CN114002574A - 半导体结构的测试方法 - Google Patents
半导体结构的测试方法 Download PDFInfo
- Publication number
- CN114002574A CN114002574A CN202111276174.7A CN202111276174A CN114002574A CN 114002574 A CN114002574 A CN 114002574A CN 202111276174 A CN202111276174 A CN 202111276174A CN 114002574 A CN114002574 A CN 114002574A
- Authority
- CN
- China
- Prior art keywords
- parameters
- test result
- semiconductor structure
- selected parameter
- parameter
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 184
- 239000004065 semiconductor Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000010998 test method Methods 0.000 claims description 4
- 238000013102 re-test Methods 0.000 abstract description 16
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- 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
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2648—Characterising semiconductor materials
-
- 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
Abstract
本发明提供了一种半导体结构的测试方法,包括:提供一半导体结构的若干参数的实际测试结果,若干参数包括选定参数及相关参数;基于一预测模型获取选定参数的预测测试结果;判断选定参数的实际测试结果以及预测测试结果是否在预设范围内;若两者均在或均不在预设范围,则判定选定参数的测试结果正常;若两者中仅一者在预设范围,则判定选定参数的测试结果异常,并重测半导体结构的选定参数。在本发明中,利用选定参数的预测测试结果与实际测试结果相比较以诊断实际测试结果是测试准确,可快速实现对半导体结构测试结果的诊断,不仅可降低整体的重测率,还可筛选出实际测试结果符合但预测测试结果不符合的情况,防止不合格产品流入下游。
Description
技术领域
本发明涉及半导体技术领域,特别涉及一种半导体结构的测试方法。
背景技术
WAT(Wafer acceptance test,晶圆验收测试)是在工艺流程结束后及出货前对晶圆做的电性测量(WAT电学参数测试),用来检验各段工艺流程是否符合标准,测试项目包括器件特性测试、电容测试、接触电阻测试、击穿测试等。
现有技术中,如图1所示,在完成对晶圆WAT电学参数的第一次测试获得实际测试结果后,对实际测试结果中表现为不合格的WAT电学参数重测及筛选,以降低测试错误对晶圆良率的影响,而对实际测试结果中显示为合格的WAT电学参数则直接视为合格。
在实际中,由于每片晶圆需测试的WAT电学参数多达数千个,一片晶圆上难免包括实际测试结果不合格的WAT电学参数,而现有的测试机台的测试准确率难以达到100%的情况下,现有技术中难以区分测试结果不合格是WAT电学参数不合格还是测试错误,由此导致WAT测试一直保持较高的重测率,严重影响WAT测试(测试机台)产能。而另一方面,现有WAT过程中存在的误放(第一次测试结果显示合格但实际不合格却被视为合格)也对后续出货给客户端有较大不良影响。
发明内容
本发明的目的在于提供一种半导体结构的测试方法,能降低半导体结构测试的重测率并提高测试机台产能。
本发明的另一目的在于降低半导体结构测试中的误放,以提高半导体结构测试的准确率。
为解决上述技术问题,本发明提供一种半导体结构的测试方法,包括:提供一半导体结构的若干参数的实际测试结果,所述若干参数包括一选定参数以及至少一相关于所述选定参数的相关参数;基于一预测模型以及所述相关参数的实际测试结果获取所述选定参数的预测测试结果;判断所述选定参数的实际测试结果以及所述选定参数的预测测试结果是否在预设范围内;若两者均在所述预设范围或均不在所述预设范围,则判定所述选定参数的测试结果正常;若两者中仅一者在所述预设范围,则判定所述选定参数的测试结果异常,并重测所述半导体结构的选定参数。
可选的,所述半导体结构的若干参数包括WAT电学参数。
可选的,所述选定参数为关键参数。
可选的,利用经验模型或神经网络算法从所述半导体结构的若干参数中获得所述相关参数及所述选定参数。
可选的,利用神经网络算法从所述半导体结构的若干参数中获得所述相关参数及所述选定参数的方法包括:对所述半导体结构的两个参数执行去除噪声及信号增强;提取所述两个参数的特征;对所述两个参数的特征进行拟合分析,以获取所述两个参数的相关系数;若所述相关系数大于设定值,则判定所述两个参数为所述相关参数及所述选定参数。
可选的,所述设定值为0.7~1。
可选的,所述相关参数的测试准确率高于所述选定参数的测试准确率。
可选的,所述预测模型通过所述半导体结构的相关参数及选定参数的历史测试数据利用神经网络训练而成。
可选的,所述神经网络为反向传播神经网络。
可选的,所述预设范围包括所述选定参数的合格范围。
综上所述,本发明提供的半导体结构的测试方法具有如下有益效果:通过在半导体结构的参数中选出相关参数及选定参数,再利用一预测模型由相关参数的实际测试结果获得选定参数的预测测试结果,再利用选定参数的预测测试结果与实际测试结果相比较以判断选定参数的实际测试结果是否准确,若两者均在预设范围或均不在预设范围,则可判定实际测试结果正常,若两者仅一在预设范围,则可判定实际测试结果异常需重测。相比于现有针对测试结果显示错误的参数全部重测的方式,在本发明中可利用相关参数快速实现对半导体结构测试结果的诊断,不仅可减少对测试结果显示错误并且参数本身异常的测试结构的重测,以降低整体的重测率,提高测试产能,还可筛选出测试结果显示正常但参数本身异常的测试结果,防止不合格产品流入下游。
附图说明
本领域的普通技术人员应当理解,提供的附图用于更好地理解本发明,而不对本发明的范围构成任何限定。
图1为现有半导体结构的测试方法的流程图;
图2为本申请实施例提供的半导体结构的测试方法的流程图;
图3为本申请实施例提供的获取相关参数及选定参数的流程图。
具体实施方式
为使本发明的目的、优点和特征更加清楚,以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是,附图均采用非常简化的形式且未按比例绘制,仅用以方便、明晰地辅助说明本发明实施例的目的。此外,附图所展示的结构往往是实际结构的一部分。特别的,各附图需要展示的侧重点不同,有时会采用不同的比例。
如在本发明中所使用的,单数形式“一”、“一个”以及“该”包括复数对象,术语“或”通常是以包括“和/或”的含义而进行使用的,术语“若干”通常是以包括“至少一个”的含义而进行使用的,术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的,此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征,除非内容另外明确指出外。
本发明提供了一种半导体结构的测试方法,能降低半导体结构测试的重测率,以提高测试机台产能,并且还可降低半导体结构测试中的误放,以提高半导体结构测试的准确率。
图2为本申请实施例提供的半导体结构的测试方法的流程图。
如图2所示,本实施例提供的半导体结构的测试方法,包括:
S01:提供一半导体结构的若干参数的实际测试结果,所述若干参数包括一选定参数以及至少一相关于所述选定参数的相关参数;
S02:基于一预测模型以及所述相关参数的实际测试结果获取所述选定参数的预测测试结果;
S03:判断所述选定参数的实际测试结果以及所述选定参数的预测测试结果是否在预设范围内;
若两者均在所述预设范围或均不在所述预设范围,则判定所述选定参数的测试结果正常;
若两者中仅一者在所述预设范围,则判定所述选定参数的测试结果异常,并重测所述半导体结构的选定参数。
其中,半导体结构可以为工艺流程完成的成品晶圆,对成品晶圆执行WAT测试以获取其出货前的测试结果,或者半导体结构可以为半导体前段或后段工艺流程中的半成品晶圆,对半成品晶圆执行相应测试以获取相应测试结果。测试结果可以针对电学参数或非电学参数。在本实施例中,半导体结构为完成艺流程完成的成品晶圆为例加以说明,相应执行的测试为WAT测试。
下面将结合流程图对半导体结构的测试方法进行详细介绍。
首先,执行步骤S01,提供一半导体结构的若干参数的实际测试结果,若干参数包括一选定参数以及至少一相关于选定参数的相关参数。
其中,半导体结构的若干参数的实际测试结果为第一次测试结果。半导体结构的若干参数包括关键参数及非关键参数,关键参数为客户或下游工序重点监控的参数。本实施例中的半导体结构的选定参数为关键参数,以相应提高对关键参数的监控。
需要说明的是,在获取半导体结构的实际测试结果之前,还可从半导体结构若干参数的历史测试结果数据中获得相关参数,相关参数相关于选定参数。在实际中,可能存在一选定参数对应有多个相关参数的情况,本实施例取其中相关性最强的一选定参数,以简便后续的预测及判断。
具体的,基于半导体结构的知识经验及测试原理,也可直接从若干参数中选定两个相关性较强的参数,以作为相关参数及选定参数。优选的,还可利用神经网络算法从半导体结构若干参数的历史测试结果中获得两个相关性较强的参数,以获取具有量化相关性的相关参数及选定参数。应理解,利用知识经验及测试原理一般限于相关性较为直接且呈现线性关系的两个参数,例如同一测试结构单元中联系紧密的两个参数,而相对异于常理或不同测试结构单元的两个参数利用神经网络算法获取其相关性则具有较佳效果。
如图3所示,利用神经网络算法获两个参数的相关性的方法可例如包括:对两个参数执行去除噪声及信号增强;提取两个参数的特征;对两个参数的特征进行拟合分析,以获取两个参数的相关系数;若相关系数大于设定值,则判定两个参数为相关参数及选定参数。
