TS-HINT: Zeitreihen-Regression in der Halbleiterfertigung mit LLM-Attention-Hints optimieren

In der Halbleiterfertigung, wo die Materialentfernung in Prozessen wie der chemisch‑mechanischen Politur (CMP) präzise vorhergesagt werden muss, setzen aktuelle datengetriebene Ansätze noch auf statische Merkmale aus Zeitreihen. Diese Vorgehensweise vernachlässigt jedoch die wichtigen zeitlichen Dynamiken und erfordert enorme Datenmengen für ein zuverlässiges Training.

Mit dem neuen Framework TS-HINT wird dieses Problem angegangen. TS-HINT ist ein Time‑Series Foundation Model, das zusätzlich zu klassischen Features ein „Chain‑of‑Thought“-Reasoning nutzt. Dabei werden während des Trainings gezielte Attention‑Hints generiert, die auf den Attention‑Mechanismus‑Daten und Salienz‑Informationen basieren.

Durch die Kombination aus Attention‑Hinweisen und einer starken Basisarchitektur kann TS‑Hint auch in Szenarien mit begrenzten Datenmengen – etwa bei Few‑Shot‑Learning – zuverlässig arbeiten. Die Experimente zeigen, dass das Modell direkt aus multivariaten Zeitreihen lernen kann und dabei die Vorhersagegenauigkeit der Materialentfernung signifikant verbessert.