CN105990171B - 晶片测试图样的损失率计算方法 - Google Patents
晶片测试图样的损失率计算方法 Download PDFInfo
- Publication number
- CN105990171B CN105990171B CN201510048249.4A CN201510048249A CN105990171B CN 105990171 B CN105990171 B CN 105990171B CN 201510048249 A CN201510048249 A CN 201510048249A CN 105990171 B CN105990171 B CN 105990171B
- Authority
- CN
- China
- Prior art keywords
- test result
- chip
- classification
- test
- those
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种晶片测试图样的损失率计算方法。对晶片图中的所有测试结果类别包括的芯片进行分群,进而获得多个芯片群组。基于各芯片群组包括的芯片,获得各芯片群组的多个特征值。将上述特征值与模型数据库进行比对,而获得各芯片群组对应的测试图样。计算测试图样的损失率。因此,本发明能够自动辨识晶圆晶片图中的多种测试图样,并自动计算出各个测试图样的损失率。
Description
技术领域
本发明涉及一种晶片测试图样的测试机制,尤其涉及一种晶片测试图样的损失率计算方法。
背景技术
在半导体制程中,通常会使用晶片允收测试(wafer acceptance test,简称WAT)来对晶片进行电性检测。WAT会产生许多的电性参数及数值,使用者可通过这些电性参数及数值来评估受测晶片的良率好坏,以及发现在半导体制程中可能发生的问题。而在半导体制程中,当发生受测晶片为低良率的状况时,有时并非是由单一事故原因所造成。在实务上,不同的事故原因会导致晶片图(wafer bin map)造成不同的测试图样(pattern)。因此,通过测试图样的损失率(Yield Loss)来追查异常状况,通常可以有很好的效果。
然而,多数半导体厂判断晶片图中的测试图样仍采用人工辨识,此举不但耗费人力,而且还容易因人员检视标准不一而造成判断结果有偏差,且无法对测试图样的损失率(Yield Loss)作更精准的计算与分析。
发明内容
本发明提供一种晶片测试图样的损失率计算方法,能够自动辨识晶片图中的多种测试图样,并自动计算出各个测试图样的损失率。
本发明的晶片测试图样的损失率计算方法,利用电子装置辨识晶片图中的测试图样。损失率计算方法包括下列步骤。自晶片图中,分别取出多个主测试结果类别。判断各主测试结果类别在晶片图中所包括的子测试结果类别。依据上述子测试结果类别包括的多个芯片位于晶片图中的多个坐标位置,对所有子测试结果类别包括的芯片进行一分群动作,进而获得多个芯片群组,其中各芯片群组包括一个或多个子测试结果类别。基于各芯片群组包括的芯片,获得各芯片群组的多个特征值。将上述特征值与模型数据库进行比对,而获得各芯片群组对应的测试图样。计算测试图样的损失率(Yield Loss)。
在本发明的一实施例中,在判断各主测试结果类别在晶片图中所包括的子测试结果类别之前,还包括计算各主测试结果类别包括的芯片的数量,藉以在上述主测试结果类别中,过滤掉数量小于第一门限值的类别,而保留数量大于或等于第一门限值的类别。
在本发明的一实施例中,在判断各主测试结果类别在晶片图中所包括的子测试结果类别的步骤中,包括:计算各子测试结果类别所包括的芯片在对应的主测试结果类别中所占的比例;在上述对应的子测试结果类别中,过滤掉比例小于第二门限值的类别,而保留比例大于或等于第二门限值的类别。
在本发明的一实施例中,在对所有子测试结果类别包括的芯片进行分群动作的步骤中,还包括:将无法被分群的芯片自子测试结果类别中滤除。
在本发明的一实施例中,晶片测试图样的损失率计算方法还包括建立模型数据库。上述建立模型数据库的步骤包括:自多个已知的测试图样获得各测试图样的多个参考特征值;以及依据这些参考特征值,建立每一个测试图样的模型。
在本发明的一实施例中,将上述特征值与模型数据库进行比对,而获得各芯片群组对应的测试图样的步骤包括:计算各芯片群组的特征值与参考特征值之间的相似度,藉此获得芯片群组对应的测试图样。
