CN111667111A - 一种集成电路晶圆制造中的良率预测方法 - Google Patents

一种集成电路晶圆制造中的良率预测方法 Download PDF

Info

Publication number
CN111667111A
CN111667111A CN202010491650.6A CN202010491650A CN111667111A CN 111667111 A CN111667111 A CN 111667111A CN 202010491650 A CN202010491650 A CN 202010491650A CN 111667111 A CN111667111 A CN 111667111A
Authority
CN
China
Prior art keywords
yield
product
reference product
alternative reference
obtaining
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
Application number
CN202010491650.6A
Other languages
English (en)
Other versions
CN111667111B (zh
Inventor
师伟堂
王文瑞
曾子明
曹玥
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 Glorysoft Co ltd
Original Assignee
Shanghai Glorysoft 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 Glorysoft Co ltd filed Critical Shanghai Glorysoft Co ltd
Priority to CN202010491650.6A priority Critical patent/CN111667111B/zh
Publication of CN111667111A publication Critical patent/CN111667111A/zh
Priority to PCT/CN2021/097610 priority patent/WO2021244510A1/zh
Priority to US17/627,695 priority patent/US20220245301A1/en
Application granted granted Critical
Publication of CN111667111B publication Critical patent/CN111667111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/22—Yield analysis or yield optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Manufacturing & Machinery (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种集成电路晶圆制造中的良率预测方法，包括以下步骤：备选参考产品模型获取；备选参考产品参数获取；备选参考产品函数获取；备选参考产品预测；最终参考产品选择；新产品预测模型获取；新产品良率预测。本发明提供的集成电路晶圆制造中的良率预测方法，基于晶圆制造中的随机缺陷密度与良率的函数关系，参考生产线上已有成熟产品的良率数据，通过数据模型建立及回归分析，能达到一个比较精确的新产品良率预测值，给半导体集成电路晶圆制造提供一种新产品良率预测的方法。

