CN110689067A - 晶圆的失效检测方法、装置、设备及存储介质 - Google Patents

晶圆的失效检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110689067A
CN110689067A CN201910908550.6A CN201910908550A CN110689067A CN 110689067 A CN110689067 A CN 110689067A CN 201910908550 A CN201910908550 A CN 201910908550A CN 110689067 A CN110689067 A CN 110689067A
Authority
CN
China
Prior art keywords
wat data
data
wat
machine learning
type
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.)
Pending
Application number
CN201910908550.6A
Other languages
English (en)
Inventor
俞微
陈旭
顾林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Original Assignee
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Huali Integrated Circuit Manufacturing Co Ltd filed Critical Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority to CN201910908550.6A priority Critical patent/CN110689067A/zh
Publication of CN110689067A publication Critical patent/CN110689067A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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]
    • G01R31/2894—Aspects of quality control [QC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本申请公开了一种晶圆的失效检测方法、装置、设备及存储介质，该方法包括：获取目标晶圆的预定类型的WAT数据，预定类型的WAT数据是通过第一机器学习模型从至少两种候选类型的WAT数据中确定类型的数据；调用第二机器学习模型对预定类型的WAT数据进行处理，得到目标晶圆的失效率，第二机器学习模型是根据至少一组样本WAT数据组训练得到的；输出目标晶圆的失效率。本申请通过获取目标晶圆的预定类型的WAT数据，调用第二机器学习模型对预定类型的WAT数据进行处理，得到目标晶圆的失效率，输出目标晶圆的失效率，由于目标晶圆的失效率是由第二机器学习模型预测得到的，因此能够提高获取晶圆的失效率的准确度，且提高了获取的效率。

Description

晶圆的失效检测方法、装置、设备及存储介质
技术领域
本申请涉及半导体制造技术领域，具体涉及一种晶圆的失效检测方法、装置、设备及存储介质。
背景技术
晶圆失效率直观反映了半导体器件产品的质量，在半导体制造中需要对晶圆失效率进行监控。
芯片探测(Chip Probing，CP)测试是对整张晶圆(Wafer)上的每个芯片单元(Die)进行检测，耗费时间较长，且CP测试的数据不能直观地反映产线的问题。鉴于此，相关技术中，通常使用晶圆允收测试(Wafer Acceptance Test，WAT)数据进行人工判定是否CP测试异常，从而间接判断每片晶圆是否失效。
然而，通过较为单一的WAT数据来判断CP测试是否异常的准确率较低；同时，通过人工判断WAT数据是否异常的主观性较强，且效率较低。
发明内容
本申请提供了一种晶圆的失效检测方法、装置、设备及存储介质，可以解决相关技术中提供的晶圆的失效检测方法效率和准确性较低的问题。
一方面，本申请实施例提供了一种晶圆的失效检测方法，包括：
获取目标晶圆的预定类型的WAT数据，所述预定类型的WAT数据是通过第一机器学习模型从至少两种候选类型的WAT数据中确定类型的数据；
调用第二机器学习模型对所述预定类型的WAT数据进行处理，得到所述目标晶圆的失效率，所述第二机器学习模型是根据至少一组样本WAT数据组训练得到的，所述样本WAT数据组包括预定类型的样本WAT数据和所述预定类型的样本WAT数据对应的失效率；
输出所述目标晶圆的失效率。
可选的，所述获取目标晶圆的预定类型的WAT数据之前，还包括：
获取至少两种候选类型的WAT数据；
调用所述第一机器学习模型对每种候选类型的WAT数据进行处理，得到所述每种候选类型的WAT数据对应的失效率预测值；
将所述每种候选类型的WAT数据对应的失效率预测值与实际失效率进行比对，得到所述每种候选类型的样本WAT数据的权重值；
根据所述权重值从大到小的顺序对所述每种候选类型的WAT数据进行排序；
