CN113298126B - 一种半导体功率芯片的批量分类方法 - Google Patents
一种半导体功率芯片的批量分类方法 Download PDFInfo
- Publication number
- CN113298126B CN113298126B CN202110515572.3A CN202110515572A CN113298126B CN 113298126 B CN113298126 B CN 113298126B CN 202110515572 A CN202110515572 A CN 202110515572A CN 113298126 B CN113298126 B CN 113298126B
- Authority
- CN
- China
- Prior art keywords
- value
- semiconductor power
- values
- classification
- power chips
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- 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
- H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
-
- 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
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Abstract
一种半导体功率芯片的批量分类方法,包括:选取一组半导体功率芯片获得其电学特性数据,通过对数据进行分类处理,筛选出不同等级的半导体功率芯片;其中所述分类处理包括将测量数据值进行预处理得到矫正电学特性值,计算每一半导体功率芯片的两个矫正电学特性值的比值得到其特征值,然后根据计算值得到不同值下的数量累积分布曲线的反曲线,然后计算该曲线上所有二阶导数绝对值的极大值的点,并取其中大于该曲线一阶导数最大值点的第一个,记为上分界值,据此对每一半导体功率芯片按照其特征值的大小进行分类。本发明实现了一个多变量综合的、自适应的、快速的、基于物理的、低运算量的批量分类方法。
Description
技术领域
本发明属于半导体功率芯片领域,具体地,本发明涉及一种半导体功率芯片的批量分类方法。
背景技术
半导体功率芯片广泛应用在电力电子装备和系统之中。在半导体功率芯片的使用过程中,往往需要多个协同工作。如果芯片之间出现性能不匹配,则协同工作的效率会极大降低,甚至造成设备提前失效。因此,在装配前,需要对半导体功率芯片进行性能的筛选。
目前,许多半导体功率芯片出厂时,会根据不同性能的半导体功率芯片进行分级评估,以最大化可出售的芯片数量。在这过程中,涉及对大量芯片的筛选,其中不同芯片可能由于工艺偏差,多个电学性能可能同时存在一定的浮动空间,这使得传统单一指标的分类方法无法最大化满足上述需求。因此需要一个多变量综合、自适应的筛选方式。
另一方面,半导体功率芯片的加工厂也希望通过这个分类过程,了解加工线的实时误差水平,甚至具体的误差原因,以更好地监控生产过程。因此需要一个快速、基于物理的筛选方式。
虽然一些机器学习的方法可以实现其中部分目标,但机器学习方式需要较大数据量的预训练,且对数据处理装置的运算性能和人员水平要求较高。因此需要一个尽可能低运算量的筛选方式。
综上所述,需要一个多变量综合的、自适应的、快速的、基于物理的、低运算量的新筛选方式。
发明内容
本发明的目的是提供一个多变量综合的、自适应的、快速的、基于物理的、低运算量的半导体功率芯片的批量分类方法。
本发明的上述目的是通过如下技术方案实现的。
在本发明的上下文中,术语“同一特性”是指同样的设计性能,一般是由同样的版图与工艺设计实现,但可以允许不影响所考虑性能的版图或工艺的调整。
在本发明的上下文中,术语“电极”是指半导体表面用于导电的区域,该区域可以含有也可以不含有金属层。
在本发明的上下文中,术语“偏置”是指施加某一外部电学条件,可以是静态的条件,如直流偏置,也可以是动态的条件,如斜坡波形、脉冲波形、三角波形等。
在本发明的上下文中,术语“导数”是指对离散数据的差分,或对离散数据的拟合曲线的导数。
本发明提供一种半导体功率芯片的批量分类方法,包括:
选取同一特性的一组半导体功率芯片,分别测量其电学特性,获得其电学特性数据,最后通过对数据进行分类处理,筛选出不同等级的半导体功率芯片;其中,
所述半导体功率芯片在设计上,具有两个或两个以上的电极,且在其中一对或多对电极间,具备在施加偏置电压时导通电流的能力,并且导通电流时呈现二极管特性,即电流值大小与施加的偏置电压大小可以用指数关系拟合,且在去除测量误差后的平均拟合偏差小于最大电流值的10%,所述指数关系即y1=Exp(a×x1+b)+c,其中Exp代表指数运算,x1代表施加的电压值,y1代表导通的电流值,a、b、c代表可调节的参数值;
所述电学特性具有两个或以上,包括在两个给定电压偏置下分别的电流值,或者包括在两个给定电流偏置下分别的电压值,或者包括在一个给定电流偏置下的电压值以及在一个给定电压偏置下的电流值;
所述分类处理,包括将测量数据值进行预处理得到矫正电学特性值,处理方式为对所述一组半导体芯片经过同样测试方法得到的一组数据,进行同一函数变换,变换函数为y2=Exp(d×x2+e)+f或y2=Ln(d×x2+e)+f或y2=d×x2+f,其中Exp代表指数运算,Ln代表对数运算,x2代表输入值,y2代表输出值,d、e、f代表可调节的参数值;
所述分类处理,还包括将所述预处理后的矫正电学特性值,计算每一半导体功率芯片的两个矫正电学特性值的比值,并可选地进行比值的初等函数变换,得到该半导体功率芯片的特征值,然后根据统计方法得到不同特征值下的数量累积分布曲线的反曲线,即以芯片累积个数为自变量,以特征值为因变量,然后计算该曲线上所有二阶导数绝对值的极大值的点,并取其中大于该曲线一阶导数最大值点的第一个,记为上分界值;
所述分类处理,还包括根据所述上分界值,对每一半导体功率芯片按照其特征值的大小进行分类,其中特征值大于上分界值为满足标准的半导体功率芯片,分到A类,其余的分到B类。
优选地,本发明所述半导体功率芯片为包含半导体功率二极管、体二极管、寄生二极管或等效二极管之一的芯片。
这样,可以找到一对电极,其电学特性中的电流和电压满足所述指数关系,使得后续的矫正和分类更加可靠。这是因为,根据半导体物理方程,二极管的电流和电压近似满足热电子发射模型,因此呈现所述指数关系。同时,大部分半导体功率芯片中都带有二极管结构,因此也使得本发明的方法具有较好的实用性。
优选地,本发明所述电学特性为一个给定电流偏置下的电压值,以及在一个给定电压偏置下的电流值。
这样,选取的两个电学特性在大多数时候可以直接满足所述指数关系,方便后续处理。
优选地,本发明所述测量数据预处理过程中可调节的参数值,使得最终分为A类的数据值,其特征值的相对标准偏差小于50%。
这样,提高了最终分类的可靠性。这是因为,对于满足所示标准性能的半导体功率芯片,按照所示方法提取的其特征值应当是接近的。这是因为,原本的两个呈现指数关系的电学特征,经过所示预处理后,变为了线性的,因此其斜率可以直接表征其性能等级。
优选地,本发明在得到所述数量累积分布曲线后,先对其进行平滑化,再进行后续步骤。
这样,可以减少因偶然的过大或过小的数据值对最终分类结果的影响。还可以减少离散数据的误差波动对最终分类结果的影响。
优选地,本发明所述比值的初等函数变换为,取比值的反正切值。
这样,所述的特征值将变为具有几何意义的角度值,有利于数据的可视化,方便操作人员进行的检查和理解。
优选地,本发明在取所述上分界值的同时,还取其中小于该曲线一阶导数最大值点的第一个二阶导数绝对值的极大值的点,记为下分界值,并将特征值小于下分界值的半导体功率芯片分到C类。
这样,可以将低于标准的芯片分为具有少量退化的类别和具有严重退化的类别,方便对残次品进行分级处理,以及对退化原因进行监控和排查。
本发明还提供一种所述半导体功率芯片的批量分类方法的第一种改进版本,其区别包括:
在所述方法分类处理完成后,对所述A类半导体功率芯片的电学特性值,按照所述预处理时的变换函数进行拟合,其中三个可调节的参数作为待拟合的参数,然后,使用拟合得到的新变换函数,重新从预处理步骤开始对所述选取的一组半导体功率芯片进行再次分类处理,得到新的分类。
这样,通过这种改进,可以使得可调节的参数的初始取值可以有一定的范围,提高了本发明的自适应能力。
本发明还提供一种所述半导体功率芯片的批量分类方法的第二种改进版本,其区别包括:
本发明迭代地对所述新的分类采用第一种改进版本所述的方法,直到相邻两次分类处理后,两次上分界值的相对变化小于固定值,或同时下分界值的相对变化也小于固定值;然后,取最后一次的上分界值和下分界值作为用于最终分类的特征值,完成最后一次分类。
这样,通过这种改进,可以使得可调节的参数的初始取值可以较大的范围,进一步提高了本发明的自适应能力。
本发明具有以下有益效果:
本发明是多变量综合的。这是因为,本发明同时采用了两个或多个电学特征,并基于半导体物理原理,将其进行耦合处理。
本发明是自适应的。这是因为,本发明的上分界值和下分界值均是根据数量累计分布曲线自动得到的,对于不同特性分布的一组半导体功率芯片,其分界值可以自动地确定。同时,在本发明中的两个改进的版本中,还进一步提高了变换函数参数的自适应性。
本发明是快速的。这是因为,相比于机器学习的自适应方法,尤其是神经网络等需要进行大数据预训练的模型,本发明的计算过程可直接进行。
本发明是基于物理的。这是因为,本发明利用了二极管中电流和电压的指数关系,这源于半导体物理中的热发射模型。同时,本发明还利用了半导体加工误差的正态分布特性,因此可以通过所述数量累积分布曲线得到上分界值和下分界值。
本发明是低运算量的。这是因为,相比于机器学习的自适应方法,尤其是神经网络等需要较多节点的模型,本发明的计算过程直接且简单,极大地提高了实时处理能力。得以实现的原因是,本发明针对半导体功率二极管性能的特征,进行了基于物理的方法优化。
附图说明
以下参照附图对本发明的技术方法作进一步的说明,其中:
图1为本发明一种半导体功率芯片的批量分类方法的流程图;
图2为本发明所述的二极管特性;
图3为本发明一个实施例中将测量数据值进行预处理前后的对比图;
图4为本发明一个实施例中得到的不同特征值下的数量累积分布曲线的反曲线;
图5为本发明一个实施例中根据所述筛选方法求上分界值得到的分类;
图6为本发明一个实施例中根据所述筛选方法求上分界值及下分界值得到的分类;
图7为本发明一种半导体功率芯片的批量分类方法的第一种改进版本的流程图;
图8为本发明一种半导体功率芯片的批量分类方法的第二种改进版本的流程图;
具体实施方式
根据本发明进行半导体功率芯片的批量分类时,需要对半导体功率芯片的电学特性进行测量,并获得电学特性数据。这个测量过程可以是通过与探针台对晶圆上未切割的芯片进行测量,也可以是通过示波器或其他电学参数分析仪器,对封装好的芯片进行测量,还可以是其他类似的测量手段。测量所选定的偏置标准,根据具体器件的规格进行确定。具体测量过程不是本发明主要内容,可以依照本领域常规方法,最终只需获得相应的可以较好表征芯片对应电学特性数据即可。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种半导体功率芯片的批量分类方法的具体过程,其中半导体功率芯片以碳化硅结势垒肖特基二极管为例(为简化说明,本实施例后文部分地方以二极管代指),其主要流程如图1,包括如下步骤:
选取1200V额定电压等级、5A额定电流等级的同一批次的碳化硅结势垒肖特基二极管100个,分别测量各个二极管在电压偏置3V时的电流,以及电流偏置为5A时的电压。
对于较为理想的二极管,其电流电压特性如图2所示,即在电流和电压在正向偏置的较大范围内呈现指数关系,这是由于半导体物理中的热电子发射模型决定的,是一个普适的物理规律,因此适用于大多数的二极管。对于实际的二极管,由于一些非理想因素,在此指数关系上可能有一定偏移。
对于所述碳化硅结势垒肖特基二极管,其具有两个电极,分别在半导体晶片的两个表面。通过在这两个电极施加偏置电压,可以使得所述二极管导通电流,也因此可以获得所述的电压和电流的测量值。
在得到测量数据值后,下一步进行预处理,其中需要用先确定变换函数中的三个可调节的参数值。
在本实施例的一种可能的实现方式中,这三个参数值基于已有的标准产品规格要求直接确定。
在本实施例的一种可能的实现方式中,首先测量一个标准产品的电流与电压关系曲线,测量的方式为以慢慢扫描增加的方式加大偏置电压,同时记录电流的变化曲线。然后,根据该曲线,通过拟合的方式得到所述三个可调节的参数值。这一步骤可以通过测量电学特性的步骤中,所使用的同一设备和方法完成。
在得到变换函数中的三个可调节的参数值后,计算得到电流到电压的转换函数,如y2=Ln(2X2+1)+3。将每个二极管测得的电流代入所述转换函数,得到一个矫正后的电流值(其物理意义相当于该电流对应的电压值)。对于电压值,矫正关系为y2=x2,即不作矫正。对于标准性能的二极管,由于矫正关系是原本电流电压指数关系的反函数,因此矫正后的电流与电压将呈现直线。矫正前后的关系如图3所示,其中叉符号代表一个二极管的两个电学性能数据,虚线仅为辅助用的示意线。对于少量不满足标准性能的二极管,其性能数据值的电流值将低于标准二极管的电流值(相当于电流变小),或者其电压值将高于标准二极管的电压值(相当于压降增大)。
接着,对将所述预处理后的矫正电学特性值,计算每个二极管的矫正后的电流与矫正后的电压的比值,然后求得比值的正切值(物理意义是原点到该点的向量,与x轴正方向的夹角),作为该二极管的特征值。然后,根据统计方法得到不同特征值下的数量累积分布曲线的反曲线,即以芯片累积个数为自变量,以特征值为因变量,如图4所示。对于正常的加工过程来说,一批二极管中绝大部分是满足标准性能的芯片;少部分由于工艺或材料偏差,有或多或少的性能退化,其性能随机分布,分布范围较广;还有一部分由于局部有致命缺陷,几乎无法开启,集中在电流接近零的位置。因此,最终得到的曲线呈现S型。
下一步,计算该曲线上所有二阶导数绝对值的极大值的点,并取其中大于该曲线一阶导数最大值点的第一个,记为上分界值。在所述上分界值的位置,为S型曲线的末尾,这在物理上为所述特征值集中的最后一个区域。由于在本实施例中,特征值的物理含义为各点向量与x轴正方向的夹角,因此上分界值之后的芯片,指代的即是图3b中虚线直线附近的芯片,即满足标准性能的二极管。
最后,根据所述上分界值,对每个二极管按照其特征值的大小进行分类,其中特征值大于上分界值为满足标准的二极管,分到A类,其余的分到B类。完成分类的结果如图5。
这样,即完成了一次半导体功率芯片的批量分类。其中A类二极管,为满足性能要求的二极管,可以作为产品出售。B类二极管,为不满足性能要求的二极管,可以用于失效的原因排查。
由于上述步骤均是流程化的、确定的,因此可以采用计算机辅助的方式来实现,这样可以极大地加快筛选速度。同时,其中的电学特性测量,也可通过计算机控制相关测量设备来自动完成,实现实时在线的筛选。
实施例2
基于实施例1,本实施例提供一种半导体功率芯片的批量分类方法的具体过程,其中,在取所述上分界值的同时,还取其中小于该曲线一阶导数最大值点的第一个二阶导数绝对值的极大值的点,记为下分界值,如图4所示。将特征值小于下分界值的半导体功率芯片分到C类,最终分类结果如图6所示。
这样,即完成了一次半导体功率芯片的批量分类。其中A类二极管,为满足性能要求的二极管,可以作为产品出售。B类二极管,为性能有所退化的二极管,可以用于不致命的工艺误差的原因排查。C类二极管,为严重失效的二极管,可以用于致命的工艺误差的原因排查。
实施例3
基于实施例1,本实施例提供一种半导体功率芯片的批量分类方法的具体过程,其中,在根据统计方法得到不同特征值下的数量累积分布曲线的反曲线后,先对其进行平滑化,再进行后续步骤。
这样,可以减少因偶然的过大或过小的数据值对最终分类结果的影响。还可以减少离散数据的误差波动对最终分类结果的影响。
在本实施例的一种可能的实现方式中,平滑化过程采用移动窗口平均值方法,即通过将曲线上每一点的值,变为其附近固定x距离内的所有点的平均值,得到一条新的曲线。
在本实施例的一种可能的实现方式中,平滑化过程采用移动窗口中值方法,即通过将曲线上每一点的值,变为其附近固定x距离内的所有点的中值,得到一条新的曲线。
在本实施例的一种可能的实现方式中,平滑化过程采用数字滤波方法,即通过将曲线输入一个低通数字滤波器,得到一条新的曲线。
实施例4
基于实施例1,本实施例提供一种所述半导体功率芯片的批量分类方法的第一种改进版本,其区别包括:
在所述方法分类处理完成后,对所述A类半导体功率芯片的电学特性值,按照所述预处理时的变换函数进行拟合,其中三个可调节的参数作为待拟合的参数,得到新的三个参数值。
与最初的三个参数只的区别在于,最初的参数值可能只是来自与一个二极管的测试数据,并且有可能取到非完全标准的二极管。而通过一轮初次分类后,A类中基本都是满足标准的二极管,通过对其拟合,可以自适应地获得的更符合该批次的标准性能描述。
然后,使用拟合得到的新变换函数,重新从预处理步骤开始对所述选取的一组半导体功率芯片进行再次分类处理,得到新的分类。
这样,通过这种改进,可以使得可调节的参数的初始取值可以有一定的范围,提高了本发明的自适应能力。
实施例5
基于实施例1,本实施例提供一种所述半导体功率芯片的批量分类方法的第二种改进版本,其区别包括:
本发明还提供一种所述半导体功率芯片的批量分类方法的第二种改进版本,其区别包括:
本发明迭代地对所述新的分类采用第一种改进版本所述的方法,直到相邻两次分类处理后,两次上分界值的相对变化小于固定值,或同时下分界值的相对变化也小于固定值;然后,取最后一次的上分界值和下分界值作为用于最终分类的特征值,完成最后一次分类。
与第一个改进版本的区别在于,本实施例通过不断地迭代,每一次都采用新分类得到的标准二极管的数据,可以自适应地不断地逼近最优的参数值,因此允许最初的参数值有更大的误差。
这样,通过这种改进,可以使得可调节的参数的初始取值可以较大的范围,进一步提高了本发明的自适应能力。
上文参照具体实施例对本发明的技术方案进行了描述,本领域技术人员可以理解的是,上述实施例中的各种参数仅为示例性的,而非限定性的,本领域技术人员可以根据本发明提供的技术方案而做出各种变更。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种半导体功率芯片的批量分类方法,包括:
选取同一特性的一组半导体功率芯片,分别测量其电学特性,获得其电学特性数据,最后通过对数据进行分类处理,筛选出不同等级的半导体功率芯片;其中,
所述半导体功率芯片在设计上,具有两个或两个以上的电极,且在其中一对或多对电极间,具备在施加偏置电压时导通电流的能力,并且导通电流时呈现二极管特性,即电流值大小与施加的偏置电压大小可以用指数关系拟合,且在去除测量误差后的平均拟合偏差小于最大电流值的10%,所述指数关系即y1=Exp(a×x1+b)+c,其中Exp代表指数运算,x1代表施加的电压值,y1代表导通的电流值,a、b、c代表可调节的参数值;
所述电学特性具有两个或以上,包括在两个给定电压偏置下分别的电流值,或者包括在两个给定电流偏置下分别的电压值,或者包括在一个给定电流偏置下的电压值以及在一个给定电压偏置下的电流值;
所述分类处理,包括将测量数据值进行预处理得到矫正电学特性值,处理方式为对所述一组半导体芯片经过同样测试方法得到的一组数据,进行同一函数变换,变换函数为y2=Exp(d×x2+e)+f或y2=Ln(d×x2+e)+f或y2=d×x2+f,其中Exp代表指数运算,Ln代表对数运算,x2代表输入值,y2代表输出值,d、e、f代表可调节的参数值;
所述分类处理,还包括将所述预处理后的矫正电学特性值,计算每一半导体功率芯片的两个矫正电学特性值的比值,并可选地进行比值的初等函数变换,得到该半导体功率芯片的特征值,然后根据统计方法得到不同特征值下的数量累积分布曲线的反曲线,即以芯片累积个数为自变量,以特征值为因变量,然后计算该曲线上所有二阶导数绝对值的极大值的点,并取其中大于该曲线一阶导数最大值点的第一个,记为上分界值;以及
所述分类处理,还包括根据所述上分界值,对每一半导体功率芯片按照其特征值的大小进行分类,其中特征值大于上分界值为满足标准的半导体功率芯片,分到A类,其余的分到B类。
2.根据权利要求1所述的批量分类方法,其中所述半导体功率芯片为包含半导体功率二极管、体二极管、寄生二极管或等效二极管之一的芯片。
3.根据权利要求1所述的批量分类方法,其中所述电学特性为一个给定电流偏置下的电压值,以及在一个给定电压偏置下的电流值。
4.根据权利要求1所述的批量分类方法,其中所述测量数据预处理过程中可调节的参数值,使得最终分为A类的数据值,其特征值的相对标准偏差小于50%。
5.根据权利要求1所述的批量分类方法,其中在得到所述数量累积分布曲线后,先对其进行平滑化,再进行后续步骤。
6.根据权利要求1所述的批量分类方法,其中所述比值的初等函数变换为,取比值的反正切值。
7.根据权利要求1所述的批量分类方法,其中在取所述上分界值的同时,还取其中小于该曲线一阶导数最大值点的第一个二阶导数绝对值的极大值的点,记为下分界值,并将特征值小于下分界值的半导体功率芯片分到C类。
8.根据权利要求1所述的批量分类方法,其中在分类处理完成后,对所述A类半导体功率芯片的电学特性值,按照所述预处理时的变换函数进行拟合,其中三个可调节的参数作为待拟合的参数,然后,使用拟合得到的新变换函数,重新从预处理步骤开始对所述选取的一组半导体功率芯片进行再次分类处理,得到新的分类。
9.根据权利要求8所述的批量分类方法,其中迭代地对所述新的分类采用如权利要求8所述的方法,直到相邻两次分类处理后,两次上分界值的相对变化小于固定值,或同时下分界值的相对变化也小于固定值;然后,取最后一次的上分界值和下分界值作为用于最终分类的特征值,完成最后一次分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110515572.3A CN113298126B (zh) | 2021-05-12 | 2021-05-12 | 一种半导体功率芯片的批量分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110515572.3A CN113298126B (zh) | 2021-05-12 | 2021-05-12 | 一种半导体功率芯片的批量分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298126A CN113298126A (zh) | 2021-08-24 |
CN113298126B true CN113298126B (zh) | 2022-04-01 |
Family
ID=77321694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110515572.3A Active CN113298126B (zh) | 2021-05-12 | 2021-05-12 | 一种半导体功率芯片的批量分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298126B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567842B (zh) * | 2021-09-26 | 2021-12-10 | 成都嘉纳海威科技有限责任公司 | 一种基于梯度自校验的芯片筛选方法 |
CN116148641B (zh) * | 2023-04-20 | 2023-09-19 | 长鑫存储技术有限公司 | 用于芯片分级的方法、装置、计算机设备及可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100706812B1 (ko) * | 2006-02-10 | 2007-04-12 | 삼성전자주식회사 | 반도체 장치의 물리적 파라미터들의 통계적 분포 특성을평가하는 방법 |
US7818074B2 (en) * | 2008-02-14 | 2010-10-19 | International Business Machines Corporation | Methods to select golden devices for device model extractions |
CN102567560A (zh) * | 2010-12-27 | 2012-07-11 | 北京圣涛平试验工程技术研究院有限责任公司 | Mos器件寿命预计方法及系统 |
CN107957541B (zh) * | 2017-11-21 | 2019-11-08 | 华北电力大学 | 一种功率半导体模块内部并联芯片筛选方法及系统 |
CN111917465B (zh) * | 2020-06-12 | 2023-03-31 | 中山大学 | 一种通信照明共用led器件的筛选方法及其装置 |
CN111985826B (zh) * | 2020-08-25 | 2024-03-19 | 华中科技大学 | 一种多指标工业产品的可视化质量分级方法和系统 |
-
2021
- 2021-05-12 CN CN202110515572.3A patent/CN113298126B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113298126A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8417477B2 (en) | Methods and apparatus for local outlier detection | |
US7225107B2 (en) | Methods and apparatus for data analysis | |
CN113298126B (zh) | 一种半导体功率芯片的批量分类方法 | |
US7437271B2 (en) | Methods and apparatus for data analysis | |
US8000928B2 (en) | Methods and apparatus for data analysis | |
US6792373B2 (en) | Methods and apparatus for semiconductor testing | |
US7356430B2 (en) | Methods and apparatus for data analysis | |
US8606536B2 (en) | Methods and apparatus for hybrid outlier detection | |
US11282695B2 (en) | Systems and methods for wafer map analysis | |
US7904279B2 (en) | Methods and apparatus for data analysis | |
US6028994A (en) | Method for predicting performance of microelectronic device based on electrical parameter test data using computer model | |
US20080262769A1 (en) | Using multivariate health metrics to determine market segment and testing requirements | |
JP2021521646A (ja) | 集積回路のプロファイリングおよび異常検出 | |
US8041518B2 (en) | Determining die test protocols based on process health | |
WO2007098426A2 (en) | Methods and apparatus for data analysis | |
An et al. | A semiconductor yields prediction using stepwise support vector machine | |
Mishanov et al. | Forecasting models generation of the electronic means quality | |
KR20070018880A (ko) | 데이터 분석을 위한 방법 및 장치 | |
US7822567B2 (en) | Method and apparatus for implementing scaled device tests | |
CN104183511B (zh) | 一种确定晶圆测试数据规范的界限的方法及晶粒标记方法 | |
CN116629707B (zh) | 基于分布式并行计算的fdc溯因分析方法及存储介质 | |
IL172850A (en) | Methods and apparatus for data analysis |
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 |