基于上述,本发明能够自动辨识晶片图中的多种测试图样,进而更精确地计算出各个测试图样所造成的损失率,让产品工程师能快速理清异常产生的原因,减少异常芯片的产出。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
附图说明
图1是依照本发明一实施例的电子装置的方块图;
图2是依照本发明一实施例的晶片的示意图;
图3是依照本发明一实施例的测试图样的示意图;
图4是依照本发明一实施例的晶片测试图样的损失率计算方法的流程图;
图5A~图5B是依照本发明一实施例的过滤子测试结果类别的示意图;
图6A~图6F是依照本发明一实施例的多种芯片分群规则说明的示意图;
图7是依照本发明一实施例的用以计算最大故障率的晶片的示意图。
附图标记说明:
100:电子装置;
110:处理单元;
120:存储单元;
130:晶片图数据库;
140:模型数据库;
200:晶片;
210~240:检测区域;
31a、32a~32d、33a~33e、34e、35f:测试图样;
500、610~660:晶片图;
2P、VX、VI、DC_VF、DC_VF1、DC_VF2、DC_2P、FCN_SA、MGN_LEADPS、FCN_LDQ:芯片分布区域;
EU:曝光单元;
P1:芯片;
S405~S430:晶片测试图样的损失率计算方法各步骤。
具体实施方式
目前半导体厂判断晶片图中的测试图样仍采用人工辨识,而容易因人员检视标准不一而造成判断结果有偏差。为此,本发明提出一种晶片测试图样的损失率计算方法,利用电子装置来自动辨识晶片图所包括的所有测试图样,进而计算损失率。为了使本发明的内容更为明了,以下特举实施例作为本发明确实能够据以实施的范例。
图1是依照本发明一实施例的电子装置的方块图。请参照图1,电子装置100包括处理单元110以及存储单元120。存储单元120中包括晶片图数据库130以及模型数据库140。在此,处理单元110耦接至存储单元120。处理单元110例如为中央处理单元(CentralProcessing Unit,简称CPU)、可程序化的微处理器(Microprocessor)、嵌入式控制芯片等。
而存储单元120例如是任意型式的固定式或可移动式随机存取存储器(RandomAccess Memory,简称RAM)、只读存储器(Read-Only Memory,简称ROM)、快闪存储器(Flashmemory)、硬盘或其他类似装置或这些装置的组合。存储单元120中存储有多个程序码片段,上述程序码片段在被安装后,会由处理单元110来执行,以实现晶片测试图样的辨识及损失率的计算。
晶片图数据库130中包括多个晶片在测试完成后所产生的晶片图。每张晶片图包括了在晶片上的每一个芯片于经过测试后的测试结果以及各芯片相对于晶片图上的坐标位置。测试结果记录了各个芯片是否通过测试、未通过测试的主测试结果类别及其子测试结果类别。通过晶片图来呈现上述测试结果,使得相关人员可以初步了解晶片的测试结果。
例如,假设主测试结果类别为三种(即,主测试结果类别DC、主测试结果类别FCN、主测试结果类别MGN),而每一个主测试结果类别还可包括多个子测试结果类别。在晶片图中可依据测试结果而以不同的显示效果来表示各芯片。例如,将通过测试的芯片以白色表示,未通过测试的芯片则依照其主测试结果类别来给予对应的颜色。例如,主测试结果类别DC的测试失败芯片以蓝色表示,主测试结果类别FCN的测试失败芯片以绿色表示,主测试结果类别MGN的测试失败芯片以红色表示。
而基于上述测试结果,会在晶片图上产生测试图样。测试图样代表晶片的瑕疵情形,即,晶片中测试失败的芯片分布情形。模型数据库140中则存储了事先训练好的多种测试图样的模型,以供后续进行测试图样辨识时来使用。而由于在一种测试条件下,可能在晶片中的多个地方产生测试图样,因此为了便于进行辨识,将晶片划分成多个区域,以便于这些区域中找出多个测试图样。
举例来说,图2是依照本发明一实施例的晶片的示意图。图3是依照本发明一实施例的测试图样的示意图。在此,图2、图3仅为举例说明,并不以此为限。
请参照图2,在本实施例中,为了方便进行检测,将晶片200划分为检测区域210、220、230、240。检测区域210为中心区域,检测区域220为中间区域,检测区域230为边缘区域,检测区域240为最外围的末端边缘区域。