将排序的序号在前预设位的候选类型的WAT数据确定为所述预定类型。
可选的，所述第一机器学习模型包括随机数森林模型，所述调用所述第一机器学习模型对每种候选类型的WAT数据进行处理，包括：
调用所述随机数森林模型对所述每种候选类型的WAT数据进行扰动。
可选的，所述预定类型的WAT数据包括开启电压、饱和电流、关闭电流、击穿电压、接薄层电阻、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
可选的，所述调用第二机器学习模型对所述预定WAT数据进行处理，得到所述目标晶圆的失效率，包括：
提取所述预定WAT数据的特征向量；
将所述特征向量输入至所述第二机器学习模型中；
所述第二机器学习模型对所述特征向量进行处理，得到所述目标晶圆的失效率。
可选的，所述获取目标晶圆的预定类型的WAT数据之前，还包括：
将所述样本数据组中的预定类型的样本WAT数据输入原始第一机器学习模型，得到训练结果；
对于每组所述样本WAT数据组，将所述训练结果与所述预定类型的样本WAT数据对应的失效率进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述预定类型的样本WAT数据对应的失效率之间的误差；
根据所述至少一组样本WAT数据组各自对应的计算损失，采用误差反向传播算法训练得到所述第一机器学习模型。
另一方面，本申请提供了一种晶圆的失效检测装置，包括：
获取模块，用于获取目标晶圆的预定类型的WAT数据，所述预定类型的WAT数据是通过第一机器学习模型从至少两种候选类型的WAT数据中确定的数据类型；
处理模块，用于调用第二机器学习模型对所述预定类型的WAT数据进行处理，得到所述目标晶圆的失效率，所述第二机器学习模型是根据至少一组样本WAT数据组训练得到的，所述样本WAT数据组包括预定类型的样本WAT数据和所述预定类型的样本WAT数据对应的失效率；
输出模块，用于输出所述目标晶圆的失效率。
可选的，所述获取模块，还用于获取至少两种候选类型的WAT数据；
所述处理模块，还用于调用所述第一机器学习模型对每种候选类型的WAT数据进行处理，得到所述每种候选类型的WAT数据对应的失效率预测值；将所述每种候选类型的WAT数据对应的失效率预测值与实际失效率进行比对，得到所述每种候选类型的样本WAT数据的权重值；根据所述权重值从大到小的顺序对所述每种候选类型的WAT数据进行排序；将排序的序号在前预设位的候选类型的WAT数据确定为所述预定类型。
可选的，所述第一机器学习模型包括随机数森林模型，所述处理模块，还用于调用所述随机数森林模型对所述每种候选类型的WAT数据进行扰动。
可选的，所述预定类型的WAT数据包括开启电压、饱和电流、关闭电流、击穿电压、接薄层电阻、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
可选的，所述处理模块，还用于提取所述预定WAT数据的特征向量；将所述特征向量输入至所述第二机器学习模型中；通过所述第二机器学习模型对所述特征向量进行处理，得到所述目标晶圆的失效率。
可选的，所述处理模块，还用于：将所述样本数据组中的预定类型的样本WAT数据输入原始第一机器学习模型，得到训练结果；对于每组所述样本WAT数据组，将所述训练结果与所述预定类型的样本WAT数据对应的失效率进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述预定类型的样本WAT数据对应的失效率之间的误差；根据所述至少一组样本WAT数据组各自对应的计算损失，采用误差反向传播算法训练得到所述第一机器学习模型。
另一方面，本申请提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序或者指令，所述至少一条程序或者指令由所述处理器加载执行以实现如上所述的晶圆的失效检测方法。
另一方面，本申请提供了一种计算机可读存储介质，所述存储介质中存储有至少一条程序或者指令，所述至少一条程序或者指令由所述处理器加载执行以实现如上所述的晶圆的失效检测方法。
本申请技术方案，至少包括如下优点：
通过获取目标晶圆的预定类型的WAT数据，调用第二机器学习模型对预定类型的WAT数据进行处理，得到目标晶圆的失效率，输出目标晶圆的失效率，由于目标晶圆的失效率是由第二机器学习模型预测得到的，而第二机器学习模型是基于样本WAT数据组训练得到的，因此能够提高获取晶圆的失效率的准确度，且提高了获取的效率。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个示例性实施例提供的晶圆的失效检测方法的流程图；
图2是本申请一个示例性实施例提供的随机数森林模型对样本进行处理的示意图；
图3是本申请一个示例性实施例提供的晶圆的失效率检测方法的整体流程图；
图4是本申请一个示例性实施例提供的晶圆的失效检测装置的框图；
图5是本申请一个示例性实施例提供的计算机设备的框图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在不做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1：
参考图1，其示出了本申请一个示例性实施例提供的晶圆的失效检测方法的流程图，该方法可由计算机设备执行，该方法包括：
步骤101，获取目标晶圆的预定类型的WAT数据。
其中，预定类型的WAT数据是通过第一机器学习模型从至少两种候选类型的WAT数据中确定类型的数据。例如，包括n(n为正整数，n≥2)种候选类型的WAT数据：第一种候选类型的WAT数据、第二种候选类型的WAT数据、第三种候选类型的WAT数据、……、第n种候选类型的WAT数据，若预定个数为3，则通过第一机器学习模型对n种候选类型的WAT数据进行处理，确定其中最合适的3种类型的WAT数据。
步骤102，调用第二机器学习模型对预定类型的WAT数据进行处理，得到目标晶圆的失效率。
其中，第二机器学习模型是根据至少一组样本WAT数据组训练得到的，该样本WAT数据组包括预定类型的样本WAT数据和预定类型的样本WAT数据对应的失效率。可选的，该第二机器学习模型为神经网络模型。
步骤103，输出目标晶圆的失效率。
综上所述，本实施例中，通过获取目标晶圆的预定类型的WAT数据，调用第二机器学习模型对预定类型的WAT数据进行处理，得到目标晶圆的失效率，输出目标晶圆的失效率，由于目标晶圆的失效率是由第二机器学习模型预测得到的，而第二机器学习模型是基于样本WAT数据组训练得到的，因此能够提高获取晶圆的失效率的准确度，且提高了获取的效率。
在对目标晶圆的失效率进行预测之前，还需要通过第一机器学习模型确定预定类型的WAT数据，具体可参考实施例2。
实施例2：
参考实施例1，实施例2和实施例1的区别在于：在步骤101之前，还包括可由计算机设备执行的以下步骤：
步骤11a，获取至少两种候选类型的WAT数据。
步骤11b，调用第一机器学习模型对每种候选类型的WAT数据进行处理，得到每种候选类型的WAT数据对应的失效率预测值。
示例性的，该第一机器学习模型是一个随机数森林模型。通过调用第一机器学习模型，对每种候选类型的WAT数据进行扰动，得到每种候选类型的WAT数据对应的失效率预测值(输出结果)。
参考图2，对于候选类型的WAT数据样本S(S1、S2、……、Sn)，第一机器学习模型样本S中的多组WAT数据进行扰动，得到每组数据对应的输出结果(K1、K2、……、Kn)，对该输出结果求平均，得到样本S对应的失效率预测值。
步骤11c，将每种候选类型的WAT数据对应的失效率预测值与实际失效率进行比对，得到每种候选类型的样本WAT数据的权重值。
例如，第一种候选类型的WAT数据的失效率预测值为A1，实际失效率值为A2，根据A1和A2得到第一种候选类型的WAT数据的权重值；第二种候选类型的WAT数据的失效率预测值为B1，实际失效率值为B2，根据B1和B2得到第一种候选类型的WAT数据的权重值，以此类推，得到每种候选类型的WAT数据对应的权重值。
步骤11d，根据权重值从大到小的顺序对每种候选类型的WAT数据进行排序。
例如，第一种候选类型的WAT数据的权重值为0.75，第二种候选类型的WAT数据的权重值为0.23，第三种候选类型的WAT数据的权重值为0.7，若只有三种候选类型的WAT数据，则排序结果为第一种候选类型的WAT数据、第三种候选类型的WAT数据以及第二种候选类型的WAT数据。
步骤11e，将排序的序号在前预设位的候选类型的WAT数据确定为预定类型的WAT数据。
例如，若预设位为10，则将排序在前10位的候选类型的WAT数据确定为预定类型的WAT数据。可选的，本申请实施例中，预定类型的WAT数据包括开启电压、饱和电流、关闭电流、击穿电压、接薄层电阻、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
在对目标晶圆的失效率进行预测之前，还需要对原始第二机器学习模型进行训练，得到第二机器学习模型，具体可参考实施例3。
实施例3：
参考实施例1至实施例3，实施例4的上述实施例的区别在于：在步骤101之前，还包括可由计算机设备执行的以下步骤：
步骤12a，样本数据组中的预定类型的样本WAT数据输入原始第一机器学习模型，得到训练结果。
步骤12b，对于每组样本WAT数据组，将所述训练结果预定类型的样本WAT数据对应的失效率进行比较，得到计算损失，该计算损失用于指示训练结果与预定类型的样本WAT数据对应的失效率之间的误差。
步骤12c根据至少一组样本WAT数据组各自对应的计算损失，采用误差反向传播算法训练得到第一机器学习模型。
实施例4：
参考实施例3，实施例4和实施例3的区别在于：
步骤101中，“获取目标晶圆的预定类型的WAT数据”，具体包括：获取原始WAT数据；对原始WAT数据进行清洗，得到清洗后的数据；从清洗后的数据中获取得到预定类型的WAT数据。
步骤102中“调用第二机器学习模型对预定类型的WAT数据进行处理，得到目标晶圆的失效率”具体包括：提取预定WAT数据的特征向量；将特征向量输入至第二机器学习模型中；第二机器学习模型对特征向量进行处理，得到目标晶圆的失效率。
示例性的，参考图3，实施例4的整体流程包括原始数据获取，数据清洗(将异常数据过滤)，特征工程(提取特征向量)，模型搭建(即实施例3中的训练过程)，待预测数据输入(即目标晶圆的WAT数据)以及数据输出。
实施例5：
参考图4，其示出了本申请一个示例性实施例提供的晶圆的失效检测装置的框图，该装置可应用于计算机设备中，该装置包括获取模块410、处理模块420以及输出模块430。
获取模块410，用于获取目标晶圆的预定类型的WAT数据，该预定类型的WAT数据是通过第一机器学习模型从至少两种候选类型的WAT数据中确定的数据。
处理模块420，用于调用第二机器学习模型对预定类型的WAT数据进行处理，得到目标晶圆的失效率，第二机器学习模型是根据至少一组样本WAT数据组训练得到的，样本WAT数据组包括预定类型的样本WAT数据和预定类型的样本WAT数据对应的失效率。
输出模块430，用于输出目标晶圆的失效率。
可选的，本实施例中，获取模块410，还用于获取至少两种候选类型的WAT数据。
处理模块420，还用于调用第一机器学习模型对每种候选类型的WAT数据进行处理，得到每种候选类型的WAT数据对应的失效率预测值；将每种候选类型的WAT数据对应的失效率预测值与实际失效率进行比对，得到每种候选类型的样本WAT数据的权重值；根据权重值从大到小的顺序对每种候选类型的WAT数据进行排序；将排序的序号在前预设位的候选类型的WAT数据确定为预定类型。
可选的，第一机器学习模型包括随机数森林模型，处理模块420，还用于调用随机数森林模型对每种候选类型的WAT数据进行扰动。
可选的，预定类型的WAT数据包括开启电压、饱和电流、关闭电流、击穿电压、接薄层电阻、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
可选的，处理模块420，还用于提取预定WAT数据的特征向量；将特征向量输入至第二机器学习模型中；通过第二机器学习模型对特征向量进行处理，得到目标晶圆的失效率。
可选的，处理模块420，还用于将样本数据组中的预定类型的样本WAT数据输入原始第一机器学习模型，得到训练结果；对于每组样本WAT数据组，将训练结果与预定类型的样本WAT数据对应的失效率进行比较，得到计算损失，计算损失用于指示训练结果与预定类型的样本WAT数据对应的失效率之间的误差；根据至少一组样本WAT数据组各自对应的计算损失，采用误差反向传播算法训练得到第一机器学习模型。
实施例6：
参考图5，其示出了本申请一个示例性的实施例提供的计算机设备的框图。该计算机设备包括：处理器510和存储器520。
处理器510可以是中央处理器(英文：central processing unit，CPU)，网络处理器(英文：network processor，NP)或者CPU和NP的组合。处理器510还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integratedcircuit，ASIC)，可编程逻辑器件(英文：programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，FPGA)，通用阵列逻辑(英文：generic arraylogic，GAL)或其任意组合。
存储器520通过总线或其它方式与处理器510相连，存储器520中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器510加载并执行以实现上述实施例提供的晶圆的失效检测方法。存储器520可以为易失性存储器(英文：volatile memory)，非易失性存储器(英文：non-volatile memory)或者它们的组合。易失性存储器可以为随机存取存储器(英文：random-access memory，RAM)，例如静态随机存取存储器(英文：static random access memory，SRAM)，动态随机存取存储器(英文：dynamic random access memory，DRAM)。非易失性存储器可以为只读存储器(英文：read only memory image，ROM)，例如可编程只读存储器(英文：programmable readonly memory，PROM)，可擦除可编程只读存储器(英文：erasable programmable read onlymemory，EPROM)，电可擦除可编程只读存储器(英文：electrically erasableprogrammable read-only memory，EEPROM)。非易失性存储器也可以为快闪存储器(英文：flash memory)，磁存储器，例如磁带(英文：magnetic tape)，软盘(英文：floppy disk)，硬盘。非易失性存储器也可以为光盘。
本申请还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述实施例提供的晶圆的失效检测方法。
可选地，本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的晶圆的失效检测方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请创造的保护范围之中。

Claims (14)

1.一种晶圆的失效检测方法，其特征在于，包括：
获取目标晶圆的预定类型的WAT数据，所述预定类型的WAT数据是通过第一机器学习模型从至少两种候选类型的WAT数据中确定类型的数据；
调用第二机器学习模型对所述预定类型的WAT数据进行处理，得到所述目标晶圆的失效率，所述第二机器学习模型是根据至少一组样本WAT数据组训练得到的，所述样本WAT数据组包括预定类型的样本WAT数据和所述预定类型的样本WAT数据对应的失效率；
输出所述目标晶圆的失效率。
2.根据权利要求1所述的方法，其特征在于，所述获取目标晶圆的预定类型的WAT数据之前，还包括：
获取至少两种候选类型的WAT数据；
调用所述第一机器学习模型对每种候选类型的WAT数据进行处理，得到所述每种候选类型的WAT数据对应的失效率预测值；
将所述每种候选类型的WAT数据对应的失效率预测值与实际失效率进行比对，得到所述每种候选类型的样本WAT数据的权重值；
根据所述权重值从大到小的顺序对所述每种候选类型的WAT数据进行排序；
将排序的序号在前预设位的候选类型的WAT数据确定为所述预定类型。
3.根据权利要求2所述的方法，其特征在于，所述第一机器学习模型包括随机数森林模型，所述调用所述第一机器学习模型对每种候选类型的WAT数据进行处理，包括：
调用所述随机数森林模型对所述每种候选类型的WAT数据进行扰动。
4.根据权利要求3所述的方法，其特征在于，所述预定类型的WAT数据包括开启电压、饱和电流、关闭电流、击穿电压、接薄层电阻、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
5.根据权利要求1至4任一所述的方法，其特征在于，所述调用第二机器学习模型对所述预定WAT数据进行处理，得到所述目标晶圆的失效率，包括：
提取所述预定WAT数据的特征向量；
将所述特征向量输入至所述第二机器学习模型中；
所述第二机器学习模型对所述特征向量进行处理，得到所述目标晶圆的失效率。
6.根据权利要求1至4任一所述的方法，其特征在于，所述获取目标晶圆的预定类型的WAT数据之前，还包括：
将所述样本数据组中的预定类型的样本WAT数据输入原始第一机器学习模型，得到训练结果；
对于每组所述样本WAT数据组，将所述训练结果与所述预定类型的样本WAT数据对应的失效率进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述预定类型的样本WAT数据对应的失效率之间的误差；
根据所述至少一组样本WAT数据组各自对应的计算损失，采用误差反向传播算法训练得到所述第一机器学习模型。
7.一种晶圆的失效检测装置，其特征在于，包括：
获取模块，用于获取目标晶圆的预定类型的WAT数据，所述预定类型的WAT数据是通过第一机器学习模型从至少两种候选类型的WAT数据中确定的数据；
处理模块，用于调用第二机器学习模型对所述预定类型的WAT数据进行处理，得到所述目标晶圆的失效率，所述第二机器学习模型是根据至少一组样本WAT数据组训练得到的，所述样本WAT数据组包括预定类型的样本WAT数据和所述预定类型的样本WAT数据对应的失效率；
输出模块，用于输出所述目标晶圆的失效率。
8.根据权利要求7所述的装置，其特征在于，所述获取模块，还用于获取至少两种候选类型的WAT数据；
所述处理模块，还用于调用所述第一机器学习模型对每种候选类型的WAT数据进行处理，得到所述每种候选类型的WAT数据对应的失效率预测值；将所述每种候选类型的WAT数据对应的失效率预测值与实际失效率进行比对，得到所述每种候选类型的样本WAT数据的权重值；根据所述权重值从大到小的顺序对所述每种候选类型的WAT数据进行排序；将排序的序号在前预设位的候选类型的WAT数据确定为所述预定类型。
9.根据权利要求10所述的装置，其特征在于，所述第一机器学习模型包括随机数森林模型，所述处理模块，还用于调用所述随机数森林模型对所述每种候选类型的WAT数据进行扰动。
10.根据权利要求9所述的装置，其特征在于，所述预定类型的WAT数据包括开启电压、饱和电流、关闭电流、击穿电压、接薄层电阻、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
11.根据权利要求7至10任一所述的装置，其特征在于，所述处理模块，还用于提取所述预定WAT数据的特征向量；将所述特征向量输入至所述第二机器学习模型中；通过所述第二机器学习模型对所述特征向量进行处理，得到所述目标晶圆的失效率。
12.根据权利要求7至10任一所述的装置，其特征在于，所述处理模块，还用于：将所述样本数据组中的预定类型的样本WAT数据输入原始第一机器学习模型，得到训练结果；对于每组所述样本WAT数据组，将所述训练结果与所述预定类型的样本WAT数据对应的失效率进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述预定类型的样本WAT数据对应的失效率之间的误差；根据所述至少一组样本WAT数据组各自对应的计算损失，采用误差反向传播算法训练得到所述第一机器学习模型。
13.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条程序或者指令，所述至少一条程序或者指令由所述处理器加载执行以实现如权利要求1至6任一所述的晶圆的失效检测方法。
14.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条程序或者指令，所述至少一条程序或者指令由所述处理器加载执行以实现如权利要求1至6任一所述的晶圆的失效检测方法。
