科创中国

半导体智能制造系统的混合联邦学习安全模型，涉及联邦学习模型技术领域，包括区块数据层、区块链层和应用层，区块数据层与区块链层相连接，区块链层与应用层交互连接，区块数据层包括区块头、工人id、综合信任值和交易信息，区块链层由若干半导体工人组成，应用层包括两个客户端和服务器，两个客户端和服务器构成三角形结构，两个客户端分别与服务器相连接。本发明利用区块链记录半导体制造工作节点的本地模型参数作为证据实现模型聚合功能，可以优化非独立同分布下的模型训练精度，防止中间参数传输信息泄露，实现区块链在公平性的联邦学习框架中的应用，降低了隐私泄露的风险，提高了安全性。

半导体智能制造系统的混合联邦学习安全模型，通过结合联邦学习和区块链技术，提出基于本地数据特征的公平性联邦学习模型，设计基于信任度的共识机制，利用区块链记录半导体制造工作节点的本地模型参数作为证据实现模型聚合功能，可以优化非独立同分布下的模型训练精度，防止中间参数传输信息泄露，实现区块链在公平性的联邦学习框架中的应用，降低了隐私泄露的风险，提高了安全性。

联邦学习是一种由多方共同参与进行联合学习的新型技术，主要包括拥有数据的客户端和包含聚合模型的中央服务器两个主体，相比一般的分布式机器学习，存在的明显不同是联邦学习不需要将数据集进行聚合操作，大幅降低了在集合多方数据的阶段造成隐私泄露问题的可能性，在每轮迭代中，各个参与方持有本地数据进行本地模型训练，并将更新后的模型相关参数值上传至中央服务器，由服务器聚合参数，从而更新全局模型。

在半导体制造系统中，常常也需要引入联邦学习模型，现有的联邦学习模型无法优化非独立同分布下的模型训练精度，容易造成中间参数传输信息泄露，因此具有待改进的空间。

团队研究包括智能制造、大数据分析和智能决策、机器学习和数据挖掘、产品和服务创新、客户需求分析、商业智能和数据挖掘，医疗、系统和技术管理服务、生产系统、产品和环境设计。主要涉及为高科技公司开发更好的分析方法（决策分析、决策支持系统、产品和服务创新、客户需求分析和统计）和解决方案（在人工智能方面实施，如深度学习、大数据、机器学习和数据挖掘），以应对战略、制造、，以及以不确定（不完整或大量）信息为特征的技术，需要在各种目标和决策理由之间进行权衡。林博士一直积极参与半导体制造、TFT-LCD制造、消费电子、可穿戴设备和物联网产品领域的多个跨学科研究项目，在这些项目中，他运用自己的专业知识与领域专家一起解决实际问题。

该面向半导体智能制造系统的混合联邦学习安全模型，通过结合联邦学习和区块链技术，提出基于本地数据特征的公平性联邦学习模型，设计基于信任度的共识机制，利用区块链记录半导体制造工作节点的本地模型参数作为证据实现模型聚合功能，可以优化非独立同分布下的模型训练精度，防止中间参数传输信息泄露，实现区块链在公平性的联邦学习框架中的应用，降低了隐私泄露的风险，提高了安全性。

合作开发