在图3中列出了多种测试失败的芯片分布情形,其是依据检测区域210、220、230、240的不同所产生的测试失败的测试图样,另外还列出没有区域性、散列在整个晶片200的芯片分布情形。具体而言,图样类型大致可分为单点类型、多点类型、单环类型、多环类型、全环类型以及循环(repeat)类型六大类。而检测区域210(中心区域)仅对应至1种图样类型,即单点类型,如测试图样31a所示。检测区域220(中间区域)对应至4种图样类型,包括单点类型、多点类型、单环类型及多环类型,如测试图样32a、32b、32c、32d所示。检测区域230(边缘区域)对应至5种图样类型,包括单点类型、多点类型、单环类型、多环类型及全环类型,如测试图样33a、33b、33c、33d、33e所示。检测区域240(末端边缘区域)只对应至1种图样类型,即全环类型,如测试图样34e所示。而整个晶片200则对应至不具区域性的循环类型,如测试图样35f所示。
图4是依照本发明一实施例的晶片测试图样的损失率计算方法的流程图。请参照图4,损失率计算方法可分为芯片选取(步骤S405~S415)、测试图样辨识(步骤S420~S425)以及损失率计算(步骤S430)三个部分。
在步骤S405中,处理单元110读取晶片图数据库130,以自一晶片图中分别取出多个主测试结果类别。接着,在步骤S410中,处理单元110判断各主测试结果类别在晶片图中所包括的子测试结果类别。
在进行步骤S410之前,处理单元110可先计算各主测试结果类别包括的芯片(测试失败的芯片)的数量,藉以在主测试结果类别中,过滤掉数量小于第一门限值的类别,而保留(取出)数量大于或等于第一门限值的类别。也就是说,若主测试结果类别所占的芯片数量不多,则不会在晶片图中形成测试图样,因此可忽略此一主测试结果类别。
举例来说,以主测试结果类别DC、主测试结果类别FCN、主测试结果类别MGN为例,倘若晶片图中包括上述三种主测试结果类别,其中主测试结果类别MGN的芯片数量小于第一门限值,则会将主测试结果类别MGN滤除,而只针对主测试结果类别DC与主测试结果类别FCN来进行后续动作。
另外,在步骤S410中,处理单元110还可以进一步依据各子测试结果类别的在对应的主测试结果类别中所占的芯片的比例来进行过滤的动作。即,处理单元110计算各子测试结果类别包括的芯片数量在对应的主测试结果类别的所有芯片数量中所占的比率,并且在这些子测试结果类别中,过滤掉比率小于第二门限值(例如为25%)的类别,而保留(取出)比率大于或等于第二门限值的类别。
举例来说,图5A及图5B是依照本发明一实施例的过滤子测试结果类别的示意图。图5A所示的晶片图500显示有主测试结果类别DC、主测试结果类别FCN、主测试结果类别MGN三个测试失败的芯片分布区域。在本实施例中,假设主测试结果类别FCN以及主测试结果类别MGN的芯片数量小于第一门限值,则过滤掉主测试结果类别FCN以及主测试结果类别MGN的芯片,只取出主测试结果类别DC的芯片来进行后续动作,如图5B所示。图5B所示为在过滤掉主测试结果类别FCN以及主测试结果类别MGN的芯片之后,进一步滤除噪声后的结果。
在此,假设主测试结果类别DC包括3个子测试结果类别,而图5B所示为上述子测试结果类别在晶片图500的芯片分布区域2P、VX、VI。并且,假设上述芯片分布区域2P、VX、VI各自所包括的芯片数量在主测试结果类别DC所包括的芯片数量中所占的比例为50%、35%以及2%。例如,以[DC]2P(50%)、[DC]VX(35%)、[DC]VI(2%)表示。据此,处理单元110会将芯片分布区域VI的芯片滤除,只保留芯片分布区域2P、VX的芯片来进行后续动作。
接着,在步骤S415中,处理单元110依据每一个子测试结果类别包括的多个芯片位于晶片图中的坐标位置,对所有子测试结果类别包括的芯片进行分群动作,进而获得多个芯片群组(即,待辨识的图样)。例如,依据每一个子测试结果类别的芯片分布区域之间的距离来决定是否要将两个以上的芯片分布区域分群至同一个芯片群组。在此,芯片群组会包括一个或多个子测试结果类别。即,进行分群动作后,可能会有两个以上的子测试结果类别的芯片被合并至同一个芯片群组。
值得注意的是,倘若测试结果的芯片分布区域为循环(repeat)类型,则不执行分群动作。例如,在步骤S410之后,处理单元110可以进一步去判断芯片分布区域是否为循环类型。若非循环类型,则处理单元110执行步骤S415。
底下举例来说明芯片分群规则。图6A~图6F是依照本发明一实施例的多种芯片分群规则说明的示意图。
参照图6A,晶片图610中包括主测试结果类别DC的子测试结果类别VF的芯片分布区域DC_VF、以及主测试结果类别FCN的子测试结果类别SA的芯片分布区域FCN_SA。在此,基于芯片分布区域DC_VF、FCN_SA两个的芯片的坐标位置而执行分群演算法后,判定两个之间距离相距太远,因此不将上述两个芯片分布区域DC_VF、FCN_SA分群为同一群组。并且,由于芯片分布区域DC_VF、FCN_SA两个的主测试结果类别不同,因此也不对上述两个芯片分布区域DC_VF、FCN_SA进行合并。据此,自晶片图610可获得两个芯片群组G[DC_VF]、G[FCN_SA]。
