CN113420842A - 晶圆测试数据处理方法 - Google Patents
晶圆测试数据处理方法 Download PDFInfo
- Publication number
- CN113420842A CN113420842A CN202110964948.9A CN202110964948A CN113420842A CN 113420842 A CN113420842 A CN 113420842A CN 202110964948 A CN202110964948 A CN 202110964948A CN 113420842 A CN113420842 A CN 113420842A
- Authority
- CN
- China
- Prior art keywords
- test
- wafer
- adjacent
- spatial
- test points
- 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.)
- Pending
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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种晶圆测试数据处理方法,包括:在晶圆上选取多个测试点,并对多个测试点进行特征参数的测试,获得原始测试数据。将原始测试数据转化为二进制数据。进行空间统计检定,遍历分析每个测试点及其邻近测试点的二进制数据空间分布关联情况,获得空间统计量。根据空间统计量,判定特征参数在晶圆上呈随机分布状态或非随机分布状态。本发明操作简单,对晶圆测试数据的分析速度具有显著提升。实现自动绘制晶圆map图并对其进行分类,有效节省人力和时间。能判断特征参数在晶圆上呈随机分布状态或非随机分布状态。本发明能够根据日常需求对晶圆map图进行智能分类,相比人工分类,降低由于主观因素造成的分类错误,提高分类的准确性。
Description
技术领域
本发明属于集成电路制造技术领域,具体涉及一种晶圆测试数据处理方法。
背景技术
晶圆制造过程中,需要对晶圆进行大量的特征参数数据测试并监控工艺过程。为有效管控各测机机台中晶圆的使用状态,测试系统每日会产生大量的测机数据,如何快速直观的通过原始数据可视化找出异常数据,再根据异常数据发现问题机台,对于提高芯片良率、降低成本具有重要意义。
测机数据主要包括线上的量测数据以及缺陷数据,关于线上数据目前工程师主要是通过肉眼检查测机晶圆图是否分布比较均匀,若存在大面积聚集的测机晶圆图,则需要重点关注,由于数据量较大,仅靠人工做分类判别会耗费人力和时间。已有晶圆测试数据人工处理方法一方面步骤繁琐,耗时,耗费人力;另一方面,人工手动进行图形分类可能会由于主观因素造成分类不准确。
发明内容
本发明的目的在于提供一种晶圆测试数据处理方法,操作简单,对晶圆测试数据的分析速度具有显著提升。实现自动绘晶圆map图并对其进行分类,能够有效节省人力和时间,提高分类的准确性。
本发明提供一种晶圆测试数据处理方法,包括:
在晶圆上选取多个测试点,并对多个所述测试点进行特征参数的测试,获得原始测试数据;
将所述原始测试数据转化为二进制数据;
进行空间统计检定,遍历分析每个所述测试点及其邻近测试点的所述二进制数据空间分布关联情况,获得空间统计量;
根据所述空间统计量,判定所述特征参数在所述晶圆上呈随机分布状态或非随机分布状态。
进一步的,将所述原始测试数据转化为二进制数据包括:所述特征参数的合格范围为(a,b),所述特征参数的所述原始测试数据若在(a,b)内,则转换为0;若不在(a,b)内,则转换为1。
进一步的,所述特征参数的平均值为μ,标准差为σ,μ-σ=a,μ+σ=b。
进一步的,进行空间统计检定包括:
测试点i共计有n个,一个测试点的邻近测试点j有m个,Yi为测试点i对应的转换后的二进制值,Yj为邻近测试点j对应的转换后的二进制值;
进一步的,所述原始测试数据还包括每个所述测试点的位置坐标,任意两个测试点的距离小于等于预设距离时,判定两个测试点相邻;任意两个测试点的距离大于所述预设距离时,判定两个测试点不相邻。
进一步的,两个测试点相邻时,相邻系数等于1;两个测试点不相邻时,相邻系数等于0。
进一步的,所述空间统计量的绝对值小于等于1时,判定所述特征参数在所述晶圆上呈随机分布状态;
所述空间统计量的绝对值大于1时,判定所述特征参数在所述晶圆上呈非随机分布状态。
进一步的,在晶圆上选取多个测试点包括:
选取晶圆中心为测试点;以所述晶圆中心为圆心,在半径R1的周圈上均匀间隔选取L1个测试点;在半径R2的周圈上均匀间隔选取L2个测试点;以此类推,在半径Rx的周圈上均匀间隔选取Lx个测试点;其中,R1<R2<Rx,L1<L2<Lx,随半径的增大,所选的测试点的个数增加。
进一步的,在晶圆上选取多个测试点包括:
将晶圆分成多个面积相同的测试区,每个所述测试区包括呈矩阵排列的芯片,一个所述测试区中选取一个所述测试点。
进一步的,所述特征参数包括:膜厚、线宽、孔径、孔深、电压或电流中的至少一种。
进一步的,所述特征参数在所述晶圆上呈非随机分布状态时,相应的所述原始测试数据生成的晶圆图具有群聚或离散现象。
进一步的,所述特征参数在所述晶圆上呈非随机分布状态时,所述特征参数数据异常,需及时关注并分析异常原因。
与现有技术相比,本发明具有如下有益效果:
本发明提供一种晶圆测试数据处理方法,包括:在晶圆上选取多个测试点,并对多个测试点进行特征参数的测试,获得原始测试数据。将原始测试数据转化为二进制数据。进行空间统计检定,遍历分析每个测试点及其邻近测试点的二进制数据空间分布关联情况,获得空间统计量。根据空间统计量,判定特征参数在晶圆上呈随机分布状态或非随机分布状态。本发明操作简单,对晶圆测试数据的分析速度具有显著提升。实现自动绘制晶圆map图并对其进行分类,有效节省人力和时间。能判断特征参数在晶圆上呈随机分布状态或非随机分布状态。本发明能够根据日常需求对晶圆map图进行智能分类,相比人工分类,降低由于主观因素造成的分类错误,提高分类的准确性。
附图说明
图1为本发明实施例的晶圆测试数据处理方法流程示意图。
图2为本发明实施例的第一种在晶圆上选取多个测试点的示意图。
图3为本发明实施例的原始测试数据转换成二进制数据表格。
图4为本发明实施例的原始测试数据转换成二进制数据在晶圆上分布的示意图。
图5为本发明实施例的第二种在晶圆上选取多个测试点的示意图。
图6为本发明实施例的对选取的测试点计算获得空间统计量。
图7为本发明实施例的空间关联系数示意图。
图8为本发明实施例判断出晶圆图呈随机分布示意图。
图9为本发明实施例的未分类的晶圆图。
图10为本发明实施例判断出晶圆图呈随机分布状态。
图11为本发明实施例判断出晶圆图呈非随机分布状态。
其中,附图标记如下:
具体实施方式
基于上述研究,本发明实施例提供了一种晶圆测试数据处理方法。以下结合附图和具体实施例对本发明进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图均采用非常简化的形式且使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明实施例提供了一种晶圆测试数据处理方法,如图1所示,包括:
步骤S1、在晶圆上选取多个测试点,并对多个所述测试点进行特征参数的测试,获得原始测试数据;
步骤S2、将所述原始测试数据转化为二进制数据;
步骤S3、进行空间统计检定,遍历分析每个所述测试点及其邻近测试点的所述二进制数据空间分布关联情况,获得空间统计量;
步骤S4、根据所述空间统计量,判定所述特征参数在所述晶圆上呈随机分布状态或非随机分布状态。
下面结合图2至图11介绍本发明实施例的晶圆测试数据处理方法的各步骤。
具体的,步骤S1中,在晶圆上选取多个测试点,选取方法可根据实际需求确定。如图2所示,在一实施例中,例如选取晶圆中心为测试点;以晶圆中心为圆心,在半径R1的周圈上均匀间隔选取L1个测试点;在半径R2的周圈上均匀间隔选取L2个测试点;以此类推,在半径Rx的周圈上均匀间隔选取Lx个测试点;其中,R1<R2<Rx,L1<L2<Lx,随半径的增大,所选的测试点的个数增加。
在晶圆上选取多个测试点,如图5所示,在另一实施例中,将晶圆分成多个面积相同的测试区,图5中示出了9个测试区,每个所述测试区包括呈矩阵排列的芯片(die),一个所述测试区中选取一个测试点(例如测试点i和测试点j)。
对多个所述测试点进行特征参数的测试,获得原始测试数据;所述原始测试数据包括每个测试点的特征参数测试值,还包括每个所述测试点的位置坐标。本实施例的特征参数包括但不限于膜厚、线宽、孔径、孔深、电压(例如栅极电压)以及电流等。宗旨是同一工艺条件下制作出整个晶圆上不同区域特征参数应一致(均匀)。膜厚,晶圆中包括不同的膜层,例如衬底层、介质层、金属层等,监测晶圆上同一膜层在不同区域的厚度是否一致(均匀)。线宽,指IC生产工艺可达到的最小导线宽度(例如最小沟道宽度),线宽是IC工艺先进水平的主要指标。线宽越小,集成度就高,在同一面积上就集成更多电路单元。
步骤S2中,将所述原始测试数据转化为二进制数据,二进制数据只包含0,1 的数据。具体的,所述特征参数的范围为(a,b),所述特征参数的原始测试数据若在(a,b)范围内,则转换为0(normal,正常);若不在(a,b)内,则转换为1(abnormal,异常)。示例性的,所述特征参数的原始测试数据范围可采用以往合格晶圆相同的特征参数的范围,示例性的,合格晶圆的特征参数例如呈正态分布,期望值为μ,标准差为σ,μ±σ(μ-σ,μ+σ)即为特征参数的原始测试数据范围(a,b)。期望值为μ,可用测试数据的平均值代替。
示例性的,如图3和图4所述,原始测试数据包括每个测试点的特征参数测试值Value,还包括每个所述测试点的位置坐标(X和Y)。特征参数(例如膜厚)的范围为(a,b),该示例中(a,b)例如为(1431.377μm , 1440.942μm),转换后的二进制数据Trans见图3,在(a,b)范围内,转换为0(normal);不在(a,b)内,转换为1(abnormal)。图4中示出了由原始测试数据生成的晶圆map图(左)和转化后的二进制数据生成的晶圆map图(右)。
步骤S3中,进行空间统计检定,遍历分析每个所述测试点及其邻近测试点的所述二进制数据空间分布关联情况,获得空间统计量。
具体的,所述原始测试数据还包括每个所述测试点的位置坐标,任意两个测试点的距离小于等于预设距离时,判定两个测试点相邻;任意两个测试点的距离大于所述预设距离时,判定两个测试点不相邻。两个测试点相邻时,相邻系数等于1;两个测试点不相邻时,相邻系数等于0。通过此方法,找出任意一个测试点及其邻近测试点。
一实施例中,如图5所示,晶圆上定义相互垂直的X轴和Y轴,相邻两个测试点在平
行于X轴方向和平行于Y轴方向的距离均为c,所述预设距离设置为c 。晶圆分成多个面
积相同的测试区,图5中示出了9个测试区,测试区例如呈正方形,边长也为c,那么测试点i
周圈邻近的测试点最大距离为对角线长度c,亦即预设距离c;与测试点i距离小于等
于预设距离c的邻近测试点j有8个。图5中的测试点分布也可称为8邻域分布。
另一实施例中,如图6所示,相邻两个测试点在平行于X轴方向和平行于Y轴方向的
距离均为c,所述预设距离设置为c 。通过此方法,找出测试点i的邻近测试点有6个(j1~
j6)。同理,找出每个测试点的邻近测试点。应当理解,测试点靠近边缘位置时,相应的其邻
近测试点的数量也减少。
遍历分析每个所述测试点及其邻近测试点的所述二进制数据空间分布关联情况,获得空间统计量。
如图6和图7所示,测试点i共计有n个,一个测试点的邻近测试点j有m个(例如6个),Yi为测试点i对应的转换后的二进制值(0或1),Yj为邻近测试点j对应的转换后的二进制值(0或1);
为Yi和Yj均为0时的空间关联系数;为Yi为0,Yj为1时的空间关联系数;为Yi为1,Yj为0时的空间关联系数;为Yi为1,Yj为1时的空间关联系数;𝛿𝑖𝑗为相邻
系数,两个测试点相邻时,相邻系数等于1;两个测试点不相邻时,相邻系数等于0。测试点i
与其邻近测试点j相邻,𝛿𝑖𝑗则=1。
空间关联系数的计算为两级求和,示例性的,测试点i共计有n个,例如n=121;测试
点其周围的邻近测试点j有m个,例如m=6;第一级求和中,从第1个测试点开始计算,即i=1,
第1个测试点其周围的邻近测试点j有m个,例如m=6; j取1到m依次带入求和;第二级求和
中,计算i取1到n依次带入求和。空间统计量 在大样本下近似于正态分布,可以用来检
测空间中正常数据(normal)集与异常数据(abnormal)集的空间分布关系。
步骤S4、根据所述空间统计量,判定所述特征参数在所述晶圆上呈随机分布状
态或非随机分布状态。具体的,所述空间统计量的绝对值小于等于1时,也可以理解为约等于0,判定所述特征参数(正常数据或异常数据)在所述晶圆上呈随机分布状态,测
机晶圆map图整体分布均匀。所述空间统计量的绝对值大于1时,也可以理解为不约
等于0,判定所述特征参数(包括正常数据或异常数据)在所述晶圆上呈非随机分布状态。所
述特征参数在所述晶圆上呈非随机分布状态时,相应的所述原始测试数据生成的map具有
群聚或离散现象。所述特征参数在所述晶圆上呈非随机分布状态时,所述特征参数数据异
常,需及时关注并分析异常原因。示例性的,结合图3中的转换后的二进制数据Trans,空间
统计量按公式计算得=0.144,约等于0,判定所述特征参数(正常数据或异常数
据)在所述晶圆上呈随机分布状态,测机晶圆map图整体分布均匀如图8所示。
图9示出了进行特征参数的测试,获得原始测试数据,并进行自动绘图生成晶圆
map图,图9示出4个未分类的晶圆map图。采用本实施例的晶圆测试数据处理方法,计算出空
间统计量,判断特征参数在所述晶圆上呈随机分布状态或非随机分布状态。如图10所示
的2个晶圆map图,判断出呈随机分布状态。如图11所示的2个晶圆map图,判断出呈非随机分
布状态。本发明的晶圆测试数据处理方法基于空间统计检定的测机数据资料的智能分类。
能够根据算法智能化的将晶圆map图分为随机性测机map(呈随机分布状态)或非随机性map
(呈非随机分布状态),所述特征参数在所述晶圆上呈非随机分布状态时,所述特征参数数
据异常,需及时关注并分析异常原因。
综上所述,本发明提供一种晶圆测试数据处理方法,包括:在晶圆上选取多个测试点,并对多个所述测试点进行特征参数的测试,获得原始测试数据。将所述原始测试数据转化为二进制数据。进行空间统计检定,遍历分析每个所述测试点及其邻近测试点的所述二进制数据空间分布关联情况,获得空间统计量。根据所述空间统计量,判定所述特征参数在所述晶圆上呈随机分布状态或非随机分布状态。本发明的晶圆测试数据处理方法操作简单,对晶圆测试数据的分析速度具有显著提升。实现自动绘晶圆map图并对其进行分类,能够有效节省人力和时间。判断特征参数在所述晶圆上呈随机分布状态或非随机分布状态。本发明能够根据工程师的日常需求去对晶圆map图进行智能分类,相比人工分类,会降低由于主观因素造成的分类错误,提高分类的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于与实施例公开的器件相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
上述描述仅是对本发明较佳实施例的描述,并非对本发明权利范围的任何限定,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (13)
1.一种晶圆测试数据处理方法,其特征在于,包括:
在晶圆上选取多个测试点,并对多个所述测试点进行特征参数的测试,获得原始测试数据;
将所述原始测试数据转化为二进制数据;
进行空间统计检定,遍历分析每个所述测试点及其邻近测试点的所述二进制数据空间分布关联情况,获得空间统计量;
根据所述空间统计量,判定所述特征参数在所述晶圆上呈随机分布状态或非随机分布状态。
2.如权利要求1所述的晶圆测试数据处理方法,其特征在于,将所述原始测试数据转化为二进制数据包括:所述特征参数的合格范围为(a,b),所述特征参数的所述原始测试数据若在(a,b)内,则转换为0;若不在(a,b)内,则转换为1。
3.如权利要求2所述的晶圆测试数据处理方法,其特征在于,所述特征参数的平均值为μ,标准差为σ,μ-σ=a,μ+σ=b。
5.如权利要求1所述的晶圆测试数据处理方法,其特征在于,所述原始测试数据还包括每个所述测试点的位置坐标,任意两个测试点的距离小于等于预设距离时,判定两个测试点相邻;任意两个测试点的距离大于所述预设距离时,判定两个测试点不相邻。
6.如权利要求5所述的晶圆测试数据处理方法,其特征在于,两个测试点相邻时,相邻系数等于1;两个测试点不相邻时,相邻系数等于0。
8.如权利要求1所述的晶圆测试数据处理方法,其特征在于,
所述空间统计量的绝对值小于等于1时,判定所述特征参数在所述晶圆上呈随机分布状态;
所述空间统计量的绝对值大于1时,判定所述特征参数在所述晶圆上呈非随机分布状态。
9.如权利要求1所述的晶圆测试数据处理方法,其特征在于,在晶圆上选取多个测试点包括:
选取晶圆中心为测试点;以所述晶圆中心为圆心,在半径R1的周圈上均匀间隔选取L1个测试点;在半径R2的周圈上均匀间隔选取L2个测试点;以此类推,在半径Rx的周圈上均匀间隔选取Lx个测试点;其中,R1<R2<Rx,L1<L2<Lx,随半径的增大,所选的测试点的个数增加。
10.如权利要求1所述的晶圆测试数据处理方法,其特征在于,在晶圆上选取多个测试点包括:
将晶圆分成多个面积相同的测试区,每个所述测试区包括呈矩阵排列的芯片,一个所述测试区中选取一个所述测试点。
11.如权利要求1至10任意一项所述的晶圆测试数据处理方法,其特征在于,所述特征参数包括:膜厚、线宽、孔径、孔深、电压或电流中的至少一种。
12.如权利要求1至10任意一项所述的晶圆测试数据处理方法,其特征在于,所述特征参数在所述晶圆上呈非随机分布状态时,相应的所述原始测试数据生成的晶圆图具有群聚或离散现象。
13.如权利要求1所述的晶圆测试数据处理方法,其特征在于,所述特征参数在所述晶圆上呈非随机分布状态时,所述特征参数数据异常,需及时关注并分析异常原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964948.9A CN113420842A (zh) | 2021-08-23 | 2021-08-23 | 晶圆测试数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964948.9A CN113420842A (zh) | 2021-08-23 | 2021-08-23 | 晶圆测试数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420842A true CN113420842A (zh) | 2021-09-21 |
Family
ID=77719162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110964948.9A Pending CN113420842A (zh) | 2021-08-23 | 2021-08-23 | 晶圆测试数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420842A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471288A (zh) * | 2023-12-20 | 2024-01-30 | 俐玛光电科技(北京)有限公司 | 一种测试数据分析方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778525A (zh) * | 2014-01-15 | 2015-07-15 | 讯利电业股份有限公司 | 利用测试数据进行品管方法 |
US20150235415A1 (en) * | 2014-02-19 | 2015-08-20 | Kwun Jong Chen | Wafer test data analysis method |
CN110516726A (zh) * | 2019-08-19 | 2019-11-29 | 上海华力微电子有限公司 | 一种自动识别晶圆空间图案分布的分类方法 |
CN112397409A (zh) * | 2020-11-24 | 2021-02-23 | 安测半导体技术(江苏)有限公司 | 一种芯片晶圆测试数据分析方法及系统 |
CN112612755A (zh) * | 2020-12-03 | 2021-04-06 | 海光信息技术股份有限公司 | 一种芯片测试信息展示方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-23 CN CN202110964948.9A patent/CN113420842A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778525A (zh) * | 2014-01-15 | 2015-07-15 | 讯利电业股份有限公司 | 利用测试数据进行品管方法 |
US20150235415A1 (en) * | 2014-02-19 | 2015-08-20 | Kwun Jong Chen | Wafer test data analysis method |
CN110516726A (zh) * | 2019-08-19 | 2019-11-29 | 上海华力微电子有限公司 | 一种自动识别晶圆空间图案分布的分类方法 |
CN112397409A (zh) * | 2020-11-24 | 2021-02-23 | 安测半导体技术(江苏)有限公司 | 一种芯片晶圆测试数据分析方法及系统 |
CN112612755A (zh) * | 2020-12-03 | 2021-04-06 | 海光信息技术股份有限公司 | 一种芯片测试信息展示方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471288A (zh) * | 2023-12-20 | 2024-01-30 | 俐玛光电科技(北京)有限公司 | 一种测试数据分析方法、装置、电子设备及存储介质 |
CN117471288B (zh) * | 2023-12-20 | 2024-03-15 | 俐玛光电科技(北京)有限公司 | 测试数据的自动化分析方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6393602B1 (en) | Method of a comprehensive sequential analysis of the yield losses of semiconductor wafers | |
US10761128B2 (en) | Methods and systems for inline parts average testing and latent reliability defect detection | |
US8170707B2 (en) | Failure detecting method, failure detecting apparatus, and semiconductor device manufacturing method | |
JP4077951B2 (ja) | 欠陥解析方法、記録媒体及び工程管理方法 | |
US6210983B1 (en) | Method for analyzing probe yield sensitivities to IC design | |
US8417477B2 (en) | Methods and apparatus for local outlier detection | |
KR101195226B1 (ko) | 반도체 웨이퍼 분석 시스템 | |
US8081814B2 (en) | Linear pattern detection method and apparatus | |
US20040223639A1 (en) | System for creating an inspection recipe, system for reviewing defects, method for creating an inspection recipe and method for reviewing defects | |
US7904279B2 (en) | Methods and apparatus for data analysis | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
JPH11243041A (ja) | 品質管理システムおよび記録媒体 | |
CN113342906B (zh) | 一种对晶圆量测数据分布形态的分类方法以及装置 | |
US20190026419A1 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on caa pre-diagnosis database | |
WO2022028102A1 (zh) | 测试方法及测试系统 | |
CN113420842A (zh) | 晶圆测试数据处理方法 | |
CN116825169A (zh) | 一种基于测试设备的异常存储芯片检测方法 | |
JP4926352B2 (ja) | 欠陥解析方法、チップ分類データ検証方法及びプログラム | |
CN112908874B (zh) | 半导体结构的量测方法及量测装置 | |
JP4611369B2 (ja) | デバイスの製造方法 | |
JP2006222118A (ja) | 半導体製品の歩留り予測方法、製造方法、ならびに歩留り予測システム | |
CN109308395B (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
JP2005236094A (ja) | 半導体装置の製造方法、不良解析方法および不良解析システム | |
US6968280B2 (en) | Method for analyzing wafer test parameters | |
TW202209119A (zh) | 基於晶圓分格圖的根本原因分析 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |
|
RJ01 | Rejection of invention patent application after publication |