具体的,对所选择的两个参数的若干历史测试结果进行去除噪声及信号增强处理,例如将其中第一次测试错误的测试结果利用重测的测试结过替代,或者剔除其中部分与实际范围差异较大的异常数据等。对两个参数经过去除噪声及信号增强处理的历史测试结果进行特征提取以及拟合分析,并以此获得两个参数的相关系数R2,并基于该相关系数R2判读两个参数的相关性。例如设定值为0.7~1,若两个参数的相关系数R2大于该设定值,则判定两个参数具有相关性,若两个参数的相关系数R2小于或等于设定值,则判定两个参数不具有相关性。同理,半导体结构的其他参数利用上述同样的方法进行两两判断其相关性。若一个参数与多个其他参数均符合上述的相关性判定,则取其中相关性最高的最为相关参数及选定参数。
针对获得具有相关性的选定参数及相关参数,相关参数的测试准确率需高于选定参数的测试准确率,以提高预测及判断的准确性。其中,两个参数的测试准确率可以根据实际经验或者从历史测试结果中获得,测试准确率高的参数的重测率相对较低,而测试准确率低的参数的重测率相对较高。不难理解,若以较低测试准确率的参数去预测较高测试准确率的参数,其预测效果在实际中难以保证。
在一具体实施例中,选定参数可例如为饱和电流Idsat,相关参数为对应的线性阈值电压Vtlin。
接着,执行步骤S02,基于一预测模型以及相关参数的实际测试结果获取选定参数的预测测试结果。具体的,将相关参数的实际测试结果带入上述预测模型,即可得到选定参数的预测测试结果。
其中,预测模型可通过半导体结构的相关参数及选定参数的历史测试数据利用神经网络训练而成。该神经网络训练过程作为有监督的训练过程,该神经网络可例如构建为单输入节点(相关参数)单输出节点(选定参数)的BP神经网络(BPNN,Back PropagationNeural Network)算法模型。BP神经网络算法模型训练包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,例如经过100轮训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
接着,执行步骤S03,比较选定参数的实际测试结果以及选定参数的预测测试结果是否在预设范围。
实际中,在上述预测模型正式大批量产投入使用前,还可以小批试验投入使用以验证该预测模型的预测准确率及相关分布情况。在该小批试验投入中,可对所有投入的半导体结构做重测(第二次测试),用以验证预测模型的预测测试结果与重测后的测试结果(实际真实的测试结果)是否在预设范围(合格范围),并以此获得其双向(误杀及误放)的预测准确率。具体可例如,若两者均在或均不在预设范围,则记为一次准确预测;若两者中仅一者符合,即预测结果显示合格而重测结果显示不合格,或者预测结果显示不合格而重测结果显示合格,则记为一次错误预测,其中,预测准确率为预测准确的次数占全体预测次数的百分比。当然,针对上述预测结果与重测结果不符的情况,还可进行相关进一步的分析确认以提高预测准确率的验证结果。
优选的,在上述判断过程中选定参数的预设范围可与统计制程控制(StatisticalProcess Control,SPC)相结合,以进一步细化整体测试准确率的分布,并用于根据其变化趋势。具体的,选定参数的预设范围包括至少两个子预设范围,例如可包括允收范围、可控范围(OOC、out of control,在允收范围内但控制规格、超标范围(OOS、out ofspecification,在规格范围内但超出允收范围和控制范围)。
若该预测模型在多次小批试验中的预测准确率均大于一预设准确率(例如90%),则可将该预测模型投入大批量产中。具体的,利用预测模型从相关参数的实际测试结果所获得选定参数的预测测试结果,比较选定参数的预测测试结果与实际测试结果(第一次测试)是否符合预设范围,若两者均符合则判定选定参数合格,若两者均不符合则判定选定参数不合格,若两者仅一符合则判定测试异常需重测以进一步验证。在本实施例中,不仅可以降低实际测试中的重测率,例如减少选定参数的预测测试结果与实际测试结果均不符合预设范围的情况,还可提高选定参数的整体测试准确率,防止将选定参数不合格的产品流入下工序或客户端,例如将第一次测试结果中显示合格但实际不合格(误放)的产品筛选出来。在实际中,还可结合选定参数的预测测试结果分布于预设范围的具体范围以及预设范围中的预测准确率的分布情况,针对预测测试结果所处的子预设范围执行不同应对措施,例如若预测测试结果处于预设范围的可控范围中,且预测测试结果在该可控范围的预测准确率低于预设值(例如90%),则还可对预测测试结果处于可控范围的选定参数执行重测。
综上所述,本发明提供的半导体结构的测试方法具有如下有益效果:通过在半导体结构的参数中选出相关参数及选定参数,再利用一预测模型由相关参数的实际测试结果获得选定参数的预测测试结果,再利用选定参数的预测测试结果与实际测试结果相比较以判断选定参数的实际测试结果是否准确,若两者均在预设范围或均不在预设范围,则可判定实际测试结果正常,若两者仅一在预设范围,则可判定实际测试结果异常需重测。相比于现有针对测试结果显示错误的参数全部重测的方式,在本发明中可利用相关参数快速实现对半导体结构测试结果的诊断,不仅可减少对测试结果显示错误并且参数本身异常的测试结构的重测,以降低整体的重测率,提高测试产能,还可筛选出测试结果显示正常但参数本身异常的测试结果,防止不合格产品流入下游。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种半导体结构的测试方法,其特征在于,包括:
提供一半导体结构的若干参数的实际测试结果,所述若干参数包括一选定参数以及至少一相关于所述选定参数的相关参数;
基于一预测模型以及所述相关参数的实际测试结果获取所述选定参数的预测测试结果;
判断所述选定参数的实际测试结果以及所述选定参数的预测测试结果是否在预设范围内;
若两者均在所述预设范围或均不在所述预设范围,则判定所述选定参数的测试结果正常;
若两者中仅一者在所述预设范围,则判定所述选定参数的测试结果异常,并重测所述半导体结构的选定参数。
2.根据权利要求1所述的半导体结构的测试方法,其特征在于,所述半导体结构的若干参数包括WAT电学参数。
3.根据权利要求2所述的半导体结构的测试方法,其特征在于,所述选定参数为关键参数。
4.根据权利要求1所述的半导体结构的测试方法,其特征在于,利用经验模型或神经网络算法从所述半导体结构的若干参数中获得所述相关参数及所述选定参数。
5.根据权利要求4所述的半导体结构的测试方法,其特征在于,利用神经网络算法从所述半导体结构的若干参数中获得所述相关参数及所述选定参数的方法包括:
对所述半导体结构的两个参数执行去除噪声及信号增强;
提取所述两个参数的特征;
对所述两个参数的特征进行拟合分析,以获取所述两个参数的相关系数;
若所述相关系数大于设定值,则判定所述两个参数为所述相关参数及所述选定参数。
6.根据权利要求5所述的半导体结构的测试方法,其特征在于,所述设定值为0.7~1。
7.根据权利要求1所述的半导体结构的测试方法,其特征在于,所述相关参数的测试准确率高于所述选定参数的测试准确率。
8.根据权利要求1所述的半导体结构的测试方法,其特征在于,所述预测模型通过所述半导体结构的相关参数及选定参数的历史测试数据利用神经网络训练而成。
9.根据权利要求8所述的半导体结构的测试方法,其特征在于,所述神经网络为反向传播神经网络。
10.根据权利要求1所述的半导体结构的测试方法,其特征在于,所述预设范围包括所述选定参数的合格范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276174.7A CN114002574A (zh) | 2021-10-29 | 2021-10-29 | 半导体结构的测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276174.7A CN114002574A (zh) | 2021-10-29 | 2021-10-29 | 半导体结构的测试方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114002574A true CN114002574A (zh) | 2022-02-01 |
Family
ID=79925560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111276174.7A Pending CN114002574A (zh) | 2021-10-29 | 2021-10-29 | 半导体结构的测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114002574A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102160164A (zh) * | 2008-09-19 | 2011-08-17 | 应用材料公司 | 自我诊断的半导体设备 |
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107292320A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 系统及其指标优化方法及装置 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110377491A (zh) * | 2019-07-10 | 2019-10-25 | 中国银联股份有限公司 | 一种数据异常检测方法及装置 |
CN110377991A (zh) * | 2019-07-09 | 2019-10-25 | 合肥工业大学 | 一种绝缘栅双极型晶体管igbt结温在线预测方法 |
CN111355543A (zh) * | 2018-12-20 | 2020-06-30 | 中兴通讯股份有限公司 | 一种场强预测方法 |
CN111579222A (zh) * | 2019-01-30 | 2020-08-25 | 帆宣系统科技股份有限公司 | 自动最佳化故障特征产生方法 |
CN112433472A (zh) * | 2019-08-26 | 2021-03-02 | 长鑫存储技术有限公司 | 半导体生产控制方法及控制系统 |
CN113435699A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种质量智能管控方法及系统 |
CN113532614A (zh) * | 2021-06-09 | 2021-10-22 | 湖南中联重科混凝土机械站类设备有限公司 | 用于预测传感器数据的方法、处理器及称重系统 |
-
2021
- 2021-10-29 CN CN202111276174.7A patent/CN114002574A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102160164A (zh) * | 2008-09-19 | 2011-08-17 | 应用材料公司 | 自我诊断的半导体设备 |
