3.4 关键词共现网络图谱
展示领域核心热点结构，图中节点大小代表共现频次，连线粗细代表关键词间关联强度。
解读：关键词共现网络包含 N=387 个节点、E=649 条连线（Density=0.0084），时间跨度为 2015–2025 年。
deep learning 以绝对优势位居网络核心，节点尺寸显著大于其他关键词。紧随其后的核心节点包括 integrated circuit modeling（集成电路建模）、computational modeling（计算建模）、classification（分类）、predictive models（预测模型）、feature extraction（特征提取）以及 convolutional neural networks（卷积神经网络）。
semiconductor manufacturing（半导体制造）和 defect detection（缺陷检测）等应用导向的关键词也已形成较大节点，反映出 AI 方法正从通用建模向具体制造场景加速渗透。网络整体呈"一超多强"格局——deep learning 为绝对核心，外围由传统器件建模、AI 算法与制造应用三类关键词交织共现。
交互式网络图（力导向拖拽 / 点击高亮 / 卡片悬停）▼ 核心关键词识别（N=387, 按节点规模与中心性排序）
| 关键词 | 中文释义 | 网络定位 |
|---|---|---|
| deep learning | 深度学习 | ◎ 绝对核心 |
| integrated circuit modeling | 集成电路建模 | ● 传统支柱 |
| computational modeling | 计算建模 | ● 仿真核心 |
| classification | 分类 | ◈ AI桥头堡 |
| feature extraction | 特征提取 | ● 方法基础 |
| predictive models | 预测模型 | ● 应用枢纽 |
| convolutional neural networks | 卷积神经网络 | ● AI传统支柱 |
| defect detection | 缺陷检测 | ▲ 新兴增长极 |
| semiconductor manufacturing | 半导体制造 | ▲ 场景锚点 |
关键词聚类识别 (基于 LLR 算法)
主要聚类标签提取结果
| 聚类 ID | 聚类标签 (LLR) 及中文释义 |
|---|---|
| #0 | lithium-ion batteries （锂离子电池） |
| #1 | machine learning （机器学习） |
| #2 | annotation （数据标注） |
| #3 | defect detection （缺陷检测） |
| #4 | inductors （电感器） |
| #5 | forward converter （正激变换器） |
| #6 | energy efficiency （能效） |
| #7 | eigenvalues and eigenfunctions （特征值与特征函数） |
| #8 | cnn （卷积神经网络） |
| #9 | parallel processing （并行处理） |
* LLR 聚类共识别 10 个聚类，Modularity Q = 0.6733（> 0.3 表明网络社团结构显著），Mean Silhouette = 0.9023（> 0.7 表明聚类结果高度同质且可信）。各聚类单独 Silhouette 值未在图中直接标注。
3.5 文献共被引网络 (Knowledge Base)
揭示支撑当前半导体+AI研究的底层知识基石，发掘高频被引的关键节点文献。
解读：共被引网络包含 N=383 个节点、E=1,262 条连线（Density=0.0172），时间跨度为 2015–2025 年。
网络中最具统治力的高被引节点几乎全部来自 Vision Transformer (ViT) 及其核心变体——Dosovitskiy A (2021) 提出的 ViT 和 Liu Z (2021) 提出的 Swin Transformer 构成了整个知识网络的双核心，节点尺寸和紫色外圈（中心性指标）均最为突出。
紧随其后的关键节点包括 Carion N (2020) 的 DETR（检测 Transformer）、Touvron H (2021) 的训练策略改进，以及 Xie EZ (2021)、Zhou HY (2021) 等在视觉 backbone 上的方法贡献。
在应用层面，Wei YX (2022) 的晶圆缺陷识别、Fan SKS (2024) 的 ViT 晶圆图分类增强框架以及 Yu JB (2021/2022) 的系列工作成为连接基础架构与半导体制造的桥梁节点。
网络呈现"基础架构→方法改进→制造应用"三层引文结构，该交叉领域的知识基础高度依赖 ViT/Swin 两条架构主线，应用层引文正在 2022–2024 年间快速膨胀。
交互式共被引网络（力导向拖拽 / 点击高亮 / 卡片悬停）▼ 核心被引文献识别（N=383, 按被引频次与中介中心性排序）
| 被引文献 (第一作者, 年份) | 知识层级 | 角色定位 |
|---|---|---|
| Dosovitskiy A (2021) — ViT | L1 奠基 | NLP→CV 架构桥梁 |