参照图6B,晶片图620中包括主测试结果类别DC的子测试结果类别VF、2_P的芯片分布区域DC_VF、DC_2P。在此,芯片分布区域DC_VF、DC_2P两个在执行分群演算法后并不会被分群在一起。并且,由于芯片分布区域DC_VF、DC_2P两个的子测试结果类别不同,因此也不会对上述两个芯片分布区域进行合并。据此,自晶片图620可获得两个芯片群组G[DC_VF]、G[DC_2P]。
参照图6C,晶片图630中包括主测试结果类别DC的子测试结果类别VF、2P的芯片分布区域DC_VF、DC_2P。在此,基于芯片分布区域DC_VF、DC_2P两个的芯片的坐标位置而执行分群演算法后,由于两个的坐标位置相近,因此将芯片分布区域DC_VF、DC_2P分群至同一群组中。据此自晶片图630可获得一个芯片群组G[DC_VF_2P]。
参照图6D,晶片图640中包括主测试结果类别DC的子测试结果类别VF的芯片分布区域DC_VF、以及主测试结果类别FCN的子测试结果类别SA的芯片分布区域FCN_SA。在此,由于芯片分布区域DC_VF、FCN_SA两个的坐标位置相近,因此在执行分群演算法后会被分群至同一群组。据此,自晶片图640可获得一个芯片群组G[DC.VF_FCN.SA]。
参照图6E,晶片图650中包括主测试结果类别MGN的子测试结果类别LEADPS的芯片分布区域MGN_LEADPS、以及主测试结果类别FCN的子测试结果类别SA的芯片分布区域FCN_SA。在此,由于芯片分布区域MGN_LEADPS、FCN_SA两个的坐标位置相近,故,在执行分群演算法后会被分群至同一个群组。据此,自晶片图650可获得一个芯片群组G[MGN.LEADPS_FCN.SA]。
参照图6F,晶片图660中包括主测试结果类别DC的子测试结果类别VF的两个芯片分布区域DC_VF1、DC_VF2、子测试结果类别2_P的芯片分布区域DC_2P;主测试结果类别FCN的子测试结果类别SA、LDQ的芯片分布区域FCN_SA、FCN_LDQ;主测试结果类别MGN的子测试结果类别LEADPA的芯片分布区域MGN_LEADPA。
在图6F中,虽然芯片分布区域DC_VF1、DC_VF2在基于两个的坐标位置执行分群演算法后不会被分群在一起,然,由于芯片分布区域DC_VF1、DC_VF2两个属于相同的子测试结果类别,因此这两个芯片分布区域DC_VF1、DC_VF2仍然会被分群至是同一个芯片群组G[DC_VF1_VF2]。另外,在执行分群演算法后,芯片分布区域MGN_LEADPS、FCN_SA两个被分群至同一个芯片群组G[MGN.LEADPS_FCN.SA],以及芯片分布区域DC_2P、FCN_LDQ两个被分群至同一个芯片群组G[DC.2P_FCN.LDQ]。据此,自晶片图660可获得三个芯片群组。
回到图4,在步骤S420中,处理单元110基于芯片群组包括的多个芯片,获得各芯片群组的多个特征值。接着,在步骤S425中,处理单元110将这些特征值与模型数据库140进行比对,而获得各芯片群组对应的测试图样。
而不同的检测区域会使用不同的特征值,请参照后述的表1。上述特征值包括:芯片群组(待辨识的图样,下述简称群组A)中所包括的多个芯片至晶片圆心距离的标准差F1、群组A的所有芯片至群组A的重心的标准差F2、群组A的重心至晶片圆心的距离F3、群组A的芯片数量在整个晶片中所占的百分比F4、群组A的各芯片至群组A的重心的距离平均值F5、群组A与相邻检测区域的芯片群组(下述简称群组B)重心的距离F6、群组A与相邻检测区域的群组B之间的芯片数量比例F7、群组A所占的区域比例F8、Hu不变矩F9、Log OR(优势比,odds ration)值F10(用来估计空间数据群聚或随机程度的指标)、最大故障(Max shot)率F11。
上述区域比例F8是指:在边缘区域中群组A所占的块状区域的比例。例如,将一片晶片分为13块状区域,以图2为例,最外围的检测区域230(即边缘区域)划分为8块,中间的检测区域220划分为4块,而中央的检测区域210视为1块。而区域比例F8的计算方式为:群组A在检测区域230(即边缘区域)的8块中占了几块。假设群组A在检测区域230的8块中占了3块,则区域比例为3/8。上述切割数量仅为举例说明,可视情况进行变更。