Description

一种集成电路晶圆制造中的良率预测方法
技术领域
本发明涉及一种集成电路晶圆制造中的良率预测方法。
背景技术
在半导体集成电路晶圆制造过程中，特别是新产品开发过程中，新产品的良率对于初始的成本预算及产出价值有着关键的影响，而半导体集成电路晶圆制造涉及制造程序复杂，制造工艺繁多，产品种类众多，其中关于新产品良率预测有很大程度的不确定性和主观经验性因素，由于不能准确的预测新产品的投产良率，从而使得在生产制造前期决策时间延长，增加生产的时间成本及其他相关成本，并导致在决策新产品研发投产前无法准确估计相应的产出价值。
发明内容
本发明是为了解决上述问题而进行的，提供了一种集成电路晶圆制造中的良率预测方法，基于晶圆制造中的随机缺陷密度与良率的函数关系，参考生产线上已有成熟产品的良率数据，通过数据模型建立及回归分析，能达到一个比较精确的新产品良率预测值，给半导体集成电路晶圆制造提供一种新产品良率预测的方法。
为实现上述目的，本发明提出一种集成电路晶圆制造中的良率预测方法，具有这样的特征，包括以下步骤：
备选参考产品模型获取：选取参考产品库中的第一数量个备选参考产品，根据第一预设规则，得到基于各所述备选参考产品的全调整因子线性回归方程；
备选参考产品参数获取：分别获取各所述备选参考产品的各良率影响因子；
备选参考产品函数获取：根据所述各良率影响因子和所述全调整因子线性回归方程，分别得到各所述备选参考产品的全协调因子线性函数，以及基于各所述备选参考产品的修正预测良率模型；
备选参考产品预测：由各所述基于当前备选参考产品的修正预测良率模型，得到各其他备选参考产品的预测良率，根据第二预设规则分别得到基于各所述备选参考产品的整体良率误差值，根据第三预设规则得到基于各所述备选参考产品的全协调因子线性函数相关系数；
最终参考产品选择：选取所述整体良率误差值最小或全协调因子线性函数相关系数最接近1的备选参考产品作为最终参考产品；
新产品预测模型获取：根据基于所述最终参考产品的所述全调整因子线性函数，得到基于所述最终参考产品的新产品预测模型；
新产品良率预测：根据所述新产品良率预测模型以及所述新产品的良率影响因子，得到新产品良率预测结果。
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述第一预设规则为：
Figure BDA0002521292670000021
其中，Ye为所述备选参考产品e的实际良率，λe为对应所述备选参考产品e的晶圆平均缺陷数。
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述良率影响因子包含所述参考产品的光罩层数、晶片面积、最小线宽。
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述全调整因子线性回归方程σ为：
σ＝-lnY/λe＝f(X1,X2,X3,···)＝b+k1X1+k2X2+k3X3+···
其中，b为常数项，
X1、X2、X3分别为与各良率影响因子相关的变量项
Figure BDA0002521292670000031
Figure BDA0002521292670000032
为当前产品的光罩层数N与参考产品的光罩层数Ne之比对应的变量项，
Figure BDA0002521292670000033
为当前产品的晶片面积A与参考产品的晶片面积Ae之比对应的变量项，
Figure BDA0002521292670000034
为参考产品的最小线宽We与当前产品的最小线宽W之比对应的变量项，
k1为变量X1对应的线性回归系数，k2为变量X2对应的线性回归系数，k3为变量X3对应的线性回归系数。
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述全协调因子线性函数为：
Figure BDA0002521292670000035
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述修正良率预测模型为:
Figure BDA0002521292670000036
其中，
Figure BDA0002521292670000041
为产品i基于所述备选参考产品e的预测良率，σi为产品i基于所述备选参考产品e的全调整因子，Ye为所述备选参考产品e的实际生产良率。
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述第二预设规则为：基于当前备选参考产品时的整体良率误差值d为
Figure BDA0002521292670000042
其中，N为所述他备选参考产品总数量，zi为其他备选参考产品i的预测良率
Figure BDA0002521292670000043
与实际良率Yi差值，μ为所有所述其他备选参考产品的各预测良率与实际良率的差值的总平均值。
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述第三预设规则包括：基于各所述备选参考产品的全协调因子线性函数相关系数R为
Figure BDA0002521292670000044
其中，所有所述其他备选参考产品的实际良率的平均值
Figure BDA0002521292670000045
另外，本发明提供的集成电路晶圆制造中的良率预测方法，还具有这样的特征，所述预设评估规则为：所述其他备选参考产品的预测良率与实际良率值的整体误差值最小。
此外，为实现上述目的，本发明还提供了一种电子装置，具有这样的特征，该电子装置包括：存储器、处理器，所述存储器上存储有集成电路晶圆制造中的良率预测程序，所述集成电路晶圆制造中的良率预测程序被所述处理器执行时实现以下步骤：
备选参考产品模型获取：选取参考产品库中的第一数量个备选参考产品，根据第一预设规则，得到基于各所述备选参考产品的全调整因子线性回归方程；
备选参考产品参数获取：分别获取各所述备选参考产品的各良率影响因子；
备选参考产品函数获取：根据所述各良率影响因子和所述全调整因子线性回归方程，分别得到各所述备选参考产品的全协调因子线性函数，以及基于各所述备选参考产品的修正预测良率模型；
备选参考产品预测：根据各所述基于当前备选参考产品的修正预测良率模型，分别得到各所述备选参考产品的预测良率，并根据各所述预测良率与各实际良率的差值得到各所述备选参考产品的良率误差值；
最终参考产品选择：选取所述良率误差值最小的备选参考产品作为最终参考产品；
新产品预测模型获取：根据基于所述最终参考产品的所述全调整因子线性函数，得到基于所述最终参考产品的新产品预测模型；
新产品良率预测：根据所述新产品良率预测模型以及所述新产品的良率影响因子，得到新产品良率预测结果。
另外，本发明还提供了一种计算机可读存储介质，具有这样的特征，所述计算机可读存储介质上存储有所述集成电路晶圆制造中的良率预测程序，所述集成电路晶圆制造中的良率预测程序被处理器执行时实现上述集成电路晶圆制造中的良率预测方法的步骤。
发明作用和效果
本发明所涉及的集成电路晶圆制造中的良率预测方法，基于晶圆制造中的随机缺陷密度与良率的函数关系，参考生产线上已有成熟产品的良率数据，通过数据模型建立及回归分析，选择合适的参考产品，得到新产品预测模型，以进行新产品良率预测。本发明中的方法依据制造工厂现有生产线上的成熟产品数据库作为良率预测模型的基础，数据真实可靠，能达到比较精确的新产品良率预测值，反应该半导体晶圆制造工厂的实际生产能力，可以根据不同工厂的产品数据库建立对应的良率预测模型，对半导体晶圆制造工厂有普适性。
本方法理论基础依据良率与晶圆制造中缺陷密度的相关性模型函数，经过修正泊松模型因子优化，提高了良率预测模型的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1是本发明电子装置一实施例的示意图。
图2是本发明的集成电路晶圆制造中的良率预测程序一实施例的程序模块图。
图3是是本发明的集成电路晶圆制造中的良率预测程序截图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
以下参照附图及实施例对本发明所涉及的一种集成电路晶圆制造中的良率预测方法、装置和存储设备作详细的描述。以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1是本发明电子装置一实施例的示意图。
本发明提供一种电子装置1。参照图1所示，为本发明电子装置1较佳实施例的示意图。
在本实施例中，该电子装置1包括存储器11、处理器12，网络接口13及通信总线。其中，通信总线用于实现这些组件之间的连接通信。
网络接口13可以包括标准的有线接口、无线接口(如WI-FI接口)。
存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述可读存储介质可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述可读存储介质也可以是所述电子装置1的外部存储设备，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
在本实施例中，所述存储器11的可读存储介质通常用于存储安装于所述电子装置1的集成电路晶圆制造中的良率预测程序10等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行集成电路晶圆制造中的良率预测程序10等。
图1仅示出了具有组件11-13以及集成电路晶圆制造中的良率预测程序10的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选的，该电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。
可选地，该电子装置1还可以包括显示器，在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置中处理的信息以及用于显示可视化的用户界面。
图2示本发明的集成电路晶圆制造中的良率预测程序一实施例的程序模块图。
在图1所示的装置实施例中，作为一种计算机存储介质的存储器11中包括集成电路晶圆制造中的良率预测程序10，处理器12执行存储器11中存储的集成电路晶圆制造中的良率预测程序10时包括以下模块：备选参考产品模型获取模块110；备选参考产品参数获取模块120；备选参考产品函数获取模块130；备选参考产品预测模块140；最终参考产品选择模块150；新产品预测模型获取模块160；新产品良率预测模块170。
如图2所示，在本实施例中，集成电路晶圆制造中的良率预测程序10可以包括并执行：
备选参考产品模型获取模块110：选取参考产品库中的第一数量个备选参考产品，根据第一预设规则，得到基于各所述备选参考产品的全调整因子线性回归方程。
在本发明中，所述的参考产品库可以是由一条生产线上已有的成熟产品组成。更具体而言，在一些实施例中，某半导体集成电路晶圆制造工厂的生产线上有10种成熟的不同产品规格产品(产品1，产品2…产品10)，可将该10种产品作为参考产品库中的备选参考产品，在其中选出最合适的最终参考产品。每种产品具有不同的制程、产品参数与实际良率，可以作为良率模型参考库的数据。
更具体而言，本发明提供的集成电路晶圆制造中的良率预测程序中，首先根据第一预设规则建立良率与缺陷密度(缺陷数)的泊松模型。
所述第一预设规则为：
Figure BDA0002521292670000091