| Liu Z (2021) — Swin Transformer | L1 奠基 | 层次化视觉骨干 |
| Carion N (2020) — DETR | L2 方法 | 检测Transformer先驱 |
| Touvron H (2021) — Training ViT | L2 方法 | ViT训练策略改进 |
| Xie EZ (2021) — PVT | L2 方法 | 金字塔ViT变体 |
| Wei YX (2022) — Wafer Defect | L3 应用 | 晶圆缺陷检测先驱 |
| Fan SKS (2024) — ViT Wafer Map | L3 应用 | 晶圆图分类增强 |
| Yu JB (2021/2022) | L3 应用 | 半导体缺陷检测系列 |
共被引知识聚类群组
共 8 个聚类 | Modularity Q = 0.8411 | Mean Silhouette = 0.9522
#0 attention-guided fusion ViT
最大聚类。融合注意力的 ViT 变体构成知识基础核心，涵盖 Dosovitskiy (2021)、Liu Z (2021) 等奠基文献。
#2 mixup-based neural network
数据增强方法群。以 Mixup 为代表的少样本增强策略，在缺陷样本天然稀缺的晶圆检测中具有特殊价值。
#3 learning-based Conv-Trans
CNN-Transformer 混合架构群，代表从 CNN 到 ViT 的中间技术路线，是视觉迁移学习的过渡形态。
#4 vision transformer
纯 ViT 方法群。与 #0 互为姊妹聚类，聚焦 ViT 架构本身改进，2021 年以来引用增速最快的知识群组。
#5 advanced quality control
先进质量管控应用群。AI 视觉方法应用于半导体良率管理、工艺异常检测，连接学术与产业落地的关键知识群。
#8 generating layout pattern
版图生成应用群。利用 Transformer 序列建模自动生成芯片 Layout，代表 AI 从"检测"向"设计"环节的上游延伸。
#11 wafer defect
晶圆缺陷检测应用群。将 ViT 架构与工业级晶圆图分类任务紧密耦合，是产业需求最旺盛的知识群。
#12 large scale
大规模计算群。关注 Transformer 在工业级数据下的扩展性与部署优化，反映算法验证到产线落地的工程瓶颈。
3.6 突现词检测时间线 (Burst Detection)
采用 Kleinberg 算法，敏锐捕捉特定时间段内被学术界突然高频关注的前沿技术词汇。
突现检测（Burst Detection）是 Kleinberg (2003) 提出的算法，通过建模词频的时序变化识别某词在特定时段是否出现了统计显著的"爆发式"增长。本研究共捕捉到 25 个突现词（2015–2025），按时间可划分为三阶段技术演进（我们也叫它"三波浪潮"）。
突现强度绝对值普遍不高（最高仅 1.90），这与交叉领域仍处高速扩张初期、文献基数快速增长导致词频基线抬高的统计特征有关。
RFID、电感耦合、反激变换器等电力电子硬件术语，强度<0.7，传统器件研究微弱信号。
mathematical model (1.2) + classification (1.9) 标志 AI 分类方法规模化导入。
2024 年标志性拐点——vision transformers、ViT、super resolution、SEM 等 6 个术语同步突现。2025 年 anomaly detection 接棒延续。
3.7 聚类时间线演化图 (Timeline View)
直观展示各大聚类（研究主题）随时间轴的演化、兴衰与技术轨道变迁。
解读：时间线演化图（2015–2025）揭示了 10 个聚类在时间轴上的兴衰分化，可清晰划分为三类命运轨迹：
第一类 · 已消亡的早期聚类：#4 inductors（2019–2022）、#9 parallel processing（2020–2021）和 #6 energy efficiency（2018–2024）已停止生成新节点。三者均属传统电力电子与硬件建模方向，学术生命周期的终结标志着研究重心向 AI 方向的结构性转移。
第二类 · 持续但边缘化的传统聚类：#0 lithium-ion batteries 是全时间线跨度最长的聚类（2018–2025），但增速已放缓；#5 forward converter（2022–2024）和 #7 eigenvalues and eigenfunctions（2020–2024）处于边缘活跃状态。这些聚类构成"学术底盘"——体量大但不再产生突破性节点。
第三类 · 高速崛起的 AI 聚类：#1 machine learning（2022–2025）、#2 annotation（2018–2025）、#3 defect detection（2022–2025）和 #8 cnn（2021–2025）是当前最具活力的四个聚类，在 2024–2025 年呈高密度节点分布。其中 #1 和 #2 活跃度延续至 2025 年，#3 defect detection 作为应用导向最明确的聚类，是 AI 与半导体制造场景深度融合的最直接证据。