上述最大故障率F11搭配图7来进行说明。图7是依照本发明一实施例的用以计算最大故障率的晶片的示意图。如图7所示,一个晶片包括多个曝光单元EU,一个曝光单元EU包括多个芯片。曝光单元EU里面每个芯片都有一个代表位置,例如每一个曝光单元EU的最左上角的芯片P1的代表位置为(1,1)。以代表位置(1,1)为例,其最大故障率F11的计算方式为:N1/N2,其中N1为在每一个曝光单元EU的代表位置(1,1)的芯片为故障(即,测试失败)的数量,N2为每一个曝光单元EU的代表位置(1,1)的芯片总数。
本实施例的模型数据库140属于监督式的机器学习(Supervised MachineLearning),因此在执行本案的晶片测试图样的损失率计算方法之前,先建立模型数据库140。上述监督式的机器学习为其中一种分类手法,在其他实施例中也可使用如神经网络(Neural Network)、支持向量机(Support Vector Machine,简称SVM)等分类手法,在此并不限制。在此,先针对各种检测区域(例如上述检测区域210~240)选取已知测试图样的训练数据。并且,可进一步利用区域平均法来去除噪声,进而获取出各已知测试图样的参考特征值。然后,依据这些参考特征值,来建立各测试图样的模型。例如,利用下述式1来获得各测试图样对应的模型。
式1
在式1中,X代表一个特征值,为该特征值的平均值,W是由基因演算法决定的倍数权重值,R是由基因演算法决定的指数权重值,n为特征值数量。
在训练阶段中,以测试图样31a为例,自多个已知的测试图样31a取出n个参考特征值(例如,在上述F1~F11中任选n个)。而Xi代表第i个参考特征值,代表第i个参考特征值的平均值。通过基因演算法可获得第i个参考特征值对应的多组Wi与Ri。在通过多次的运算之后,找出一组最佳的Wi与Ri,藉以获得最小的距离Dist。据此,测试图样31a的模型即建立完成。其他测试图样也以此类推。也就是说,不同的测试图样,在计算距离Dist的式1中,Wi与Ri也会不同。
之后,在执行晶片测试图样的损失率计算方法时,依据步骤S405~S415获得晶片图中的芯片群组(即,待辨识的图样)。之后,取出芯片群组的特征值,并且将这些特征值代入至各个测试图样对应的模型,计算每一芯片群组与测试图样之间的相似度(如上述距离Dist),以找出与芯片群组相似度高的测试图样。
以测试图样31a、32a~32d、33a~33e、34e为例,其分别具有不同的模型,而将上述特征值分别代入各模型,而可获得11个距离Dist。据此,自11个距离Dist中取出最小值,进而可获得芯片群组对应的测试图样。以图6A~图6F而言,各芯片群组对应的测试图样可整理为如后述表2所示。
最后,在步骤S430中,处理单元110便可计算出各测试图样的损失率。以晶片图660而言,处理单元110可计算出三个测试图样的损失率。
表1
表2
综上所述,利用监督式的机器学习来建构模型数据库,藉此可由电子装置来自动辨识晶片图中所包括的测试图样,并且由电子装置来精准计算各个测试图样的损失率,以取代现有的人工辨识图样以及人工给定权重(例如权重1~5)的方式,进而可提高辨识率以及减少处理时间。另外,在上述实施例中对测试结果类别的芯片做适度的分群,据此可获得更适当的测试图样。此外,一般辨识系统只能辨识单一测试图样,而通过上述实施例,可于一张晶片图中辨识出多个测试图样,对于后续的统计上,可以协助使用者更了解晶片瑕疵的问题所在。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种晶片测试图样的损失率计算方法,其特征在于,利用电子装置辨识晶片图中的测试图样进而计算该损失率,该损失率计算方法包括:
自该晶片图中,分别取出未通过测试的多个芯片对应的多个主测试结果类别;
判断每一该些主测试结果类别在该晶片图中所包括的一或多个子测试结果类别;
依据上述子测试结果类别包括的多个芯片位于该晶片图中的多个坐标位置,对所有上述子测试结果类别包括的该些芯片进行分群动作,进而获得多个芯片群组,其中每一该些芯片群组包括一个或多个上述子测试结果类别;
基于每一该些芯片群组包括的该些芯片,获得每一该些芯片群组的多个特征值;
将该些特征值与模型数据库进行比对,而获得该些芯片群组各自对应的该测试图样;以及
计算该测试图样的损失率。
2.根据权利要求1所述的晶片测试图样的损失率计算方法,其特征在于,在判断每一该些主测试结果类别在该晶片图中所包括的上述子测试结果类别的步骤之前,还包括:
计算该些主测试结果类别包括的该些芯片的数量,藉以在该些主测试结果类别中,过滤掉该数量小于第一门限值的类别,而保留该数量大于或等于该第一门限值的类别。