其中，Ye为所述备选参考产品e的实际良率，
λe为对应所述备选参考产品e的晶圆平均缺陷数。
所述晶圆平均缺陷数λe与产品的良率影响因子有关。
因此，修正的泊松模型的参数即全调整因子：
σ＝-lnY/λe
另外，所述全调整因子的数值受良率影响因子的影响，在本发明提供的集成电路晶圆制造中的良率预测方法中，所述良率影响因子包含所述参考产品的光罩层数、晶片面积、最小线宽。
进一步，根据所述良率与缺陷密度(缺陷数)的泊松模型，对所述全调整因子进行回归分析可得到所述全调整因子线性回归方程σ为：
σ＝-lnY/λe＝f(X1,X2,X3,···)＝b+k1X1+k2X2+k3X3+··
其中，b为常数项，
X1、X2、X3分别为与各良率影响因子相关的变量项
Figure BDA0002521292670000101
Figure BDA0002521292670000102
为当前产品的光罩层数N与参考产品的光罩层数Ne之比对应的变量项，
Figure BDA0002521292670000103
为当前产品的晶片面积A与参考产品的晶片面积Ae之比对应的变量项，
Figure BDA0002521292670000104
为参考产品的最小线宽We与当前产品的最小线宽W之比对应的变量项，
k1为变量X1对应的线性回归系数，
k2为变量X2对应的线性回归系数，
k3为变量X3对应的线性回归系数。
根据所述全调整因子线性回归模型σ可分别得到基于各备选参考产品的全调整因子线性回归方程。
图3是是本发明的集成电路晶圆制造中的良率预测程序截图。
如图3所示，在一些实施例中，对所述产品1，产品2…产品10分别进行线性回归分析，得到各备选参考产品(产品1，产品2...产品10)的全调整因子线性回归方程。
备选参考产品参数获取模块120：分别获取各所述备选参考产品的各良率影响因子。
在本发明中的集成电路晶圆制造中的良率预测程序中，所述良率影响因子包含所述参考产品的光罩层数、晶片面积、最小线宽，如下表1所示，在一些实施例中，每个备选参考产品(产品1，产品2...产品10)具有不同的光罩层数N、晶片的面积A，以及最小线宽W。
表1参考产品库中各备选参考产品的良率影响因子统计
产品 光罩层数 晶片面积cm2 最小线宽um 平均良率
1 11 0.1533 1.0 95.6％
2 10 0.1879 0.8 90.2％
3 12 0.2053 0.8 87.4％
4 14 0.0894 0.6 82.5％
5 10 0.1469 0.7 90.8％
6 13 0.1376 1.0 93.5％
7 12 0.1091 0.6 84.2％
8 11 0.1695 0.8 91.4％
9 12 0.1448 0.6 87.4％
10 11 0.1986 0.7 85.9％
备选参考产品函数获取模块130：根据所述各良率影响因子和所述全调整因子线性回归方程，分别得到各所述备选参考产品的全协调因子线性函数，以及基于各所述备选参考产品的修正预测良率模型。
由于晶圆制造的产品良率与该产品的光罩层数N、晶片面积A、最小线宽W等产品制程的参数相关，因此所述全调整因子线性回归方程σ也可表示如下：
Figure BDA0002521292670000121
因而，对于参考产品库中的每一种备选参考产品，当代入各备选参考产品的良率影响因子后，均可以得到对应的修正泊松模型全协调因子线性函数。例如，在一些实施例中，产品9的全协调因子线性函数σ为：
Figure BDA0002521292670000122
另外，本发明提供的集成电路晶圆制造中的良率预测方法中，根据所述全调整因子线性回归方程，可得到各备选参考产品修正良率预测模型:
Figure BDA0002521292670000123
其中，
Figure BDA0002521292670000124
为产品i基于所述备选参考产品e的预测良率，σi为产品i基于所述备选参考产品e的全调整因子，Ye为所述备选参考产品e的实际生产良率。
备选参考产品预测模块140：由各所述基于当前备选参考产品的修正预测良率模型，得到各其他备选参考产品的预测良率，根据第二预设规则分别得到基于各所述备选参考产品的整体良率误差值，根据第三预设规则得到基于各所述备选参考产品的全协调因子线性函数相关系数。
如上所述，例如，将产品9的全调整因子线性函数σ代入各备选参考产品修正良率预测模型，得到产品9所对应的修正预测良率模型:
Figure BDA0002521292670000125
在一些实施例中，基于所述修正预测良率模型，将产品库其他产品对应参数代入上述以产品9为参考产品的修正预测良率模型，即可求得以产品9为参考产品对应的的其他产品的预测良率。对应的其他产品参考库中产品的预测良率与实际良率数值如下表2所示：
表2基于最终参考产品的其他备选参考产品的良率预测统计
产品 1 2 3 4 5 6 7 8 10
平均良率 95.6％ 90.2％ 87.4％ 82.5％ 90.8％ 93.5％ 84.2％ 91.4％ 85.9％
预测良率 96.0％ 91.2％ 87.2％ 82.5％ 90.0％ 93.4％ 84.6％ 90.5％ 86.0％
如上表所示，进一步根据第二预设规则分别得到基于各所述备选参考产品的整体良率误差值。所述第二预设规则包括：基于当前备选参考产品时的整体良率误差值d为：
Figure BDA0002521292670000131
其中，N为所述他备选参考产品总数量，
zi为其他备选参考产品i的预测良率
Figure BDA0002521292670000132
与实际良率Yi差值，μ为所有所述其他备选参考产品的各预测良率与实际良率的差值的总平均值。
依次求得各备选参考产品的整体良率误差值。如下表3所示。以产品9为例，将各其他备选参考产品的各平均良率和预测良率代入上式，得到整体良率误差值为0.00587。
表3各备选参考产品的σ函数回归分析和整体良率误差值统计
参考产品 σ函数相关性 整体良率误差值
1 0.83116 0.01457
2 0.89431 0.38583
3 0.88319 0.01448
4 0.86024 0.01327
5 0.88083 0.01449
6 0.86744 0.01436
7 0.82692 0.01638
8 0.88024 0.01438
9 0.98248 0.00587
10 0.88549 0.01405
另外，还可根据根据第三预设规则得到基于各所述备选参考产品的全协调因子线性函数相关系数。相关性为以该种产品为参考产品对应的回归分析模型的相关系数R2值，统计学中相关系数R2越接近于1说明该模型越接近于真实情况。
所述第三预设规则包括：基于各所述备选参考产品的全协调因子线性函数相关系数R2为
Figure BDA0002521292670000141
其中，所有所述其他备选参考产品的实际良率的平均值
Figure BDA0002521292670000142
由上述步骤依次求得各备选参考产品的全协调因子线性函数相关系数，如上表3所示。以产品9为例，将各其他备选参考产品的各平均良率和预测良率代入上式，得到其全协调因子线性函数相关系数0.98248。
最终参考产品选择模块150：选取使所述其他备选参考产品良率误差值最小的备选参考产品作为参考产品。
在一些实施例中，由表3所得，该参考产品库内产品9对应的良率整体误差值最小，为0.00587，并且相关系数R2值为0.98248，接近于1，说明相关性很好，可将其作为最终参考产品，可以用于新产品良率预测。
新产品预测模型获取160：根据基于所述最终参考产品的所述全调整因子线性函数σ，得到基于所述最终参考产品的新产品预测模型。
在一些实施例中，当选取第9种产品为参考产品时，对应的该半导体晶圆制造中的全调整因子线性函数σ即为：
Figure BDA0002521292670000151
则所述新产品预测模型为：
Figure BDA0002521292670000152
新产品良率预测模块170：根据所述新产品良率预测模型，得到新产品良率预测结果。
在一些实施例中，根据上述新产品良率预测模型以及新产品的良率影响因子，可以得到新产品良率预测结果，从而评估该新产品在该半导体晶圆制造产线上能达到的良率水平。
具体而言，所述新产品的光罩层数为14，最小线宽0.8um，晶片面积0.25cm2，则该新产品在该晶圆制造生产线上的对应全调整因子σ，可由上面公式得出新产品的全调整因子σ＝0.59554。新产品对应的预测良率值：
Figure BDA0002521292670000161
此外，本发明实施例还提出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集成电路晶圆制造中的良率预测程序，所述集成电路晶圆制造中的良率预测程序被处理器执行时实现如下操作：
备选参考产品模型获取：选取参考产品库中的第一数量个备选参考产品，根据第一预设规则，得到基于各所述备选参考产品的全调整因子线性回归方程；
备选参考产品参数获取：分别获取各所述备选参考产品的各良率影响因子；
备选参考产品函数获取：根据所述各良率影响因子和所述全调整因子线性回归方程，分别得到各所述备选参考产品的全协调因子线性函数，以及基于各所述备选参考产品的修正预测良率模型；
备选参考产品预测：由各所述基于当前备选参考产品的修正预测良率模型，得到各其他备选参考产品的预测良率，根据第二预设规则分别得到基于各所述备选参考产品的整体良率误差值，根据第三预设规则得到基于各所述备选参考产品的全协调因子线性函数相关系数；
最终参考产品选择：选取所述整体良率误差值最小或全协调因子线性函数相关系数最接近1的备选参考产品作为最终参考产品；
新产品预测模型获取：根据基于所述最终参考产品的所述全调整因子线性函数，得到基于所述最终参考产品的新产品预测模型；
新产品良率预测：根据所述新产品良率预测模型以及所述新产品的良率影响因子，得到新产品良率预测结果。
本发明之计算机可读存储介质的具体实施方式与上述集成电路晶圆制造中的良率预测方法的具体实施方式大致相同，在此不再赘述。
实施例的作用与效果
根据本实施例所涉及的集成电路晶圆制造中的良率预测方法，基于晶圆制造中的随机缺陷密度与良率的函数关系，参考生产线上已有成熟产品的良率数据，通过数据模型建立及回归分析，选择合适的参考产品，得到新产品预测模型，以进行新产品良率预测。本发明中的方法依据制造工厂现有生产线上的成熟产品数据库作为良率预测模型的基础，数据真实可靠，能达到比较精确的新产品良率预测值，反应该半导体晶圆制造工厂的实际生产能力，可以根据不同工厂的产品数据库建立对应的良率预测模型，对半导体晶圆制造工厂有普适性。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种集成电路晶圆制造中的良率预测方法，其特征在于，包括以下步骤：
备选参考产品模型获取：选取参考产品库中的第一数量个备选参考产品，根据第一预设规则，得到基于各所述备选参考产品的全调整因子线性回归方程；
备选参考产品参数获取：分别获取各所述备选参考产品的各良率影响因子；
备选参考产品函数获取：根据所述各良率影响因子和所述全调整因子线性回归方程，分别得到各所述备选参考产品的全协调因子线性函数，以及基于各所述备选参考产品的修正预测良率模型；
备选参考产品预测：由各所述基于当前备选参考产品的修正预测良率模型，得到各其他备选参考产品的预测良率，根据第二预设规则分别得到基于各所述备选参考产品的整体良率误差值，根据第三预设规则得到基于各所述备选参考产品的全协调因子线性函数相关系数；
最终参考产品选择：选取所述整体良率误差值最小或全协调因子线性函数相关系数最接近1的备选参考产品作为最终参考产品；
新产品预测模型获取：根据基于所述最终参考产品的所述全调整因子线性函数，得到基于所述最终参考产品的新产品预测模型；
新产品良率预测：根据所述新产品良率预测模型以及所述新产品的良率影响因子，得到新产品良率预测结果。
2.根据权利要求1所述的集成电路晶圆制造中的良率预测方法，其特征在于，所述第一预设规则为：
Figure FDA0002521292660000011
其中，Ye为所述备选参考产品e的实际良率，
λe为对应所述备选参考产品e的晶圆平均缺陷数。
3.根据权利要求2所述的集成电路晶圆制造中的良率预测方法，其特征在于，所述良率影响因子包含所述参考产品的光罩层数、晶片面积、最小线宽。
4.根据权利要求3所述的集成电路晶圆制造中的良率预测方法，其特征在于，所述全调整因子线性回归方程σ为：
σ＝-lnY/λe＝f(X1,X2,X3,…)＝b+k1X1+k2X2+k3X3+…
其中，b为常数项，
X1、X2、X3分别为与各良率影响因子相关的变量项
Figure FDA0002521292660000021
Figure FDA0002521292660000022
为当前产品的光罩层数N与参考产品的光罩层数Ne之比对应的变量项，
Figure FDA0002521292660000023
为当前产品的晶片面积A与参考产品的晶片面积Ae之比对应的变量项，
Figure FDA0002521292660000024
为参考产品的最小线宽We与当前产品的最小线宽W之比对应的变量项，
k1为变量X1对应的线性回归系数，
k2为变量X2对应的线性回归系数，
k3为变量X3对应的线性回归系数。
5.根据权利要求3所述的集成电路晶圆制造中的良率预测方法，其特征在于，所述全协调因子线性函数为：
Figure FDA0002521292660000031
。
6.根据权利要求1所述的集成电路晶圆制造中的良率预测方法，其特征在于，所述修正良率预测模型为:
Figure FDA0002521292660000032
其中，
Figure FDA0002521292660000033
为产品i基于所述备选参考产品e的预测良率，
σi为产品i基于所述备选参考产品e的全调整因子，
Ye为所述备选参考产品e的实际生产良率。
7.根据权利要求6所述的集成电路晶圆制造中的良率预测方法，其特征在于，所述第二预设规则为：基于当前备选参考产品时的整体良率误差值d为
Figure FDA0002521292660000034
其中，N为所述其他备选参考产品总数量，
zi为其他备选参考产品i的预测良率
Figure FDA0002521292660000035
与实际良率Yi差值，
μ为所有所述其他备选参考产品的各预测良率与实际良率的差值的总平均值。
8.根据权利要求7所述的集成电路晶圆制造中的良率预测方法，其特征在于，所述第三预设规则包括：
基于各所述备选参考产品的全协调因子线性函数相关系数R为
Figure FDA0002521292660000041
其中，所有所述其他备选参考产品的实际良率的平均值
Figure FDA0002521292660000042
9.一种电子装置，其特征在于，该电子装置包括：存储器、处理器，所述存储器上存储有集成电路晶圆制造中的良率预测程序，所述集成电路晶圆制造中的良率预测程序被所述处理器执行时实现以下步骤：
备选参考产品模型获取：选取参考产品库中的第一数量个备选参考产品，根据第一预设规则，得到基于各所述备选参考产品的全调整因子线性回归方程；
备选参考产品参数获取：分别获取各所述备选参考产品的各良率影响因子；
备选参考产品函数获取：根据所述各良率影响因子和所述全调整因子线性回归方程，分别得到各所述备选参考产品的全协调因子线性函数，以及基于各所述备选参考产品的修正预测良率模型；
备选参考产品预测模块：由各所述基于当前备选参考产品的修正预测良率模型，得到各其他备选参考产品的预测良率，根据第二预设规则分别得到基于各所述备选参考产品的整体良率误差值，根据第三预设规则得到基于各所述备选参考产品的全协调因子线性函数相关系数；
最终参考产品选择模块：选取所述整体良率误差值最小的备选参考产品作为最终参考产品；
新产品预测模型获取：根据基于所述最终参考产品的所述全调整因子线性函数，得到基于所述最终参考产品的新产品预测模型；
新产品良率预测：根据所述新产品良率预测模型以及所述新产品的良率影响因子，得到新产品良率预测结果。
10.一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上存储有所述集成电路晶圆制造中的良率预测程序，所述集成电路晶圆制造中的良率预测程序被处理器执行时实现如权利要求1至9中任意一项所述的集成电路晶圆制造中的良率预测方法的步骤。
CN202010491650.6A 2020-06-02 2020-06-02 一种集成电路晶圆制造中的良率预测方法 Active CN111667111B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010491650.6A CN111667111B (zh) 2020-06-02 2020-06-02 一种集成电路晶圆制造中的良率预测方法
PCT/CN2021/097610 WO2021244510A1 (zh) 2020-06-02 2021-06-01 一种集成电路晶圆制造中的良率预测方法
US17/627,695 US20220245301A1 (en) 2020-06-02 2021-06-01 Yield rate prediction method in manufacture of integrated circuit wafer

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010491650.6A CN111667111B (zh) 2020-06-02 2020-06-02 一种集成电路晶圆制造中的良率预测方法

Publications (2)

Publication Number Publication Date
CN111667111A true CN111667111A (zh) 2020-09-15
CN111667111B CN111667111B (zh) 2023-04-07

Family

ID=72383704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010491650.6A Active CN111667111B (zh) 2020-06-02 2020-06-02 一种集成电路晶圆制造中的良率预测方法

Country Status (3)

Country Link
US (1) US20220245301A1 (zh)
CN (1) CN111667111B (zh)
WO (1) WO2021244510A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112599434A (zh) * 2020-11-24 2021-04-02 全芯智造技术有限公司 芯片产品的良率预测方法、存储介质及终端
CN112926821A (zh) * 2021-01-18 2021-06-08 广东省大湾区集成电路与系统应用研究院 一种基于制程能力指数预测晶圆良率的方法
CN112966827A (zh) * 2021-02-26 2021-06-15 普赛微科技(杭州)有限公司 一种存储器开发过程中的良品率预测方法
WO2021244510A1 (zh) * 2020-06-02 2021-12-09 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
CN114625097A (zh) * 2022-05-16 2022-06-14 时代云英(深圳)科技有限公司 一种基于工业互联网的生产工艺控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1521824A (zh) * 2003-01-28 2004-08-18 力晶半导体股份有限公司 在线品质检测参数分析方法
US20050071788A1 (en) * 2003-09-26 2005-03-31 International Business Machines Corporation Method for modeling integrated circuit yield
CN101976045A (zh) * 2010-08-25 2011-02-16 江苏大学 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统
TW201812586A (zh) * 2016-09-12 2018-04-01 樹德科技大學 機台保養預測系統及其方法
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
CN110378490A (zh) * 2019-07-24 2019-10-25 江苏壹度科技股份有限公司 基于改进鲸鱼算法优化支持向量机的半导体良率预测方法
CN111095510A (zh) * 2017-09-27 2020-05-01 科磊股份有限公司 非对称结构的尺寸的检测与测量

