CN111353082B - 良率分析的方法、装置和计算机可读存储介质 - Google Patents
良率分析的方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111353082B CN111353082B CN202010172049.0A CN202010172049A CN111353082B CN 111353082 B CN111353082 B CN 111353082B CN 202010172049 A CN202010172049 A CN 202010172049A CN 111353082 B CN111353082 B CN 111353082B
- Authority
- CN
- China
- Prior art keywords
- feature
- yield
- low
- similarity
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/93—Document management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本公开的实施例涉及良率分析的方法、装置和计算机可读存储介质。该方法包括:提取低良率晶圆数据的至少一个特征,所述至少一个特征与低良率案件档案库中的至少一个特征相对应;基于所述至少一个特征,确定所述低良率晶圆数据与所述低良率案件档案库中的低良率案件的相似度;基于所述相似度,确定所述低良率档案库中与所述低良率晶圆数据匹配的特定低良率案件;以及获取与所述特定低良率案件相关的档案信息,以指导对所述低良率晶圆数据的分析。
Description
技术领域
本公开的实施例一般地涉及芯片制造领域,并且更具体地涉及良率分析的方法、装置和计算机可读存储介质。
背景技术
为了高效率的分析良率的产生原因,生产单位往往会建立有关良率案件的档案库,将历史的低良率案件进行存储,以供其他用户在有需求的情况下进行查看。
通常,通过关键字对档案库中的低良率案件进行搜索,获得对应的案件以后,用户通过读取案件信息进行人为的比对和判断。通常通过有经验的案件负责人,经过仔细研判后,可能会找到对破案有启发的灵感。
然而,在这种方案中,整个流程高度依赖于案件负责人,例如,案件负责人是否知晓该案件库,是否愿意、熟悉使用该案件库等。当索引到一些可能的类似案件时,案件负责人的耐心、敏感度、分析研判等各种能力决定了该案件库对他的帮助程度。由于整个阅读、研判过程需要耗费时间和脑力,而案件负责人是否能从里面获得灵感还是未知数,因此该做法有高度的不确定性、投入回报率很低。
发明内容
本公开的实施例提供了良率分析的方法、装置和计算机可读存储介质。
在第一方面,提供了一种良率分析方法。该方法包括:提取低良率晶圆数据的至少一个特征,所述至少一个特征与低良率案件档案库中的低良率案件的至少一个特征相对应;基于所述至少一个特征,确定所述低良率晶圆数据与所述低良率案件档案库中的低良率案件的相似度;基于所述相似度,确定所述低良率档案库中与所述低良率晶圆数据匹配的特定低良率案件;以及获取与所述特定低良率案件相关的档案信息,以指导对所述低良率晶圆数据的分析。
在一些实施例中,所述至少一个特征包括多个特征,并且确定所述相似度包括:比较所述低良率晶圆数据的各个特征与所述低良率案件档案库中的低良率案件的相应特征,以确定所述低良率晶圆数据与所述低良率案件档案库中的低良率案件的各个特征相似度;以及对所述各个特征相似度进行加权平均,以确定所述相似度。
在一些实施例中,所述至少一个特征包括以下特征中的一项或多项:第一特征,其表示失效芯片在晶圆上的分布图形;第二特征,其表示失效晶圆在整批中的规律;第三特征,其表示失效晶圆的Bin的定义;以及第四特征,其表示失效晶圆的电性特征。
在一些实施例中,所述至少一个特征包括所述第一特征,并且确定所述相似度包括:在允许旋转和放大的情况下,确定第一失效图形与第二失效图形之间的最大重叠率,其中,所述第一失效图形为所述低良率晶圆数据中的晶圆上的失效图形,所述第二失效图形为所述低良率案件档案库中的低良率案件的晶圆上的失效图形,并根据所述最大重叠率确定所述第一特征的特征相似度。
在一些实施例中,确定所述最大重叠率包括:确定所述第一失效图形与所述第二失效图形中的面积较小图形和面积较大图形;迭代执行以下步骤:将所述面积较小图形绕圆心旋转;以所述面积较小图形的圆心为固定点,放大所述面积较小图形;以及确定放大后的面积较小图形与所述面积较大图形的重叠率,以所述重叠率达到最大时停止放大;以及确定所述重叠率中的最大值,以作为所述最大重叠率。
在一些实施例中,所述至少一个特征包括所述第一特征,并且确定所述相似度包括:通过图像识别来确定针对所述第一特征的特征相似度。
在一些实施例中,所述至少一个特征包括所述第二特征,其中所述第二特征以字符阵列来表示,所述字符阵列中的每个字符指示相应晶圆是否失效,并且确定所述相似度包括:基于所述字符阵列的相似度,确定针对所述第二特征的特征相似度。