3.根据权利要求1所述的晶片测试图样的损失率计算方法,其特征在于,判断每一该些主测试结果类别在该晶片图中所包括的上述子测试结果类别的步骤中包括:
计算每一上述子测试结果类别所包括的该些芯片在对应的一个上述主测试结果类别中所占的比例;以及
在上述子测试结果类别中,过滤掉该比例小于第二门限值的类别,而保留该比例大于或等于该第二门限值的类别。
4.根据权利要求1所述的晶片测试图样的损失率计算方法,其特征在于,在对所有上述子测试结果类别包括的该些芯片进行该分群动作的步骤中,还包括:
将无法被分群的该些芯片其中一个或多个自上述子测试结果类别中滤除。
5.根据权利要求1所述的晶片测试图样的损失率计算方法,其特征在于,还包括建立该模型数据库,
所述建立该模型数据库的步骤,包括:
自多个已知的上述测试图样获得每一上述测试图样的多个参考特征值;以及
依据该些参考特征值,建立每一上述测试图样的模型。
6.根据权利要求5所述的晶片测试图样的损失率计算方法,其特征在于,将该些特征值与该模型数据库进行比对,而获得该些芯片群组各自对应的该测试图样的步骤包括:
计算每一上述芯片群组的该些特征值与该些参考特征值之间的相似度,藉此获得该些芯片群组各自对应的该测试图样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510048249.4A CN105990171B (zh) | 2015-01-30 | 2015-01-30 | 晶片测试图样的损失率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510048249.4A CN105990171B (zh) | 2015-01-30 | 2015-01-30 | 晶片测试图样的损失率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105990171A CN105990171A (zh) | 2016-10-05 |
CN105990171B true CN105990171B (zh) | 2019-01-08 |
Family
ID=57035839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510048249.4A Active CN105990171B (zh) | 2015-01-30 | 2015-01-30 | 晶片测试图样的损失率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105990171B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969175B (zh) * | 2018-09-29 | 2022-04-12 | 长鑫存储技术有限公司 | 晶圆处理方法及装置、存储介质和电子设备 |
CN109597572B (zh) * | 2018-11-22 | 2022-05-03 | 上海新储集成电路有限公司 | 一种存储管理方法 |
TWI714371B (zh) * | 2019-11-29 | 2020-12-21 | 力晶積成電子製造股份有限公司 | 晶圓圖的辨識方法與電腦可讀取記錄媒體 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787190A (en) * | 1995-06-07 | 1998-07-28 | Advanced Micro Devices, Inc. | Method and apparatus for pattern recognition of wafer test bins |
US5838951A (en) * | 1996-02-29 | 1998-11-17 | Anam Industrial Co., Ltd | Wafer map conversion method |
US6232134B1 (en) * | 2000-01-24 | 2001-05-15 | Motorola Inc. | Method and apparatus for monitoring wafer characteristics and/or semiconductor processing consistency using wafer charge distribution measurements |
-
2015
