CN113687995A - 一种基于神经网络的芯片筛测方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的芯片筛测方法，利用芯片的S参数测试数据，通过神经网络公式计算和S参数比较，拦截具有早期失效风险的异常芯片，避免其成为合格品，相较于现有人工筛选芯片的方法，主观性较小，可靠性高。本发明在芯片的量产测试阶段，在原有的测试平台上增加了芯片筛选测试程序，因不引入新的测试设备，其测试成本低，速度快，环境简单。本发明可以显著遏制芯片量产测试的正常波动对于量产测试的干扰作用，从S参数交流信号角度深度拦截了具有失效风险的芯片，从而降低了芯片的早期失效率。

Description

一种基于神经网络的芯片筛测方法

技术领域

本发明属于通信技术领域，具体涉及一种基于神经网络的芯片筛测方法的设计。

背景技术

电信级产品的生产物料百万分之不良率（Factory Defective Parts PerMillion，FDPPM）要求通常较高，如何改善出货质量和降低芯片的FDPPM 是厂商提高盈利空间和客户满意度的首要问题。FDPPM 偏高的其中一个主要原因是芯片的早期失效率（EarlyFailure Rate，简称：EFR）较大，在芯片量产测试中筛除可能导致潜在失效风险的芯片，是降低EFR 的一个方法。

目前的芯片筛选方法中，一种是采用老化测试方法，将芯片处在高温高压条件下工作，使得半导体管子产生逻辑状态翻转，把性能较弱的芯片提早失效，从而降低产品的EFR 。但老化测试是将芯片失效，实施成本高，并且老化测试周期长，一般在24小时以上，而且每个老化炉测试的芯片数量有限，量产规模大的芯片需要购买大量的老化炉，导致成本较高。另一种是人工筛选方法，在得到晶圆测试数据后，对晶圆上大片失效区域周边的良品芯片进行人工剔除，以降低芯片失效风险。但人工筛选不仅占用大量人力，同样存在成本高的问题，而且人工指定存在不同人员、不同批次间指定的标准不一致，主观性大，可能存在过杀或者漏杀的问题，可靠性较低。

发明内容

本发明的目的是为了解决现有的芯片筛选方法成本较高且可靠性较低的问题，提出了一种基于神经网络的芯片筛测方法。

本发明的技术方案为：一种基于神经网络的芯片筛测方法，包括以下步骤：

S1、采集10个批次的芯片S参数及其对应的频率、偏置IV参数和PCM数据作为训练数据。

S2、构建芯片S参数关于频率、偏置IV参数和PCM数据的神经网络模型。

S3、通过训练数据对神经网络模型进行训练，得到S参数预估模型。

S4、在待测芯片的CP测试阶段，采集待测芯片的PCM数据。

S5、在待测芯片的FT测试阶段，选取4个测试频点构成频率向量，测试待测芯片的S参数及其对应的偏置IV参数。

S6、将待测芯片的PCM数据、频率向量和偏置IV参数输入S参数预估模型，得到待测芯片的预估S参数。

S7、根据预估S参数和实际测试得到的待测芯片的S参数计算得到向量差的模值。

S8、将向量差的模值均在预设标准值范围内的待测芯片归入合格芯片集合BIN1，将向量差的模值不是全部在预设标准值范围内的待测芯片归入失效芯片集合BIN2。

进一步地，步骤S2中构建的神经网络模型为：

S=f _ANN ( f _x ,WAT _PCM , IV _x ,w)

其中S表示芯片的S参数矩阵，f _ANN (·)表示神经网络模型函数，f _x 表示芯片的频率向量，WAT _PCM 表示芯片的PCM数据向量，IV _x 表示芯片的偏置IV参数矩阵，w表示神经网络模型的Sigmoid参数权重向量。

进一步地，步骤S5中测试得到的待测芯片的S参数表示为：

其中S _xx 表示实际测试得到的待测芯片的S参数矩阵，S ₁₁, S ₁₂, S ₂₁, S ₂₂分别表示实际测试得到的待测芯片的S ₁₁参数、S ₁₂参数、S ₂₁参数和S ₂₂参数。

进一步地，步骤S6中待测芯片的预估S参数表示为：

其中S _xxANN 表示待测芯片的预估S参数矩阵，S _11ANN , S _12ANN , S _21ANN , S _22ANN 分别表示待测芯片的预估S ₁₁参数、预估S ₁₂参数、预估S ₂₁参数和预估S ₂₂参数。

进一步地，步骤S7中向量差的模值的计算公式为：

其中ΔS _ii 表示待测芯片S _ii 参数的向量差的模值，R _Sii 和I _Sii 分别表示实际测试得到的待测芯片的S _ii 参数的实部和虚部，R _SiiANN 和I _SiiANN 分别表示待测芯片的预估S _ii 参数的实部和虚部，其中下标i的取值为1或2。

进一步地，步骤S8中预设标准值范围为ΔS _low ≤ΔS _ii ≤ΔS _high ，其中ΔS _low 表示预设的卡控门限最小值，ΔS _high 表示预设的卡控门限最大值。

进一步地，步骤S8中合格芯片集合BIN1为无潜在缺陷风险的芯片集合，失效芯片集合BIN2为有潜在缺陷的芯片集合。

本发明的有益效果是：

（1）本发明利用芯片的S参数测试数据，通过神经网络公式计算和S参数比较，拦截具有早期失效风险的异常芯片，避免其成为合格品，相较于现有人工筛选芯片的方法，主观性较小，可靠性高。

（2）本发明在芯片的量产测试阶段，在原有的测试平台上增加了芯片筛选测试程序，因不引入新的测试设备，其测试成本低，速度快，环境简单。

（3）本发明可以显著遏制芯片量产测试的正常波动对于量产测试的干扰作用，从S参数交流信号角度深度拦截了具有失效风险的芯片，从而降低了芯片的早期失效率。

附图说明

图1所示为本发明实施例提供的一种基于神经网络的芯片筛测方法流程图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于神经网络的芯片筛测方法，如图1所示，包括以下步骤S1~S8：

S1、采集10个批次的芯片S参数及其对应的频率、偏置IV参数和PCM数据作为训练数据。

其中，S参数也就是散射参数，是微波传输中的一个重要参数，以二端口为例，S ₁₂参数为反向传输系数，也就是隔离系数，S ₂₁参数为正向传输系数，也就是增益系数，S ₁₁参数为输入反射系数，也就是输入回波损耗，S ₂₂参数为输出反射系数，也就是输出回波损耗；偏置IV参数包括测试芯片的N个端口的电压和电流参数；PCM数据是指晶圆的工艺控制监控单元数据，用于在半导体芯片加工过程中监控各项晶圆工艺参数。同类芯片的测试S参数，芯片个体与个体之间会因为偏置IV参数和PCM数据不同而产生一定的波动。

S2、构建芯片S参数关于频率、偏置IV参数和PCM数据的神经网络模型。

本发明实施例中，构建的神经网络模型为：

S=f _ANN ( f _x ,WAT _PCM , IV _x ,w)

其中S表示芯片的S参数矩阵，f _ANN (·)表示神经网络模型函数，f _x 表示芯片的频率向量，WAT _PCM 表示芯片的PCM数据向量，IV _x 表示芯片的偏置IV参数矩阵，w表示神经网络模型的Sigmoid参数权重向量。

S3、通过训练数据对神经网络模型进行训练，得到S参数预估模型。

S4、在待测芯片的CP测试阶段，采集待测芯片的PCM数据。

S5、在待测芯片的FT测试阶段，选取4个测试频点构成频率向量，测试待测芯片的S参数及其对应的偏置IV参数。

本发明实施例中，任意选取4个测试频点f ₁、f ₂、f ₃和f ₄构成频率向量f=( f ₁, f ₂,f ₃, f ₄)。本发明实施例中，以二端口S参数为例，测试得到的待测芯片的S参数表示为：

其中S _xx 表示实际测试得到的待测芯片的S参数矩阵，S ₁₁, S ₁₂, S ₂₁, S ₂₂分别表示实际测试得到的待测芯片的S ₁₁参数、S ₁₂参数、S ₂₁参数和S ₂₂参数。

S6、将待测芯片的PCM数据、频率向量和偏置IV参数输入S参数预估模型，得到待测芯片的预估S参数。

本发明实施例中，待测芯片的预估S参数表示为：

其中S _xxANN 表示待测芯片的预估S参数矩阵，S _11ANN , S _12ANN , S _21ANN , S _22ANN 分别表示待测芯片的预估S ₁₁参数、预估S ₁₂参数、预估S ₂₁参数和预估S ₂₂参数。

S7、根据预估S参数和实际测试得到的待测芯片的S参数计算得到向量差的模值，计算公式为：

其中ΔS _ii 表示待测芯片S _ii 参数的向量差的模值，R _Sii 和I _Sii 分别表示实际测试得到的待测芯片的S _ii 参数的实部和虚部，R _SiiANN 和I _SiiANN 分别表示待测芯片的预估S _ii 参数的实部和虚部，其中下标i的取值为1或2。

S8、将向量差的模值均在预设标准值范围内的待测芯片归入合格芯片集合BIN1，将向量差的模值不是全部在预设标准值范围内的待测芯片归入失效芯片集合BIN2。

本发明实施例中，预设标准值范围为ΔS _low ≤ΔS _ii ≤ΔS _high ，其中ΔS _low 表示预设的卡控门限最小值，ΔS _high 表示预设的卡控门限最大值。

本发明实施例中，合格芯片集合BIN1为无潜在缺陷风险的芯片集合，失效芯片集合BIN2为有潜在缺陷的芯片集合。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种基于神经网络的芯片筛测方法，其特征在于，包括以下步骤：

S1、采集10个批次的芯片S参数及其对应的频率、偏置IV参数和PCM数据作为训练数据；

S2、构建芯片S参数关于频率、偏置IV参数和PCM数据的神经网络模型；

S3、通过训练数据对神经网络模型进行训练，得到S参数预估模型；

S4、在待测芯片的CP测试阶段，采集待测芯片的PCM数据；

S5、在待测芯片的FT测试阶段，选取4个测试频点构成频率向量，测试待测芯片的S参数及其对应的偏置IV参数；

S6、将待测芯片的PCM数据、频率向量和偏置IV参数输入S参数预估模型，得到待测芯片的预估S参数；

S7、根据预估S参数和实际测试得到的待测芯片的S参数计算得到向量差的模值；

S8、将向量差的模值均在预设标准值范围内的待测芯片归入合格芯片集合BIN1，将向量差的模值不是全部在预设标准值范围内的待测芯片归入失效芯片集合BIN2。

2.根据权利要求1所述的基于神经网络的芯片筛测方法，其特征在于，所述步骤S2中构建的神经网络模型为：

S=f _ANN ( f _x ,WAT _PCM , IV _x ,w)

其中S表示芯片的S参数矩阵，f _ANN (·)表示神经网络模型函数，f _x 表示芯片的频率向量，WAT _PCM 表示芯片的PCM数据向量，IV _x 表示芯片的偏置IV参数矩阵，w表示神经网络模型的Sigmoid参数权重向量。

3.根据权利要求1所述的基于神经网络的芯片筛测方法，其特征在于，所述步骤S5中测试得到的待测芯片的S参数表示为：

其中S _xx 表示实际测试得到的待测芯片的S参数矩阵，S ₁₁, S ₁₂, S ₂₁, S ₂₂分别表示实际测试得到的待测芯片的S ₁₁参数、S ₁₂参数、S ₂₁参数和S ₂₂参数。

4.根据权利要求3所述的基于神经网络的芯片筛测方法，其特征在于，所述步骤S6中待测芯片的预估S参数表示为：

其中S _xxANN 表示待测芯片的预估S参数矩阵，S _11ANN , S _12ANN , S _21ANN , S _22ANN 分别表示待测芯片的预估S ₁₁参数、预估S ₁₂参数、预估S ₂₁参数和预估S ₂₂参数。

5.根据权利要求4所述的基于神经网络的芯片筛测方法，其特征在于，所述步骤S7中向量差的模值的计算公式为：

其中ΔS _ii 表示待测芯片S _ii 参数的向量差的模值，R _Sii 和I _Sii 分别表示实际测试得到的待测芯片的S _ii 参数的实部和虚部，R _SiiANN 和I _SiiANN 分别表示待测芯片的预估S _ii 参数的实部和虚部，其中下标i的取值为1或2。

6.根据权利要求5所述的基于神经网络的芯片筛测方法，其特征在于，所述步骤S8中预设标准值范围为ΔS _low ≤ΔS _ii ≤ΔS _high ，其中ΔS _low 表示预设的卡控门限最小值，ΔS _high 表示预设的卡控门限最大值。

7.根据权利要求1所述的基于神经网络的芯片筛测方法，其特征在于，所述步骤S8中合格芯片集合BIN1为无潜在缺陷风险的芯片集合，所述失效芯片集合BIN2为有潜在缺陷的芯片集合。

Images