CN112966827A

CN112966827A - 一种存储器开发过程中的良品率预测方法

Info

Publication number: CN112966827A
Application number: CN202110219510.8A
Authority: CN
Inventors: 刘瑞盛; 蒋信; 喻涛
Original assignee: Pusaiwei Technology Hangzhou Co ltd
Current assignee: Pusaiwei Technology Hangzhou Co ltd
Priority date: 2021-02-26
Filing date: 2021-02-26
Publication date: 2021-06-15
Anticipated expiration: 2041-02-26
Also published as: CN112966827B

Abstract

本发明涉及一种存储器开发过程中的良品率预测方法，包括如下步骤：基于预设抽样方法在晶圆上选取多个不同位置进行测试采样，并将采集到的阵列数据按不同位置随机分成训练数据集和测试数据集；识别采集到的阵列数据中影响最终器件/阵列性能、均匀性和良品率的主要参数；基于不同的机器学习算法建立若干个机器学习模型，使用训练数据集训练所述机器学习模型；使用测试数据集分别测试训练后的机器学习模型，根据测试结果确定待使用机器学习模型并进行待测试晶圆的测试。该方法主要用于在存储芯片开发过程中快速获取晶圆上所有器件/阵列的整体性能、均匀性和良品率的信息。

Description

一种存储器开发过程中的良品率预测方法

技术领域

本发明涉及半导体存储芯片工艺开发技术领域，具体涉及一种用于存储器开发过程中性能、均匀性和良品率的预测方法。

背景技术

在各类新型存储芯片研发制备过程中，核心存储器件/阵列的性能、均匀性和良品率等对于芯片的相关参数能否达到要求至关重要。新型存储芯片全流程开发/制造一般包括半导体晶体管以及存储核心器件的两个分制程(如图1所示)，在进行全流程工艺集成之前需要完成分制程的工艺优化。但在核心器件的分制程工艺开发阶段，由于不包含存储单元地址编码模块(主要在半导体分制程中完成)，所以难以实现对大容量器件/阵列的测试，从而影响对器件/阵列的工艺性能、均匀性和良品率实现有效的监控和优化。这样往往导致在后期全流程芯片制程集成阶段中仍需要进行大量的工艺优化，从而降低了芯片研发的效率以及增加了成本。因此，如果在核心器件分制程的工艺开发阶段能够通过获取少量或局部的数据来快速准确推算出整体器件/阵列的工艺开发质量相关信息，对于加快产品的研发以及降低成本有重要意义。

机器学习算法在半导体领域正在引起越来越多的重视，可以将其运用于快速寻找工艺变量与产品性能/良率之间的关联，从而进行有效的工艺监控与控制以及良品率预测等。一般来讲，机器学习针对已有的数据进行训练，根据机器学习算法自动学习规则，构建出相应的机器学习模型，并利用模型对新的输入数据进行运算，得到输出结果。已知的机器学习模型包括但不限于：(i)稳健线性回归算法,例如随机抽样一致算法,哈勃回归,或者泰尔－森估算等；(ii)树形算法,例如分类与回归树，随机森林,极限随机树,梯度提升树,或者交替模型树等；(iii)各类神经网络,比如人工神经网络,受限玻尔兹曼机，深度学习网络等；(iv)基于内核的方法，例如支持向量机和核岭回归等；(v)基于邻域的方法，例如K最近邻等。

发明内容

为解决上述难以获得核心器件阵列的整体工艺质量/性能的难题，本发明通过设计专门的测试机构，利用机器学习模型，在核心器件分制程的工艺开发阶段通过少量、局部的测试数据来推导出整体器件/阵列的相关数据，具体采用如下技术方案实现：

一种存储器开发过程中的良品率预测方法，包括如下步骤：

S1、基于预设抽样方法在晶圆上选取多个不同位置进行测试采样，并将采集到的阵列数据按不同位置随机分成训练数据集和测试数据集；

S2、识别采集到的阵列数据中影响最终器件/阵列性能、均匀性和良品率的主要参数；

S3、基于不同的机器学习算法建立若干个机器学习模型，使用训练数据集中经识别后的主要参数分别训练所述机器学习模型；

S4、使用测试数据集分别测试训练后的机器学习模型，根据测试结果确定待使用机器学习模型并进行待测试晶圆的测试。

进一步的，步骤S1具体包括：

S11、采用随机或拉丁超立方抽样方法在晶圆上选取n个不同位置进行测试采样，其中每个位置中包含m个相邻的阵列，m,n的取值可以根据实际预测需求来确定，一种可选范围为2≤n≤100，2≤m≤50。

S12、采用随机或拉丁超立方抽样方法在n个位置中选取x个位置的采样数据作为训练数据集，其余位置的数据作为测试数据集，x＜n；

或者，采用n折交叉验证数据分集方法将采集到的阵列数据分成训练数据集和测试数据集。

进一步的，步骤S2具体包括：

使用稳健线性回归、随机森林或极端随机树算法计算采集到的阵列数据中的参数对最终器件/阵列性能、均匀性和良品率的影响程度，进而确定影响最终器件/阵列性能、均匀性和良品率的主要参数。

进一步的，步骤S2还包括：

通过统计算法获取采集到的阵列数据的统计值，并将获取到的统计值作为额外的特征值共同确定影响最终器件/阵列性能、均匀性和良品率的主要参数。

进一步的，步骤S3中，所述机器学习算法包括高斯过程回归、虚拟探测、随机森林、极端随机森林、梯度提升、随机一致抽样或哈勃回归算法中的其中几种或全部算法。

进一步的，步骤S3和S4中，所述机器学习模型的训练和测试包括：

使用晶圆上n个不同位置中的m个相邻阵列的采样数据进行晶圆局部区域的训练与测试；

以及，晶圆整体区域的训练与测试。

进一步的，步骤S4中，根据测试结果确定待使用机器学习模型并进行待测试晶圆的测试具体包括：

使用测试结果中性能最佳的机器学习模型以及局部区域的阵列数据来预测整个晶圆区域所包含所有器件/阵列的性能、均匀性和良品率；

或者，基于测试结果将机器学习模型按性能排序，使用排名靠前的至少两个机器学习模型分别预测整个晶圆所包含的所有器件/阵列的性能、均匀性和良品率等，然后将每个模型预测出来的数据取加权平均值作为最终预测结果。

使用基于n折交叉验证数据分集方法建立的训练数据集和测试数据集训练测试得到的机器学习模型，采用抽样区域或其它区域采集的数据预测晶圆上所有器件/阵列的性能、均匀性/良品率；然后将全部遍历模型预测出来的数据取平均值来作为最终预测结果。

本发明适用于包括但不限于各类新型非易失存储芯片，例如铁电随机存储器(FeRAM)、自旋转移磁矩磁性随机存储器(STT-MRAM)，阻变随机存储器(RRAM)，相变随机存储器(PCRAM)，3D Xpoint存储器等。

本发明的有益效果：

本发明的优点主要包括但不限于通过机器学习模型实现对新型存储器的核心器件/阵列分流程的性能、均匀性和良品率数据进行预测。

附图说明

图1是本发明中新性存储器的结构示意图。

图2是本发明实施例中在晶圆上进行采样的示意图。

图3是本发明实施例中利用机器学习来预测晶圆上整体器件/阵列的性能、均匀性和良品率的流程示意图。

图4是本发明实施例中的n折交叉验证数据分集方法示意图。

图5是本发明实施例中利用机器学习分两个层次来预测晶圆上整体器件/阵列的性能、均匀性和良品率的流程示意图。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

如图1所示，是本发明涉及的新性存储器的结构示意图，包括半导体晶体管以及核心存储器件的两个部分，其中核心存储器件部分可以是FeRAM,STT-MRAM,RRAM,PCRAM，3DXpoint存储器等。

实施例1：

核心存储器件阵列的设计参数(包括容量，间距等)与芯片产品的设计要求相对应，例如其中一类示范是64行和512列的位元阵列，行单位间距为180纳米，列单位间距为360纳米，共包含32k个存储器件。其中每个阵列可以连接12个器件(具体数目可以根据测试连接端的数目来确定)进行测试，每个阵列中的连接器件所在位置可以根据预测模型的需要来确定。

晶圆在完成加工之后，如图2(b)所示为阵列组采样的一个示意图，在晶圆上采用随机或拉丁超立方等抽样方法选取13个不同位置作为采样阵列组进行测试采样(具体的采样位置与数目可以根据预测模型的需要来确定)。其中每个位置中，如图2(a)所示，将相邻9个阵列设为一组，其中每个阵列可以连接12个器件进行测试，每个阵列中的连接器件所在位置可以根据预测模型的需要来确定。将上述收集到的阵列数据按不同位置随机分成两个子集，即训练数据集和测试数据集(数据集大小比例可以按实际情况来确定)。其中一个示例是采用随机或拉丁超立方等抽样方法选取9个位置(例如1，2，4，6，7，8，11，12，13)的数据作为训练数据集，其他位置的数据作为测试数据集。

其次是特征变量提取和特征工程，即对数据中影响最终器件性能，阵列均一性&良率相关的主要参数进行识别。包括使用稳健线性回归，随机森林，极端随机树等算法来确定这些参数对最终性能、均匀性和良品率等的影响程度；此外还可以通过统计算法得出这些数据的统计值，例如平均值，均方差等作为额外的特征值。

再次是使用训练数据集来训练不同的机器学习算法，例如高斯过程回归(基于贝叶斯、支持向量机等)、虚拟探测(基于最大后验估计算法)、随机森林、极端随机森林、梯度提升、随机一致抽样,哈勃回归等，建立预测模型；然后使用剩余测试数据集来验证评估上述训练出来的模型的性能表现。

最后是对晶圆所有器件/阵列的性能、均匀性和良率的预测。使用上述验证性能最佳的模型以及抽样区域的数据(也可以是其他区域的数据)来预测晶圆上所有器件/阵列的性能、均匀性/良品率等；或者使用性能排前三位(或其他数目)的模型以及抽样区域的数据(也可以是其他区域的数据)分别来预测晶圆所包含的所有器件/阵列的性能、均匀性/良品率等，然后将每个模型预测出来的数据取加权平均值来作为预测结果等。

实施例2：

核心存储器件阵列的设计参数(包括容量，间距等)与芯片产品的设计要求相对应，例如其中一类示范是64行和512列的位元阵列，行单位间距为180纳米，列单位间距为360纳米，共包含32k个存储器件。其中每个阵列可以连接12个器件(具体数目可以根据测试连接端的数目来确定)进行测试，每个阵列中的器件连接区域可以根据预测模型的需要来确定。

晶圆在完成加工之后，如图2(b)所示在晶圆上采用随机或拉丁超立方等抽样方法选取13个不同位置进行测试采样(具体的采样位置与数目可以根据预测模型的需要来确定)，其中每个位置中如图2(a)所示可以包含9个相邻的(或者其他数目的)阵列。将上述收集到的数据按不同位置随机分成两个子集，即训练数据集和测试数据集(数据集大小比例可以按实际情况来确定)。其中一个示例是如图4所示的n(例如n＝13)折交叉验证数据分集方法，即将数据集按不同位置分成n份不相交的子集。第一遍将位置1的数据预留用于测试，剩下12个位置的数据用于训练；第二遍将位置2的数据预留用于测试集，其余12个位置的数据作为训练集；以此类推直到所有抽样位置的数据都被预留一遍。

其次是特征变量提取和特征工程，即对采集数据中影响最终器件性能，阵列均一性&良率相关的主要参数进行识别。包括使用稳健线性回归，随机森林，极端随机树等算法来确定这些参数对最终性能、均匀性和良品率等的影响程度；此外还可以通过统计算法得出这些数据的统计值，例如平均值，均方差等作为额外的特征值。

再次是进行模型训练和测试。通过使用训练数据集训练不同的机器学习算法，例如高斯过程回归(基于贝叶斯、支持向量机等)、虚拟探测(基于最大后验估计算法)、随机森林、极端随机森林、梯度提升、随机一致抽样,哈勃回归等，建立预测模型；然后使用测试数据集来验证评估上述训练出来的模型的性能表现；训练和测试需要多次遍历数据，直到所有数据都被预留一遍。

最后是对晶圆所有器件/阵列的性能、均匀性和良率的预测。使用上述遍历的模型以及抽样区域的数据(也可以是其他区域的数据)来预测晶圆上所有器件/阵列的性能、均匀性/良品率等；然后将全部遍历模型预测出来的数据取平均值来作为预测结果等。

实施例3：

晶圆在完成加工之后，如图2(b)所示在晶圆上采用随机或拉丁超立方等抽样方法选取13个不同位置进行测试采样(具体的采样位置与数目可以根据预测模型的需要来确定)，其中每个位置中如图2(a)所示可以包含9个相邻的(或者其他数目的)阵列。

其次是是特征变量提取和特征工程，即对采集数据中影响最终器件性能，阵列均一性&良率相关的主要参数进行识别。包括使用稳健线性回归，随机森林，极端随机树等算法来确定这些参数对最终性能、均一性和良品率等的影响程度；此外还可以通过统计算法得出这些数据的统计值，例如平均值，均方差等作为额外的特征值。

再次是进行模型训练和测试。如图5所示训练与验证分为两个层次：

(1)晶圆局部区域的训练与验证。首先是针对图2(b)的每个抽样位置中的9个相邻阵列采用随机或拉丁超立方等抽样方法选取选6个阵列(具体阵列数目由建立模型的需要来定)的数据作为训练数据集，其余3个阵列的数据作为测试数据集。然后使用训练数据集训练不同的机器学习算法，例如高斯过程回归(基于贝叶斯、支持向量机等)、虚拟探测(基于最大后验估计算法)、随机森林、极端随机森林、梯度提升、随机一致抽样,哈勃回归等，建立预测模型；然后使用测试数据集来验证评估上述训练出来的模型的性能表现；最后是使用性能最佳的模型以及这些阵列的采集数据来预测如图2(b)所示的抽样位置中所包含所有器件/阵列的性能、均匀性/良品率等；或者使用性能排前三位(或其他数目)的模型分别来预测这些位置所包含的所有器件/阵列的性能、均匀性/良品率等，然后将每个模型预测出来的数据取加权平均值来作为预测结果等。

(2)晶圆整体区域的训练与验证。首先是针对如图2(b)晶圆上的13个抽样位置，采用随机或拉丁超立方等抽样方法选定其中9个位置(例如1，2，4，6，7，8，11，12，13)的数据(上一步获得的晶圆局部区域预测数据)作为训练数据集，其余4个位置的数据作为测试数据集。然后采用训练数据集来训练不同的机器学习算法，例如高斯过程回归(基于贝叶斯、支持向量机等)、虚拟探测(基于最大后验估计算法)、随机森林、极端随机森林、梯度提升、随机一致抽样,哈勃回归等，建立预测模型；再次使用测试数据集来验证评估上述训练出来的模型的性能表现；最后是使用性能最佳的模型以及这些位置的阵列数据(也可以是其他的阵列数据)来预测整个晶圆区域所包含所有器件/阵列的性能、均匀性/良品率等；或者使用性能排前三位(或其他数目)的模型分别来预测整个晶圆所包含的所有器件/阵列的性能、均匀性/良品率等，然后将每个模型预测出来的数据取加权平均值来作为预测结果等。

实施例4：

晶圆在完成加工之后，首先选择部分区域的阵列进行各项电学性能测试收集相关数据，如图2(b)在晶圆上采用随机或拉丁超立方等抽样方法选取13个不同位置进行测试采样(具体的采样位置与数目可以根据预测模型的需要来确定)，其中每个位置中如图2(a)可以包含9个相邻的(或者其他数目的)阵列。

其次是是特征变量提取和特征工程，即对采集数据中影响最终器件性能，阵列均匀性&良率相关的主要参数进行识别。包括使用稳健线性回归，随机森林，极端随机树等算法来确定这些参数对最终性能、均一性和良品率等的影响程度；此外还可以通过统计算法得出这些数据的统计值，例如平均值，均方差等作为额外的特征值。

再次是进行模型训练和测试。训练与验证分为两个层次：

(1)晶圆局部区域的训练与验证。首先是针对图2(b)的每个抽样位置中的9个相邻阵列采用随机或拉丁超立方等抽样方法选取选6个阵列(具体阵列数目由建立模型的需要来定)的数据作为训练数据集，其余3个阵列的数据作为测试数据集。然后使用训练数据集训练不同的机器学习算法，例如高斯过程回归(基于贝叶斯、支持向量机等)、虚拟探测(基于最大后验估计算法)、随机森林、极端随机森林、梯度提升、随机一致抽样,哈勃回归等，建立预测模型；然后使用测试数据集来验证评估上述训练出来的模型的性能表现；最后是使用性能最佳的模型以及这些阵列的数据(也可以是其他阵列的数据)来预测如图2(b)所示的抽样位置中所包含所有器件/阵列的性能、均匀性和良品率等；或者使用性能排前三位的模型分别来预测这些位置所包含的所有器件/阵列的性能、均一性/良品率等，然后将每个模型预测出来的数据取加权平均值来作为预测结果等。

(2)晶圆整体区域的训练与验证。将上述13个抽样位置中的数据(上一步得出的晶圆局部区域预测数据)按n折交叉验证法分集(即将数据集按不同位置分成n份不相交的子集)。第一遍将位置1的数据预留用于测试，剩下12个位置的数据用于训练；第二遍将位置2的数据预留用于测试集，其余12个位置的数据作为训练集；以此类推，直到所有抽样位置的数据都被预留一遍。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种存储器开发过程中的良品率预测方法，其特征在于，包括如下步骤：

S3、基于不同的机器学习算法建立若干个机器学习模型，使用训练数据集训练所述机器学习模型；

2.如权利要求1所述的方法，其特征在于，步骤S1具体包括：

S11、采用随机或拉丁超立方抽样方法在晶圆上选取n个不同位置进行测试采样，其中每个位置中包含m个相邻的阵列，2≤n≤100，2≤m≤50；

3.如权利要求1所述的方法，其特征在于，步骤S2具体包括：

4.如权利要求3所述的方法，其特征在于，步骤S2还包括：

5.如权利要求1所述的方法，其特征在于，步骤S3中，所述机器学习算法包括高斯过程回归、虚拟探测、随机森林、极端随机森林、梯度提升、随机一致抽样或哈勃回归算法中的其中几种或全部算法。

6.如权利要求2所述的方法，其特征在于，步骤S3和S4中，所述机器学习模型的训练和测试包括：

以及，晶圆整体区域的训练与测试。

7.如权利要求6所述的方法，其特征在于，步骤S4中，根据测试结果确定待使用机器学习模型并进行待测试晶圆的测试具体包括：

8.如权利要求6所述的方法，其特征在于，步骤S4中，根据测试结果确定待使用机器学习模型并进行待测试晶圆的测试具体包括：

9.如权利要求1-8任一项所述的方法，其特征在于，所述存储器包括但不限于：铁电随机存储器、自旋转移力矩磁性随机存储器、阻变随机存储器、相变存储器或3D Xpoint存储器等。