- 2015-01-30 CN CN201510048249.4A patent/CN105990171B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787190A (en) * | 1995-06-07 | 1998-07-28 | Advanced Micro Devices, Inc. | Method and apparatus for pattern recognition of wafer test bins |
US5838951A (en) * | 1996-02-29 | 1998-11-17 | Anam Industrial Co., Ltd | Wafer map conversion method |
US6232134B1 (en) * | 2000-01-24 | 2001-05-15 | Motorola Inc. | Method and apparatus for monitoring wafer characteristics and/or semiconductor processing consistency using wafer charge distribution measurements |
Also Published As
Publication number | Publication date |
---|---|
CN105990171A (zh) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm | |
KR101195226B1 (ko) | 반도체 웨이퍼 분석 시스템 | |
KR102258942B1 (ko) | 인라인 수율 모니터링을 위한 임계 파라메트릭 전기 테스트 파라미터의 자동 결정을 위한 시스템 및 방법 | |
CN105990171B (zh) | 晶片测试图样的损失率计算方法 | |
CN104965787B (zh) | 一种基于三支决策的两阶段软件缺陷预测方法 | |
KR101808819B1 (ko) | 테스트 맵 분류 방법 및 그것을 이용하는 제조 공정 조건 설정 방법 | |
CN104217971B (zh) | 以阶层式分组及过滤来识别晶圆系统性缺陷的系统与方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
TWI608364B (zh) | 晶圓測試圖樣的損失率計算方法 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
CN105548946B (zh) | 针对智能电能表的计量误差的多准则筛查方法和装置 | |
Dong et al. | Wafer yield prediction using derived spatial variables | |
TWI714371B (zh) | 晶圓圖的辨識方法與電腦可讀取記錄媒體 | |
TWI700584B (zh) | 測試系統及適應性測試程式產生方法 | |
JP2011054804A (ja) | 半導体製造装置の管理方法およびシステム | |
Tikkanen et al. | Multivariate outlier modeling for capturing customer returns—How simple it can be | |
CN110399926B (zh) | 一种路灯故障诊断方法及装置 | |
Wahba et al. | Wafer plot classification using neural networks and tensor methods | |
CN103632232B (zh) | 一种产品的检测方法和设备 | |
CN105469141A (zh) | 基于神经网络的预测方法及系统 | |
CN113052244B (zh) | 一种分类模型训练方法和一种分类模型训练装置 | |
TW201931015A (zh) | 設計關鍵性分析擴充之製程窗合格取樣 | |
WO2021079479A1 (ja) | 判定方法、判定プログラムおよび情報処理装置 | |
TWI431706B (zh) | 辨識晶圓圖樣式的方法與電腦程式產品 | |
CN110516659A (zh) | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |