CN111198924B - 产品失效知识库建立方法与失效分析方法、装置、介质 - Google Patents

Abstract

本公开提供了一种产品失效知识库建立方法与产品失效分析方法、装置、设备、介质，属于计算机技术领域。该产品失效知识库建立方法包括：获取多组失效产品数据，包括设计数据、工艺数据与缺陷数据；根据设计数据和/或工艺数据对失效产品数据进行聚类，得到多个失效类别；分别对各失效类别的缺陷数据进行随机性检验，以确定失效类别为随机失效模式或非随机失效模式；对各非随机失效模式的失效产品数据进行关联规则挖掘，得到各非随机失效模式的失效根因数据；根据各失效类别的随机失效模式/非随机失效模式分类结果与各非随机失效模式的失效根因数据，建立产品失效知识库。本公开可以实现对未知失效模式的分析，并提高分析效率。

Description

产品失效知识库建立方法与失效分析方法、装置、介质

技术领域

本公开涉及计算机技术领域，特别涉及一种产品失效知识库建立方法、产品失效分析方法、产品失效知识库建立装置、电子设备及计算机可读存储介质。

背景技术

在企业的生产活动中，对产品进行失效分析是不可缺少的工作。基于有效的产品失效分析，可以确定生产流程中的问题环节、发现潜在风险、提高产品良率。

现有的产品失效分析方法主要依赖于分析特定已知的失效模式，作为工艺制造改善的参考。然而随着产品的设计与制造工艺的发展，必然会不断出现新的、未知的失效模式，现有方法无法对未知的失效模式进行分析，其提供的分析结果是不全面的，影响失效分析的实际效果。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种产品失效知识库建立方法、产品失效分析方法、产品失效知识库建立装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有的产品失效分析方法无法对未知的失效模式进行分析的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种产品失效知识库建立方法，包括：获取多组失效产品数据，所述失效产品数据包括设计数据、工艺数据与缺陷数据；根据所述设计数据和/或工艺数据对所述失效产品数据进行聚类，得到多个失效类别；分别对各所述失效类别的缺陷数据进行随机性检验，以确定所述失效类别为随机失效模式或非随机失效模式；对各所述非随机失效模式的失效产品数据进行关联规则挖掘，得到各所述非随机失效模式的失效根因数据；根据各所述失效类别的随机失效模式/非随机失效模式分类结果与各所述非随机失效模式的失效根因数据，建立产品失效知识库。

在本公开的一种示例性实施例中，所述根据所述设计数据和/或工艺数据对所述失效产品数据进行聚类，得到多个失效类别包括：根据所述失效产品数据中的设计数据和/或工艺数据生成所述失效产品数据的特征向量；对所述特征向量进行聚类，得到多个失效类别。

在本公开的一种示例性实施例中，所述对所述特征向量进行聚类，得到多个失效类别包括：通过K均值算法对所述特征向量进行聚类，得到多个失效类别。

在本公开的一种示例性实施例中，所述对各所述非随机失效模式的失效产品数据进行关联规则挖掘，得到各所述非随机失效模式的失效根因数据包括：从所述设计数据和/或工艺数据的属性中获取多个属性组合；在各所述非随机失效模式中，根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度；根据所述关联度最高的属性组合确定所述非随机失效模式的失效根因数据。

在本公开的一种示例性实施例中，所述在各所述非随机失效模式中，根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度包括：在各所述非随机失效模式中，获得每个失效产品数据的每类属性组合的向量；基于每类属性组合在各所述非随机失效模式中的向量，根据所述向量的模的变化趋势确定所述属性组合的数据变化趋势；根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度。

在本公开的一种示例性实施例中，所述从所述设计数据和/或工艺数据的属性中获取多个属性组合包括：从所述设计数据和工艺数据的属性中分别提取具有一个属性的属性组合、具有两个属性的属性组合、…、与具有p+q个属性的属性组合；其中，p为所述设计数据的属性数量，q为所述工艺数据的属性数量。

在本公开的一种示例性实施例中，所述失效产品数据包括半导体位元失效数据；其中，所述半导体位元失效数据中的设计数据包括以下任意一种或多种：位元结构数据、位元电性设计数据与光刻图形数据；所述半导体位元失效数据中的工艺数据包括以下任意一种或多种：光刻工艺数据、刻蚀工艺数据、扩散工艺数据、离子注入工艺数据、化学气相沉积工艺数据、金属化工艺数据、清洗工艺数据与化学机械研磨工艺数据；所述半导体位元失效数据中的缺陷数据包括以下任意一种或多种：位元电性测试数据、环境测试数据、位元失效图形数据与测试程序数据；所述产品失效知识库包括半导体位元失效知识库。

