CN109426655B - 数据分析方法、装置、电子设备及计算机可读存储介质 - Google Patents
数据分析方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109426655B CN109426655B CN201710725580.4A CN201710725580A CN109426655B CN 109426655 B CN109426655 B CN 109426655B CN 201710725580 A CN201710725580 A CN 201710725580A CN 109426655 B CN109426655 B CN 109426655B
- Authority
- CN
- China
- Prior art keywords
- wat
- yield
- factor
- test point
- wafer
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明提供一种数据分析方法、装置、电子设备及计算机可读存储介质。该方法包括:对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;获取所述数据模型中每个WAT因子对应的系数;根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种数据分析方法、装置、电子设备及计算机可读存储介质。
背景技术
现有技术方案中,在对晶圆在线质量检测的验收结果进行数据处理时,首先要根据IC(integrated circuit,集成电路)良率对晶圆做分群,再对WAT(Wafer acceptancetest,晶圆验收测试)因子及IC良率的分群结果做统计分析,以找到可能造成IC良率下降的因子。
采用上述处理方式需要先对数据进行分群再做分析,由于分群过后的资料表现已经不再是原始资料表现,以至于分群过后再分析的做法将导致资料分布有所偏差,间接导致统计分析的结果也会有所偏差,这样就会造成结果不准确。
发明内容
鉴于以上内容,有必要提供一种数据分析方法、装置、电子设备及计算机可读存储介质,能利用大数据方法对晶圆验收测试的原始资料及IC(integrated circuit,集成电路)良率作分析,客观、快速地找到影响IC良率的WAT(Wafer acceptance test,晶圆验收测试)因子,大幅缩减过往人力成本及数据分析的时间。
一种数据分析方法,所述方法包括:
对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;
根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;
根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;
获取所述数据模型中每个WAT因子对应的系数;
根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。
根据本发明优选实施例,所述根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率包括:
对每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率进行加权得到每个测试点对应的IC良率。
根据本发明优选实施例,所述根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型包括:
对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行回归分析,得到表示WAT因子与IC良率的映射关系的多元自适应回归样条法MARS模型。
根据本发明优选实施例,所述根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型还包括:
采用交叉验证的方式建立所述数据模型。
根据本发明优选实施例,所述根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子包括:
确定所述每个WAT因子对应的系数的绝对值;
对所述每个WAT因子对应的系数的绝对值按照预设规则进行排序,得到排序结果;
从所述排序结果中,筛选排在预设位数的数值,将筛选的数值对应的WAT因子确定为影响所述晶圆对应的IC良率的WAT因子。
一种数据分析装置,所述装置包括:
测试模块,用于对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;
计算模块,用于根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;
确定模块,用于根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;
获取模块,用于获取所述数据模型中每个WAT因子对应的系数;
确定模块,还用于根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。
根据本发明优选实施例,所述计算模块具体用于:
对每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率进行加权得到每个测试点对应的IC良率。
根据本发明优选实施例,所述确定模块具体用于:
对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行回归分析,得到表示WAT因子与IC良率的映射关系的多元自适应回归样条法MARS模型。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述数据分析方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述数据分析方法。
由以上技术方案可以看出,本发明对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;获取所述数据模型中每个WAT因子对应的系数;根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。本发明能利用大数据方法对晶圆验收测试的原始资料及IC良率作分析,客观、快速地找到影响IC良率的WAT因子,大幅缩减过往人力成本及数据分析的时间。
附图说明
图1是本发明数据分析方法的较佳实施例的流程图。
图2是本发明数据分析装置的较佳实施例的功能模块图。
图3是本发明实现数据分析方法的较佳实施例的电子设备的结构示意图。
主要元件符号说明
电子设备 | 1 |
存储器 | 12 |
处理器 | 13 |
数据分析装置 | 11 |
测试模块 | 100 |
计算模块 | 101 |
确定模块 | 102 |
获取模块 | 103 |
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明数据分析方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述数据分析方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivate Network,VPN)等。
S10,所述电子设备对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT(Wafer acceptance test,晶圆验收测试)因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC(integrated circuit,集成电路)的至少一个IC良率。
在本发明的至少一个实施例中,晶圆的制程参数变异平缓,距离所述测试点较近的IC与所述WAT因子值较相关,而距离所述测试点较远的IC与所述WAT因子值较不相关。
例如:在一片晶圆上选取5个测试点,以WAT光罩位置为中心向外取样,需要说明的是,通常情况下取样范围会超过光罩范围,这样,取样资料的表现也会较平均,后面做模型的训练时不容易出现过拟合现象。
当然,对于所述测试点的个数,及所述测试点的选择,通常是由工程师根据实验得到的经验值进行确定,本发明不做限制。
在本发明的至少一个实施例中,所述晶圆是指硅半导体集成电路的制作所用的硅晶片,由于所述硅晶片的形状为圆形,所以所述硅晶片被称为晶圆。在所述晶圆上可以加工制作成各种电路元件结构,以得到具有特定电性功能的集成电路IC产品。
在本发明的至少一个实施例中,所述WAT因子值表示WAT因子的数值。在本发明的至少一个实施例中,通过对晶圆的电性参数进行测量,得到WAT因子值。
所述晶圆的电性参数包括,但不限于以下一种或者多种的组合:阈值电压、饱和电流、击穿电压等等。
在本发明的至少一个实施例中,所述IC良率是指IC的一些功能或者电性参数等基本特性的表现良好的概率。
在本发明的至少一个实施例中,对任意一个测试点而言,一个测试点的一组WAT因子值中每个WAT因子值对应一种WAT因子,一个测试点的任意一个IC良率可以对应至少一种WAT因子。例如:IC良率A对应WAT因子a及WAT因子b。而IC良率B对应WAT因子c等等。
S11,所述电子设备根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率。
在本发明的至少一个实施例中,所述电子设备对每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率进行加权得到每个测试点对应的IC良率。这样,通过上述加权计算能够避免了平均主义,使每个测试点对应的IC良率的计算结果更加准确。
S12,所述电子设备根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型。
在本发明的至少一个实施例中,所述数据模型是利用大数据方法做分析的一种大数据模型。
在本发明的至少一个实施例中,所述电子设备对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行回归分析,得到表示WAT因子与IC良率的映射关系的多元自适应回归样条法MARS(multivariate adaptive regression spline)模型。
在本发明的至少一个实施例中,采用所述多元自适应回归样条法MARS模型的原因是:
(1)所述MARS模型拥有线性回归(linear regression)模型的优点。为了使所述数据模型具有可阐述性,因此选择使用所述MARS模型,这样,在对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行分析以得到所述MARS模型后,根据所述MARS模型可以得到影响IC良率的WAT因子。将所述WAT因子提供给相关工程师,以使所述相关工程师对晶圆的制程参数进行调整。
(2)晶圆的电性参数的表现为非线性,如果使用一般的线性模型将导致模型复杂度低,以至于无法描述IC的半导体特性。
在本发明的至少一个实施例中,采用交叉验证的方式建立所述数据模型。
所述交叉验证的基本思想是:将所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行分组,将分组后的数据的一部分作为训练集,另一部分作为验证集。首先,利用所述训练集进行训练以得到训练模型,其次,利用所述验证集来测试所述训练模型,以此作为评价所述训练模型的性能指标。通过上述交叉验证的过程以便得到可靠、稳定的训练模型。
另外,在确定表示WAT因子与IC良率的映射关系的数据模型的过程中,将不断调整所述数据模型的参数。具体地,先从模型复杂度较低的参数开始尝试调整,避免由于模型的复杂度过高而导致发生过拟合的现象。除此之外,也可以通过观察交叉验证的结果来判断是否发生过拟合的现象。
S13,所述电子设备获取所述数据模型中每个WAT因子对应的系数。
在本发明的至少一个实施例中,所述数据模型中包括至少一个WAT因子,每个WAT因子对应一个系数。
S14,所述电子设备根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。
在本发明的至少一个实施例中,所述根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子包括:
确定所述每个WAT因子对应的系数的绝对值,对所述每个WAT因子对应的系数的绝对值按照预设规则进行排序,得到排序结果。从所述排序结果中,筛选排在预设位数的数值,将筛选的数值对应的WAT因子确定为影响所述晶圆对应的IC良率的WAT因子。
在本发明的至少一个实施例中,所述对所述每个WAT因子对应的系数的绝对值按照预设规则进行排序包括:
(1)将所述每个WAT因子对应的系数的绝对值按照从大到小的顺序进行排序。
(2)将所述每个WAT因子对应的系数的绝对值按照从小到大的顺序进行排序。
在本发明的至少一个实施例中,所述筛选排在预设位数的数值的方式包括:
(1)当所述每个WAT因子对应的系数的绝对值为按照从大到小的顺序进行排序时,筛选前预设位数(如:前两位)的数值。
(2)当所述每个WAT因子对应的系数的绝对值为按照从小到大的顺序进行排序时,筛选后预设位数(如:后两位)的数值。
需要说明的是,在其他实施例中,也可以采用其他的规则对所述每个WAT因子对应的系数的绝对值进行排序,当然,与之对应的筛选数值的方式也不做限制。
在本发明的至少一个实施例中,可以通过所述数据模型计算出所述IC良率的预测结果,并将所述预测结果与实际测得的IC良率作比较,以确定所述数据模型是否表现良好。
另外,在确定了影响所述晶圆对应的IC良率的WAT因子后,将所述WAT因子提供给相关工作人员,以供所述工作人员根据经验调整晶圆的制程参数,从而降低出错率,并提高所述IC良率。
综上所述,本发明能对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;获取所述数据模型中每个WAT因子对应的系数;根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。因此,本发明能利用大数据方法对晶圆验收测试的原始资料及IC良率作分析,客观、快速地找到影响IC良率的WAT因子,大幅缩减过往人力成本及数据分析的时间。
如图2所示,是本发明数据分析装置的较佳实施例的功能模块图。所述数据分析装置11包括测试模块100、计算模块101、确定模块102及获取模块103。本发明所称的模块是指一种能够被处理器13所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
测试模块100对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT(Wafer acceptance test,晶圆验收测试)因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC(integrated circuit,集成电路)的至少一个IC良率。
在本发明的至少一个实施例中,晶圆的制程参数变异平缓,距离所述测试点较近的IC与所述WAT因子值较相关,而距离所述测试点较远的IC与所述WAT因子值较不相关。
例如:在一片晶圆上选取5个测试点,以WAT光罩位置为中心向外取样,需要说明的是,通常情况下取样范围会超过光罩范围,这样,取样资料的表现也会较平均,后面做模型的训练时不容易出现过拟合现象。
当然,对于所述测试点的个数,及所述测试点的选择,通常是由工程师根据实验得到的经验值进行确定,本发明不做限制。
在本发明的至少一个实施例中,所述晶圆是指硅半导体集成电路的制作所用的硅晶片,由于所述硅晶片的形状为圆形,所以所述硅晶片被称为晶圆。在所述晶圆上可以加工制作成各种电路元件结构,以得到具有特定电性功能的集成电路IC产品。
在本发明的至少一个实施例中,所述WAT因子值表示WAT因子的数值。在本发明的至少一个实施例中,通过对晶圆的电性参数进行测量,得到WAT因子值。
所述晶圆的电性参数包括,但不限于以下一种或者多种的组合:阈值电压、饱和电流、击穿电压等等。
在本发明的至少一个实施例中,所述IC良率是指IC的一些功能或者电性参数等基本特性的表现良好的概率。
在本发明的至少一个实施例中,对任意一个测试点而言,一个测试点的一组WAT因子值中每个WAT因子值对应一种WAT因子,一个测试点的任意一个IC良率可以对应至少一种WAT因子。例如:IC良率A对应WAT因子a及WAT因子b。而IC良率B对应WAT因子c等等。
计算模块101根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率。
在本发明的至少一个实施例中,所述计算模块101对每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率进行加权得到每个测试点对应的IC良率。这样,通过上述加权计算能够避免了平均主义,使每个测试点对应的IC良率的计算结果更加准确。
确定模块102根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型。
在本发明的至少一个实施例中,所述数据模型是利用大数据方法做分析的一种大数据模型。
在本发明的至少一个实施例中,所述确定模块102对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行回归分析,得到表示WAT因子与IC良率的映射关系的多元自适应回归样条法MARS模型。
在本发明的至少一个实施例中,采用所述多元自适应回归样条法MARS模型的原因是:
(1)所述MARS模型拥有线性回归模型的优点。为了使所述数据模型具有可阐述性,因此选择使用所述MARS模型,这样,在对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行分析以得到所述MARS模型后,根据所述MARS模型可以得到影响IC良率的WAT因子。将所述WAT因子提供给相关工程师,以使所述相关工程师对晶圆的制程参数进行调整。
(2)晶圆的电性参数的表现为非线性,如果使用一般的线性模型将导致模型复杂度低,以至于无法描述IC的半导体特性。
在本发明的至少一个实施例中,所述确定模块102采用交叉验证的方式建立所述数据模型。
所述交叉验证的基本思想是:将所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行分组,将分组后的数据的一部分作为训练集,另一部分作为验证集。首先,利用所述训练集进行训练以得到训练模型,其次,利用所述验证集来测试所述训练模型,以此作为评价所述训练模型的性能指标。通过上述交叉验证的过程以便得到可靠、稳定的训练模型。
另外,在所述确定模块102确定表示WAT因子与IC良率的映射关系的数据模型的过程中,所述确定模块102将不断调整所述数据模型的参数。具体地,所述确定模块102先从模型复杂度较低的参数开始尝试调整,避免由于模型的复杂度过高而导致发生过拟合的现象。除此之外,所述确定模块102也可以通过观察交叉验证的结果来判断是否发生过拟合的现象。
获取模块103获取所述数据模型中每个WAT因子对应的系数。
在本发明的至少一个实施例中,所述数据模型中包括至少一个WAT因子,每个WAT因子对应一个系数。
所述确定模块102根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。
在本发明的至少一个实施例中,所述确定模块102根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子包括:
所述确定模块102确定所述每个WAT因子对应的系数的绝对值,对所述每个WAT因子对应的系数的绝对值按照预设规则进行排序,得到排序结果。所述确定模块102从所述排序结果中,筛选排在预设位数的数值,所述确定模块102将筛选的数值对应的WAT因子确定为影响所述晶圆对应的IC良率的WAT因子。
在本发明的至少一个实施例中,所述确定模块102对所述每个WAT因子对应的系数的绝对值按照预设规则进行排序包括:
(1)所述确定模块102将所述每个WAT因子对应的系数的绝对值按照从大到小的顺序进行排序。
(2)所述确定模块102将所述每个WAT因子对应的系数的绝对值按照从小到大的顺序进行排序。
在本发明的至少一个实施例中,所述确定模块102筛选排在预设位数的数值的方式包括:
(1)当所述每个WAT因子对应的系数的绝对值为按照从大到小的顺序进行排序时,所述确定模块102筛选前预设位数(如:前两位)的数值。
(2)当所述每个WAT因子对应的系数的绝对值为按照从小到大的顺序进行排序时,所述确定模块102筛选后预设位数(如:后两位)的数值。
需要说明的是,在其他实施例中,所述确定模块102也可以采用其他的规则对所述每个WAT因子对应的系数的绝对值进行排序,当然,与之对应的筛选数值的方式也不做限制。
在本发明的至少一个实施例中,可以通过所述数据模型计算出所述IC良率的预测结果,并将所述预测结果与实际测得的IC良率作比较,以确定所述数据模型是否表现良好。
另外,在所述确定模块102确定了影响所述晶圆对应的IC良率的WAT因子后,将所述WAT因子提供给相关工作人员,以供所述工作人员根据经验调整晶圆的制程参数,从而降低出错率,并提高所述IC良率。
综上所述,本发明能对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;获取所述数据模型中每个WAT因子对应的系数;根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。因此,本发明能利用大数据方法对晶圆验收测试的原始资料及IC良率作分析,客观、快速地找到影响IC良率的WAT因子,大幅缩减过往人力成本及数据分析的时间。
如图3所示,是本发明实现数据分析方法的较佳实施例的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备1还可以是但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备1还可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。
所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如数据分析程序。本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个数据分析方法实施例中的步骤,例如图1所示的步骤S10、S11、S12、S13及S14。
或者,所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;获取所述数据模型中每个WAT因子对应的系数;根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成测试模块100、计算模块101、确定模块102及获取模块103。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器12可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是集成电路中没有实物形式的具有存储功能的电路,如RAM(Random-AccessMemory,随机存取存储器)、FIFO(First In First Out,)等。或者,所述存储器12也可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种数据分析方法,所述处理器13可执行所述多个指令从而实现:对晶圆上多个测试点进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;获取所述数据模型中每个WAT因子对应的系数;根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
对每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率进行加权得到每个测试点对应的IC良率。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行回归分析,得到表示WAT因子与IC良率的映射关系的多元自适应回归样条法MARS模型。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
采用交叉验证的方式建立所述数据模型。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
确定所述每个WAT因子对应的系数的绝对值;
对所述每个WAT因子对应的系数的绝对值按照预设规则进行排序,得到排序结果;
从所述排序结果中,筛选排在预设位数的数值,将筛选的数值对应的WAT因子确定为影响所述晶圆对应的IC良率的WAT因子。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种数据分析方法,其特征在于,所述方法包括:
对晶圆上多个测试点的电性参数进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;
根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;
根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;
获取所述数据模型中每个WAT因子对应的系数;
根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子;
所述根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型包括:
对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行回归分析,得到表示WAT因子与IC良率的映射关系的多元自适应回归样条法MARS模型。
2.如权利要求1所述的数据分析方法,其特征在于,所述根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率包括:
对每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率进行加权得到每个测试点对应的IC良率。
3.如权利要求1所述的数据分析方法,其特征在于,所述根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型还包括:
采用交叉验证的方式建立所述数据模型。
4.如权利要求1所述的数据分析方法,其特征在于,所述根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子包括:
确定所述每个WAT因子对应的系数的绝对值;
对所述每个WAT因子对应的系数的绝对值按照预设规则进行排序,得到排序结果;
从所述排序结果中,筛选排在预设位数的数值,将筛选的数值对应的WAT因子确定为影响所述晶圆对应的IC良率的WAT因子。
5.一种数据分析装置,其特征在于,所述装置包括:
测试模块,用于对晶圆上多个测试点的电性参数进行测试,获取每个测试点的一组晶圆验收测试WAT因子值,及每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率;
计算模块,用于根据每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率,计算每个测试点对应的IC良率;
确定模块,用于根据所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率,确定表示WAT因子与IC良率的映射关系的数据模型;
获取模块,用于获取所述数据模型中每个WAT因子对应的系数;
所述确定模块,还用于根据所述每个WAT因子对应的系数,确定影响所述晶圆对应的IC良率的WAT因子;
所述确定模块,用于对所述多个测试点中每个测试点的一组WAT因子值,及每个测试点对应的IC良率进行回归分析,得到表示WAT因子与IC良率的映射关系的多元自适应回归样条法MARS模型。
6.如权利要求5所述的数据分析装置,其特征在于,所述计算模块具体用于:
对每个测试点的一组WAT因子值对应的由所述晶圆构成的集成电路IC的至少一个IC良率进行加权得到每个测试点对应的IC良率。
7.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至4中任意一项所述的数据分析方法。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至4中任意一项所述的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725580.4A CN109426655B (zh) | 2017-08-22 | 2017-08-22 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725580.4A CN109426655B (zh) | 2017-08-22 | 2017-08-22 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109426655A CN109426655A (zh) | 2019-03-05 |
CN109426655B true CN109426655B (zh) | 2021-10-15 |
Family
ID=65497966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710725580.4A Active CN109426655B (zh) | 2017-08-22 | 2017-08-22 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109426655B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901058B (zh) * | 2019-03-29 | 2021-04-02 | 上海华力集成电路制造有限公司 | 一种半导体器件的分析方法 |
CN111353082B (zh) * | 2020-03-12 | 2023-10-13 | 全芯智造技术有限公司 | 良率分析的方法、装置和计算机可读存储介质 |
CN111667111B (zh) * | 2020-06-02 | 2023-04-07 | 上海哥瑞利软件股份有限公司 | 一种集成电路晶圆制造中的良率预测方法 |
CN111797511B (zh) * | 2020-06-16 | 2023-07-14 | 上海交通大学 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
CN113449422B (zh) * | 2021-06-29 | 2023-03-03 | 深圳天狼芯半导体有限公司 | 处理测试数据的方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637617A (zh) * | 2012-05-09 | 2012-08-15 | 上海宏力半导体制造有限公司 | 晶圆质量检测系统以及晶圆质量检测方法 |
CN104900551A (zh) * | 2014-03-04 | 2015-09-09 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆质量管控方法和装置 |
CN105702595A (zh) * | 2014-11-27 | 2016-06-22 | 华邦电子股份有限公司 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI368962B (en) * | 2008-07-04 | 2012-07-21 | Inotera Memories Inc | Method of fault detection and classification for wafer acceptance test |
-
2017
- 2017-08-22 CN CN201710725580.4A patent/CN109426655B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637617A (zh) * | 2012-05-09 | 2012-08-15 | 上海宏力半导体制造有限公司 | 晶圆质量检测系统以及晶圆质量检测方法 |
CN104900551A (zh) * | 2014-03-04 | 2015-09-09 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆质量管控方法和装置 |
CN105702595A (zh) * | 2014-11-27 | 2016-06-22 | 华邦电子股份有限公司 | 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 |
Non-Patent Citations (1)
Title |
---|
基于机器学习的建筑能耗模型适用性研究;田玮 等;《天津科技大学学报》;20160630;第31卷(第3期);第54-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109426655A (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426655B (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN109684118B (zh) | 异常数据的检测方法、装置、设备及计算机可读存储介质 | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN108388509B (zh) | 一种软件测试方法、计算机可读存储介质及终端设备 | |
CN109583561B (zh) | 一种深度神经网络的激活量量化方法及装置 | |
CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
CN107357764B (zh) | 数据分析方法、电子设备及计算机存储介质 | |
CN111210402A (zh) | 人脸图像质量评分方法、装置、计算机设备及存储介质 | |
CN110647995A (zh) | 规则训练方法、装置、设备及存储介质 | |
CN111199186A (zh) | 图像质量评分模型训练方法、装置、设备及存储介质 | |
CN110909005B (zh) | 一种模型特征分析方法、装置、设备及介质 | |
CN111858245A (zh) | 一种异常数据的分析方法、装置、电子设备及存储介质 | |
WO2022252630A1 (zh) | 基于模型集合的数据预测方法、装置、设备及存储介质 | |
CN115756812A (zh) | 一种资源调整方法及装置、存储介质 | |
CN109726826B (zh) | 随机森林的训练方法、装置、存储介质和电子设备 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN105447222A (zh) | 用于集成电路的工艺变化分析的方法 | |
CN115952426B (zh) | 基于随机采样的分布式噪音数据聚类方法及用户分类方法 | |
CN109829471B (zh) | 随机森林的训练方法、装置、存储介质和电子设备 | |
CN109696614B (zh) | 电路测试优化方法及装置 | |
CN113570070B (zh) | 流式数据采样与模型更新方法、装置、系统与存储介质 | |
CN114186863A (zh) | 指标数据的处理方法、装置、存储介质和电子设备 | |
US20210209503A1 (en) | Method and electronic device for selecting influence indicators by using automatic mechanism | |
CN111382757B (zh) | 深度学习分类算法中动态调节训练样本的方法及终端设备 | |
JP7322918B2 (ja) | プログラム、情報処理装置、及び学習モデルの生成方法 |
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 |