺陷类型
目标检测：框出缺陷位置
图像分割：精确圈出缺陷区域
输入 X：
显微图
表面检测图
wafer map
AFM 图
PL mapping 图
输出 y：
缺陷类别
缺陷位置
缺陷面积
风险等级
可用模型
CNN
ResNet
EfficientNet
YOLO
U-Net
Vision Transformer
应用价值
减少人工看图
提高检测一致性
积累缺陷模式和工艺原因之间的关系
场景 5：下一炉 recipe 参数怎么调？
业务语言
上一炉 PL 偏低。
下一炉温度调多少？
束流比例要不要改？
生长时间要不要变？
怎样减少试错？
AI 语言
这是一个：
优化问题
输入 X：
历史实验参数
历史质量结果
目标指标
参数边界
工艺约束
输出 y：
推荐下一组 recipe
预计质量结果
风险说明
可用方法
Bayesian Optimization
Optuna
Gaussian Process
主动学习
多目标优化
MBE 工艺优化确实是一个复杂的多变量优化问题。2024 年 Nature Communications 的一项研究中，研究者用 RHEED 视频作为输入训练 3D ResNet 模型，并把机器学习用于 InAs/GaAs 量子点 MBE 生长的实时反馈控制，目标是减少传统反复试错带来的低效率。
应用价值
缩短新产品开发周期
减少试错炉次
提高 recipe 稳定性
场景 6：客户投诉后，怎么快速定位原因？
业务语言
客户说某批 APD 暗电流偏高。
客户说某批 VCSEL 阈值电流异常。
客户说某批射频器件性能不稳定。
到底是外延问题、客户工艺问题，还是测试问题？
AI 语言
这是一个：
RAG + Agent + 根因分析问题
输入：
客户投诉描述
批次号
检测报告
工艺记录
设备日志
历史异常案例
客户规格书
工程师处理记录
输出：
相似历史案例
相关批次
异常指标
可能根因
建议复查项目
对客户的回复草稿
可用技术
文档解析
RAG
向量数据库
知识图谱
LLM Agent
多智能体诊断流程
应用价值
减少工程师查资料时间
沉淀专家经验
提高客户问题响应速度
5. 你今天必须掌握的“AI 任务分类表”
这张表要背下来。
| 业务问题 | AI 问题 | 典型输出 | 常用模型 |
| 这批片合不合格？ | 分类 | Pass / Fail | XGBoost、LightGBM |
| 厚度/PL/电性指标是多少？ | 回归 | 一个连续数值 | Random Forest、XGBoost |
| 设备是不是异常？ | 异常检测 | 异常分数 | Isolation Forest、AutoEncoder |
| 最近工艺有没有变差？ | 漂移检测 | 分布变化 | PSI、KS Test、Control Chart |
| 图像里是什么缺陷？ | 图像分类 | 缺陷类型 | CNN、ResNet |
| 缺陷在哪里？ | 目标检测/分割 | 缺陷位置/区域 | YOLO、U-Net |
| 下一炉怎么调参数？ | 优化 | 推荐 recipe | Bayesian Optimization |
| 客户投诉怎么分析？ | RAG / Agent | 根因报告 | LLM + 检索 + 工具调用 |