在一些实施例中,所述至少一个特征包括所述第三特征,其中所述第三特征以字符串来表示失效晶圆的bin的定义,并且确定所述相似度包括:通过字符串模糊匹配,确定针对所述第三特征的特征相似度。
在一些实施例中,所述至少一个特征包括所述第四特征,其中所述第四特征以3D图形来表示,并且确定所述相似度包括:通过3D图像识别,确定针对所述第四特征的特征相似度。
在一些实施例中,所述方法还包括:响应于获取与所述特定低良率案件相关的档案信息,自动推送与所述特定低良率案件相关的档案信息。
在一些实施例中,所述方法还包括:监控晶圆数据;以及响应于从所述晶圆数据中识别出所述低良率晶圆数据,自动触发对所述低良率晶圆数据的特征提取。
在一些实施例中,确定所述特定低良率案件包括:
确定所述特定低良率案件与所述低良率晶圆数据的相似度大于阈值。
在第二方面,提供了一种电子设备。该电子设备包括处理单元;存储器,耦合至所述处理单元并且包括存储于其上的程序,所述程序在由所述处理单元执行时使所述设备执行动作,所述动作包括:提取低良率晶圆数据的至少一个特征,所述至少一个特征与低良率案件档案库中的低良率案件的至少一个特征相对应;基于所述至少一个特征,确定所述低良率晶圆数据与所述低良率案件档案库中的低良率案件的相似度;基于所述相似度,确定所述低良率档案库中与所述低良率晶圆数据匹配的特定低良率案件;以及获取与所述特定低良率案件相关的档案信息,以指导对所述低良率晶圆数据的分析。
在第三方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有机器可执行指令,当所述机器可执行指令在被至少一个处理器执行时,使得所述至少一个处理器实现根据第一方面所述的方法。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本公开的一些实施例的良率分析的系统的示意图;
图2示出了根据本公开的一些实施例的良率分析的方法的流程图;
图3A示出了根据本公开的一些实施例的低良率晶圆数据中的失效芯片分布图形的示意图;
图3B示出了根据本公开的一些实施例的低良率案件档案库中的低良率案件的失效芯片分布图形的示意图;
图4示出了根据本公开的一些实施例的用于确定最大重叠率的方法的流程图。
图5示出了根据本公开的一些实施例的最大重叠率的示意图;
图6示出了根据本公开的一些实施例的失效晶圆分布规律的示意图;
图7示出了根据本公开的一些实施例的电性特征的示意图;
图8示出了根据本公开的一些实施例的失效晶圆分布规律的字符阵列表示;
图9A示出了根据本公开的一些实施例的电性特征的三维表示的示意图;
图9B示出了如图9A所示的三维图像的二维截面图;
图10示出了根据本公开的一些实施例的低良率案件检测的示意图;
图11示出了根据本公开的一些实施例的失效晶圆分布的示意图;
图12A示出了根据本公开的一些实施例的失效芯片分布图形的示意图;
图12B示出了根据本公开的一些实施例的电性分布的示意图;
图13A-图13F示出了根据本公开的一些实施例的历史案例的示意图;
图14示出了根据本公开的一些实施例的推送文件的示意图;以及
图15示出了可以实现本公开的实施例的设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
图1示出了根据本公开的一些实施例的用于良率分析的系统100的示意性框图。如图1所示,在框101,从历史的低良率案件(例如,如图1所示的低良率案件1-4等)进行关键特征提取,并将提取的低良率案件存储在低良率档案库102中。
在生产过程中,在框103,对晶圆数据进行监控,以确定是否存在低良率案件。如果从晶圆数据中识别出低良率案件,则对该低良率案件进行关键特征提取,并在低良率档案库102中自动检索是否存在相似案件。如图1所示,晶圆数据2-4为良率正常数据,将良率正常的晶圆数据存储在常规良率档案率104中。由于检测到晶圆数据1的良率低于预定义阈值,属于低良率数据,则对其进行关键特征提取。
如果在低良率档案库102中存在相似案件,则在框105进行自动推送等操作。例如,可以主动向案件负责人推送低良率档案库中的相关卷宗,并主动说明相似之处和相似等级。另外,还可以根据相关案件的结案原因,推荐下一步的动作,例如,应当进行怎样的数据分析或者其他失效分析。
根据本公开的实施例,该系统100可以脱离案件负责人的主动性、能力、眼界的限制,并且节省了案件负责人大量的检索、翻阅、研判可能类似案件的时间。另外,资深员工的宝贵经验积累借由该系统可以传承、延续并延伸出新的算法和判断能力。
图2示出了根据本公开的一些实施例的用于良率分析的方法200的流程图。方法200可以应用于如图1所示的系统100。然而,应当理解,方法200也可以应用于任何其他合适的系统。
在框202,方法200提取低良率晶圆数据的至少一个特征,所述至少一个特征与低良率案件档案库102中的至少一个特征相对应。该低良率晶圆数据可以是如图1所示的晶圆数据1。低良率晶圆数据的特征可以包括以下特征中的一个或多个:第一特征,其表示失效芯片在晶圆上的分布图形;第二特征,其表示失效晶圆在整批晶圆中的规律;第三特征,其表示失效晶圆的bin的定义,其中bin表示一颗芯片的分类,用以区分这颗芯片是否为功能正常的芯片,而且如果这颗芯片无法正常工作,用以区分这颗芯片具体是哪部分的功能无法正常实现;以及第四特征,其表示失效晶圆的电性特征。应当理解,上述特征的编号仅为了方便描述,而不对其进行任何限定。以下将对第一特征至第四特征进行简单介绍。
在制作芯片的过程中,通常将一个晶圆划分为大量的芯片,形成芯片的阵列。造成芯片失效的原因多种多样,而不同的原因可能导致不同的失效芯片分布图形。因此,从失效晶圆中提取失效芯片的分布图形对于确定失效原因具有指导性作用。图3A示出了根据本公开的一些实施例的分布图形300。在分布图形300中,晶圆被划分为多个不同的芯片,其中呈弧形分布的多个芯片均为失效芯片。如图3A所示,失效芯片的分布形成类似弧形结构,如箭头301所示,其为多个标号为“44”的失效芯片组成。
另外,在芯片制造过程中,通常一个批次对多个晶圆进行处理。有些失效原因可能与失效晶圆在整批晶圆中的批次分布相关联。例如,有些失效原因通常导致在整批晶圆中都出现问题,而有些失效原因仅在一个批次中的某几个固定的晶圆上出现问题。图6示出了根据本公开的一些实施例的失效晶圆规律的示意图600。在图6中示出了一个批次的25个晶圆的良率数据,其中每一个方格中包含了晶圆编号及其对应的良率。例如,第1号晶圆的良率是91.06%,第2号晶圆的良率是89.08%,依次类推。另外,图6通过高亮的方式示出了失效晶圆,其中第7、11、19和23号晶圆的良率分别为33.62%、28.79%、35.32%和33.76%。这些晶圆的良率低于一定阈值,从而为失效晶圆。例如,可以将图6所示的这种失效规律定义为一个种类的失效规律,即,这批晶圆中存在四个失效晶圆。
在芯片测试过程中,通常会对晶圆进行分bin处理,例如,根据OS(开路/短路)、ATPG(自动测试向量生成)、BIST(内建测试)等进行分bin。例如,如果一个失效晶圆没有通过OS测试,则该晶圆的失效bin的定义则包含OS。
另外,从电性测试中可以提取失效晶圆的电性特征,例如,芯片的电性分布规律。通常一个晶圆的电性特征要求在一个目标值的一定范围内分布。图7示出了三个晶圆的IDDQ电性特征,包括第一晶圆的漏电分布曲线701,第二晶圆的漏电分布曲线702,第三晶圆的漏电分布曲线703。第一晶圆的漏电分布曲线701为正常的分布曲线,表示第一晶圆的芯片的漏电流值大部分集中在期望漏电流值附近。第二晶圆的漏电分布曲线702的期望漏电流值与第一晶圆的漏电分布曲线701基本相同,然而,第二晶圆的漏电分布曲线702的“尾巴太长”,如箭头704所示。这说明第二晶圆中的不少芯片与期望漏电流值的偏离较大,导致产生电性异常。第三晶圆的漏电分布曲线703与漏电分布曲线701相比整体右移,从而整体具有较大的漏电流,这也导致电性异常。
以上结合新的低良率晶圆数据来描述特征提取过程。然而,应当理解,在低良率档案库102的构建过程中,也可以提取上述特征。另外,在低良率档案库102的构建过程中,还可以将专家的历史经验积累(例如,原因分析报告和异常处理策略)等进行关联存储。
在框204,确定低良率晶圆数据与低良率案件档案库中的低良率案件的相似度。可以根据提取的特征来确定低良率晶圆与历史低良率案件的相似度。以下将根据第一特征至第四特征对相似度分析进行依次讨论。
结合图3A-图5来描述根据本公开的一些实施例的基于第一特征的特征相似度。图3A示出了根据本公开的一些实施例的低良率晶圆数据中的分布图形300的示意图,而图3B示出了根据本公开的一些实施例的低良率案件档案库中的低良率案件的分布图形350的示意图。可以看出,两者的失效芯片分布均呈弧形分布,分别由箭头301和351指示。本公开的一些实施例通过系统性的方法来识别相同或相似的分布类型。
在一些实施例中,针对第一特征的特征相似度,简称第一特征相似度,可以表示为在允许旋转和放大的情况下,第一失效图形与第二失效图形之间的最大重叠率,其中第一失效图形为低良率晶圆数据中的晶圆上的失效图形,第二失效图形为低良率案件档案库中的低良率案件的晶圆上的失效图形。换句话说,该相似度表示两个图形经绕圆心旋转后交叠时的最大重合面积与两者中面积较大的一方的比值。在如图5所示的实施例中,面积较小图形为分布图形300,而面积较大图形为分布图形350。例如,一般在晶圆大小相同的前提下来进行晶圆大小的比较。失效图形的面积大小与单颗芯片的大小无直接相关,失效图形的面积大小是由芯片失效的成因的严重性决定的。例如,单颗芯片相同的两个晶圆,一个晶圆在生产制造的过程中产生了更多的缺陷,缺陷分布在更广阔的范围内,则该晶圆的失效图形的面积就比另外一个晶圆的失效图形的面积更大。这里说的面积,可以简单地理解为“单颗芯片的面积”与“失效图形中芯片的颗数”的乘积。如图5所示,分布图形300中失效芯片的总面积较小,因此为面积较小图形,而分布图形350中失效芯片的总面积较大,因此为面积较大图形。在最大重叠率情况下,在面积较大图形350上示出了与面积较小图形300内的失效图形重叠的部分。
图4示出了根据本公开的一些实施例的用于确定最大重叠率的方法400的流程图。在框402,将面积较小图形绕圆心旋转。在一些示例中,可以以固定的角度来旋转面积较小图形。例如,将该图形以顺时针旋转1度。
在框404,以面积较小图形的圆心为固定点,以固定的步长来放大该图形。
在框406,将放大的面积较小图形与面积较大图形进行重叠来确定重合面积与面积较大图形的面积的比值,以作为重叠率。
在框408,确定是否为最后一个放大倍数。例如,如果重叠率随着放大倍数的增加而减小,则认为该放大倍数为最后一个放大倍数。如果在框408确定为最后一个放大倍数,那么对于该旋转角度而言,确定了最大的重叠率。然后,方法400前进至框410,确定是否为最后一个旋转角度。例如,如果每次顺时针旋转1度,则360度之后回到原位置,则为最后一个旋转角度。也可以以360等分后每一个旋转角度作为一个旋转次数,那么旋转角度就是360按照旋转次数的角度的等分,例如,每次顺时针旋转1度,则总共旋转360次回到原位置,则第360次为最后一个旋转角度。如果在框410判断是最后一个旋转角度,那么已经穷尽了所有可能的旋转角度。在这种情况下,可以从所有的重叠率中确定最大的重叠率,并将最大的重叠率作为第一特征的特征相似度。
如果在框408确定不是最后一个放大倍数,那么在框414更改放大倍数。例如,可以根据固定的步长来增大放大倍数,例如,1.01倍、1.02倍、1.03倍等。然后,在框404根据更改后的放大倍数来进行放大。
如果在框410确定不是最后一个旋转角度,那么在框416更改旋转角度。例如,可以根据固定的步长来进行旋转。例如,将该图形以顺时针进一步旋转1度。
应当理解,方法400仅是确定第一特征的特征相似度的示例方式,本领域技术人员容易设想各种替代实现方式。例如,可以对面积较大图形进行逐步缩小,并根据逐步缩小的图形与面积较小的图形进行重叠率比较。
在一些实施例中,为了确定第二特征相似度,可以将第二特征分为三大类:失效晶圆有特定规律、随机部分晶圆失效和整批晶圆失效。例如,失效晶圆有特定规律可以分为多个子种类,例如,by2、by3、by4、by5、by6、12bad、13bad、2good+2bad、7bad、7good,其中,by2是指每2片会有1片失效晶圆;by3是指每3片会有1片失效晶圆;by4是指每4片会有一片失效晶圆;by5是指每5片会有1片失效晶圆;by6是指每间隔6片会有1片失效晶圆;12bad表示一个批次(例如,25片晶圆)中有12个片号连续的晶圆为失效晶圆,其他(例如,13片晶圆)是良好的;13bad表示一个批次(例如,25片晶圆)中有13个片号连续的晶圆为失效晶圆,其他(例如,12片晶圆)状况良好;2good+2bad,是2片良品晶圆和2片失效晶圆间隔;7bad表示一个批次(例如,25片晶圆)中有7个片号连续的晶圆为失效晶圆,其他(例如,18片晶圆)状况良好;7good表示一个批次(例如,25片晶圆)中有7个片号连续的晶圆为良品晶圆,其他(例如,18片晶圆)为失效晶圆;等等,只要能够获取其中的规律即可,具体出现规则不做限定。对于第二特征,可以将不同大类之间的相似度定义为0,将这些子种类之间的相似度为50%,并且相同子种类之间的相似度为100%。应当理解,以上数值仅为示例,本领域技术人员也可以使用任何其他合理的数值。
在一些实施例中,对于第三特征,也可以以类似的方法来定义相似度值作为第三特征相似度。如果两个案件的bin相同,则bin相似度为100%。如果bin相似,例如,均为漏电问题,但是属于不同的漏电属性(例如,IDDQ、Istandby、Ioff、leakage),则相似度为70%。如果两个案件的bin的种类完全不同,则相似度为0%。应当理解,以上数值仅为示例,本领域技术人员也可以使用任何其他合理的数值。例如,对于bin相似的情况,也可以使用50%来代替70%。
在一些实施例中,对于第四特征,如果两个案件属于同一类,则两者的电性表现的相似度可以定义为100%,否则可以定义为0%。以这种方式,可以计算第四特征相似度。应当理解,以上数值仅为示例,本领域技术人员也可以使用任何其他合理的数值。
在一些实施例中,可以综合以上四个因素来计算两个案件的相似度。例如,可以对以上四个因素进行加权平均来确定两个案件的相似度,即,相似度=K1 X(第一特征相似度)+K2 X(第二特征相似度)+K3 X(第三特征相似度)+K4 X(第四特征相似度),其中K1、K2、K3和K4为权重系数,K1+K2+K3+K4=100%。应当理解,根据具体的应用场景,也可以使用更多或更少的特征进行评估。
近些年来,人工智能领域发展非常迅速,在各个领域,特别是图像识别领域的应用得到了非常广泛的应用。在一些实施例中,可以通过人工智能技术来进行相似案件的判断。例如,人工智能技术可以广泛应用于分类问题,其可以判断一个样本与预定义的类别之间的相似度。常见的人工智能模型包括神经网络模型,例如,卷积神经网络(CNN)、递归神经网络(RNN)等。在模型的训练过程中,人工智能模型可以从训练集中获取训练样本,并基于训练集中的训练样本对模型进行训练,以获得优化的模型。在预测阶段,可以根据训练好的模型来判断新的样本的类别,特别是新的样本与预定义类别相关联的概率。
芯片良率分析的关键特征识别也可以通过应用人工智能模型来进行分析。例如,对于第一特征(晶圆上的失效图形),人工智能模型可以对图像进行识别,以获取与预定义类别的相关联的概率,即,第一特征相似度。
第二特征(失效晶圆在整批中的特定规律)可等效于G/B组成的字符阵列,其中G表示正常晶圆,而B表示失效晶圆。如图8所示,该字符阵列与如图6所示的失效晶圆分布规律对应。通过对字符阵列进行模式匹配可以判断两个案件之间的第二特征相似度。
第三特征(失效的Bin的定义)是由一系列字符组成的字符串。因此,可以通过字符串模糊匹配的方式来确定两个案件之间的第三特征相似度。例如,对于一个失效晶圆的bin的定义为OS,可以比较字符串“OS”与低良率案件数据库中的各个案例的bin的定义,以确定是否与字符串“OS”匹配。如果一个案例的bin的定义包含字符串“OS”,则可以认为两者匹配,从而确定第二特征相似度为100%。
对于第四特征,可以将晶圆上的任一电性参数的数值进行3D画图,数值越大则高度越高,数值越小则高度越低。图9A示出了根据本公开的一些实施例的3D电性参数的示意图,并且图9B示出了图9A的3D图像的一个截面图。通过对3D图像进行3D图像识别来确定两个案例的第四特征相似度。例如,可以通过人脸识别的方法来对3D图像进行识别。例如,类似于通过人脸的起伏和关键部位的尺寸来识别身份,人工智能通过参数值的大小转换的3D起伏及其在晶圆上的位置,同样可以来判断两个案例是否在相同的位置有相同的起伏趋势,从而判断是否是相似的案件。在一个实施例中,图9A所示的3D图像可以由点云数据来表示,通过人工智能模型(例如,深度学习模型)可以提取点云数据的特征,并通过这些特征来计算两个不同案例之间的相似度。
应当理解,以上介绍的人工智能实现可以与之前介绍的计算机实现进行结合。例如,第一特征相似度可以通过方法400来计算,而第四特征相似度可以通过3D图像识别来计算。
现在返回图2,在框206,基于在框204确定的相似度来确定低良率档案库中与低良率晶圆数据匹配的低良率案件。在一些实施例中,框206可以确定低良率档案库中的一个低良率案件的相似度大于阈值。例如,可以是相似度的绝对值大于阈值,也可以是相似度的排名大于阈值。例如,框206可以确定相似度最大的低良率案件。
在框208,获取在框206中确定的低良率案件的档案信息,以用于指导对新的低良率晶圆数据的分析。例如,可以主动推送低良率档案库中的相关卷宗,并主动说明相似之处和相似等级。另外,还可以根据相关案件的结案原因,推荐下一步的动作。
以下将结合图10-图14介绍根据本公开的一个具体实施例,以加深对本公开的构思的理解。图10示出了各个批次的良率的示意图,其中,第12批次的良率下探到了良率的下限1000。因此,第12批次的低良率检测结果触发了系统100的自动检测功能。图11示出了该实施例中的各个晶圆的失效图形。对这些晶圆进行特征提取,获得了如图12A所示的失效图形以及如图12B所示的电性参数图形。另外,还知悉失效bin种类为OS,失效晶圆在同批次中的规律为整批(失效率80%)。
系统100将这些特征与低良率案件数据库进行自动比对。例如,图13A-13F示出了根据本公开的一些实施例的低良率案件数据库中的若干案例,依次为案例1至案例6。如图13A所示,案例1的失效图形为随机图形。案例1的失效bin种类为OS、ATPG、BIST、IDDQ、Analog。在案例1中,失效晶圆在同批次中的规律为无规律。低良率案件数据库中还记录了案例1的失效原因,即,随机分布的缺陷、尘埃等。
如图13B所示,案例2的失效图形为弧形,由箭头1301指示。案例2的失效bin种类为OS、ATPG和BIST。案例2中,失效晶圆在同批次中的规律为每4片中有一个失效晶圆。低良率案件数据库中还记录了案件2的失效原因,即,化学机械抛光(CMP)的划伤,例如,由于研磨头掩模晶圆上表面而产生的划伤。
如图13C所示,案例3的失效图形为环形,由箭头1302指示。案例3的失效bin种类为ATPG_LV、BIST_LV、IDDQ、Vmin。在案例3中,失效晶圆在同批次中的规律为无规律。低良率案件数据库中还记录了案件3的失效原因,即,晶体管在晶圆上不同区域的表现不同,例如,芯片内的晶体管的漏电程度。
如图13D所示,案例4的失效图形为三点图,由箭头1303指示。案例4的失效bin种类为:OS、ATPG、BIST。在案例4中,失效晶圆在同批次中的规律为整批(例如,超过80%晶圆)。低良率案件数据库中还记录了案件4的失效原因,即,对应位置的机台零件(例如,晶圆托盘、手臂等)对晶圆的损伤,例如,放电、刮伤、尘掉落等。
如图13E所示,案例5的失效图形为辐射状,由箭头1304指示。案例5的失效bin种类为OS、ATPG、BIST、IDDQ、Analog。在案例5中,失效晶圆在同批次中的规律为每个批次中的第一片。低良率案件数据库中还记录了案例5的失效原因,即,研磨液、水、显影液等喷出的位置通过离心力的作用而造成的。
如图13F所示,案例6的失效图形为晶圆边缘,由箭头1305指示。案例6的失效bin种类为OS、ATPG。在案例6中,失效晶圆在同批次中的规律为无规律。低良率案件数据库中还记录了案件6的失效原因,即,晶体管在晶圆上不同的区域表现不同。这可能是由于晶圆的厚度分布不均匀而导致的。
通过第12批次的数据与低良率案件数据库中的案例之间的相似度计算,获得了表1:
表1
可以看出,案例4与第12批次之间的相似度最高,从而案例4的档案可能对第12批次的分析具有重要的指导作用。例如,案例4的档案中可能记载了导致案例4中的低良率事件的原因以及对这种低良率事件的后续处理策略。由于案例4与第12批次之间存在较高的相似度,可以推断案例4的档案能够指导对第12批次的低良率晶圆数据的分析。因此,可以将案例4的相关信息主动推送给相关负责人。备选地,可以将相似度大于预定阈值的所有案件都推送给相关负责人,例如,预定阈值为50%,则将相似度值为82%的案例4作为特定低良率案件。图14示出了推送文件的示例,其中示出了两个案件的对比情况和历史案件的分析报告。这可以通过邮件等方式进行推送。根据本公开的实施例,可以显著节省案件负责人大量的检索、翻阅、研判可能类似案件的时间。另外,资深员工对历史案件的后续处理的宝贵经验积累借由该系统可以传承、延续并延伸出新的算法和判断能力。
图15示出了一个可以用来实施本公开的实施例的设备1500的示意性框图。如图15所示,设备1500包括中央处理单元(CPU)1501,其可以根据存储在只读存储器(ROM)1502中的计算机程序指令或者从存储单元1508加载到随机访问存储器(RAM)1503中的计算机程序指令,来执行各种适当的动作和处理。在RAM 1503中,还可存储设备1500操作所需的各种程序和数据。CPU 1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。
设备1500中的多个部件连接至I/O接口1505,包括:输入单元1506,例如键盘、鼠标等;输出单元1507,例如各种类型的显示器、扬声器等;存储单元1508,例如磁盘、光盘等;以及通信单元1509,例如网卡、调制解调器、无线通信收发机等。通信单元1509允许设备1500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200和400,可由处理单元1501执行。例如,在一些实施例中,方法200和400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1508。在一些实施例中,计算机程序的部分或者全部可以经由ROM1502和/或通信单元1509而被载入和/或安装到设备1500上。当计算机程序被加载到RAM1503并由CPU 1501执行时,可以执行上文描述的方法200和400的一个或多个步骤。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (15)
1.一种用于良率分析的方法,包括:
提取低良率晶圆数据的至少一个特征,所述至少一个特征与低良率案件档案库中的低良率案件的至少一个特征相对应;
基于所述至少一个特征,确定所述低良率晶圆数据与所述低良率案件档案库中的低良率案件的相似度;
基于所述相似度,确定所述低良率案件档案库中与所述低良率晶圆数据匹配的特定低良率案件;以及
获取与所述特定低良率案件相关的档案信息,以指导对所述低良率晶圆数据的分析。
2.根据权利要求1所述的方法,其中所述至少一个特征包括多个特征,并且确定所述相似度包括:
比较所述低良率晶圆数据的各个特征与所述低良率案件档案库中的低良率案件的相应特征,以确定所述低良率晶圆数据与所述低良率案件档案库中的低良率案件的各个特征相似度;以及
对所述各个特征相似度进行加权平均,以确定所述相似度。
3.根据权利要求1或2所述的方法,其中所述至少一个特征包括以下特征中的一项或多项:
第一特征,其表示失效芯片在晶圆上的分布图形;
第二特征,其表示失效晶圆在整批中的规律;
第三特征,其表示失效晶圆的bin的定义;以及
第四特征,其表示失效晶圆的电性特征。
4.根据权利要求3所述的方法,其中所述至少一个特征包括所述第一特征,并且确定所述相似度包括:
在允许旋转和放大的情况下,确定第一失效图形与第二失效图形之间的最大重叠率,其中,所述第一失效图形为所述低良率晶圆数据中的晶圆上的失效图形,所述第二失效图形为所述低良率案件档案库中的低良率案件的晶圆上的失效图形,并根据所述最大重叠率确定所述第一特征的特征相似度。
5.根据权利要求4所述的方法,将所述最大重叠率作为所述第一特征的特征相似度。
6.根据权利要求4或5所述的方法,其中确定所述最大重叠率包括:
确定所述第一失效图形与所述第二失效图形中的面积较小图形和面积较大图形;
迭代执行以下步骤:
将所述面积较小图形绕圆心旋转;
以所述面积较小图形的圆心为固定点,放大所述面积较小图形;以及
确定放大后的面积较小图形与所述面积较大图形的重叠率,以所述重叠率达到最大时停止放大;以及
确定所述重叠率中的最大值,以作为所述最大重叠率。
7.根据权利要求3所述的方法,其中所述至少一个特征包括所述第一特征,并且确定所述相似度包括:
通过图像识别来确定针对所述第一特征的特征相似度。
8.根据权利要求3所述的方法,其中所述至少一个特征包括所述第二特征,其中所述第二特征以字符阵列来表示,所述字符阵列中的每个字符指示相应晶圆是否失效,并且确定所述相似度包括:
基于所述字符阵列的相似度,确定针对所述第二特征的特征相似度。
9.根据权利要求3所述的方法,其中所述至少一个特征包括所述第三特征,其中所述第三特征以字符串来表示失效晶圆的bin的定义,并且确定所述相似度包括:
通过字符串模糊匹配,确定针对所述第三特征的特征相似度。
10.根据权利要求3所述的方法,其中所述至少一个特征包括所述第四特征,其中所述第四特征以3D图形来表示,并且确定所述相似度包括:
通过3D图像识别,确定针对所述第四特征的特征相似度。
11.根据权利要求1或2所述的方法,还包括:
响应于获取与所述特定低良率案件相关的档案信息,自动推送与所述特定低良率案件相关的档案信息。
12.根据权利要求1或2所述的方法,还包括:
监控晶圆数据;以及
响应于从所述晶圆数据中识别出所述低良率晶圆数据,自动触发对所述低良率晶圆数据的特征提取。
13.根据权利要求1或2所述的方法,其中确定所述特定低良率案件包括:
确定所述特定低良率案件与所述低良率晶圆数据的相似度大于阈值。
14.一种电子设备,包括:
处理单元;
存储器,耦合至所述处理单元并且包括存储于其上的程序,所述程序在由所述处理单元执行时使所述电子设备执行根据权利要求1-11中任一项所述的方法的步骤。
15.一种计算机可读存储介质,所述计算机可读存储介质上存储有机器可执行指令,当所述机器可执行指令在被至少一个处理器执行时,使得所述至少一个处理器实现根据权利要求1-13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010172049.0A CN111353082B (zh) | 2020-03-12 | 2020-03-12 | 良率分析的方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010172049.0A CN111353082B (zh) | 2020-03-12 | 2020-03-12 | 良率分析的方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353082A CN111353082A (zh) | 2020-06-30 |
CN111353082B true CN111353082B (zh) | 2023-10-13 |
Family
ID=71194471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010172049.0A Active CN111353082B (zh) | 2020-03-12 | 2020-03-12 | 良率分析的方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353082B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858990A (zh) * | 2020-07-28 | 2020-10-30 | 上海喆塔信息科技有限公司 | 一种基于卷积分类网络的晶圆图失效模式相似检索的方法 |
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 |
CN113157666A (zh) * | 2021-04-15 | 2021-07-23 | 筏渡(上海)科技有限公司 | 一种建立晶圆良率问题数据库的方法和装置 |
CN113344918B (zh) * | 2021-08-02 | 2021-12-03 | 深圳市深科硅橡胶模具有限公司 | 一种热成型模具检测方法、系统和可读存储介质 |
CN114397985B (zh) * | 2022-03-25 | 2022-07-12 | 杭州广立微电子股份有限公司 | 一种晶圆良率数据的处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201439986A (zh) * | 2013-02-01 | 2014-10-16 | Kla Tencor Corp | 使用缺陷特定及多通道資訊檢測晶圓上之缺陷 |
CN109426655A (zh) * | 2017-08-22 | 2019-03-05 | 合肥捷达微电子有限公司 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10242008B2 (en) * | 2015-07-06 | 2019-03-26 | International Business Machines Corporation | Automatic analysis of repository structure to facilitate natural language queries |
-
2020
- 2020-03-12 CN CN202010172049.0A patent/CN111353082B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201439986A (zh) * | 2013-02-01 | 2014-10-16 | Kla Tencor Corp | 使用缺陷特定及多通道資訊檢測晶圓上之缺陷 |
CN109426655A (zh) * | 2017-08-22 | 2019-03-05 | 合肥捷达微电子有限公司 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
汪秀全 ; .晶圆测试中常见不良分析.中国集成电路.2018,(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111353082A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353082B (zh) | 良率分析的方法、装置和计算机可读存储介质 | |
US10963566B2 (en) | Malware sequence detection | |
US11620384B2 (en) | Independent malware detection architecture | |
CN107315956B (zh) | 一种用于快速准确检测零日恶意软件的图论方法 | |
US11580222B2 (en) | Automated malware analysis that automatically clusters sandbox reports of similar malware samples | |
US11042815B2 (en) | Hierarchical classifiers | |
CN111612041A (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
KR102348536B1 (ko) | 기계 학습 기반의 이상 행위 탐지 방법 및 그 장치 | |
Vignotto et al. | Extreme value theory for anomaly detection–the GPD classifier | |
CN113672931B (zh) | 一种基于预训练的软件漏洞自动检测方法及装置 | |
KR20190115319A (ko) | 문장을 복수의 클래스들로 분류하는 모바일 장치 및 방법 | |
Vignotto et al. | Extreme Value Theory for Open Set Classification--GPD and GEV Classifiers | |
CN109388944A (zh) | 一种基于kpca和elm的入侵检测方法 | |
Sundara Vadivel et al. | An efficient CBIR system based on color histogram, edge, and texture features | |
US20230169569A1 (en) | Systems and methods for recommendation of items and controlling an associated bias thereof | |
CN117461032A (zh) | 异常检测系统及方法 | |
CN114722794A (zh) | 数据提取方法和数据提取装置 | |
CN114511756A (zh) | 基于遗传算法的攻击方法、装置及计算机程序产品 | |
CN112613032B (zh) | 基于系统调用序列的主机入侵检测方法及装置 | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
US20230096921A1 (en) | Image recognition method and apparatus, electronic device and readable storage medium | |
US11188405B1 (en) | Similar alert identification based on application fingerprints | |
US20230362180A1 (en) | Semi-supervised framework for purpose-oriented anomaly detection | |
US20230113750A1 (en) | Reinforcement learning based group testing |
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 |