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225979A (zh) * 2014-06-19 2016-01-06 中芯国际集成电路制造(上海)有限公司 一种半导体器件制程预测系统和方法
KR102578644B1 (ko) * 2017-08-30 2023-09-13 삼성전자주식회사 반도체 집적회로의 수율 예측 장치, 및 이를 이용한 반도체 장치 제조 방법
CN109636026B (zh) * 2018-12-07 2023-02-28 东华大学 一种基于深度学习模型的晶圆良率预测方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1521824A (zh) * 2003-01-28 2004-08-18 力晶半导体股份有限公司 在线品质检测参数分析方法
US20050071788A1 (en) * 2003-09-26 2005-03-31 International Business Machines Corporation Method for modeling integrated circuit yield
CN101976045A (zh) * 2010-08-25 2011-02-16 江苏大学 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统
TW201812586A (zh) * 2016-09-12 2018-04-01 樹德科技大學 機台保養預測系統及其方法
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
CN111095510A (zh) * 2017-09-27 2020-05-01 科磊股份有限公司 非对称结构的尺寸的检测与测量
CN110378490A (zh) * 2019-07-24 2019-10-25 江苏壹度科技股份有限公司 基于改进鲸鱼算法优化支持向量机的半导体良率预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021244510A1 (zh) * 2020-06-02 2021-12-09 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
CN112599434A (zh) * 2020-11-24 2021-04-02 全芯智造技术有限公司 芯片产品的良率预测方法、存储介质及终端
CN112599434B (zh) * 2020-11-24 2023-12-22 全芯智造技术有限公司 芯片产品的良率预测方法、存储介质及终端
CN112926821A (zh) * 2021-01-18 2021-06-08 广东省大湾区集成电路与系统应用研究院 一种基于制程能力指数预测晶圆良率的方法
CN112966827A (zh) * 2021-02-26 2021-06-15 普赛微科技(杭州)有限公司 一种存储器开发过程中的良品率预测方法
CN112966827B (zh) * 2021-02-26 2022-02-11 普赛微科技(杭州)有限公司 一种存储器开发过程中的良品率预测方法
CN114625097A (zh) * 2022-05-16 2022-06-14 时代云英(深圳)科技有限公司 一种基于工业互联网的生产工艺控制方法

Also Published As

Publication number Publication date
US20220245301A1 (en) 2022-08-04
CN111667111B (zh) 2023-04-07
WO2021244510A1 (zh) 2021-12-09

Similar Documents

Publication Publication Date Title
CN111667111B (zh) 一种集成电路晶圆制造中的良率预测方法
US9483602B2 (en) Method and system for identifying rare-event failure rates
Mutlu et al. Statistical methods for the estimation of process variation effects on circuit operation
US20140222376A1 (en) Method for searching, analyzing, and optimizing process parameters and computer program product thereof
JP2006512767A (ja) 歩留まり改善
Stratigopoulos et al. RF specification test compaction using learning machines
CN100433020C (zh) 集成电路中提取筛选的互连线路的寄生电阻电容的方法与系统
Pan et al. A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering
US8813009B1 (en) Computing device mismatch variation contributions
Afacan et al. Adaptive sized quasi-Monte Carlo based yield aware analog circuit optimization tool
US8819605B1 (en) Deriving effective corners for complex correlations
US7756653B2 (en) Storage medium storing thereon power consumption analysis program, and power consumption analysis method
CN105447222B (zh) 用于集成电路的工艺变化分析的方法
CN110928265A (zh) 数据处理方法、装置与系统、以及计算器可读取记录介质
US7706911B2 (en) Yield estimation method for LSI
Afacan et al. An analog circuit synthesis tool based on efficient and reliable yield estimation
US20170344669A1 (en) Method for verifying error of digital circuit
CN101840451A (zh) 一种集成电路工艺参数模型的优化方法
Afacan et al. Sensitivity based methodologies for process variation aware analog IC optimization
US6699727B1 (en) Method for prioritizing production lots based on grade estimates and output requirements
US8406904B2 (en) Two-dimensional multi-products multi-tools advanced process control
CN111429979A (zh) 一种基于支持向量机分位数回归的钢材力学性能预测方法
CN109425815B (zh) 用于预测半导体装置的特性的设备和方法
CN100474311C (zh) 优化可制造性的集成电路设计
US20140215419A1 (en) Analytical model for predicting current mismatch in metal oxide semiconductor arrays

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
CB02 Change of applicant information

Address after: Room 318, 28 Yuanwen Road, Minhang District, Shanghai

Applicant after: Shanghai Corelli Software Co.,Ltd.

Address before: Room 318, 28 Yuanwen Road, Minhang District, Shanghai

Applicant before: SHANGHAI GLORYSOFT Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant