CN106680693A - 基于故障数据灰度图谱的半导体芯片批量测试方法 - Google Patents
基于故障数据灰度图谱的半导体芯片批量测试方法 Download PDFInfo
- Publication number
- CN106680693A CN106680693A CN201611199475.3A CN201611199475A CN106680693A CN 106680693 A CN106680693 A CN 106680693A CN 201611199475 A CN201611199475 A CN 201611199475A CN 106680693 A CN106680693 A CN 106680693A
- Authority
- CN
- China
- Prior art keywords
- test
- data
- chip
- quality
- batch
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2856—Internal circuit aspects, e.g. built-in test features; Test chips; Measuring material aspects, e.g. electro migration [EM]
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开一种基于故障数据灰度图谱的半导体芯片批量测试方法,包括:1、构造测试数据矩阵X:一批次含有m个芯片,每个芯片都有n个测试参数;该批次的测试数据有共有m×n个变量数据,形成m×n测试数据矩阵X;2、确定质量分类区间:确定芯片的每个测试参数的质量分类及其参数区间;3、根据质量分类将测试数据矩阵X着色,转换为质量等级矩阵Q;4、构造故障数据灰度图谱:将质量等级矩阵Q中每一个元素作为二维平面图像中的一个像素,得到该批次芯片测试数据集的故障数据灰度图谱;5、根据故障数据灰度图谱实现芯片质量等级快速和缺陷参数识别。本发明可以批量分析半导体芯片测试数据,快速实现芯片质量分级分拣,以及芯片缺陷分析。
Description
技术领域
本发明涉及半导体芯片批量测试技术领域,特别涉及一种半导体芯片批量测试方法。
背景技术
半导体芯片的质量是通过一组不同单位,类型各异的测试数据反映。半导体芯片批量生产时,需要对数以千记测试数据快速分析,进行质量分级,分析缺陷分布特点并找出原因。由于测试数据的多维性和测试实时性要求,单变量数据统计分析方法以及传统的多维数据统计方法均难以取得满意的效果。
发明人之前获得的国家发明专利“基于二位彩色数字图谱的复杂机电系统状态评估方法”(专利号:ZL201110146488.5),和以第一作者发表的相关论文《Plant-widequantitative assessment of a process industry system’s operating state basedon color-spectrum》(Mechanical Systems and Signal Processing.2015(60-61):644-655)、《基于故障图谱的企业级故障模式识别方法》(计算机集成制造系统,2015年21卷第2期:519-527)和《基于数据驱动的系统彩色图谱分析现代工业系统健康状态》(计算机集成制造系统,2015年21卷第2期:519-527)公开了一些利用数据可视化技术,对浮点型数据根据特定的规则着色,从而将人类不易识别的数值的变化情况转化为人眼易于识别的色彩变换,达到数据分析和筛选的目的技术。
然之前公开的该等技术,面对高维度、非时序特征的半导体芯片分批次质量测试时,仍然无法解决大批量半导体芯片快速质量分级,分析缺陷分布特点并找出原因的问题。
发明内容
本发明的目的是提供一种基于故障数据灰度图谱的半导体芯片批量测试方法,以解决上述技术问题;本发明可以批量分析半导体芯片测试数据,快速实现芯片质量分级分拣,以及芯片缺陷分析的方法。
本发明将一个批次的芯片测试数据按照一定规则排列后,根据测试数据的偏离标准值的距离对数据染色,利用数字图像的像素所特有的高度的关联性和耦合性,构造反映该批次芯片缺陷分布规律的数字图像—数据故障灰度图谱。通过对数据故障灰度图谱的分析,可以实现快速实现芯片质量分级分拣,以及芯片缺陷分析。
为了实现上述目的,本发明采用如下技术方案:
基于故障数据灰度图谱的半导体芯片批量测试方法,包括以下步骤:
步骤1、构造测试数据矩阵X:一批次含有m个芯片,每个芯片都有n个测试参数;该批次的测试数据有共有m×n个变量数据,形成m×n测试数据矩阵X;
步骤2、确定质量分类区间:确定芯片的每个测试参数的质量分类及其参数区间;
步骤3、根据质量分类将测试数据矩阵X着色,转换为质量等级矩阵Q;
步骤4、构造故障数据灰度图谱:将质量等级矩阵Q中每一个元素作为二维平面图像中的一个像素,得到该批次芯片测试数据集的故障数据灰度图谱;
步骤5、根据故障数据灰度图谱实现芯片质量等级快速和缺陷参数识别。
进一步的,构造m×n维测试数据矩阵X如下:
数据矩阵X的每一行代表包含n测试变量一个半导体芯片;数据矩阵X的每一列代表该批次所有芯片的某个测试参数的测试变量。
进一步的,一个芯片的质量由n个测试参数共同体现;步骤2中根据半导体芯片质量分类要求,确定芯片的每个测试参数的质量分类及其参数区间。
进一步的,步骤3)中将数据矩阵X与质量区间作比对,测试数据值在一级品质量分类区间的测试数据为0,在二级品质量分类区间的测试数据为1,…,以此类推,将数据矩阵X转换为质量等级矩阵Q;对质量等级矩阵中的数值为0的元素着以白色,其它数值根据数值由小到大,对应进行由浅到深着以不同的灰度值,最大值着为黑色,从而为整个质量等级矩阵Q着色。
进一步的,步骤5中根据故障数据灰度图谱上灰度的分布区域,以行为单位,根据灰度值的大小以及分布范围,实现不同质量等级芯片的快速分拣。
进一步的,步骤5中根据故障数据灰度图谱上灰度的分布区域,以列为单位,根据灰度值的大小以及分布范围,分析造成该批次芯片质量曲线的对应测试参数,实现缺陷参数识别。
进一步的,步骤5中根据故障数据灰度图谱上灰度的分布区域,直观的观察该批次半导体芯片的质量特征:故障数据灰度图谱中的白色区域代表测试参数完全合格的部分,灰度由浅入深代表测试参数的缺陷程度。
相对于现有技术,本发明具有以下有益效果:
本发明针对全新的研究对象(由海量高维时序数据集变为非时序、高维测试数据集)和研究领域(由复杂机电系统状态分析转为半导体芯片分批次质量测试),提出了全新的着色规则:根据测试值所在的质量区间着色,对颜色赋予了具体的含义,构造出了详细反应整个批次芯片质量的芯片质量图谱。本发明利用数据可视化技术构造反应整个批次半导体芯片缺陷参数分布的数据故障灰度图谱,实现了多变量数据的统一分析及处理,开辟了一条多因素数据处理的新思路,具体技术效果如下:
1)将多维海量数据着色,利用灰度值反应芯片质量等级,同时直观的揭示了缺陷数据与芯片测试参数之间的内在联系。利用图谱直观的反映出多变量数据之间复杂的关联关系,将复杂问题直观化、形象化、简单化。
2)在数学上,可以利用丰富的图像处理方法分析系统的变化状态。
3)可以大大简化算法,缩短系统状态的预测时间。
4)有利于从宏观层面把芯片质量情况。
5)利用图谱可以建立更多变量之间的关系。
附图说明
图1为单个参数的质量分类区间示意图。
具体实施方式
生产线一批次生产含有m个芯片,每个芯片都有诸如电流、频率、功耗等n个项目需要测试,其测试数据包含n个测试参数。则该批次的测试数据有共有m×n个变量数据,形成m×n测试数据矩阵X。将测试数据矩阵X依据着色规则二维灰度数字图像—数据故障灰度图谱,反映该批次芯片的缺陷分布整体情况。通过分析数据故障灰度图谱,实现芯片质量分级分拣,以及芯片缺陷分析。
本发明一种基于故障数据灰度图谱的半导体芯片批量测试方法,包括以下步骤:
步骤1:构造测试数据矩阵X
构造m×n维测试数据矩阵X(以下简称数据矩阵X)如下:
数据矩阵X的每一行代表包含n测试变量一个半导体芯片。数据矩阵X的每一列代表该批次所有芯片的某个测试参数的测试变量。
步骤2:确定质量分类区间
芯片的每个测试参数都有工艺规定的标准值和参数区间。一个芯片的质量由n个测试参数共同体现。第j个测试参数的标准值μj代表该类芯片处于最佳工作状态时该参数的预期值。显然,标准值μj只是一个理想状态。在实际测试中,只要该参数的测试值在以标准值μj为中心定义的区间内,即xij∈[μj-αj1,μj+βj1](αj1,βj1>0),就可以认为该参数完全符合最苛刻的质量要求。μj-αj1和μj+βj1分别为质量要求允许的最小值和最大值,其中αj1,βj1>0。区间[μj-αj1,μj+βj1]为该测试参数的一级品质量参数区间。根据半导体芯片质量分类要求,若稍微放宽对该测试参数的性能要求,扩大参数区间的范围,允许该测试参数有更小的最小值μj-αj2和更大的最大值μj+βj2,其中αj2>αj1>0,βj2>βj1>0。即当该参数的测试值xij∈[μj-αj2,μj-αj1]∪[μj+βj1,μj+βj2]时,认为该参数虽然合格但芯片质量在这一项上不如第一类参数。区间[μj-αj2,μj-αj1]∪[μj+βj1,μj+βj2]为该测试参数二级品质量参数区间,…,以此类推,给定半导体芯片的该参数在不同质量等级的测试参数区间,称为该参数的质量分类区间,如说明书附图1所示。对每个测试参数都进行这样的操作,则可以得出半导体芯片的所有参数k个质量等级的n×k个测试参数区间,构成该芯片的质量分类区间集。
步骤3:测试数据矩阵X着色
将数据矩阵X与质量区间作比对,测试数据值在一级品质量分类区间的测试数据为0,在二级品质量分类区间的测试数据为1,…,以此类推,将数据矩阵X转换为质量等级矩阵Q。对质量等级矩阵中的数值为0的元素着以白色,其它数值由浅到深着以不同的灰度值,最大值着为黑色(黑色代表此参数不合格),从而为整个数据矩阵着色。