根据本公开的一个方面，提供一种产品失效分析方法，包括：根据上述任意一项所述的方法建立产品失效知识库；通过所述产品失效知识库对待分析产品的数据进行分析，得到所述待分析产品的失效原因。

根据本公开的一个方面，提供一种产品失效知识库建立装置，包括：数据获取模块，用于获取多组失效产品数据，所述失效产品数据包括设计数据、工艺数据与缺陷数据；聚类分析模块，用于根据所述设计数据和/或工艺数据对所述失效产品数据进行聚类，得到多个失效类别；随机分类模块，用于分别对各所述失效类别的缺陷数据进行随机性检验，以确定所述失效类别为随机失效模式或非随机失效模式；关联挖掘模块，用于对各所述非随机失效模式的失效产品数据进行关联规则挖掘，得到各所述非随机失效模式的失效根因数据；数据汇总模块，用于根据各所述失效类别的随机失效模式/非随机失效模式分类结果与各所述非随机失效模式的失效根因数据，建立产品失效知识库。

在本公开的一种示例性实施例中，所述聚类分析模块包括：向量转换单元，用于根据所述失效产品数据中的设计数据和/或工艺数据生成所述失效产品数据的特征向量；聚类处理单元，用于对所述特征向量进行聚类，得到多个失效类别。

在本公开的一种示例性实施例中，所述聚类处理单元用于通过K均值算法对所述特征向量进行聚类，得到多个失效类别。在本公开的一种示例性实施例中，所述关联挖掘模块包括：属性组合获取单元，用于从所述设计数据和/或工艺数据的属性中获取多个属性组合；变化趋势对比单元，用于在各所述非随机失效模式中，根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度；失效根因确定单元，用于根据所述关联度最高的属性组合确定所述非随机失效模式的失效根因数据。

在本公开的一种示例性实施例中，所述变化趋势对比单元包括：属性组合转换单元，用于在各所述非随机失效模式中，获得每个失效产品数据的每类属性组合的向量；变化趋势计算单元，用于基于每类属性组合在各所述非随机失效模式中的向量，根据所述向量的模的变化趋势确定所述属性组合的数据变化趋势；关联度确定单元，用于根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度。

在本公开的一种示例性实施例中，所述属性组合获取单元用于从所述设计数据和工艺数据的属性中分别提取具有一个属性的属性组合、具有两个属性的属性组合、…、与具有p+q个属性的属性组合；其中，p为所述设计数据的属性数量，q为所述工艺数据的属性数量。

在本公开的一种示例性实施例中，所述失效产品数据包括半导体位元失效数据；其中，所述半导体位元失效数据中的设计数据包括以下任意一种或多种：位元结构数据、位元电性设计数据与光刻图形数据；所述半导体位元失效数据中的工艺数据包括以下任意一种或多种：光刻工艺数据、刻蚀工艺数据、扩散工艺数据、离子注入工艺数据、化学气相沉积工艺数据、金属化工艺数据、清洗工艺数据与化学机械研磨工艺数据；所述半导体位元失效数据中的缺陷数据包括以下任意一种或多种：位元电性测试数据、环境测试数据、位元失效图形数据与测试程序数据；所述产品失效知识库包括半导体位元失效知识库。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的产品失效知识库建立方法或上述任意一项所述的产品失效分析方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的产品失效知识库建立方法或上述任意一项所述的产品失效分析方法。

本公开的示例性实施例具有以下有益效果：

对失效产品数据进行聚类，得到多个失效类别，并根据缺陷数据的随机性检验结果确定各失效类别为随机失效模式或非随机失效模式，再通过对非随机失效模式的失效产品数据进行关联规则挖掘得到其失效根因数据，从而以失效类别为单位建立产品失效知识库。一方面，本示例性实施例建立在对于失效模式不具备先验知识的基础上，降低了对已知失效模式的依赖性，可以挖掘出失效产品数据中的关联关系，以发现未知的失效根因数据与失效模式，具有较强的适用性。另一方面，在知识库的建立过程中导入与产品失效相关的全部数据，包括设计数据、工艺数据与缺陷数据，以更加全面的反映可能导致失效发生的因素，使得知识库更加完备，可以更好的覆盖到各种可能发生的失效情况；再一方面，通过对失效类别的随机性检验，筛选出非随机失效模式，对非随机失效模式进行失效根因数据的查找，可以提高分析效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本示例性实施例中一种产品失效知识库建立方法的流程步骤图；

图2示出本示例性实施例中一种产品失效知识库建立方法的流程示意图；

图3示出本示例性实施例中一种产品失效知识库建立方法的子流程步骤图；

图4示出本示例性实施例中另一种产品失效知识库建立方法的子流程步骤图；

图5示出本示例性实施例中一种产品失效分析方法的流程示意图；

图6示出本示例性实施例中一种产品失效知识库建立装置的结构框图；

图7示出本示例性实施例中一种用于实现上述方法的电子设备；

图8示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种产品失效知识库建立方法，可以应用于企业内部进行失效分析的服务器或终端。图1示出了该方法的流程步骤图，图2示出了该方法的流程示意图。参考图1与图2所示，该方法可以包括以下步骤S110～S150：

步骤S110，获取多组失效产品数据，失效产品数据包括设计数据、工艺数据与缺陷数据。

其中，设计数据是指产品设计资料中所包含的产品参数，工艺数据是指实际生产流程中所记录的工艺参数，缺陷数据是指对产品进行测试所得到的问题参数；其中每种数据又可能包含多种属性或指标，三种数据共同构成了一条失效产品数据，通常对应于一个产品的一次失效情况。

以LED(发光二极管)失效的场景为例，LED的设计数据可以包括运行环境数据，如所能承受的高温、低温、湿度，也可以包括设计的性能参数，如光通量、额定电压、色温、光衰周期；工艺数据可以是制程的参数，如光刻数据、荧光粉配方数据、热处理数据等；缺陷数据可以是性能不良的数据，如发生问题的光性能数据、电性能数据、色温漂移、结构不良数据等，也可以获取完整的测试数据，并将其中有问题的数据进行特定标识。

步骤S110中获取到的数据越全面，后续建立的知识库就越充分。

步骤S120，根据设计数据和/或工艺数据对失效产品数据进行聚类，得到多个失效类别。

本示例性实施例中，可以认为设计数据与工艺数据的问题导致了缺陷数据的产生，失效的原因在于设计数据与工艺数据，在设计数据与工艺数据发生相同或相近问题的情况下，理论上应当产生重复性的失效情况。因此，在步骤S120中，暂不考虑缺陷数据，基于设计数据与工艺数据的相似性，对失效产品数据进行聚类。可以仅仅根据设计数据或工艺数据的相似性进行聚类，也可以综合考虑两种数据。在聚类时，应当以每条失效产品数据为单元进行处理，例如若两条失效产品数据的工艺数据相近，则可以将这两条失效产品数据划分到同一类，包括这两条失效产品数据中的设计数据与缺陷数据。

聚类可以通过多种具体方法实现，例如基于数据相似度的聚类、K均值法聚类、均值漂移聚类等，本示例实施方式对此不做特别限定。

在一示例性实施例中，步骤S120可以通过以下步骤实现：

根据失效产品数据中的设计数据和/或工艺数据生成失效产品数据的特征向量；

对特征向量进行聚类，得到多个失效类别。

其中，可以将设计数据与工艺数据的各个属性映射到向量的各个维度，从而可以将每条失效产品数据转换为包含设计数据与工艺数据特征信息的特征向量，特征向量的维度数可以与属性的数量相同，也可以将设计数据与工艺数据中的属性进行一定的筛选，保留重要属性，则特征向量的维度数可以小于属性的数量。当然，也可以仅仅对其中的设计数据或工艺数据进行属性到向量维度的映射，得到特征向量。

在对特征向量聚类时，可以将特征向量映射到高维空间中，通过均值漂移聚类、基于密度的聚类等算法进行聚类，也可以计算特征向量之间的余弦相似度，将相似度低于一定阈值的特征向量划分到一类等等，本示例实施方式对此不做特别限定。

进一步的，在一示例性实施例中，上述对特征向量进行聚类，得到多个失效类别的步骤又可以通过以下步骤实现：

通过K均值算法对特征向量进行聚类，得到多个失效类别。

当特征向量的维度数较高时，可能在高维空间内出现稀疏分布的情况，通过K均值算法可以快速收敛，并基于特征向量之间的关系划分区域，具有较高的处理效率。

步骤S130，分别对各失效类别的缺陷数据进行随机性检验，以确定失效类别为随机失效模式或非随机失效模式。

由于产品生产过程中的不可控因素，通常在产品失效中包含了一部分随机失效的情况。如前所述，在设计数据与工艺数据相同或相近的情况下，预期缺陷数据会具有一定的重复性，如果缺陷数据表现出随机分布的情况，则可能是随机失效的情况，将其分类为随机失效模式。随机性检验可以通过多种具体方式实现，例如可以将缺陷数据排列成序列，采用游程检验的方式确定是否具有随机性，或者可以将缺陷数据映射到[0,1]区间内，绘制概率分布图，以确定是否具有随机性等等，本示例实施方式对此不做特别限定。

基于随机性检验的结果，可以将步骤S120中获得的失效类别进行二分，得到每个失效类别为随机失效模式或非随机失效模式的分类结果。

步骤S140，对各非随机失效模式的失效产品数据进行关联规则挖掘，得到各非随机失效模式的失效根因数据。

其中，失效根因数据是指从根本上导致失效发生的问题数据。每种通常可以认为随机失效模式的失效情况具有不可控因素，本示例性实施例主要是对非随机失效模式做进一步分析。在步骤S140中，可以以失效类别为单元进行分析，即对于每个属于非随机失效模式的失效类别，进行设计数据、工艺数据与缺陷数据之间的关联规则挖掘，以确定与缺陷数据具有关联的一个或多个设计数据或工艺数据的属性，再从这些属性的数据中查找变化与共同点，从而确定出每种非随机失效模式的失效根因数据。在进行关联规则挖掘时，可以将每个属性的数据分布与缺陷数据的分布进行对比，也可以设置参考数据，将每个属性的数据相对于参考数据的变化量与缺陷数据的变化量进行对比等等，本示例实施方式不做特别限定。关于关联规则挖掘的具体实施方式，将在后面的实施例中做进一步说明。

步骤S150，根据各失效类别的随机失效模式/非随机失效模式分类结果与各非随机失效模式的失效根因数据，建立产品失效知识库。

通过上述步骤S110～S140，实现了对于失效产品数据的聚类、失效类别的分类以及非随机失效模式的失效根因数据挖掘，可以将这些结果进行汇总，建立产品失效知识库。在产品失效知识库中，可以记录每个失效类别的产品失效数据的特征，每个失效类别属于随机失效模式或非随机失效模式，对于非随机失效模式的失效类别，记录其失效根因数据。此外，产品失效知识库也可以记录其他相关信息，例如每个失效类别的发生频率、失效等级、缺陷数据的种类数量等，本示例实施方式对此不做特别限定。

基于上述说明，在本示例性实施例中，对失效产品数据进行聚类，得到多个失效类别，并根据缺陷数据的随机性检验结果确定各失效类别为随机失效模式或非随机失效模式，再通过对非随机失效模式的失效产品数据进行关联规则挖掘得到其失效根因数据，从而以失效类别为单位建立产品失效知识库。一方面，本示例性实施例建立在对于失效模式不具备先验知识的基础上，降低了对已知失效模式的依赖性，可以挖掘出失效产品数据中的关联关系，以发现未知的失效根因数据与失效模式，具有较强的适用性。另一方面，在知识库的建立过程中导入与产品失效相关的全部数据，包括设计数据、工艺数据与缺陷数据，以更加全面的反映可能导致失效发生的因素，使得知识库更加完备，可以更好的覆盖到各种可能发生的失效情况；再一方面，通过对失效类别的随机性检验，筛选出非随机失效模式，对非随机失效模式进行失效根因数据的查找，可以提高分析效率。

在一示例性实施例中，参考图3所示，步骤S140可以通过步骤S310～S330实现：

步骤S310，从设计数据和/或工艺数据的属性中获取多个属性组合；

步骤S320，在各非随机失效模式中，根据属性组合的数据变化趋势与缺陷数据的变化趋势确定属性组合与缺陷数据的关联度；

步骤S330，根据关联度最高的属性组合确定非随机失效模式的失效根因数据。

其中，设计数据与工艺数据通常都包含多个属性，可以随机确定属性组合，也可以按照一定的规则确定相关性较高的属性组合，例如对属性进行分类，与电学性能相关的属性为一类，与机械性能相关的属性为一类，根据属性分类的结果确定属性组合，还可以事先人为指定属性组合等等。在确定属性组合后，在每类非随机失效模式中，将属性组合的数据与缺陷数据对应的排列，如果二者表现出相同或相近的变化趋势，例如都是线性增长的趋势、都是指数级增长的趋势、都是抛物线变化的趋势等，则确定该属性组合与缺陷数据之间具有关联，再进一步的根据变化趋势的程度计算关联度，例如都是线性增长的情况，分别计算属性组合的数据增长的斜率与缺陷数据增长的斜率，根据两斜率的相近度确定关联度；都是指数级增长的情况，分别计算属性组合的数据增长的指数与缺陷数据增长的指数，根据两指数的相近度确定关联度等。从而可以得到其中关联度最高的属性组合，并将该属性组合确定为失效根因数据；当然，也可以进一步在该属性组合中查找问题数据，确定数据的正常数值范围，从而得到失效根因数据。

在一示例性实施例中，参考图4所示，上述步骤S320又可以通过步骤S410～S430实现：

步骤S410，在各非随机失效模式中，获得每个失效产品数据的每类属性组合的向量；

步骤S420，基于每类属性组合在各非随机失效模式中的向量，根据向量的模的变化趋势确定属性组合的数据变化趋势；

步骤S430，根据属性组合的数据变化趋势与缺陷数据的变化趋势确定属性组合与缺陷数据的关联度。

换而言之，基于上述确定的属性组合，在每类非随机失效模式中，以每条产品失效数据为单元，将属性组合的数据转换为一个向量，从而每类非随机失效模式中的多个产品失效数据可以转换为多个向量，并根据向量的模的变化确定属性组合的数据变化趋势，以进行属性组合与缺陷数据的关联度计算。该方法适合于属性组合包括多个属性的情况，可以简化计算量，提高效率。

在一示例性实施例中，步骤S310可以具体包括以下步骤：

从设计数据和工艺数据的属性中分别提取具有一个属性的属性组合、具有两个属性的属性组合、…、与具有p+q个属性的属性组合；其中，p为设计数据的属性数量，q为工艺数据的属性数量。

具体而言，在提取属性组合时，可以首先提取所有的具有一个属性的属性组合(即单属性的情况)，再提取所有的具有两个属性的属性组合，并依此类推，最后提取具有p+q个属性的属性组合(即全属性的情况)。

属性组合的总数可以是：

R＝p+q；

C为组合的符号。即属性组合可以覆盖从单属性到全属性的所有组合的情况，在进行关联度挖掘时，可以遍历所有的属性组合，以充分挖掘出各种相关的情况，发现更多更充分的失效根因数据。

在一示例性实施例中，可以将上述方法应用于半导体位元失效(Bit Fail)分析的场景中，位元是指半导体晶圆中的存储单元。步骤S110中的失效产品数据可以是半导体位元失效数据；半导体位元失效数据中的设计数据可以包括以下任意一种或多种：位元结构数据、位元电性设计数据与光刻图形数据；半导体位元失效数据中的工艺数据可以包括以下任意一种或多种：光刻工艺数据、刻蚀工艺数据、扩散工艺数据、离子注入工艺数据、化学气相沉积工艺数据、金属化工艺数据、清洗工艺数据与化学机械研磨工艺数据；半导体位元失效数据中的缺陷数据可以包括以下任意一种或多种：位元电性测试数据、环境测试数据、位元失效图形数据与测试程序数据；则最终建立的产品失效知识库为半导体位元失效知识库。

其中，位元结构数据、位元电性设计数据与光刻图形数据为重要的设计数据，具有与失效相关的特征信息；位元失效图形数据是指在半导体晶圆中，发生失效的位元分布图形；测试程序数据是指在对半导体位元进行测试时，采用了哪个测试机台的哪个版本程序，也可以包括测试程序中的设置数据，其对于测试结果有重要影响。

在对半导体位元失效数据进行聚类时，可以将设计数据相同的半导体位元失效数据进行初次聚类，设计数据相同的位元，其产品类型也相同，发生相同失效情况的概率较高；在每类设计数据相同的半导体位元失效数据中，可以再根据工艺数据进行二次聚类，例如可以将工艺配方(Recipe)参数相同的半导体位元失效数据划分为一类，也可以基于工艺配方参数，将实际工艺数据波动程度处于同一区间的半导体位元失效数据划分为一类。在完成聚类后，可以对失效位元的位置分布、失效位元的电性测试数据分布等进行随机性检验，以确定每个失效类别是否属于随机失效模式。然后基于每个非随机失效模式的失效类别中的工艺数据进行关联规则挖掘，可以根据工艺流程中不同工艺之间的组合形成工艺数据的属性组合，并比较属性组合的数据变化趋势与缺陷数据的变化趋势，以确定失效根因数据，从而建立半导体位元失效知识库。

本公开的示例性实施例还提供了一种产品失效分析方法，该方法可以包括以下步骤：

根据上述任一示例性实施例中的方法建立产品失效知识库；

通过该产品失效知识库对待分析产品的数据进行分析，得到待分析产品的失效原因。

参考图5所示，待分析产品数据也可以包括设计数据、工艺数据与缺陷数据；在获取待分析产品数据后，可以执行步骤S510，将待分析产品数据与产品失效知识库进行匹配，查找与待分析产品的失效相近的情况，判断其失效类别；在确定其失效类别后，可以执行步骤S520，根据该失效类别的失效根因数据确定待分析产品的失效原因；后续可以采取相应的检测与改善措施。

在一示例性实施例中，在判断待分析产品的失效类别时，还可能出现以下两种情况：

1、待分析产品数据与产品失效知识库中的数据匹配不成功，无法确定其类别。对于这种情况，可以执行步骤S530，根据待分析产品数据与每个失效类别的相近程度(例如在高维属性空间中，计算待分析产品数据与每个失效类别中心点的距离)将待分析产品数据划分到其中的一个失效类别中，对于该失效类别，可以再通过步骤S540进行关联规则挖掘(具体实施方式类似于步骤S140)，以确定新的失效根因数据；再执行步骤S550，将新的失效根因数据更新到产品失效知识库中，从而可以实现对产品失效知识库的完善优化。

2、判断待分析产品数据为随机失效模式，则可以将待分析产品数据添加到产品失效知识库中的随机失效模式的数据中，由于添加了新的数据，可能产生一定的规则性分布，因此可以对这些数据再次执行步骤S560的随机性检验，如果检验通过，则将待分析产品数据保留在产品失效知识库中；如果检验未通过，则可以在随机失效模式的数据中执行步骤S530与S540，即对这些数据进行聚类与关联规则挖掘，以发现新的失效根因数据，并更新到产品失效知识库中。

可见，通过上述过程，可以在产品失效知识库的实际应用中对其进行更新与优化，从而实现产品失效知识库的应用与反馈更新的闭环流程，随着产品失效数据的不断扩充，产品失效知识库的覆盖范围更加全面，准确率更高，能够更好的降低产品生产流程中的失效风险。

在一示例性实施例中，在产品失效知识库的初次建立以及后续更新过程中，可以通过领域专家对失效类别、失效模式及失效根因数据等进行人工查验，以排除服务器或终端在执行图1至图5的任意流程时，可能发生的算法不合理的情况，提高产品失效知识库的准确性。

在一示例性实施例中，如果产品失效知识库为半导体位元失效知识库，则可以通过该知识库对发生位元失效的半导体晶圆进行分析，以确定位元失效的原因。

本公开的示例性实施例还提供了一种产品失效知识库建立装置，参考图6所示，该装置600可以包括：数据获取模块610，用于获取多组失效产品数据，失效产品数据包括设计数据、工艺数据与缺陷数据；聚类分析模块620，用于根据设计数据和/或工艺数据对失效产品数据进行聚类，得到多个失效类别；随机分类模块630，用于分别对各失效类别的缺陷数据进行随机性检验，以确定失效类别为随机失效模式或非随机失效模式；关联挖掘模块640，用于对各非随机失效模式的失效产品数据进行关联规则挖掘，得到各非随机失效模式的失效根因数据；数据汇总模块650，用于根据各失效类别的随机失效模式/非随机失效模式分类结果与各非随机失效模式的失效根因数据，建立产品失效知识库。

在一示例性实施例中，聚类分析模块可以包括：向量转换单元，用于根据失效产品数据中的设计数据和/或工艺数据生成失效产品数据的特征向量；聚类处理单元，用于对特征向量进行聚类，得到多个失效类别。

在一示例性实施例中，聚类处理单元还可以用于通过K均值算法对特征向量进行聚类，得到多个失效类别。

在一示例性实施例中，关联挖掘模块可以包括：属性组合获取单元，用于从设计数据和/或工艺数据的属性中获取多个属性组合；变化趋势对比单元，用于在各非随机失效模式中，根据属性组合的数据变化趋势与缺陷数据的变化趋势确定属性组合与缺陷数据的关联度；失效根因确定单元，用于根据关联度最高的属性组合确定非随机失效模式的失效根因数据。

在一示例性实施例中，变化趋势对比单元可以包括：属性组合转换单元，用于在各非随机失效模式中，获得每个失效产品数据的每类属性组合的向量；变化趋势计算单元，用于基于每类属性组合在各非随机失效模式中的向量，根据向量的模的变化趋势确定属性组合的数据变化趋势；关联度确定单元，用于根据属性组合的数据变化趋势与缺陷数据的变化趋势确定属性组合与缺陷数据的关联度。

在一示例性实施例中，属性组合获取单元可以用于从设计数据和工艺数据的属性中分别提取具有一个属性的属性组合、具有两个属性的属性组合、…、与具有p+q个属性的属性组合；其中，p为设计数据的属性数量，q为工艺数据的属性数量。

在一示例性实施例中，上述失效产品数据可以是半导体位元失效数据；其中，半导体位元失效数据中的设计数据可以包括以下任意一种或多种：位元结构数据、位元电性设计数据与光刻图形数据；半导体位元失效数据中的工艺数据可以包括以下任意一种或多种：光刻工艺数据、刻蚀工艺数据、扩散工艺数据、离子注入工艺数据、化学气相沉积工艺数据、金属化工艺数据、清洗工艺数据与化学机械研磨工艺数据；半导体位元失效数据中的缺陷数据可以包括以下任意一种或多种：位元电性测试数据、环境测试数据、位元失效图形数据与测试程序数据；相应的，最终建立的产品失效知识库可以是半导体位元失效知识库。

上述装置中的各模块/单元的具体细节已经在对应的方法部分实施例中进行了详细的说明，因此不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本公开的这种示例性实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。

其中，存储单元存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元710可以执行图1所示的步骤S110～S150，也可以执行图3所示的步骤S310～S330等。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。

存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图8所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (15)

1.一种产品失效知识库建立方法，其特征在于，包括：

获取多组失效产品数据，所述失效产品数据包括设计数据、工艺数据与缺陷数据；

根据所述设计数据和/或工艺数据对所述失效产品数据进行聚类，得到多个失效类别；

分别对各所述失效类别的缺陷数据进行随机性检验，以确定所述失效类别为随机失效模式或非随机失效模式；

对各所述非随机失效模式的失效产品数据进行关联规则挖掘，得到各所述非随机失效模式的失效根因数据；

根据各所述失效类别的随机失效模式/非随机失效模式分类结果与各所述非随机失效模式的失效根因数据，建立产品失效知识库；

其中，所述对各所述非随机失效模式的失效产品数据进行关联规则挖掘，得到各所述非随机失效模式的失效根因数据包括：

从所述设计数据和/或工艺数据的属性中获取多个属性组合；

在各所述非随机失效模式中，根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度；

根据所述关联度最高的属性组合确定所述非随机失效模式的失效根因数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述设计数据和/或工艺数据对所述失效产品数据进行聚类，得到多个失效类别包括：

根据所述失效产品数据中的设计数据和/或工艺数据生成所述失效产品数据的特征向量；

对所述特征向量进行聚类，得到多个失效类别。

3.根据权利要求2所述的方法，其特征在于，所述对所述特征向量进行聚类，得到多个失效类别包括：

通过K均值算法对所述特征向量进行聚类，得到多个失效类别。

4.根据权利要求1所述的方法，其特征在于，所述在各所述非随机失效模式中，根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度包括：

在各所述非随机失效模式中，获得每个失效产品数据的每类属性组合的向量；

基于每类属性组合在各所述非随机失效模式中的向量，根据所述向量的模的变化趋势确定所述属性组合的数据变化趋势；

根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度。

5.根据权利要求1所述的方法，其特征在于，所述从所述设计数据和/或工艺数据的属性中获取多个属性组合包括：

从所述设计数据和工艺数据的属性中分别提取具有一个属性的属性组合、具有两个属性的属性组合、…、与具有p+q个属性的属性组合；

其中，p为所述设计数据的属性数量，q为所述工艺数据的属性数量。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述失效产品数据包括半导体位元失效数据；其中，

所述半导体位元失效数据中的设计数据包括以下任意一种或多种：位元结构数据、位元电性设计数据与光刻图形数据；

所述半导体位元失效数据中的工艺数据包括以下任意一种或多种：光刻工艺数据、刻蚀工艺数据、扩散工艺数据、离子注入工艺数据、化学气相沉积工艺数据、金属化工艺数据、清洗工艺数据与化学机械研磨工艺数据；

所述半导体位元失效数据中的缺陷数据包括以下任意一种或多种：位元电性测试数据、环境测试数据、位元失效图形数据与测试程序数据；

所述产品失效知识库包括半导体位元失效知识库。

7.一种产品失效分析方法，其特征在于，包括：

根据权利要求1-6任一项所述的方法建立产品失效知识库；

通过所述产品失效知识库对待分析产品的数据进行分析，得到所述待分析产品的失效原因。

8.一种产品失效知识库建立装置，其特征在于，包括：

数据获取模块，用于获取多组失效产品数据，所述失效产品数据包括设计数据、工艺数据与缺陷数据；

聚类分析模块，用于根据所述设计数据和/或工艺数据对所述失效产品数据进行聚类，得到多个失效类别；

随机分类模块，用于分别对各所述失效类别的缺陷数据进行随机性检验，以确定所述失效类别为随机失效模式或非随机失效模式；

关联挖掘模块，用于对各所述非随机失效模式的失效产品数据进行关联规则挖掘，得到各所述非随机失效模式的失效根因数据；

数据汇总模块，用于根据各所述失效类别的随机失效模式/非随机失效模式分类结果与各所述非随机失效模式的失效根因数据，建立产品失效知识库；

其中，所述关联挖掘模块包括：

属性组合获取单元，用于从所述设计数据和/或工艺数据的属性中获取多个属性组合；

变化趋势对比单元，用于在各所述非随机失效模式中，根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度；

失效根因确定单元，用于根据所述关联度最高的属性组合确定所述非随机失效模式的失效根因数据。

9.根据权利要求8所述的装置，其特征在于，所述聚类分析模块包括：

向量转换单元，用于根据所述失效产品数据中的设计数据和/或工艺数据生成所述失效产品数据的特征向量；

聚类处理单元，用于对所述特征向量进行聚类，得到多个失效类别。

10.根据权利要求9所述的装置，其特征在于，所述聚类处理单元用于通过K均值算法对所述特征向量进行聚类，得到多个失效类别。

11.根据权利要求8所述的装置，其特征在于，所述变化趋势对比单元包括：

属性组合转换单元，用于在各所述非随机失效模式中，获得每个失效产品数据的每类属性组合的向量；

变化趋势计算单元，用于基于每类属性组合在各所述非随机失效模式中的向量，根据所述向量的模的变化趋势确定所述属性组合的数据变化趋势；

关联度确定单元，用于根据所述属性组合的数据变化趋势与所述缺陷数据的变化趋势确定所述属性组合与所述缺陷数据的关联度。

12.根据权利要求8所述的装置，其特征在于，所述属性组合获取单元用于从所述设计数据和工艺数据的属性中分别提取具有一个属性的属性组合、具有两个属性的属性组合、…、与具有p+q个属性的属性组合；

其中，p为所述设计数据的属性数量，q为所述工艺数据的属性数量。

13.根据权利要求8-12任一项所述的装置，其特征在于，所述失效产品数据包括半导体位元失效数据；其中，

所述半导体位元失效数据中的设计数据包括以下任意一种或多种：位元结构数据、位元电性设计数据与光刻图形数据；

所述半导体位元失效数据中的工艺数据包括以下任意一种或多种：光刻工艺数据、刻蚀工艺数据、扩散工艺数据、离子注入工艺数据、化学气相沉积工艺数据、金属化工艺数据、清洗工艺数据与化学机械研磨工艺数据；

所述半导体位元失效数据中的缺陷数据包括以下任意一种或多种：位元电性测试数据、环境测试数据、位元失效图形数据与测试程序数据；

所述产品失效知识库包括半导体位元失效知识库。

14.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6所述的产品失效知识库建立方法或权利要求7所述的产品失效分析方法。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6所述的产品失效知识库建立方法或权利要求7所述的产品失效分析方法。

Images