CN201910908550.6A 2019-09-25 2019-09-25 晶圆的失效检测方法、装置、设备及存储介质 Pending CN110689067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910908550.6A CN110689067A (zh) 2019-09-25 2019-09-25 晶圆的失效检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910908550.6A CN110689067A (zh) 2019-09-25 2019-09-25 晶圆的失效检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN110689067A true CN110689067A (zh) 2020-01-14

Family

ID=69110209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910908550.6A Pending CN110689067A (zh) 2019-09-25 2019-09-25 晶圆的失效检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110689067A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111916365A (zh) * 2020-07-03 2020-11-10 华虹半导体(无锡)有限公司 晶圆的位置检测方法、装置、设备、系统和存储介质
CN111985704A (zh) * 2020-08-11 2020-11-24 上海华力微电子有限公司 预测晶圆失效率的方法及其装置
CN112988792A (zh) * 2021-04-15 2021-06-18 筏渡(上海)科技有限公司 一种晶圆良率问题数据库的搜索方法和装置
CN113448787A (zh) * 2021-06-29 2021-09-28 海光信息技术股份有限公司 晶圆异常分析的方法、装置、电子设备及可读存储介质
CN113625149A (zh) * 2020-05-07 2021-11-09 美商矽成积体电路股份有限公司 异常芯片检测方法与异常芯片检测系统
CN114690015A (zh) * 2022-05-31 2022-07-01 江苏东海半导体股份有限公司 Mos器件的测试方法、装置、系统、设备和存储介质
CN114706860A (zh) * 2022-06-07 2022-07-05 长沙广立微电子有限公司 晶圆数据处理方法、装置和存储介质
CN116046078A (zh) * 2023-03-31 2023-05-02 东莞市楷德精密机械有限公司 一种半导体清洗设备的故障监测预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101311737A (zh) * 2007-05-23 2008-11-26 中芯国际集成电路制造(上海)有限公司 晶圆质量控制方法
CN101458515A (zh) * 2007-12-13 2009-06-17 中芯国际集成电路制造(上海)有限公司 晶圆质量分析装置及方法
CN109146847A (zh) * 2018-07-18 2019-01-04 浙江大学 一种基于半监督学习的晶圆图批量分析方法
CN109472105A (zh) * 2018-11-22 2019-03-15 上海华力微电子有限公司 半导体产品良率上限分析方法
US20190258904A1 (en) * 2018-02-18 2019-08-22 Sas Institute Inc. Analytic system for machine learning prediction model selection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101311737A (zh) * 2007-05-23 2008-11-26 中芯国际集成电路制造(上海)有限公司 晶圆质量控制方法
CN101458515A (zh) * 2007-12-13 2009-06-17 中芯国际集成电路制造(上海)有限公司 晶圆质量分析装置及方法
US20190258904A1 (en) * 2018-02-18 2019-08-22 Sas Institute Inc. Analytic system for machine learning prediction model selection
CN109146847A (zh) * 2018-07-18 2019-01-04 浙江大学 一种基于半监督学习的晶圆图批量分析方法
CN109472105A (zh) * 2018-11-22 2019-03-15 上海华力微电子有限公司 半导体产品良率上限分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
黄珺: "《晶圆失效图形自动识别系统在ULSI良率管理中的应用研究》", 《万方学位论文数据库》 *
黄珺: "晶圆失效图形自动识别系统在ULSI良率管理中的应用研究", 万方学位论文数据库 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625149A (zh) * 2020-05-07 2021-11-09 美商矽成积体电路股份有限公司 异常芯片检测方法与异常芯片检测系统
CN111916365A (zh) * 2020-07-03 2020-11-10 华虹半导体(无锡)有限公司 晶圆的位置检测方法、装置、设备、系统和存储介质
CN111916365B (zh) * 2020-07-03 2022-10-04 华虹半导体(无锡)有限公司 晶圆的位置检测方法、装置、设备、系统和存储介质
CN111985704A (zh) * 2020-08-11 2020-11-24 上海华力微电子有限公司 预测晶圆失效率的方法及其装置
CN112988792A (zh) * 2021-04-15 2021-06-18 筏渡(上海)科技有限公司 一种晶圆良率问题数据库的搜索方法和装置
CN112988792B (zh) * 2021-04-15 2022-05-31 筏渡(上海)科技有限公司 一种晶圆良率问题数据库的搜索方法和装置
CN113448787A (zh) * 2021-06-29 2021-09-28 海光信息技术股份有限公司 晶圆异常分析的方法、装置、电子设备及可读存储介质
CN114690015A (zh) * 2022-05-31 2022-07-01 江苏东海半导体股份有限公司 Mos器件的测试方法、装置、系统、设备和存储介质
CN114706860A (zh) * 2022-06-07 2022-07-05 长沙广立微电子有限公司 晶圆数据处理方法、装置和存储介质
CN114706860B (zh) * 2022-06-07 2022-09-20 长沙广立微电子有限公司 晶圆数据处理方法、装置和存储介质
CN116046078A (zh) * 2023-03-31 2023-05-02 东莞市楷德精密机械有限公司 一种半导体清洗设备的故障监测预警方法及系统

Similar Documents

Publication Publication Date Title
CN110689067A (zh) 晶圆的失效检测方法、装置、设备及存储介质
US20150371134A1 (en) Predicting circuit reliability and yield using neural networks
BRPI1100290A2 (pt) mÉtodo para detectar comportamento em equipamento de subestaÇço elÉtrica
US7912669B2 (en) Prognosis of faults in electronic circuits
CN106971953B (zh) 制造制程中的误差检测方法
CN113760670A (zh) 电缆接头异常预警方法、装置、电子设备和存储介质
CN108829878A (zh) 一种工业实验数据异常点检测方法及装置
JP2007235108A (ja) 半導体検査装置、半導体検査方法
CN110968984B (zh) 集成电路工艺分析系统及分析方法
KR102150622B1 (ko) 지능형 장비 이상 증상 사전 탐지 시스템 및 방법
CN106501703B (zh) Bms均衡mos管检测方法及装置
US20020022937A1 (en) Abnormality-cause identifying apparatus and method
TW200411801A (en) Method for analyzing defect inspection parameters
CN114329108B (zh) 基于芯片功能电路仿真测试的生产情况分析方法及系统
US7035770B2 (en) Fuzzy reasoning model for semiconductor process fault detection using wafer acceptance test data
US9904660B1 (en) Nonparametric method for measuring clustered level of time rank in binary data
CN111061254B (zh) 一种phm系统性能的评价方法及系统
CN115219883A (zh) 一种电气自动化设备自动检测系统及检测方法
CN114928467A (zh) 一种网络安全运维关联分析方法及系统
CN113869373A (zh) 设备异常检测方法、装置、计算机设备和存储介质
CN114020971A (zh) 一种异常数据检测方法及装置
CN112148536A (zh) 检测深度学习芯片的方法、装置、电子设备和计算机存储介质
CN117873007B (zh) 基于工业物联网的制造流程管理方法、系统、设备及介质
CN112988792B (zh) 一种晶圆良率问题数据库的搜索方法和装置
US20240193460A1 (en) Data processing method and data processing apparatus

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