一、文章主要内容总结
该研究针对半导体化学机械抛光（CMP）工艺中材料去除率（MRR）的预测问题，提出了一种名为TS-Hint的时间序列基础模型（TSFM）框架。现有方法多依赖从时间序列中提取静态特征，导致时间动态信息丢失，且需大量训练数据。TS-Hint通过整合大型语言模型（LLM）的思维链推理，利用注意力机制数据和显著性数据提供注意力提示，实现了多变量时间序列的直接学习，在有限数据场景下（少样本学习）表现优异。
研究使用2016 PHM数据集（含19个时间序列特征）进行验证，结果显示：在仅使用15%训练数据的少样本微调中，模型RMSE从0-shot的8.86降至5-shot的8.20；使用全量训练数据时，RMSE达3.92，仅次于随机森林（RF）模型，且无需依赖静态特征（如Stage）即可保持竞争力。模型通过注意力图和显著性图优化关注重点，提升了预测的可解释性和准确性。
二、文章创新点
- 首个面向外在回归的多变量时间序列基础模型：专门针对序列到单一输出（sequence-to-one）的回归任务设计，可直接从原始多变量时间序列中学习，无需提取静态特征，保留时间动态信息。
- 整合LLM思维链推理的注意力提示机制：通过LLM的思维链推理生成注意力提示，结合预训练模型的注意力分数和显著性图，引导模型关注关键特征和时间步，类似知识蒸馏的优化逻辑，提升模型性能。
- 数据高效性：在有限数据场景（仅15%训练数据）下通过少样本微调实现有效预测，解决了半导体制造数据稀缺