步骤4.构造故障数据灰度图谱
着色后的数据矩阵中的所有元素值xi,j=X(i,j)都被特定的灰度值取代xi,j=Pixel_Gray,将每一个元素xi,j=Pixel_Gray作为二维平面图像中的一个像素,就可以得到该批次芯片测试数据集的故障数据灰度图谱。
步骤5.根据故障数据灰度图谱实现芯片质量等级快速和缺陷参数识别
(1)根据图谱上灰度的分布区域,以行为单位,根据灰度值的大小以及分布范围,可以实现不同质量等级芯片的快速分拣。
(2)根据图谱上灰度的分布区域,以列为单位,根据灰度值的大小以及分布范围,分析造成该批次芯片质量曲线的对应测试参数,从而实现缺陷参数识别;
(3)故障数据灰度图谱中的白色区域代表测试参数完全合格的部分,灰度由浅入深代表测试参数的缺陷程度。从图谱上可以很直观的观察到该批次半导体芯片的质量特征。
因此,根据色彩突变的区域,可以快速的判断系统故障等级、故障类型、定位故障范围以及对系统的健康状态进行预测,从而达到故障诊断、故障溯源与预警的目的,从而可以定性的评估系统运行状态。
某半导体芯片批量测试数据分析:
某半导体芯片批量生产,由n个测试参数,部分测试数据见表1。
表1.田纳西仿真数据监测点
由芯片设计知,某测试参数的质量区间如说明书附图1所示。以此类推,所有测试参数均类似于说明书附图1。可以得到该批次芯片的整体质量区间。将表1的中的测试数据与各自的质量区间作对比,可以得到质量等级矩阵Q如下:
将质量矩阵Q中数据值为零的元素着以白色,最大数据值的元素着以黑色,中间值的值依照从小到大的顺序分别用由浅到深的灰度着色,即可把质量矩阵Q转化为数据故障灰度图谱。通过分析图谱横向的灰度像素分布,可以实现芯片质量分级分拣;通过分析图谱横向的灰度像素分布,可以实现芯片缺陷分析。
Claims (7)
1.基于故障数据灰度图谱的半导体芯片批量测试方法,其特征在于,包括以下步骤:
步骤1、构造测试数据矩阵X:一批次含有m个芯片,每个芯片都有n个测试参数;该批次的测试数据有共有m×n个变量数据,形成m×n测试数据矩阵X;
步骤2、确定质量分类区间:确定芯片的每个测试参数的质量分类及其参数区间;
步骤3、根据质量分类将测试数据矩阵X着色,转换为质量等级矩阵Q;
步骤4、构造故障数据灰度图谱:将质量等级矩阵Q中每一个元素作为二维平面图像中的一个像素,得到该批次芯片测试数据集的故障数据灰度图谱;
步骤5、根据故障数据灰度图谱实现芯片质量等级快速和缺陷参数识别。
2.根据权利要求1所述的基于故障数据灰度图谱的半导体芯片批量测试方法,其特征在于,构造m×n维测试数据矩阵X如下:
数据矩阵X的每一行代表包含n测试变量一个半导体芯片;数据矩阵X的每一列代表该批次所有芯片的某个测试参数的测试变量。
3.根据权利要求1所述的基于故障数据灰度图谱的半导体芯片批量测试方法,其特征在于,一个芯片的质量由n个测试参数共同体现;步骤2中根据半导体芯片质量分类要求,确定芯片的每个测试参数的质量分类及其参数区间。
4.根据权利要求1所述的基于故障数据灰度图谱的半导体芯片批量测试方法,其特征在于,步骤3)中将数据矩阵X与质量区间作比对,测试数据值在一级品质量分类区间的测试数据为0,在二级品质量分类区间的测试数据为1,…,以此类推,将数据矩阵X转换为质量等级矩阵Q;对质量等级矩阵中的数值为0的元素着以白色,其它数值根据数值由小到大,对应进行由浅到深着以不同的灰度值,最大值着为黑色,从而为整个质量等级矩阵Q着色。
5.根据权利要求1所述的基于故障数据灰度图谱的半导体芯片批量测试方法,其特征在于,步骤5中根据故障数据灰度图谱上灰度的分布区域,以行为单位,根据灰度值的大小以及分布范围,实现不同质量等级芯片的快速分拣。
6.根据权利要求1所述的基于故障数据灰度图谱的半导体芯片批量测试方法,其特征在于,步骤5中根据故障数据灰度图谱上灰度的分布区域,以列为单位,根据灰度值的大小以及分布范围,分析造成该批次芯片质量曲线的对应测试参数,实现缺陷参数识别。
7.根据权利要求1所述的基于故障数据灰度图谱的半导体芯片批量测试方法,其特征在于,步骤5中根据故障数据灰度图谱上灰度的分布区域,直观的观察该批次半导体芯片的质量特征:故障数据灰度图谱中的白色区域代表测试参数完全合格的部分,灰度由浅入深代表测试参数的缺陷程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611199475.3A CN106680693B (zh) | 2016-12-22 | 2016-12-22 | 基于故障数据灰度图谱的半导体芯片批量测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611199475.3A CN106680693B (zh) | 2016-12-22 | 2016-12-22 | 基于故障数据灰度图谱的半导体芯片批量测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106680693A true CN106680693A (zh) | 2017-05-17 |
CN106680693B CN106680693B (zh) | 2019-05-03 |
Family
ID=58871435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611199475.3A Active CN106680693B (zh) | 2016-12-22 | 2016-12-22 | 基于故障数据灰度图谱的半导体芯片批量测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106680693B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330454A (zh) * | 2017-06-20 | 2017-11-07 | 西安建筑科技大学 | 非线性海量高维序列数据分类特性可视化及定量分析方法 |
CN108459579A (zh) * | 2018-02-02 | 2018-08-28 | 郑州轻工业学院 | 基于时间序列模型系数的半导体批次过程故障诊断方法 |
CN110907796A (zh) * | 2018-09-14 | 2020-03-24 | 长鑫存储技术有限公司 | 集成电路量测结果图像化分析方法及系统 |
CN113034442A (zh) * | 2021-03-04 | 2021-06-25 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN117763457A (zh) * | 2023-11-21 | 2024-03-26 | 上海源斌电子科技有限公司 | 一种基于大数据分析的芯片测试数据管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093470A (zh) * | 2006-06-23 | 2007-12-26 | 联华电子股份有限公司 | 集成电路工艺与半导体工艺的数据分析方法 |
CN101452027A (zh) * | 2007-11-30 | 2009-06-10 | 中芯国际集成电路制造(上海)有限公司 | 晶圆的出货品质保证检测方法 |
-
2016
- 2016-12-22 CN CN201611199475.3A patent/CN106680693B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093470A (zh) * | 2006-06-23 | 2007-12-26 | 联华电子股份有限公司 | 集成电路工艺与半导体工艺的数据分析方法 |
CN101452027A (zh) * | 2007-11-30 | 2009-06-10 | 中芯国际集成电路制造(上海)有限公司 | 晶圆的出货品质保证检测方法 |
Non-Patent Citations (1)
Title |
---|
孙锴等: "基于故障图谱的企业级故障模式识别方法", 《计算机集成制造系统》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330454A (zh) * | 2017-06-20 | 2017-11-07 | 西安建筑科技大学 | 非线性海量高维序列数据分类特性可视化及定量分析方法 |
CN107330454B (zh) * | 2017-06-20 | 2020-07-17 | 陈文芹 | 非线性海量高维序列数据分类特性可视化及定量分析方法 |
CN108459579A (zh) * | 2018-02-02 | 2018-08-28 | 郑州轻工业学院 | 基于时间序列模型系数的半导体批次过程故障诊断方法 |
CN108459579B (zh) * | 2018-02-02 | 2019-08-27 | 郑州轻工业学院 | 基于时间序列模型系数的半导体批次过程故障诊断方法 |
CN110907796A (zh) * | 2018-09-14 | 2020-03-24 | 长鑫存储技术有限公司 | 集成电路量测结果图像化分析方法及系统 |
CN113034442A (zh) * | 2021-03-04 | 2021-06-25 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN113034442B (zh) * | 2021-03-04 | 2023-10-13 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN117763457A (zh) * | 2023-11-21 | 2024-03-26 | 上海源斌电子科技有限公司 | 一种基于大数据分析的芯片测试数据管理系统及方法 |
CN117763457B (zh) * | 2023-11-21 | 2024-05-17 | 上海源斌电子科技有限公司 | 一种基于大数据分析的芯片测试数据管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106680693B (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106680693B (zh) | 基于故障数据灰度图谱的半导体芯片批量测试方法 | |
US11714397B2 (en) | System and method for generating machine learning model with trace data | |
WO2021146996A1 (zh) | 设备指标优良性等级预测模型训练方法、监控系统和方法 | |
CN105264640B (zh) | 用于线内合格率监测的关键参数电测试参数的自动确定的系统及方法 | |
CN104680524A (zh) | 一种叶类蔬菜病害诊断方法 | |
CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
CN109086876A (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
CN106202489A (zh) | 一种基于大数据的农业病虫害智能诊断系统 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
CN107330454B (zh) | 非线性海量高维序列数据分类特性可视化及定量分析方法 | |
JP7076463B2 (ja) | スペクトル分析装置およびスペクトル分析方法 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN103903009A (zh) | 一种基于机器视觉的工业品检测方法 | |
CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
CN113597664A (zh) | 确定不良原因的方法、电子设备、存储介质及系统 | |
CN116653346A (zh) | 一种冲压工件成形质量的在线监测方法与工具 | |
CN107833631A (zh) | 一种医学影像计算机辅助分析方法 | |
CN106874927A (zh) | 一种随机强分类器的构建方法和系统 | |
Song et al. | Fault diagnosis and process monitoring using a statistical pattern framework based on a self-organizing map | |
US11448634B2 (en) | Analysis apparatus, stratum age estimation apparatus, analysis method, stratum age estimation method, and program | |
Wiling | Identification of mouth cancer laceration using machine learning approach | |
CN113901947A (zh) | 一种小样本下的轮胎表面瑕疵智能识别方法 | |
KR20220161601A (ko) | 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템 | |
Anaya et al. | Yield improvement using advanced data analytics | |
Chen | The Application of tree-based ML algorithm in steel plates faults identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190717 Address after: 710055 Shaanxi province Xi'an Beilin District Yanta Road No. 13 Patentee after: Chen Wenqin Address before: 710055 Shaanxi province Xi'an Beilin District Yanta Road No. 13 Patentee before: Xi'an Architectural Sci & Tech. Univ. |