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN107292320A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 系统及其指标优化方法及装置 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
CN111355543A (zh) * | 2018-12-20 | 2020-06-30 | 中兴通讯股份有限公司 | 一种场强预测方法 |
CN111579222A (zh) * | 2019-01-30 | 2020-08-25 | 帆宣系统科技股份有限公司 | 自动最佳化故障特征产生方法 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110377991A (zh) * | 2019-07-09 | 2019-10-25 | 合肥工业大学 | 一种绝缘栅双极型晶体管igbt结温在线预测方法 |
CN110377491A (zh) * | 2019-07-10 | 2019-10-25 | 中国银联股份有限公司 | 一种数据异常检测方法及装置 |
CN112433472A (zh) * | 2019-08-26 | 2021-03-02 | 长鑫存储技术有限公司 | 半导体生产控制方法及控制系统 |
CN113435699A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种质量智能管控方法及系统 |
CN113532614A (zh) * | 2021-06-09 | 2021-10-22 | 湖南中联重科混凝土机械站类设备有限公司 | 用于预测传感器数据的方法、处理器及称重系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
KR20060006723A (ko) | 검사 프로세스 향상을 위한 방법 및 장치 | |
US20110112999A1 (en) | Method for predicting and warning of wafer acceptance test value | |
CN107478455A (zh) | 一种适用于威布尔分布型产品的定时截尾可靠性试验方法 | |
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 | |
CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
US8010468B2 (en) | Method for wafer analysis with artificial neural network and system thereof | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
US20080004829A1 (en) | Method and apparatus for automatic test equipment | |
US11366178B2 (en) | Method and system for diagnostics and monitoring of electric machines | |
CN114002574A (zh) | 半导体结构的测试方法 | |
KR102136863B1 (ko) | S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 | |
US6154712A (en) | Test procedure and test station for carrying out the test procedure | |
CN115616374A (zh) | 一种基于机器学习的半导体芯片的测试系统 | |
CN111967799B (zh) | 集总参数表贴环行器物料及工艺问题识别方法 | |
CN109116835A (zh) | 一种船用功能插件测试方法及装置 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN113901720A (zh) | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 | |
CN111562503B (zh) | 一种锂离子电池充放电设备未做故障的分析处理方法 | |
CN113567805A (zh) | 一种基于数据相关性的配电网故障诊断方法及装置 | |
US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
CN117272033B (zh) | 一种直流分路电流计量异常监测方法 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN111781534B (zh) | 变压器抗短路能力检验方法及装置 |
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 |