CN113092981A - 晶圆数据检测方法及系统、存储介质及测试参数调整方法 - Google Patents
晶圆数据检测方法及系统、存储介质及测试参数调整方法 Download PDFInfo
- Publication number
- CN113092981A CN113092981A CN201911336942.6A CN201911336942A CN113092981A CN 113092981 A CN113092981 A CN 113092981A CN 201911336942 A CN201911336942 A CN 201911336942A CN 113092981 A CN113092981 A CN 113092981A
- Authority
- CN
- China
- Prior art keywords
- wafer
- test data
- data
- correlation
- partition
- 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
Links
Images
Classifications
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明实施例提供一种晶圆数据检测方法及系统、存储介质和测试参数调整方法。一种晶圆数据检测方法:包括获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据,根据第一晶圆测试数据和第二晶圆测试数据中每个芯片的晶圆位置信息,对第一晶圆测试数据和第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据;检测属于同一分区的第一晶圆分区测试数据与第二晶圆分区测试数据的相关性。通过对晶圆的测试区域进行分区,检测分区的第一晶圆测试数据和第二晶圆测试数据的相关性,进而评价整体晶圆测试数据的相关性,可以提高晶圆测试数据的相关性检测结果准确性。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种晶圆数据检测方法及系统、存储介质及测试参数调整方法。
背景技术
当晶圆生产完成后,需要进行电性测试,并生成大量的晶圆测试数据。在实际分析中,需要分析不同电性测试所获取的晶圆测试数据的相关情况,以此找出不同测试项目之间的关联性。在实际量产中,这些数据量是巨大的,其中包含的测试项目将会有上千项,且每一个测试项目将会有上百万的数据。在传统的方法中无法处理如此巨量的数据资料,只能通过抽样的方式抽取相对应样本数据,并利用相关性算法对两组数据的相关性进行检测。
发明人发现现有技术中存在如下问题:在生产过程中,晶圆中不同芯片的良率不一致,且同一片晶圆中芯片数目较多,因而对晶圆的测试数据进行相关性检测时,难以快速准确地反映不同电性测试的晶圆测试数据之间的相关性,给技术人员的分析工作带来不小的困扰。
发明内容
本发明提供一种晶圆数据检测方法及系统、存储介质及测试参数调整方法,解决晶圆测试数据相关性检测准确性较低的问题。
为解决上述问题,本发明提供一种数据检测方法,包括:获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据;根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据;检测属于同一分区的所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性。
相应地,本发明还提供一种晶圆数据检测系统,包括:数据获取模块、数据分区模块和相关性检测模块;所述数据获取模块用于获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据;所述数据分区模块用于根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据;所述相关性检测模块用于检测属于同一分区的所述第一晶圆分区测试数据和所述第二晶圆分区测试数据的相关性。
相应地,本发明还提供一种计算机可读存储介质,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一项的晶圆数据检测方法。
与现有技术相比,本发明提供的技术方案具有以下优点:通过对晶圆的测试区域进行分区,检测分区的第一晶圆测试数据和第二晶圆测试数据的相关性,进而评价整体晶圆测试数据的相关性,从而可以提高晶圆测试数据的相关性检测结果准确性以及加测速度。
另外,所述第一晶圆分区测试数据包括:与晶圆中心区对应的第一晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第一晶圆环形分区测试数据;所述第二晶圆分区测试数据包括:与晶圆中心区对应的第二晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第二晶圆环形分区测试数据。
另外,所述同一分区属于晶圆最外层圆环区和晶圆中心区之间的分区。
另外,所述根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区包括:通过聚类算法根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,将所述第一晶圆测试数据分为N个第一晶圆分区测试数据,将所述第二晶圆测试数据分为N个第二晶圆分区测试数据,N为正整数。采用聚类算法,可以自动对第一晶圆测试数据和第二晶圆测试数据进行分区,减轻用户的工作负担。
另外,所述获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据具体包括:获取所述数据库中的多个第一晶圆测试数据,计算第一晶圆测试数据平均值并作为后续步骤中的第一晶圆测试数据;和/或获取所述数据库中的多个第二晶圆测试数据,根据所述多个第二晶圆测试数据,计算第二晶圆测试数据平均值并作为后续步骤中的第二晶圆测试数据。采用多个晶圆测试数据的平均值,可以减少单次晶圆测试的偶然误差,从而提高晶圆测试数据相关性检测结果的准确性。
另外,在所述根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据之后,在所述检测所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性之前,还包括:将所述第一晶圆分区测试数据和所述第二晶圆分区测试数据进行关联,生成关联数据集;检测待输入的第一标识、第二标识和第三标识,所述第一标识用于获取与所述第一标识对应的所述关联数据集,所述第二标识用于获取与所述第一标识对应的关联数据集内与所述第二标识对应的第一测试数据集,所述第三标识用于获取与所述第一标识对应的所述关联数据集内与所述第三标识对应的第二测试数据集;所述检测所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性具体包括:计算所述第一测试数据集中的第一测试数据和所述第二测试数据集中的第二测试数据的相关系数。
对于用户而言,只需设定相关参数即可快速对数据库中的晶圆测试数据进行相关性分析,减轻了用户的工作负担,且提高的大量测试数据相关性检测的速度。
另外,还包括:根据至少一个所述第一晶圆分区测试数据与属于同一分区的所述第二晶圆分区测试数据的相关性检测结果,生成所述第一晶圆测试数据和所述第二晶圆测试数据的相关性检测结果。
另外,在所述检测所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性之后,还包括:检验相关性检测结果的显著性。在进行相关性检测之后,还对相关性检测结果的显著性进行检验,从而进一步确认所获得相关性结果的信服度。
另外,所述数据分区模块具体用于通过聚类算法根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,将所述第一晶圆测试数据分为N个第一晶圆分区测试数据,将所述第二晶圆测试数据分为N个第二晶圆分区测试数据,N为正整数。
另外,所述数据获取模块还用于获取所述数据库中的多个第一晶圆测试数据,根据所述多个第一晶圆测试数据,计算第一晶圆测试数据平均值并作为所述数据分区模块所处理的第一晶圆测试数据;和/或用于获取所述数据库中的多个第二晶圆测试数据,根据所述多个第二晶圆测试数据,计算第二晶圆测试数据平均值并作为所述数据分区模块所处理的第二晶圆测试数据。
另外,还包括数据关联模块,所述数据关联模块用于关联所述第一晶圆分区测试数据和所述第二晶圆分区测试数据,生成关联数据集;所述相关性检测模块包括参数设置单元和相关系数计算单元,所述参数设置单元用于设定第一标识、第二标识和第三标识;所述相关系数计算单元用于获取与所述第一标识对应的所述关联数据集内与所述第二标识对应的第一测试数据集,还用于获取与所述第一标识对应的所述关联数据集内与所述第三标识对应的第二测试数据集;所述相关系数计算单元还用于计算所获取的第一测试数据集中第一测试数据和所获取的第二测试数据集中的第二测试数据的相关系数。
另外,还包括输出模块,所述输出模块用于输出所述相关性检测模块的相关性检测结果。通过输出模块对相关性检测结果在用户界面进行显示,从而提升相关性检测结果的可读性和直观性,提升用户体验。
另外,所述晶圆数据检测系统运行于Hive平台上,所述数据库为Hive数据库。采用Hive数据平台,可以快速对海量晶圆测试数据进行处理,从而避免了采用抽样数据所带来的分析结果准确性较低的问题,进而提升对晶圆测试数据进行分析的速度和准确性。
相应地,本发明还提供一种测试参数调整方法,在通过上述任一项的晶圆数据检测方法获得第一晶圆测试数据和第二晶圆测试数据的相关性检测结果后,包括:根据所述相关性检测结果,调整所述第一晶圆测试数据中相应测试项目的测试参数。
本发明提供的晶圆数据检测方法,可以非常便捷地观察全体数据的相关性,并提高晶圆数据相关性检测的速度和精确度。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明第一实施例提供的晶圆数据检测方法的流程示意图;
图2和图3为本发明第一实施例提供的晶圆数据检测方法中的晶圆示意图;
图4为本发明第二实施例提供的晶圆数据检测方法的流程示意图;
图5为本发明第三实施例提供的晶圆数据检测系统的结构示意图;
图6为本发明第四实施例提供的晶圆数据检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明第一实施例提供一种晶圆数据检测方法,包括:获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据;根据第一晶圆测试数据和第二晶圆测试数据中每个芯片的晶圆位置信息,对第一晶圆测试数据和第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据;检测属于同一分区的第一晶圆分区测试数据与第二晶圆分区测试数据的相关性。
通过对晶圆的测试数据进行分区,检测分区的第一晶圆测试数据和第二晶圆测试数据的相关性,进而评价整体晶圆测试数据的相关性,可以提高晶圆测试数据的相关性检测结果准确性。
图1为本发明第一实施例提供的晶圆数据检测方法的流程示意图,图2和图3为本发明第一实施例提供的晶圆示意图。
以下将对第一实施例提供的晶圆数据检测方法作进一步详细说明。
S101、获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据。
具体来说,参考图2,一片晶圆包含多个芯片(chip),例如为767个芯片,在晶圆检测中需要对晶圆进行电性测试,例如获取晶圆的CP(chipprober,晶圆检测)、WAT(waferacceptancetest,晶圆接受测试)和FT(finaltest,封装测试)晶圆测试数据,其中CP包括DC(datacollection,数据采集)以及FRC(位元失效分类区域汇总)测试,且DC、FRC、FT和WAT下还包括非常多的Item(测试项目)。且在对晶圆做电性测试时,通常以一个芯片为单位,对晶圆中每个芯片进行测试时,会记录相应测试项目下的晶圆测试数据,因此在对单片晶圆进行各种电性测试后,将生成巨量的晶圆测试数据。
并且半导体制造工艺极其复杂,主要包括曝光、蚀刻、离子注入、薄膜沉积和化学机械研磨等步骤,在实际生产制造中多达六百到上千个步骤。不同制程、不同DCitem(如线宽,洞距等)下测量的数据量巨大,高达每小时几百万笔数据,在传统的方法当中无法处理如此巨量的数据。
本实施例中,晶圆进行电性测试后所获取的晶圆测试数据存储在Hive大数据库。
Hive是基于Hadoop的一个数据仓库工具,用来进行数据提取、转化、加载,可以存储、查询和分析存储在Hadoop中的大规模数据。Hive数据仓库工具能将结构化的数据文件映射为一张数据库表,并提供SQL查询功能,能将SQL语句转变成MapReduce任务来执行。Hive的优点是学习成本低,可以通过类似SQL语句实现快速MapReduce统计,使MapReduce变得更加简单,而不必开发专门的MapReduce应用程序。Hive是十分适合数据仓库的统计分析和Windows注册表文件,Hive的最佳使用场合是大数据集的批处理作业。
通过Hive平台的大数据技术可以方便快捷地对晶圆过的测试数据进行存储和处理,且可以计算全体数据的相关性,避免了采用抽取样本的方式所带来的计算结果的不准确性。
第一晶圆测试数据和第二晶圆测试数据可以为同一晶圆在不同测试机台中获得的测试数据,也可以为同一晶圆在同一测试机台测试的两次数据。
参考表1和表2,本实施例中第一晶圆测试数据和第二晶圆测试数据可以为具有关联关系的数据。例如第一晶圆测试数据为晶圆中的芯片在n个第一类测试项目中获得的测试数据集A1、A2、…、An,第二晶圆测试数据为晶圆中的芯片在n个第二类测试项目中获得的测试数据集B1、B2、…、Bn。数据集An中包含Kn个数据点的数据集合,数据集Bn为包含Mn个数据点的数据集合,Kn和Mn为正整数且相等。
在其他实施例中Kn和Mn还可以是不相等的整数,在进行相关性检测之前,还在导入第一晶圆测试数据和第二晶圆测试数据后,通过均值插值法对第一晶圆测试数据和第二晶圆测试数据中相对应的数据集中进行数据补齐,使Kn和Mn相等。
表1第一晶圆测试数据
Programid | DC/WAT | DCitem | DC value |
AP1 | a/b | X<sub>1</sub> | A<sub>1</sub> |
AP1 | a/b | X<sub>2</sub> | A<sub>2</sub> |
AP1 | a/b | X<sub>3</sub> | A<sub>3</sub> |
… | … | … | … |
AP1 | a/b | X<sub>n</sub> | A<sub>n</sub> |
表2第二晶圆测试数据
Programid | DC/WAT | WATitem | WAT value |
AP1 | a/b | Y<sub>1</sub> | B<sub>1</sub> |
AP1 | a/b | Y<sub>2</sub> | B<sub>2</sub> |
AP1 | a/b | Y<sub>3</sub> | B<sub>3</sub> |
… | … | … | … |
AP1 | a/b | Y<sub>n</sub> | B<sub>n</sub> |
本实施例中,第一类测试为DC测试或者FRC测试,第二类测试为WAT测试。
具体来说,在Hive大数据平台中通过查询与待检测的晶圆测试数据所对应的programid和waferid来获取Hive数据库中与所需要检测的晶圆测试数据。
需要说明的是,为了增加晶圆测试数据相关性检测结果的准确性,本实施例中获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据,具体包括:获取数据库中的多个第一晶圆测试数据,计算第一晶圆测试数据平均值并作为后续步骤中的第一晶圆测试数据;和/或获取数据库中的多个第二晶圆测试数据,根据多个第二晶圆测试数据,计算第二晶圆测试数据平均值并作为后续步骤中的第二晶圆测试数据。
可以理解的是,受操作人员或者测试机器等因素的影响,单次晶圆测试存在着偶然误差,采用多个晶圆测试数据的平均值,可以减少单次晶圆测试的偶然误差,从而提高晶圆测试数据相关性检测结果的准确性。
S102、根据第一晶圆测试数据和第二晶圆测试数据中每个芯片的晶圆位置信息,对第一晶圆测试数据和第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据。
每个晶圆中包含大量的芯片,本实施例中的第一晶圆测试数据和第二晶圆测试数据为对晶圆中的芯片进行测试得到的测试数据,第一晶圆测试数据和第二晶圆测试数据中都包含每个芯片在晶圆中的位置信息。例如以晶圆的圆心为坐标原点并建立坐标系,将每个芯片的chipx值和chipy值作为每个芯片的位置信息。
根据第一晶圆测试数据和第二晶圆测试数据中每个测试数据的chipx值和chipy值,以相同的分区规则对第一晶圆测试数据和第二晶圆测试数据进行分区。
需要说明的是,在本实施例中,可以是通过聚类算法根据第一晶圆测试数据和第二晶圆测试数据中每个芯片的晶圆位置信息,将第一晶圆测试数据分为N个第一晶圆分区测试数据,将第二晶圆测试数据分为N个第二晶圆分区测试数据,N为正整数。
对第一晶圆测试数据和第二晶圆测试数据进行分区后,第一晶圆分区测试数据包括:与晶圆中心区对应的第一晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第一晶圆环形分区测试数据;第二晶圆分区测试数据包括:与晶圆中心区对应的第二晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第二晶圆环形分区测试数据。
具体来说,通过聚类算法进行分区处理中具体包括利用聚类分析算法进行计算以及进行参数优化。本实施例中通过K-means聚类算法、基于密度的聚类算法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类算法、凝聚层次聚类算法和模糊聚类算法分别根据晶圆测试数据中的芯片位置信息,将晶圆测试数据分为相同数目的分区,统计上述5种聚类算法的分类结果,以同一芯片位置所对应的晶圆测试数据被划分为某一分区的聚类算法个数最多的分区,作为该芯片位置对应的晶圆测试数据的分区。例如5种聚类算法的分类结果中,3种聚类算法同时将一芯片位置对应的晶圆测试数据划分为A分区,此时将该芯片位置对应的晶圆测试数据划分为A分区。在获取5种聚类算法的分类统计结果后,可以将所有获取的晶圆测试数据进行分区,生成第一晶圆分区测试数据和第二晶圆分区测试数据。
参考图3,可以根据芯片的位置信息对晶圆中的芯片进行如图3所示的分区,将晶圆中的芯片分为A、B、C、D和E一共5个分区,其中A为对应晶圆中心区的分区,B、C、D和E为包围晶圆中心区的环形分区,E为晶圆测最外侧环形分区。需要说明的是,本领域技术人员基于上述聚类算法对晶圆测试数据进行分区后,可以自行确定A~E分区的范围。
对于晶圆中芯片而言,靠近晶圆内层的芯片良率较高,越靠近晶圆外层区域,芯片的良率越低,也即晶圆中不同区域的芯片的良率不一致,从而以晶圆中所有芯片的测试数据来进行相关性检测,并不能很好的反应整个晶圆的不同测试所获得的测试数据的相关性,从而造成晶圆测试数据相关性分析工作难度较大。
通过对晶圆中芯片进行分区,将良率一致性较高的芯片划分为同一分区,将分区内所有芯片的第一晶圆分区测试数据和第二晶圆分区测试数据进行相关性检测,从而更能准确的反映晶圆在第一测试和第二测试中的测试数据的相关性,进而知道后续测试参数的调整。
需要说明的是,在其他实施例中,还可以是采用K-means聚类算法、基于密度的聚类算法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类算法、凝聚层次聚类算法或模糊聚类算法中的任一种或多种,对晶圆测试数据进行分区,例如随机选取多个质心,通过K-means聚类算法根据晶圆测试数据对应的芯片的晶圆位置信息,将晶圆测试数据分为多个簇,例如随机选取6个质心,相应的通过K-means算法可以将晶圆中的测试数据均分为6个扇区,将对应同一个扇区内的芯片的第一晶圆测试数据作为第一晶圆分区测试数据,对应同一个扇区内的芯片的第二晶圆测试数据作为第二晶圆分区测试数据。
如果用数据表达式表示,假设簇划分为(C1、C2、…Ck),则计算使平方误差E最小的分类结果,其中E表示为:
其中μi是簇Ci的均值向量,x为簇Ci中每个芯片的位置信息所生成的向量。
根据聚类算法中常用的肘部法则选取最佳分类数,肘部法则的核心指标是SSE(sum of the squared errors,误差平方和),Ci是第i个簇,P是Ci中的样本点,mi是Ci的质心(Ci中所有样本的均值),SSE是所有样本的聚类误差,代表了聚类效果的好坏,其中的公式如下所示:
在其他实施例中,还可以是预先对晶圆中的芯片进行划分区域,在测试晶圆测试数据时,相应地只对同一划分区域内的芯片进行DC测试、FRC测试或WAT测试,获得相应分区的第一晶圆分区测试数据和第二晶圆分区测试数据。
可以理解的是,晶圆的分区数目太多,会导致一个分区内的芯片个数太少,相应的晶圆测试数据量太少,从而无法反映整体的晶圆测试数据相关性;而晶圆分区数目太多,会导致数据量太大,且同一分区内的芯片良率一致性低,无法反映真实的晶圆测试数据相关性。本实施例中,分区数目N为3~6,例如为4个或5个分区。
通过多种聚类算法以及优化聚类参数,将晶圆测试数据分成上述数量的分区,可以有效地减轻相关性分析的工作量以及提高晶圆测试数据相关性分析结果的准确性。
S103、检测属于同一分区的第一晶圆分区测试数据与第二晶圆分区测试数据的相关性。
在本实施例中,将对应B、C或D分区的第一晶圆分区测试数据和第二晶圆分区测试数据进行相关性检测。
具体来说,检测第一晶圆分区测试数据与第二晶圆分区测试数据的相关性,包括:获取第一晶圆分区测试数据中对应多个第一类测试项目的第一测试数据集,以及获取属于相同分区的第二晶圆分区测试数据中对应多个第二类测试项目的第二测试数据集;检测第一测试数据集中的第一测试数据和第二测试数据集中的第二测试数据的相关性。
参考表1和表2,第一类测试项目为DCitem列中的测试项目X1…Xn,第一测试数据集DC value,第一测试数据为与各个测试项目对应的A1…An,第二类测试项目为WATitem列中的测试项目Y1…Yn,第二测试数据集为WAT value,第二测试数据为B1…Bn。
根据相关性检测算法,分别计算第一测试数据An和第二测试数据Bn的相关系数,从而得到第一类测试中的第一测试项目Xn和第二类测试中的第二测试项目Yn的相关性。
需要说明的是,在其他实施例中,检测属于同一分区的第一晶圆分区测试数据和第二晶圆分区测试数据的相关性包括:检测多个第一晶圆分区测试数据与属于同一分区的第二晶圆分区测试数据的相关性。
具体来说,检测A、B、C、D和E分区中任意几个分区的第一晶圆分区测试数据与对应的第二晶圆分区测试数据的相关性。例如通过Hive数据库采用分布式计算的方式依次获取同属于B分区的第一晶圆测试数据和第二晶圆分区测试数据的相关性检测结果、同属于C分区的第一晶圆测试数据和第二晶圆分区测试数据的相关性检测结果和同属于D分区的第一晶圆测试数据和第二晶圆分区测试数据的相关性检测结果,从而根据获取的多个晶圆分区测试数据的相关性检测结果,来进一步反映第一晶圆测试数据和第二晶圆测试数据的整体相关性水平,进而指导后续对晶圆测试参数的调整。
Hive数据库平台分布式计算的方式可以对巨量数据同时进行计算处理,相应的可以大大提升对巨量数据进行处理的速度,以分布式方式同时处理多个分区对应的第一晶圆分区测试数据和第二晶圆分区测试数据的相关性检测计算,可以减少相关性检测所需的时间,提升晶圆测试数据相关性检测结果的分析速度。
本实施例中,所计算的相关系数包括皮尔森相关系数、斯皮尔曼相关系数或肯德尔相关系数中的任一种。在其他实施例中,所计算的相关系数还可以是本领域其他相关系数。
在获取第一类测试中各个测试项目和第二类测试中的各个测试项目的相关性之后,可以根据相关性检测结果,对具有较强相关性的第一测试项目的测试参数进行调整,从而优化第二测试项目的测试数据。
为了进一步直观地反映第一晶圆测试数据和第二晶圆测试数据的相关性,在检测多个第一晶圆分区测试数据与属于同一分区的第二晶圆分区测试数据的相关性检测结果后,还包括:根据至少一个第一晶圆分区测试数据与属于同一分区的第二晶圆分区测试数据的相关性检测结构,生成第一晶圆测试数据和第二晶圆测试数据的相关性检测结果。
在本实施例中,将A~E分区中的任一个分区的第一晶圆分区测试数据与第二晶圆分区测试数据的相关性检测结果作为第一晶圆测试数据和第二晶圆测试数据的相关性检测结果。在其他实施例中还可以是将A~E分区中多个分区的第一晶圆分区测试数据与第二晶圆分区测试数据的相关性检测结果的平均值,作为第一晶圆测试数据和第二晶圆测试数据的相关性检测结果,例如将检测得到的B、C和D分区的第一晶圆分区测试数据与第二晶圆分区测试数据的相关系数的平均值,作为第一晶圆测试数据和第二晶圆测试数据的相关系数。
可以理解的是,在其他实施例中还可以是通过其他方式来根据晶圆分区测试数据的相关性检测结果来反映整体的晶圆测试数据的相关性检测结果,在此仅以取平均值的方式做示例。
如此,通过晶圆分区测试数据的相关性检测结果来反映整体晶圆测试数据的相关性水平,可以避免由于晶圆各区域的芯片良率不一致所导致的整体晶圆测试数据相关性检测结果不准确的弊端,从而获取更加准确的整体晶圆测试数据的相关性检测结果。
可以理解的是,为了进一步增加相关性检测的准确性以及检测结果的可信度,在步骤S103之后,还可以包括:检验相关性检测结果的显著性。
具体来说,通过相关性检测算法,来检验在预设显著性检验水平下,所计算的相关系数的显著性,显著性检验水平包括0.05、0.01或0.1。
此外,为了后续的进一步分析,在步骤S103之后,还可以包括,将最终检测结果存储在Hive数据库或HBase数据库中。
需要说明的是,为了更加直观地显示第一晶圆测试数据和第二晶圆测试数据的相关性检测结果,还可以通过图表等方式对相关性检测结果进行处理。例如将晶圆的各个第一测试项目与第二测试项目的相关性结果生成柱状图,或折线图,来表示相关性的趋势和大小,或者通过较深颜色的色块来表示检测得到的相关系数大,较浅的色块来表示检测得到的相关系数小。
本发明第一实施例提供的一种晶圆数据检测方法,通过对晶圆测试数据进行分区,检测同一分区内的第一晶圆分区测试数据和第二晶圆分区测试数据的相关性,来反映整体晶圆测试数据的相关性,可以提升晶圆测试数据相关性检测的准确性,相应的还可以减少晶圆测试数据相关性检测的工作量,提升晶圆测试数据检测的快捷性。
本发明第二实施例提供一种晶圆数据检测方法,与上一实施例不同的是,本实施例中,在根据第一晶圆测试数据和第二晶圆测试数据中每个芯片的晶圆位置信息,对第一晶圆测试数据和第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据之后,在检测第一晶圆分区测试数据与第二晶圆分区测试数据的相关性之前,还包括:将第一晶圆分区测试数据和第二晶圆分区测试数据进行关联,生成关联数据集;检测待输入的第一标识、第二标识和第三标识,第一标识用于获取与第一标识对应的关联数据集,第二标识用于获取与第一标识对应的关联数据集内与第二标识对应的第一测试数据集,第三标识用于获取与第一标识对应的关联数据集内与第三标识对应的第二测试数据集;检测第一晶圆分区测试数据与第二晶圆分区测试数据的相关性具体包括:计算第一测试数据集中的第一测试数据和第二测试数据集中的第二测试数据的相关系数。
图4为本发明第二实施例提供的晶圆数据检测方法的流程示意图,以下将参考图4对本实施例进行详细说明。
需要说明的是,相同或相似的技术细节请参考上述实施例中的描述,在此不再赘述。
S201和S202分别与S101和S102相同,具体请参考上述实施例。
S203、将第一晶圆分区测试数据和第二晶圆分区测试数据进行关联,生成关联数据集。
参考表3,表3为关联后的关联数据集。可以是根据产品信息、晶圆信息和芯片信息对第一晶圆分区测试数据和第二晶圆分区测试数据进行关联。具体来说,在Hive平台中,可以通过左表并联语句或者其他多表并联查询语句,将具有相同列数据的表进行并联,生成关联数据集。
表3关联数据集
可以理解的是,本实施例示出的表3测试数据集DC value中An为包含Kn个数据的集合,WAT value中Bn为包含Mn个数据的集合,Kn和Mn为正整数。
S204、检测是否有输入的第一标识、第二标识和第三标识。
如果检测结果为是,则进行步骤S205,如果检测结果为否,则结束。
具体来说,通过Hive平台的至少一个处理器来判断是否存在用户输入的第一标识、第二标识和第三标识。
S205、获取与第一标识对应的关联数据集内与第二标识对应的第一测试数据集,获取与第二标识对应的关联数据集内与第三标识对应的第二测试数据集。
具体来说,在本实施例中,参考表3,系统检测到用户输入的第一标识为Programid,DC/WAT,第二标识为DC value,第三标识为WAT value,检测系统获取与第一标识Programid,DC/WAT对应的关联数据集,并获取与第二标识DC value对应的第一测试数据集A1…An,获取与第三标识WAT value对应的第二测试数据集B1…Bn。
可以理解的是,系统还可以用于检测待用户输入的第四标识,第四标识用于设定显著性检验水平,以供系统内的显著性检验算法对后续的相关性检测结果的显著性进行检验。
S206、计算第一测试数据集中的第一测试数据和第二测试数据集中的第二测试数据的相关系数。
S206与S103相同,请参考S103中的详细描述。
本实施例提供的晶圆数据检测方法,在对晶圆测试数据进行相关性检测时,用户只需将待检测的晶圆测试数据导入数据库,并在系统内输入需要检测的晶圆以及晶圆测试类型数据类型等参数,减轻了用户的工作负担,且提高了对大量测试数据进行相关性检测的速度。
本发明第一实施例提供一种晶圆数据检测系统,包括:数据获取模块、数据分区模块和相关性检测模块;数据获取模块用于获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据导入数据库;数据分区模块用于根据第一晶圆测试数据和第二晶圆测试数据中每个芯片的晶圆位置信息,对第一晶圆测试数据和第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据;相关性检测模块用于检测属于同一分区的第一晶圆分区测试数据和第二晶圆分区测试数据的相关性。
图5为本发明第三实施例提供的数据检测系统的结构示意图。
参考图5,本发明第三实施例提供的数据检测系统包括数据获取模块101、数据分区模块102和相关性检测模块103。
需要说明的是,本实施例为与前述实施例提供的晶圆数据检测方法对应的检测系统,相同或相似的技术细节可以参考上述实施例中的描述,在此不再赘述。
数据获取模块101用于获取数据库中待检测的晶圆测试数据,待检测的晶圆测试数据包括第一晶圆测试数据和第二晶圆测试数据,第一晶圆测试数据包括对应多个第一类测试项目的第一测试数据集,第二晶圆测试数据包括对应多个第二类测试项目的第二测试数据集。
本实施例提供的晶圆数据检测系统运行在Hive平台,待检测的晶圆测试数据存储在Hive数据库。可以理解的是,在其他实施例中,晶圆数据检测系统运行于其他大数据平台上,所数据库还可以为HBase数据库。
通过Hive平台的大数据技术可以方便快捷地对晶圆过的测试数据进行存储和处理,且可以计算全体数据的相关性,避免了采用抽取样本的方式所带来的计算结果准确性较低的问题。
第一类测试项目例如为晶圆CP测机台的DC item、FRCitem,第二类测试项目例如为晶圆WAT测机台的WAT item。通过检测第一类测试项目的第一测试数据集和第二类测试项目的第二测试数据集中测试数据的相关性,从而可以对具有较强相关性的测试项目的测试参数进行调整,优化测试结果。
数据分区模块102用于根据第一晶圆测试数据和第二晶圆测试数据中每个芯片的晶圆位置信息,对第一晶圆测试数据和所述第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据。
在本实施例中,数据分区模块102对第一晶圆测试数据和第二晶圆测试数据进行分区后,获得的第一晶圆分区测试数据包括:与晶圆中心区对应的第一晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第一晶圆环形分区测试数据;获得的第二晶圆分区测试数据包括:与晶圆中心区对应的第二晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第二晶圆环形分区测试数据。
本实施例提供的晶圆数据检测系统还包括相关性检测模块103,相关性检测模块103用于检测第一晶圆分区测试数据和第二晶圆分区测试数据的相关性。
具体来说,相关性检测模块103为预先在Hive平台开发的相关性检测算法元件,通过在Hive平台嵌入开发的相关性检测算法,并在Hive平台操作界面设置相关性检测元件,在导入第一晶圆测试数据和第二晶圆测试数据后,用户在Hive平台通过拖拉方式将相关性检测算法元件拖拉到工作流程引擎中,构建数据流,在导入第一晶圆测试数据和第二晶圆测试数据后,相关性检测元件通过内置的算法程序以分布式技术来计算第一晶圆测试数据和第二晶圆测试数据的相关系数,得到第一晶圆测试数据和第二晶圆测试数据的相关性。
具体来说,本实施例中相关性检测模块103用于检测属于晶圆最外层圆环区和晶圆中心区之间的同一分区的第一晶圆环形分区测试数据和所述第二晶圆环形分区测试数据的相关性。
本实施例提供的数据检测系统,通过在Hive平台中开发相关性检测模块,将数据导入Hive数据库,并利用Hive数据库的相关性检测模块进行检测,即可快速、简便地检测全体数据的相关性,避免了在相关性检测中重复开发算法,从而达到快速、简便地检测全体数据相关性的发明目的。
本发明第四实施例提供了一种晶圆数据检测系统,与上述实施例不同的是,本发明第二实施例提供的数据检测系统还包括数据关联模块,数据关联模块用于关联第一晶圆分区测试数据和第二晶圆分区测试数据,生成关联数据集;相关性检测模块包括参数设置单元和相关系数计算单元,参数设置单元用于设定第一标识、第二标识和第三标识;相关系数计算单元用于获取与第一标识对应的关联数据集内与第二标识对应的第一测试数据集,还用于获取与第一标识对应的关联数据集内与第三标识对应的第二测试数据集;相关系数计算单元还用于计算获取的第一测试数据集中的第一测试数据和获取的第二测试数据集中的第二测试数据的相关系数。
图6为本发明第四实施例提供的晶圆数据检测系统的结构示意图。
需要说明的是,本实施例提供的晶圆晶圆数据检测系统为与上述实施例提供的晶圆检测方法相应的检测系统,相同或相似的技术细节请参考上述实施例中的描述,在此不再赘述。
参考图6,本发明第四实施例提供的数据检测系统包括数据获取模块201、数据分区模块202、数据关联模块203和相关性检测模块204,相关性检测模块204包括参数设置单元21、相关系数计算单元22。
数据关联模块203用于关联第一晶圆分区测试数据和第二晶圆分区测试数据后,关联后生成至少一个关联数据集。在本实施例中,第一晶圆分区测试数据为形如表1的数据,包括测试数据所属的对象标识信息programid和DC/WAT、以及第一类测试项目DCitem和第一测试数据集DC value,第二晶圆分区测试数据为形如表2的数据,包括测试数据所属的对象标识信息programid和DC/WAT、第二类测试项目WATitem和第二测试数据集WAT value。
在Hive平台中通过SQL表关联查询中的leftjoin(左连接)方式对第一晶圆测试数据和第二晶圆测试数据进行关联,属于相同测试对象的第一晶圆分区测试数据和第二晶圆分区测试数据进行关联,生成形如表3的关联数据集。关联数据集中包括测试对象标识信息,第一类测试项目信息、第二类测试项目信息、第一类测试项目对应的第一测试数据集、第二类测试项目对应的第二测试数据集。本实施例中第一类测试项目还可以包括FRC item或FT item等测试项目。
参数设置单元21用于设置第一标识、第二标识和第三标识。
在本实施例中,参数设置单元21为供用户设置相关性分析对象,用户可以通过参数设置单元21来选定需要分析的测试对象标识信息,以及需要进行相关性检测的第一测试数据集和第二测试数据集。
相关系数计算单元22用于获取与第一标识对应的关联数据集内与第二标识对应的第一测试数据集,还用于获取与第一标识对应的关联数据集内与第三标识对应的第二测试数据集,还用于计算获取的第一测试数据集和获取的第二测试数据集的相关系数。
相关系数计算单元22调用内置的相关系数算法,获取在参数设置单元21中设置的数据分析对象第一测试数据集和第二测试数据集中的数据,采用分布式技术对数据集中An和Bn的相关系数进行计算。
相关系数包括皮尔森相关系数、斯皮尔曼相关系数或肯德尔相关系数中的任一种。
Pearson相关系数(Pearson CorrelationCoefficient)是用来衡量两个数据集合是否在一条线上面,它用来衡量变量间的线性关系,皮尔森相关系数的计算公式为:
皮尔森相关系数公式定义为:两个变量(X,Y)的pearson相关性系数ρ等于它们之间的协方差cov(X,Y)除以它们各自标准差的乘积(σX,σY)。
斯皮尔曼相关系数是衡量两个变量的依赖性的非参数指标,它利用单调方程评价两个统计变量的相关性,如果数据中没有重复值,并且当两个变量完全单调相关时,斯皮尔曼相关系数则为+1或-1。斯皮尔曼相关系数的计算公式为:
第一测试数据集中An的第i个取值用ai表示,第一测试数据集中Bn的第i个取值用bi,对a、b进行排序(同时为升序或降序),得到An和Bn元素排行集合a和b,其中ai、bi分别表示为ai在a中的排行以及bi在b中的排行。将集合a和b中的元素相减得到一个排行差分集合d,其中di=ai-bi,1<=i<=N,N为数据的个数。An和Bn之间的斯皮尔曼等级相关系数可以由a、b或者d计算得到。
肯德尔检验是一个无参数假设检验,它使用计算而得的相关系数去检验两个随机变量的统计依赖性,肯德尔相关系数的取值范围在-1到1之间,当τ为1时,表示两个随机变量拥有一致的等级相关性;当τ为-1时,表示两个随机变量拥有完全相反的等级相关性;当τ为0时,表示两个随机变量是相互独立的。
肯
在一个具体的实施例中,用户只需在用户界面中设定Group attribute、Targetattribute1和Target attribute2参数,例如需要对关联数据集表3中的数据进行相关性分析,用户选定第一标识Group attribute为programid,dc/wat;第二标识Targetattribute1为dcvalue;第三标识Target attribute2为watvalue,即可得到programid为AP1的关联数据集中DC item和WAT item的相关系数,计算结果如表3中pearsoncorr.结果所示。
在Hive大数据平台中,通过设定一些参数,将所有晶圆以及所有chip对应的数据分散在不同的server上,并给每组数据分配对应的运行内存进行运算,可以极大的提高Hive平台计算的速度,从而提升晶圆数据检测系统的快捷性。
可以理解的是,为了增加相关性检测结果的准确性以及可信度,相关性检测模块204还包括显著性检验单元23,参数设置单元21还用设定显著性检验水平,显著性检验单元用于根据预设的显著性检验水平和内置的显著性算法检验相关系数的显著性。
用户在设置第一标识、第二标识和第三标识时,还设置显著性检验水平,显著性水平包括0.05、0.01或0.1。
在对进行相关性分析时,为了避免产生虚假相关现象,需要对相关系数进行显著性检验,若在统计上是显著的,则说明检测的数据之间是具有依赖关系的。
可以理解的是,为了避免单次晶圆测试数据的误差,从而增加晶圆测试数据相关性检测结果的准确性,本实施例中数据获取模块201还用于获取数据库中的多个第一晶圆测试数据,根据多个第一晶圆测试数据,计算第一晶圆测试数据平均值并作为数据分区模块所处理的第一晶圆测试数据;和/或用于获取数据库中的多个第二晶圆测试数据,根据多个第二晶圆测试数据,计算第二晶圆测试数据平均值并作为数据分区模块所处理的第二晶圆测试数据。
另外,为了方便研发人员观察测试参数之间相关性的变化趋势,从而进一步对测试参数做出优化和调整,基于Hive的数据检测系统还可以包括输出模块205,输出模块205用于输出相关性检测模块的相关性检测结果。具体来说,根据相关性检测模块的相关性检测结果,输出模块205可以相应的生成相关性图或者表等等数据处理结果,例如可以生成第一晶圆测试数据和第二晶圆测试数据的相关性趋势图或者显示相关性强弱的色块图。
需要说明的是,为了便于对历史测试数据的相关性进行统计分析,基于Hive的数据检测系统还可以包括存储模块,存储模块用于存储相关性检测模块的相关性检测结果。进一步地,存储模块用于将检测结果存储在Hive数据库或HBase数据库。
由于测试数据量的庞大,最终得到的相关性结果数据量依然庞大,为了方便大数据的存储和分析,可以将相关性检测结果存储在数据库中。
本实施例中存储模块将检测结果以HDFS文件的形式存储在Hive数据库或HBase数据库中。Hive数据库或HBase数据库为常用的数据库工具,具有简单方便且学习成本低的特点,适用于研发人员对大数据处理的需求。
本实施例提供的数据检测系统,通过在Hive平台中集成相关性检测模块,可以在Hive平台上直接对导入的大量测试数据之间的相关性进行检测,获取测试数据之间的依赖性,并据此指导对测试参数的优化。并且通过关联模块对导入的数据进行关联,生成具有关联关系的关联数据集,用户只需设置需要进行检验的关联数据集标识,以及测试数据集标识,即可快速对所需要进行相关性分析的大量测试数据进行相关性分析,无需重新开发适配测试数据的算法,节省了检测时间,且数据检测系统可以对全体数据的相关性进行检测,保证最终相关性结果的准确性。
相应的,本发明第五实施例还提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例所述的晶圆数据检测方法。
相应的,本发明第六实施例还提供一种测试参数调整方法,包括:在通过上述任一实施例所述的晶圆数据检测方法获得第一晶圆测试数据和第二晶圆测试数据的相关性检测结果后,根据相关性检测结果,调整第一晶圆测试数据中相应测试项目的测试参数,从而优化第二晶圆测试项目的数据。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各自更动与修改,因此本发明的保护范围应当以权利要求限定的范围为准。
Claims (17)
1.一种晶圆数据检测方法,其特征在于,包括:
获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据;
根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据;
检测属于同一分区的所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性。
2.根据权利要求1所述的晶圆数据检测方法,其特征在于,所述第一晶圆分区测试数据包括:与晶圆中心区对应的第一晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第一晶圆环形分区测试数据;所述第二晶圆分区测试数据包括:与晶圆中心区对应的第二晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第二晶圆环形分区测试数据。
3.根据权利要求2所述的晶圆数据检测方法,其特征在于,所述同一分区属于晶圆最外层圆环区和晶圆中心区之间的分区。
4.根据权利要求1或2所述的晶圆数据检测方法,其特征在于,所述根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区包括:通过聚类算法根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,将所述第一晶圆测试数据分为N个第一晶圆分区测试数据,将所述第二晶圆测试数据分为N个第二晶圆分区测试数据,N为正整数。
5.根据权利要求1所述的晶圆数据检测方法,其特征在于,所述获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据具体包括:获取所述数据库中的多个第一晶圆测试数据,计算第一晶圆测试数据平均值并作为后续步骤中的第一晶圆测试数据;和/或获取所述数据库中的多个第二晶圆测试数据,根据所述多个第二晶圆测试数据,计算第二晶圆测试数据平均值并作为后续步骤中的第二晶圆测试数据。
6.根据权利要求1所述的晶圆数据检测方法,其特征在于,在所述根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据之后,在所述检测所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性之前,还包括:
将所述第一晶圆分区测试数据和所述第二晶圆分区测试数据进行关联,生成关联数据集;
检测待输入的第一标识、第二标识和第三标识,所述第一标识用于获取与所述第一标识对应的所述关联数据集,所述第二标识用于获取与所述第一标识对应的关联数据集内与所述第二标识对应的第一测试数据集,所述第三标识用于获取与所述第一标识对应的所述关联数据集内与所述第三标识对应的第二测试数据集;
所述检测所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性具体包括:计算所述第一测试数据集中的第一测试数据和所述第二测试数据集中的第二测试数据的相关系数。
7.根据权利要求1所述的晶圆数据检测方法,其特征在于,还包括:根据至少一个所述第一晶圆分区测试数据与属于同一分区的所述第二晶圆分区测试数据的相关性检测结果,生成所述第一晶圆测试数据和所述第二晶圆测试数据的相关性检测结果。
8.根据权利要求1所述的晶圆数据检测方法,其特征在于,在所述检测所述第一晶圆分区测试数据与所述第二晶圆分区测试数据的相关性之后,还包括:检验相关性检测结果的显著性。
9.一种晶圆数据检测系统,其特征在于,包括:数据获取模块、数据分区模块和相关性检测模块;
所述数据获取模块用于获取数据库中待检测的第一晶圆测试数据和第二晶圆测试数据;
所述数据分区模块用于根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,对所述第一晶圆测试数据和所述第二晶圆测试数据进行分区,生成多个第一晶圆分区测试数据和多个第二晶圆分区测试数据;
所述相关性检测模块用于检测属于同一分区的所述第一晶圆分区测试数据和所述第二晶圆分区测试数据的相关性。
10.根据权利要求9所述的晶圆数据检测系统,其特征在于,所述第一晶圆分区测试数据包括:与晶圆中心区对应的第一晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第一晶圆环形分区测试数据;所述第二晶圆分区测试数据包括:与晶圆中心区对应的第二晶圆中心分区测试数据,和包围晶圆中心区的多个圆环区对应的第二晶圆环形分区测试数据。
11.根据权利要求9所述的晶圆数据检测系统,其特征在于,所述数据分区模块具体用于通过聚类算法根据所述第一晶圆测试数据和所述第二晶圆测试数据中每个芯片的晶圆位置信息,将所述第一晶圆测试数据分为N个第一晶圆分区测试数据,将所述第二晶圆测试数据分为N个第二晶圆分区测试数据,N为正整数。
12.根据权利要求9所述的晶圆数据检测系统,其特征在于,所述数据获取模块还用于获取所述数据库中的多个第一晶圆测试数据,根据所述多个第一晶圆测试数据,计算第一晶圆测试数据平均值并作为所述数据分区模块所处理的第一晶圆测试数据;和/或用于获取所述数据库中的多个第二晶圆测试数据,根据所述多个第二晶圆测试数据,计算第二晶圆测试数据平均值并作为所述数据分区模块所处理的第二晶圆测试数据。
13.根据权利要求9所述的晶圆数据检测系统,其特征在于,还包括数据关联模块,所述数据关联模块用于关联所述第一晶圆分区测试数据和所述第二晶圆分区测试数据,生成关联数据集;所述相关性检测模块包括参数设置单元和相关系数计算单元,所述参数设置单元用于设定第一标识、第二标识和第三标识;所述相关系数计算单元用于获取与所述第一标识对应的所述关联数据集内与所述第二标识对应的第一测试数据集,还用于获取与所述第一标识对应的所述关联数据集内与所述第三标识对应的第二测试数据集;所述相关系数计算单元还用于计算所获取的第一测试数据集中的第一测试数据和所获取的第二测试数据集中的第二测试数据的相关系数。
14.根据权利要求9所述的晶圆数据检测系统,其特征在于,还包括输出模块,所述输出模块用于输出所述相关性检测模块的相关性检测结果。
15.根据权利要求9所述的晶圆数据检测系统,其特征在于,所述晶圆数据检测系统运行于Hive平台上,所述数据库为Hive数据库。
16.一种计算机可读存储介质,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1~8中任一项所述的晶圆数据检测方法。
17.一种测试参数调整方法,其特征在于,在通过上述权利要求1~8中所述的晶圆数据检测方法获得第一晶圆分区测试数据和第二晶圆分区测试数据的相关性检测结果后,包括:根据所述相关性检测结果,调整所述第一晶圆测试数据中相应测试项目的测试参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911336942.6A CN113092981B (zh) | 2019-12-23 | 2019-12-23 | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911336942.6A CN113092981B (zh) | 2019-12-23 | 2019-12-23 | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092981A true CN113092981A (zh) | 2021-07-09 |
CN113092981B CN113092981B (zh) | 2022-04-26 |
Family
ID=76663046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911336942.6A Active CN113092981B (zh) | 2019-12-23 | 2019-12-23 | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092981B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505344A (zh) * | 2021-07-16 | 2021-10-15 | 长鑫存储技术有限公司 | 机台插槽的异常侦测方法、修复方法和异常侦测系统 |
CN114398141A (zh) * | 2022-03-25 | 2022-04-26 | 杭州广立微电子股份有限公司 | 基于wat测试的晶圆良率数据处理方法和计算机设备 |
CN116313875A (zh) * | 2023-05-24 | 2023-06-23 | 长鑫存储技术有限公司 | 失效位元处理方法 |
DE102022201902A1 (de) | 2022-02-23 | 2023-08-24 | Robert Bosch Gesellschaft mit beschränkter Haftung | Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021209343A1 (de) | 2021-08-25 | 2023-03-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
DE102021209588A1 (de) | 2021-09-01 | 2023-03-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
DE102022201967A1 (de) | 2022-02-25 | 2023-09-14 | Robert Bosch Gesellschaft mit beschränkter Haftung | Unsicherheitsabschätzung einer Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040145384A1 (en) * | 2003-01-24 | 2004-07-29 | International Business Machines Corporation | Circuitry And Methodology To Establish Correlation Between Gate Dielectric Test Site Reliability and Product Gate Reliability |
JP2005142406A (ja) * | 2003-11-07 | 2005-06-02 | Toshiba Corp | 不良検出システム、不良検出方法及び不良検出プログラム |
CN101246831A (zh) * | 2007-02-16 | 2008-08-20 | 台湾积体电路制造股份有限公司 | 在半导体制造工艺中测试晶圆及找出产生缺陷原因的方法 |
JP2009021397A (ja) * | 2007-07-12 | 2009-01-29 | Seiko Epson Corp | マルチカードの位置ズレ補正方法及び、回路素子の検査方法 |
CN101416132A (zh) * | 2006-01-27 | 2009-04-22 | 先进微装置公司 | 用于制造数据索引的方法及装置 |
CN101493655A (zh) * | 2008-01-21 | 2009-07-29 | 联华电子股份有限公司 | 曝光方法 |
CN101556930A (zh) * | 2003-08-25 | 2009-10-14 | 陶-梅特里克斯公司 | 用于评估半导体元件与晶片制造的技术 |
JP2012251971A (ja) * | 2011-06-07 | 2012-12-20 | Renesas Electronics Corp | 半導体試験装置、半導体試験方法及びプログラム |
CN104916559A (zh) * | 2014-03-10 | 2015-09-16 | 旺宏电子股份有限公司 | 结合实体坐标的位失效侦测方法 |
CN108400098A (zh) * | 2017-02-08 | 2018-08-14 | 上海华岭集成电路技术股份有限公司 | 验证晶圆测试相关性的方法 |
CN109901058A (zh) * | 2019-03-29 | 2019-06-18 | 上海华力集成电路制造有限公司 | 一种半导体器件的分析方法 |
CN110146798A (zh) * | 2019-03-29 | 2019-08-20 | 福建省福联集成电路有限公司 | 一种对失效芯粒的自动分析方法及系统 |
-
2019
- 2019-12-23 CN CN201911336942.6A patent/CN113092981B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040145384A1 (en) * | 2003-01-24 | 2004-07-29 | International Business Machines Corporation | Circuitry And Methodology To Establish Correlation Between Gate Dielectric Test Site Reliability and Product Gate Reliability |
CN101556930A (zh) * | 2003-08-25 | 2009-10-14 | 陶-梅特里克斯公司 | 用于评估半导体元件与晶片制造的技术 |
JP2005142406A (ja) * | 2003-11-07 | 2005-06-02 | Toshiba Corp | 不良検出システム、不良検出方法及び不良検出プログラム |
CN101416132A (zh) * | 2006-01-27 | 2009-04-22 | 先进微装置公司 | 用于制造数据索引的方法及装置 |
CN101246831A (zh) * | 2007-02-16 | 2008-08-20 | 台湾积体电路制造股份有限公司 | 在半导体制造工艺中测试晶圆及找出产生缺陷原因的方法 |
JP2009021397A (ja) * | 2007-07-12 | 2009-01-29 | Seiko Epson Corp | マルチカードの位置ズレ補正方法及び、回路素子の検査方法 |
CN101493655A (zh) * | 2008-01-21 | 2009-07-29 | 联华电子股份有限公司 | 曝光方法 |
JP2012251971A (ja) * | 2011-06-07 | 2012-12-20 | Renesas Electronics Corp | 半導体試験装置、半導体試験方法及びプログラム |
CN104916559A (zh) * | 2014-03-10 | 2015-09-16 | 旺宏电子股份有限公司 | 结合实体坐标的位失效侦测方法 |
CN108400098A (zh) * | 2017-02-08 | 2018-08-14 | 上海华岭集成电路技术股份有限公司 | 验证晶圆测试相关性的方法 |
CN109901058A (zh) * | 2019-03-29 | 2019-06-18 | 上海华力集成电路制造有限公司 | 一种半导体器件的分析方法 |
CN110146798A (zh) * | 2019-03-29 | 2019-08-20 | 福建省福联集成电路有限公司 | 一种对失效芯粒的自动分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
戴敬 等: "晶圆表面微米级缺陷检测", 《计算机工程与设计》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505344A (zh) * | 2021-07-16 | 2021-10-15 | 长鑫存储技术有限公司 | 机台插槽的异常侦测方法、修复方法和异常侦测系统 |
DE102022201902A1 (de) | 2022-02-23 | 2023-08-24 | Robert Bosch Gesellschaft mit beschränkter Haftung | Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
CN114398141A (zh) * | 2022-03-25 | 2022-04-26 | 杭州广立微电子股份有限公司 | 基于wat测试的晶圆良率数据处理方法和计算机设备 |
CN116313875A (zh) * | 2023-05-24 | 2023-06-23 | 长鑫存储技术有限公司 | 失效位元处理方法 |
CN116313875B (zh) * | 2023-05-24 | 2023-10-13 | 长鑫存储技术有限公司 | 失效位元处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113092981B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113092981B (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
Galdi et al. | Data mining: accuracy and error measures for classification and prediction | |
TWI660277B (zh) | 資訊處理裝置及資訊處理方法 | |
CN113792825A (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
CN103714191B (zh) | 用于异常工具和阶段诊断的2d/3d分析 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
JP2016200435A (ja) | マススペクトル解析システム,方法およびプログラム | |
Gao et al. | A process fault diagnosis method using multi‐time scale dynamic feature extraction based on convolutional neural network | |
JP7144676B2 (ja) | 情報処理装置、品質関連式生成方法、および品質関連式生成プログラム | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN116564409A (zh) | 基于机器学习的转移性乳腺癌转录组测序数据识别方法 | |
CN115691722A (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
CN114154029A (zh) | 一种基于人工智能和色谱分析的样品查询方法及服务器 | |
Khoshnevis et al. | Prioritizing ground‐motion validation metrics using semisupervised and supervised learning | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
JP7354421B2 (ja) | エラー要因の推定装置及び推定方法 | |
US20120053877A1 (en) | Method for detecting atypical electronic components | |
CN111539576B (zh) | 一种风险识别模型的优化方法及装置 | |
CN113836826A (zh) | 关键参数确定方法、装置、电子装置及存储介质 | |
Anaya et al. | Yield improvement using advanced data analytics | |
CN113987240A (zh) | 一种基于知识图谱的海关检样溯源方法及系统 | |
KR20230002862A (ko) | 웨이퍼 빈 맵 기반 근본 원인 분석 | |
US10546243B1 (en) | Predicting particle size distribution and particle morphology | |
CN107992886B (zh) | 一种燃机压气机设备故障趋势预测方法 | |
CN114660931A (zh) | 用于石油化工过程故障诊断与识别的方法及系统 |
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 |