CN114240817A - 数据分析方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开提供了一种数据分析方法及装置、电子设备、存储介质，涉及半导体技术领域。该数据分析方法包括：获取晶圆组对应的目标良率问题堆叠图形，并获取晶圆组在不同类型测试下的量测数据堆叠图形；将目标良率问题堆叠图形与量测数据堆叠图形进行图形匹配，得到匹配度数据；计算量测数据堆叠图形与目标良率问题堆叠图形对应的相关性数据；对匹配度数据与相关性数据进行加权计算，根据加权计算结果确定导致目标良率问题的目标量测参数。本公开实施例的技术方案可以在筛选导致目标良率问题的目标量测参数时，提高筛选的效率，提升确定的目标量测参数的准确度。

Description

数据分析方法及装置、电子设备、存储介质

技术领域

本公开涉及半导体技术领域，具体而言，涉及一种数据分析方法、数据分析装置、电子设备以及计算机可读存储介质。

背景技术

随着科学技术的飞速发展，半导体器件(Semiconductor Device)作为一种导电性介于良导电体与绝缘体之间，利用半导体材料特殊电特性来完成特定功能的电子器件，由于可用来产生、控制、接收、变换、放大信号和进行能量转换等多种功能，越来越得到人们的重视和关注。

晶圆(Wafer)是指制作硅半导体积体电路所用的硅晶片，由于受加工晶圆的工艺制程的影响，生成的晶圆的良率时高时低，因此需要对导致晶圆良率的良率问题进行分析，以便于根据良率问题分析结果调整工艺制程，提升晶圆良率。

目前，在对导致晶圆的良率问题的工艺参数进行分析时，一般是通过人工进行分析比对得到结论，但是这种方案使良率问题的分析效率较低，分析周期较长，并且人工分析得到的分析结果准确率较低。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例的目的在于提供一种数据分析方法、数据分析装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服相关方案中筛选导致目标良率问题的目标量测参数效率较低，准确率较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提供了一种数据分析方法，包括：

获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形；

将所述目标良率问题堆叠图形与各所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据；

计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据；

对所述匹配度数据与所述相关性数据进行加权计算，根据所述加权计算结果确定导致所述目标良率问题的目标量测参数。

在本公开的一些示例实施例中，基于前述方案，所述获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，包括：

获取具有目标良率问题的晶圆组，所述晶圆组中的各晶圆具有目标良率问题分布图形；

将各所述晶圆对应的所述目标良率问题分布图形进行堆叠，得到目标良率问题堆叠图形。

在本公开的一些示例实施例中，基于前述方案，所述获取所述晶圆组在不同类型测试下的量测数据堆叠图形，包括：

获取在不同类型测试下所述晶圆组中各所述晶圆的量测数据集；

基于所述量测数据集生成与各所述量测数据分布图形；

将各所述量测数据分布图形进行堆叠，得到所述晶圆组与各所述量测数据堆叠图形。

在本公开的一些示例实施例中，基于前述方案，将所述目标良率问题堆叠图形与各所述量测数据堆叠图形进行图形匹配，生成所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据，包括：

提取所述目标良率问题堆叠图形中的第一图形特征，并提取各所述量测数据堆叠图形中的第二图形特征；

计算所述第一图形特征对应的第一特征向量以及所述第二图形特征对应的第二特征向量；

根据所述第一特征向量以及所述第二特征向量计算得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

在本公开的一些示例实施例中，基于前述方案，根据所述第一特征向量以及所述第二特征向量计算得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据，包括：

计算所述第一特征向量以及所述第二特征向量的相似度数据；

将所述相似度数据作为所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

在本公开的一些示例实施例中，基于前述方案，计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据，包括：

对所述目标良率问题堆叠图形以及所述量测数据堆叠图形进行分区，确定主图形区域；

基于所述主图形区域计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形的相关性数据。

在本公开的一些示例实施例中，基于前述方案，基于所述主图形区域计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形的相关性数据，包括：

确定所述目标良率问题堆叠图形中的所述主图形区域对应的晶圆良率数据；

确定各所述量测数据堆叠图形中的所述主图形区域对应的所述量测参数的统计特征数据；

通过所述主图形区域中的所述晶圆良率数据以及所述统计特征数据计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形的相关性数据。

在本公开的一些示例实施例中，基于前述方案，根据所述加权计算结果确定导致所述目标良率问题的目标量测参数，包括：

根据所述加权计算结果对各所述量测数据堆叠图形进行排序，确定最大的所述加权计算结果对应的量测数据堆叠图形作为最相关量测数据堆叠图形；

将所述最相关量测数据堆叠图形对应的量测参数作为导致所述目标良率问题的目标量测参数。

在本公开的一些示例实施例中，基于前述方案，在获得所述最相关量测数据堆叠图形，并将所述最相关量测数据堆叠图形所对应的量测参数作为目标量测参数后，还包括：

根据所述匹配度数据和所述相关性数据，分别确定与所述目标良率问题堆叠图形具有最高匹配度的量测数据堆叠图形和最高相关性的量测数据堆叠图形；

基于所述最高匹配度的量测数据堆叠图形和所述最高相关性的量测数据堆叠图形，确定与所述目标良率问题堆叠图形对应的最高匹配度量测参数和最高相关性量测参数；

对所述最高匹配度量测参数、所述最高相关性量测参数以及所述目标量测参数与所述目标良率问题执行合理性判断流程，以根据合理性判断结果确定与所述目标良率问题最相关的量测参数。

在本公开的一些示例实施例中，基于前述方案，对所述匹配度数据与所述相关性数据进行加权计算，包括：

通过预选取的目标加权计算方式对所述匹配度数据与所述相关性数据进行加权计算。

在本公开的一些示例实施例中，基于前述方案，在对所述匹配度数据与所述相关性数据进行加权计算之前，所述方法还包括：

获取数据库中预存储的样本良率问题堆叠图形以及样本量测数据堆叠图形；其中，所述数据库还包括导致所述样本良率问题堆叠图形的良率问题的样本量测参数；

获取预先设置的多种加权计算方式；

根据多种加权计算方式依次加权计算所述样本良率问题堆叠图形以及所述样本量测数据堆叠图形对应的样本匹配度数据以及样本相关性数据；

依据所述多种加权计算方式对应的加权计算结果和所述样本量测参数，从所述多种加权计算方式中确定目标加权计算方式。

在本公开的一些示例实施例中，基于前述方案，所述量测参数包括缺陷参数、电性参数和结构参数中的一种或者多种组合。

根据本公开实施例的第二方面，提供了一种数据分析装置，包括：

图形获取模块，用于获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形；

关联程度计算模块，用于计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据与相关性数据，并对所述匹配度数据与所述相关性数据进行加权计算得到加权计算结果；

目标量测参数分析模块，用于分析所述加权计算结果以确定导致所述目标良率问题的目标量测参数。

在本公开的一种示例性实施例中，基于前述方案，所述关联程度计算模块还包括：

匹配度数据计算单元，用于将所述目标良率问题堆叠图形与所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据；

相关性数据计算单元，用于计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据。

在本公开的一种示例性实施例中，基于前述方案，所述相关性数据计算单元还包括：

图形分区子单元，用于对所述目标良率问题堆叠图形以及所述量测数据堆叠图形进行分区，确定主图形区域；

晶圆良率确定子单元，用于确定所述目标良率问题堆叠图形中的所述主图形区域对应的晶圆良率数据；

统计特征确定子单元，用于确定各所述量测数据堆叠图形中的所述主图形区域对应的所述量测参数的统计特征数据；

相关性数据计算子单元，用于通过所述主图形区域中的所述晶圆良率数据以及所述统计特征数据计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形的相关性数据。

在本公开的一种示例性实施例中，基于前述方案，所述图形获取模块还包括目标良率问题堆叠图形获取单元，所述目标良率问题堆叠图形获取单元被配置为：

获取具有目标良率问题的晶圆组，所述晶圆组中的各晶圆具有目标良率问题分布图形；

将各所述晶圆对应的所述目标良率问题分布图形进行堆叠，得到目标良率问题堆叠图形。

在本公开的一种示例性实施例中，基于前述方案，所述图形获取模块还包括量测数据堆叠图形获取单元，所述量测数据堆叠图形获取单元被配置为：

获取在不同类型测试下所述晶圆组中各所述晶圆的量测数据集；

基于所述量测数据集生成与各所述量测数据分布图形；

将各所述量测数据分布图形进行堆叠，得到所述晶圆组与各所述量测数据堆叠图形。

在本公开的一种示例性实施例中，基于前述方案，所述匹配度数据计算单元还包括：

图形特征提取子单元，用于提取所述目标良率问题堆叠图形中的第一图形特征，并提取各所述量测数据堆叠图形中的第二图形特征；

特征向量计算子单元，用于计算所述第一图形特征对应的第一特征向量以及所述第二图形特征对应的第二特征向量；

匹配度计算子单元，用于根据所述第一特征向量以及所述第二特征向量计算得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

在本公开的一种示例性实施例中，基于前述方案，所述匹配度计算子单元还被配置为：

计算所述第一特征向量以及所述第二特征向量的相似度数据；

将所述相似度数据作为所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

在本公开的一种示例性实施例中，基于前述方案，所述目标量测参数分析模块还包括第一分析单元，所述第一分析单元被配置为：

根据所述加权计算结果对各所述量测数据堆叠图形进行排序，将最大的所述加权计算结果对应的量测数据堆叠图形作为最相关量测数据堆叠图形；

将所述最相关量测数据堆叠图形对应的量测参数作为导致所述目标良率问题的目标量测参数。

在本公开的一种示例性实施例中，基于前述方案，所述目标量测参数分析模块还包括第二分析单元，所述第二分析单元被配置为：

根据所述匹配度数据和所述相关性数据，分别确定与所述目标良率问题堆叠图形具有最高匹配度的量测数据堆叠图形和最高相关性的量测数据堆叠图形；

基于所述最高匹配度的量测数据堆叠图形和所述最高相关性的量测数据堆叠图形，确定与所述目标良率问题堆叠图形对应的最高匹配度量测参数和最高相关性量测参数；

对所述最高匹配度量测参数、所述最高相关性量测参数以及所述目标量测参数与所述目标良率问题执行合理性判断流程，以根据合理性判断结果确定与所述目标良率问题最相关的量测参数。

在本公开的一种示例性实施例中，基于前述方案，所述数据分析装置还包括加权计算方式筛选单元，所述加权计算方式筛选单元被配置为：

获取数据库中预存储的样本良率问题堆叠图形以及样本量测数据堆叠图形；其中，所述数据库还包括导致所述样本良率问题堆叠图形的良率问题的样本量测参数；

获取预先设置的多种加权计算方式；

根据多种加权计算方式依次加权计算所述样本良率问题堆叠图形以及所述样本量测数据堆叠图形对应的样本匹配度数据以及样本相关性数据；

依据所述多种加权计算方式对应的加权计算结果和所述样本量测参数，从所述多种加权计算方式中确定目标加权计算方式。

在本公开的一种示例性实施例中，基于前述方案，所述目标量测参数包括缺陷参数、电性参数和结构参数中的一种或者多种组合。

根据本公开实施例的第三方面，提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意一项所述的数据分析方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的数据分析方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开的示例实施例中的数据分析方法，将具有目标良率问题的晶圆组对应的目标良率问题堆叠图形与晶圆组在不同类型测试下的量测数据堆叠图形进行图形匹配，确定目标良率问题堆叠图形与量测数据堆叠图形的匹配度数据；计算量测数据堆叠图形与目标良率问题堆叠图形的相关性数据；对匹配度数据与相关性数据进行加权计算，并根据加权计算结果确定导致目标良率问题的目标量测参数。一方面，自动将目标良率问题堆叠图形与各量测数据堆叠图形进行图形匹配，并根据图形匹配得到的匹配度数据以及相关性数据自动确定导致晶圆组目标良率问题的目标量测参数，不需要以人工的方式进行人工分析，有效提升导致目标良率问题的目标量测参数的分析效率；另一方面，结合目标良率问题堆叠图形与各量测数据堆叠图形的匹配度数据以及相关性数据确定目标量测参数，能够在提升分析效率的同时，保证分析结果的准确度，有效提升产品质量。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本公开一个实施例的数据分析方法的流程示意图；

图2示意性示出了根据本公开一个实施例的生成目标良率问题堆叠图形的流程示意图；

图3示意性示出了根据本公开一个实施例的计算匹配度数据的流程示意图；

图4示意性示出了根据本公开一个实施例的计算相关性数据的流程示意图；

图5示意性示出了根据本公开一个实施例的确定目标加权计算方式的流程示意图；

图6示意性示出了根据本公开一个实施例的确定目标量测参数的应用示意图；

图7示意性示出了根据本公开一个实施例的数据分析装置的示意图；

图8示意性示出了根据本公开一个实施例的电子设备的计算机系统的结构示意图；

图9示意性示出了根据本公开一个实施例的计算机可读存储介质的示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

此外，附图仅为示意性图解，并非一定是按比例绘制。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在本示例实施例中，首先提供了一种数据分析方法，该数据分析方法可以应用于终端设备，也可以应用于服务器，本示例实施例对此不做特殊限定，下面以服务器执行该方法为例进行说明。图1示意性示出了根据本公开的一些实施例的数据分析方法流程的示意图，参考图1所示，该数据分析方法可以包括以下步骤：

步骤S110，获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形；

步骤S120，将所述目标良率问题堆叠图形与各所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据；

步骤S130，计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据；

步骤S140，对所述匹配度数据与所述相关性数据进行加权计算，根据所述加权计算结果确定导致所述目标良率问题的目标量测参数。

根据本示例实施例中的数据分析方法，一方面，自动将目标良率问题堆叠图形与各量测数据堆叠图形进行图形匹配，并根据图形匹配得到的匹配度数据以及相关性数据自动确定导致晶圆组目标良率问题的目标量测参数，不需要以人工的方式进行人工分析，有效提升导致目标良率问题的目标量测参数的分析效率；另一方面，结合目标良率问题堆叠图形与各量测数据堆叠图形的匹配度数据以及相关性数据确定目标量测参数，能够在提升分析效率的同时，保证分析结果的准确度，有效提升产品质量。

下面，将对本示例实施例中的数据分析方法进行进一步的说明。

在步骤S110中，获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形。

在本公开的一个示例实施例中，良率可以是晶圆良率(Wafer Yield)，晶圆良率是指完成所有工艺步骤后测试合格的芯片的数量与整片晶圆上的有效芯片的比值，良率问题可以是导致晶圆良率不满足标准良率要求的各种工艺制程上的问题，例如，良率问题可以是缺陷问题(Defect)导致的，也可以是电性问题(WAT)导致的，还可以是结构问题(MET)导致的，当然，还可以是其他导致晶圆良率不满足标准良率要求的各种工艺步骤上的问题，本示例实施例对此不做特殊限定。

具体的，缺陷问题对应的缺陷参数可以包括各道制程中的线宽参数、深度参数、膜厚参数、均匀性参数、高低差参数、弯曲度参数等量测参数；电性问题对应的电性参数可以包括各类半导体元件的导通电流参数、各向漏电流参数、阈值电压参数、击穿电压参数、各结构间的电容参数、电感参数、阻值参数等量测参数；结构问题对应的结构参数可以包括各道制程中出现的结构异常参数，当然，此处仅是示意性举例说明，本示例实施例不以此为限。

在本公开的一个示例实施例中，步骤S110可以包括步骤S210至步骤S220，可以通过步骤S210至步骤S220生成目标良率问题堆叠图形：

参考图2所示，步骤S210，获取具有目标良率问题的晶圆组，所述晶圆组中的各晶圆具有目标良率问题分布图形；

步骤S220，将各所述晶圆对应的所述目标良率问题分布图形进行堆叠，得到目标良率问题堆叠图形。

其中，晶圆组(Lot/Wafer list)可以是指具有同一目标良率问题的晶圆的集合，晶圆组可以包括各晶圆具有的目标良率问题分布图形，目标良率问题分布图形可以是通过获取用户通过输入接口即时输入的具有同一目标良率问题的包含各种量测参数的特征图形，也可以是预先收集存储的不同时间段的工艺流程下具有同一目标良率问题的包含各种量测参数的特征图形，当然，还可以是以其他方式获取的具有同一目标良率问题的包含各种量测参数的特征图形，本示例实施例对此不做特殊限定。

目标良率问题堆叠图形可以是指将晶圆组中各晶圆对应的目标良率问题分布图形进行堆叠后得到的包含目标良率问题分布特征的图形，通过将具有目标良率问题的目标良率问题分布图形进行叠加，得到该目标良率问题对应的图形特征，以便于后续自动对该目标良率问题堆叠图形进行图形特征匹配。

在本公开的一个示例实施例中，还可以通过以下步骤生成量测数据堆叠图形：

获取在不同类型测试下所述晶圆组中各所述晶圆的量测数据集；

基于所述量测数据集生成不同类型测试对应的量测数据分布图形；

将各所述量测数据分布图形进行堆叠，得到所述晶圆组对应的量测数据堆叠图形。

其中，量测参数可以是指不同类型测试下可能导致晶圆组的目标良率问题的各种工艺问题对应的参数，例如量测参数可以是导致缺陷问题对应的缺陷参数，也可以是导致电性问题对应的电性参数，还可以是导致结构问题对应的结构参数，当然，还可以是其他能够导致晶圆组的目标良率问题的各种工艺问题对应的量测参数，本示例实施例对此不做特殊限定。

量测数据集可以是指不同类型测试下晶圆组中各晶圆对应的量测数据的集合，通过该量测数据集可以生成与各量测参数对应的量测数据分布图形，进而对各量测参数对应的量测数据分布图形进行堆叠，得到晶圆组在不同类型测试下的多个量测数据堆叠图形。

举例而言，对于晶圆组的良率测试的类型有很多，如DC测试、功能测试、AC测试等，其中DC测试验证电压及电流参数；功能测试验证芯片内部一系列逻辑功能操作的正确性等。这些类别下面还有很多良率的子类，一般用Bin来表述，不同种Bin代表不同的测试类型，例如可以采用“！”、“@”、“#”、“$”、“％”、“&”、“[”、“+”等符号标记出直流参数测试失效(DC fail，电流不能进入)的晶粒(die)，可以采用“a”、“F”等符号标记出读写功能完全失效的晶粒(die)，可以采用“X”、“Y”、“s”等符号标记出读写速度功能较慢的(Margin fail)的晶粒(die)等，当然，此处仅是示意性举例说明，由于半导体各厂家使用的不同导致编号有区别，并不应对本示例实施例造成任何特殊限定。除了Bin以外还有失效形态分析(FSA，Fail shape analysis)，其也有对应的测试项编号，也就是说不同的Bin或不同的FSA代表不同的失效原因，在良率测试时，一般一片wafer会得到一个Map图形，该Map图形反应了各晶粒的失效情况。

本公开旨在获得了晶圆良率问题图形时，如何将该良率问题与晶圆组对应的工艺问题关联起来，而工艺问题则是通过量测数据来反映的。在每一道工艺流程结束后都会进行多种量测，这些量测数据则是反映该道工艺好坏的指标，在每一道量测过程中也会得到相应的Map图形，但是由于导致良率问题的工艺问题有很多种，本公开的技术目的正是为了通过图形匹配和图形相关性的判断找到对晶圆组的良率问题影响最大相关的某一量测图形，进而由这一量测图形定位到与晶圆组的良率问题最大相关的那道工艺，进而对该工艺步骤进行调整，以提升晶圆的良率，提升产品质量。

在步骤S120中，将所述目标良率问题堆叠图形与各所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

在本公开的一个示例实施例中，匹配度数据可以是指表征量测数据堆叠图形与目标良率问题堆叠图形中的图形特征匹配程度的数据，例如，匹配度数据(0.0-1.0之间或者0％-100％时)可以是0.1或者10％，也可以是0.9或者90％，当然，还可以是其他能够表征量测数据堆叠图形与目标良率问题堆叠图形中的图形特征匹配程度的数据，本示例实施例对此不做特殊限定。

具体的，可以在量测数据堆叠图形中确定与输入的不同类型测试下的量测参数对应的目标量测数据堆叠图形，进而可以将目标良率问题堆叠图形与该量测参数对应的目标量测数据堆叠图形进行图形匹配。

其中，目标量测数据堆叠图形可以是指量测数据堆叠图形中输入的量测参数对应的量测数据堆叠图形，首先基于输入的不同类型测试下的量测参数对该量测参数下晶圆组对应的量测数据分布图形进行堆叠得到量测数据堆叠图形，进而将该量测参数对应的目标量测数据堆叠图形与目标良率问题堆叠图形进行图形匹配。

在本公开的一个示例实施例中，步骤S120可以包括步骤S310至步骤S330，可以通过步骤S310至步骤S330计算匹配度数据：

参考图3所示，步骤S310，提取所述目标良率问题堆叠图形中的第一图形特征，并提取各所述量测数据堆叠图形中的第二图形特征；

步骤S320，计算所述第一图形特征对应的第一特征向量以及所述第二图形特征对应的第二特征向量；

步骤S330，根据所述第一特征向量以及所述第二特征向量计算得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

其中，第一图形特征可以是目标良率问题堆叠图形中目标良率问题分布对应的图形特征，第二图形特征可以是量测数据堆叠图形中的不同的量测参数分布对应的图形特征，例如，可以通过预构建的卷积神经网络模型提取目标良率问题堆叠图形中的第一图形特征和提取各量测参数对应的量测数据堆叠图形中的第二图形特征，也可以通过尺度不变特征变换算法(Scale-invariant feature transform，SIFT)提取目标良率问题堆叠图形中的第一图形特征和提取量测数据堆叠图形中的第二图形特征，还可以通过方向梯度直方图算法(Histogram of oriented gradient，HOG)提取目标良率问题堆叠图形中的第一图形特征和提取目标量测数据堆叠图形中的第二图形特征，当然，还可以是其他能够提取图形特征的方式，本示例实施例对此不做特殊限定。

在提取得到目标良率问题堆叠图形中的第一图形特征和目标量测数据堆叠图形中的第二图形特征之后，可以计算第一图形特征对应的第一特征向量以及第二图形特征对应的第二特征向量，进而根据第一特征向量以及第二特征向量确定目标良率问题堆叠图形与量测数据堆叠图形的匹配度数据。

需要说明的是，本示例实施例中的“第一”、“第二”仅用于区分不同的图形特征以及不同图形特征对应的特征向量，此处并没有特殊含义，不应对本示例实施例造成任何特殊限定。

进一步的，可以通过下述步骤基于特征向量计算匹配度数据：

计算所述第一特征向量以及所述第二特征向量的相似度数据；

将所述相似度数据作为所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

其中，相似度数据可以是指表征第一特征向量和第二特征向量的数据，例如，相似度数据可以是第一特征向量和第二特征向量对应的余弦相似度数据(CosineSimilarity)，也可以是第一特征向量和第二特征向量对应的皮尔逊相关系数(Pearson CorrelationCoefficient)，还可以是第一特征向量和第二特征向量对应的欧几里德距离(EuclideanDistance)，当然，还可以是其他能够表征第一特征向量和第二特征向量的数据，本示例实施例对此不做特殊限定。

由于第一特征向量以及第二特征向量分别是目标良率问题堆叠图形的目标良率问题分布的图形特征和量测数据堆叠图形中的不同的量测参数分布的图形特征对应的特征向量，因此第一特征向量和第二特征向量的相似度数据可以作为表征目标良率问题堆叠图形和量测数据堆叠图形的匹配程度的数据。

当然，还可以通过其他方式得到目标良率问题堆叠图形和各量测数据堆叠图形的匹配度数据，例如可以通过训练好的深度学习模型或者随机森林模型确定目标良率问题堆叠图形和目标量测数据堆叠图形的匹配度数据，本示例实施例不以此为限。

在步骤S130中，计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据。

在本公开的一个示例实施例中，相关性数据可以是指能够表征量测数据堆叠图形与目标良率问题堆叠图形之间相关程度的量，例如可以将目标良率问题堆叠图形中主图形区域内的晶片良率作为相关性坐标系的横轴，可以将量测数据堆叠图形中的主图形区域内每个晶片对应的量测参数的平均值作为相关性坐标系的纵轴，并根据得到的相关性坐标系中的曲线计算量测数据堆叠图形与目标良率问题堆叠图形的相关性数据。当然，还可以是其他能够表征量测数据堆叠图形与目标良率问题堆叠图形之间相关性数据的方式，本示例实施例对此不做特殊限定。

具体的，步骤S130可以包括步骤S410至步骤S420，在计算相关性数据之前，可以通过步骤S410至步骤S420对量测数据堆叠图形与目标良率问题堆叠图形进行图形分区：

参考图4所示，步骤S410，对所述目标良率问题堆叠图形以及所述量测数据堆叠图形进行分区，确定主图形区域；

步骤S420，基于所述主图形区域计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形的相关性数据。

其中，分区可以是指根据目标良率问题堆叠图形或者量测数据堆叠图形中的图形特征分布情况进行区域划分的处理过程，例如，可以根据固定大小的图形区域(如10*10的图形区域)对目标良率问题堆叠图形或者量测数据堆叠图形进行分区，也可以根据图形特征分布的密集程度对目标良率问题堆叠图形或者量测数据堆叠图形进行分区，还可以是选择整个目标良率问题堆叠图形或者量测数据堆叠图形进行分区，具体根据实际情况中目标良率问题堆叠图形或者量测数据堆叠图形的图形特征分布情况进行分区，本示例实施例对此不做特殊限定。主图形区域可以是指对目标良率问题堆叠图形或者量测数据堆叠图形进行分区后形成的主要特征分布区域，优选的，目标良率问题堆叠图形中的主图形区域可以与量测数据堆叠图形中的主图形区域相对应(如图形区域形状、图形区域位置、图形区域大小等)。

优选的，可以通过以下步骤计算量测数据堆叠图形与目标良率问题堆叠图形对应的相关性数据：可以确定目标良率问题堆叠图形中的主图形区域对应的晶圆良率数据；确定各量测数据堆叠图形中主图形区域对应的量测参数的统计特征数据；通过主图形区域中的晶圆良率数据以及统计特征数据计算目标良率问题堆叠图形与各量测数据堆叠图形的相关性数据。

举例而言，假设目标良率问题堆叠图形的图形特征主要集中在某一个图形区域(即主图形区域)内，该主图形区域一共有100个晶片die，其中有10个晶片die失效，则该图形区域其良率就为90％，因此可以将该图形区域对应的良率值作为相关性曲线的纵坐标，然后选定的这100个晶片die在WAT A参数(即此时量测参数为WAT A参数)对应的量测数据堆叠图形中的WAT A值的平均值作为相关性曲线的横坐标，进而根据构建的该相关性曲线确定量测数据堆叠图形与目标良率问题堆叠图形的相关性数据。

在步骤S140中，对所述匹配度数据与所述相关性数据进行加权计算，根据所述加权计算结果确定导致所述目标良率问题的目标量测参数。

在本公开的一个示例实施例中，目标量测参数可以是指经过分析得到的导致目标良率问题堆叠图形中的目标良率问题的参数，例如，假设目标良率问题堆叠图形与WAT A参数对应的量测数据堆叠图形的加权计算结果较高，则认为目标良率问题堆叠图形与WAT A参数较匹配，此时WAT A参数可以认为是导致目标良率问题堆叠图形的目标良率问题的目标量测参数。

具体的，可以根据加权计算结果对各量测参数对应的量测数据堆叠图形进行排序，确定最大的加权计算结果对应的量测数据堆叠图形作为最大相关量测数据堆叠图形，并将最大相关量测数据堆叠图形对应的量测参数作为导致目标良率问题的目标量测参数。

优选的，在某些情况下，匹配度数据或者相关性数据比较高，但是最终的加权计算结果较低，此时并不代表目标良率问题与该量测参数并没有关系，为了进一步保证的得到的目标量测参数的准确性，可以结合匹配度数据、相关性数据以及加权计算结果共同决策最相关的量测参数：

可以根据匹配度数据和相关性数据，分别确定与目标良率问题堆叠图形具有最高匹配度的量测数据堆叠图形和最高相关性的量测数据堆叠图形，然后基于最高匹配度的量测数据堆叠图形和最高相关性的量测数据堆叠图形，确定与目标良率问题堆叠图形对应的最高匹配度量测参数和最高相关性量测参数；进而对最高匹配度量测参数、最高相关性量测参数以及目标量测参数与目标良率问题执行合理性判断流程，以根据合理性判断结果确定与目标良率问题最相关的量测参数。

其中，最高匹配度的量测数据堆叠图形可以是指对匹配度数据进行排序后最大的匹配度数据对应的量测数据堆叠图形，该最高匹配度的量测数据堆叠图形对应的量测参数为最高匹配度量测参数。最高相关性的量测数据堆叠图形可以是指对相关性数据进行排序后最大的相关性数据对应的量测数据堆叠图形，该最高相关性的量测数据堆叠图形对应的量测参数为最高相关性量测参数。

合理性判断流程可以是指预先设置的、用于在匹配度数据、相关性数据以及加权计算结果的数值相差较大时判断最高匹配度量测参数(最高匹配度的量测数据堆叠图形对应的量测参数)、最高相关性量测参数(最高相关性的量测数据堆叠图形对应的量测参数)以及目标量测参数(最大加权计算结果对应的最相关量测数据堆叠图形的量测参数)。

例如，可以在检测到匹配度数据、相关性数据以及加权计算结果之间的差值大于预设差值阈值时，将确定的最高匹配度量测参数、最高相关性量测参数以及目标量测参数发送给管理控制端，以使管理控制端的相关管理人员以人工的方式进一步判断导致目标良率问题最相关的量测参数；也可以通过预先设置的判断条件对结果进行进一步的判定，如在匹配度数据或者相关性数据大于90％，而加权计算结果小于20％时，此时将匹配度数据或者相关性数据对应的最高匹配度量测参数或者最高相关性量测参数作为最终的分析结果，当然，此处仅是示意性举例说明，本示例实施例对此不做特殊限定。

在本公开的一个示例实施例中，可以通过预选取的目标加权计算方式对匹配度数据与相关性数据进行加权计算。其中，目标加权计算方式可以是指预先根据实验数据确定的加权计算结果能正确反映分析结果的加权计算方式。

具体的，可以在对匹配度数据与相关性数据进行加权计算之前，可以通过图5中的步骤确定目标加权计算方式：

参考图5所示，步骤S510，获取数据库中预存储的样本良率问题堆叠图形以及样本量测数据堆叠图形；其中，所述数据库还包括导致所述样本良率问题堆叠图形的良率问题的样本量测参数；

步骤S520，获取预先设置的多种加权计算方式；

步骤S530，根据多种加权计算方式依次加权计算所述样本良率问题堆叠图形以及所述样本量测数据堆叠图形对应的样本匹配度数据以及样本相关性数据；

步骤S540，依据所述多种加权计算方式对应的加权计算结果和所述样本量测参数，从所述多种加权计算方式中确定目标加权计算方式。

其中，样本目标良率问题堆叠图形以及样本量测数据堆叠图形可以是指预先建立的标准数据库中用于测试的样本数据，此时样本目标良率问题堆叠图形以及样本量测数据堆叠图形可以是百分百对应的关系。然后采用上述方法对样本目标良率问题堆叠图形以及样本量测数据堆叠图形对应的匹配度数据以及相关性数据进行加权计算，如果加权计算结果为80％，则说明对应的加权计算方式较差，则可以选用其他的加权计算方式进行重新计算，直到加权计算结果无限接近于100％，最终将加权计算结果最高的加权计算方式作为目标加权计算方式。

多种加权计算方式可以包括将匹配度数据和相关性数据相乘的加权计算方式，也可以包括对匹配度数据和相关性数据分别配置权重并相加的加权计算方式，具体的加权计算方式可以是在实验过程中不断变换不同的数学公式来优化构建的，因此，本示例实施例对多种加权计算方式不做特殊限定。

通过预先建立的标准数据库中的样本目标良率问题堆叠图形以及样本量测数据堆叠图形，从多种加权计算方式中选择目标加权计算方式，进一步提升目标良率问题堆叠图形与量测数据堆叠图形对应的匹配度数据以及相关性数据的加权计算结果的准确性，提升目标量测参数的准确度，并基于得到的目标量测参数确定导致目标良率问题的工艺流程，提升晶圆的良率。

图6示意性示出了根据本公开一个实施例的确定目标量测参数的应用示意图。

参考图6所示，步骤S610，获取输入的晶圆组以及晶圆组中各晶圆对应的目标良率问题分布图形(例如LotA、waferB、LotC、LotD、waferE…)，并获取输入的不同类型测试下的量测参数：

步骤S620，基于输入的不同类型测试下的量测参数，对目标良率问题分布图形进行堆叠得到目标良率问题分布特征的目标良率问题堆叠图形601，例如，目标良率问题堆叠图形601可以包括失效晶片区域602，以及目标良率问题堆叠图形601中除失效晶片区域602之外的合格晶片区域，当然，目标良率问题堆叠图形601仅是示意图，并不应对本示例实施例造成任何特殊限定；

步骤S630，将目标良率问题堆叠图形601中的图像特征与不同类型测试下的量测数据堆叠图形(如晶圆组在MET A量测参数下对应的堆叠图形、晶圆组在MET B量测参数下对应的堆叠图形、晶圆组在WAT A量测参数下对应的堆叠图形、晶圆组在WAT B量测参数下对应的堆叠图形、晶圆组在Defect A量测参数下对应的堆叠图形、晶圆组在Defect B量测参数下对应的堆叠图形等)进行特征匹配得到匹配度数据，并构建相关性曲线得到相关性数据；

步骤S640，对得到的匹配度数据以及相关性数据进行加权计算，得到加权分数(加权计算结果)，最终基于加权分数确定目标量测参数，或者根据加权分数、匹配度数据和相关性数据对应的目标量测参数、最高匹配度量测参数和最高相关性量测参数的合理性，确定导致目标良率问题堆叠图形601的目标良率问题的最相关的量测参数，最后并可以将分析结果(和分析过程)进行可视化展示。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本示例实施例中，还提供了一种数据分析装置。参照图7所示，该数据分析装置700包括：图形获取模块710、关联程度计算模块720以及目标量测参数分析模块730。其中：

图形获取模块710用于获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形；

关联程度计算模块720用于计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据与相关性数据，并对所述匹配度数据与所述相关性数据进行加权计算得到加权计算结果；

目标量测参数分析模块730用于分析所述加权计算结果以确定导致所述目标良率问题的目标量测参数。

在本公开的一种示例性实施例中，基于前述方案，所述关联程度计算模块720还包括：

匹配度数据计算单元，用于将所述目标良率问题堆叠图形与所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据；

相关性数据计算单元，用于计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据。

在本公开的一种示例性实施例中，基于前述方案，所述相关性数据计算单元还包括：

图形分区子单元，用于对所述目标良率问题堆叠图形以及所述量测数据堆叠图形进行分区，确定主图形区域；

晶圆良率确定子单元，用于确定所述目标良率问题堆叠图形中的所述主图形区域对应的晶圆良率数据；

统计特征确定子单元，用于确定各所述量测数据堆叠图形中的所述主图形区域对应的量测参数的统计特征数据；

相关性数据计算子单元，用于通过所述主图形区域中的所述晶圆良率数据以及所述统计特征数据计算所述量测数据堆叠图形与各所述目标良率问题堆叠图形的相关性数据。

在本公开的一种示例性实施例中，基于前述方案，所述图形获取模块710还包括目标良率问题堆叠图形获取单元，所述目标良率问题堆叠图形获取单元被配置为：

获取具有目标良率问题的晶圆组，所述晶圆组中的各晶圆具有目标良率问题分布图形；

将各所述晶圆对应的所述目标良率问题分布图形进行堆叠，得到目标良率问题堆叠图形。

在本公开的一种示例性实施例中，基于前述方案，所述图形获取模块710还包括量测数据堆叠图形获取单元，所述量测数据堆叠图形获取单元被配置为：

获取在不同类型测试下所述晶圆组中各所述晶圆的量测数据集；

基于所述量测数据集生成不同类型测试对应的量测数据分布图形；

将各所述量测数据分布图形进行堆叠，得到所述晶圆组对应的量测数据堆叠图形。

在本公开的一种示例性实施例中，基于前述方案，所述匹配度数据计算单元还包括：

图形特征提取子单元，用于提取所述目标良率问题堆叠图形中的第一图形特征，并提取各所述量测数据堆叠图形中的第二图形特征；

特征向量计算子单元，用于计算所述第一图形特征对应的第一特征向量以及所述第二图形特征对应的第二特征向量；

匹配度计算子单元，用于根据所述第一特征向量以及所述第二特征向量计算得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

在本公开的一种示例性实施例中，基于前述方案，所述匹配度计算子单元还被配置为：

计算所述第一特征向量以及所述第二特征向量的相似度数据；

将所述相似度数据作为所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

在本公开的一种示例性实施例中，基于前述方案，所述目标量测参数分析模块730还包括第一分析单元，所述第一分析单元被配置为：

根据所述加权计算结果对各所述量测数据堆叠图形进行排序，确定最大的所述加权计算结果对应的量测数据堆叠图形作为最相关量测数据堆叠图形；

将所述最相关量测数据堆叠图形对应的量测参数作为导致所述目标良率问题的目标量测参数。

在本公开的一种示例性实施例中，基于前述方案，所述目标量测参数分析模块730还包括第二分析单元，所述第二分析单元被配置为：

根据所述匹配度数据和所述相关性数据，分别确定与所述目标良率问题堆叠图形具有最高匹配度的量测数据堆叠图形和最高相关性的量测数据堆叠图形；

基于所述最高匹配度的量测数据堆叠图形和所述最高相关性的量测数据堆叠图形，确定与所述目标良率问题堆叠图形对应的最高匹配度量测参数和最高相关性量测参数；

对所述最高匹配度量测参数、所述最高相关性量测参数以及所述目标量测参数与所述目标良率问题执行合理性判断流程，以根据合理性判断结果确定与所述目标良率问题最相关的量测参数。

在本公开的一种示例性实施例中，基于前述方案，所述数据分析装置还包括加权计算方式筛选单元，所述加权计算方式筛选单元被配置为：

获取数据库中预存储的样本良率问题堆叠图形以及样本量测数据堆叠图形；其中，所述数据库还包括导致所述样本良率问题堆叠图形的良率问题的样本量测参数；

获取预先设置的多种加权计算方式；

根据多种加权计算方式依次加权计算所述样本良率问题堆叠图形以及所述样本量测数据堆叠图形对应的样本匹配度数据以及样本相关性数据；

依据所述多种加权计算方式对应的加权计算结果和所述样本量测参数，从所述多种加权计算方式中确定目标加权计算方式。

在本公开的一种示例性实施例中，基于前述方案，所述量测参数包括缺陷参数、电性参数和结构参数中的一种或者多种组合。

上述中数据分析装置各模块的具体细节已经在对应的数据分析方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了数据分析装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述数据分析方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本公开的这种实施例的电子设备800。图8所示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，所述处理单元810可以执行如图1中所示的步骤S110，获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形；步骤S120，将所述目标良率问题堆叠图形与各所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据；步骤S130，计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据；步骤S140，对所述匹配度数据与所述相关性数据进行加权计算，根据所述加权计算结果确定导致所述目标良率问题的目标量测参数。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)821和/或高速缓存存储单元822，还可以进一步包括只读存储单元(ROM)823。

存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824，这样的程序模块825包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备870(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

参考图9所示，描述了根据本公开的实施例的用于实现上述数据分析方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施例的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (15)

1.一种数据分析方法，其特征在于，包括：

获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形；

将所述目标良率问题堆叠图形与各所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据；

计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据；

对所述匹配度数据与所述相关性数据进行加权计算，根据所述加权计算结果确定导致所述目标良率问题的目标量测参数。

2.根据权利要求1所述的数据分析方法，其特征在于，所述获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，包括：

获取具有目标良率问题的晶圆组，所述晶圆组中的各晶圆具有目标良率问题分布图形；

将各所述晶圆对应的所述目标良率问题分布图形进行堆叠，得到目标良率问题堆叠图形。

3.根据权利要求1所述的数据分析方法，其特征在于，所述获取所述晶圆组在不同类型测试下的量测数据堆叠图形，包括：

获取在不同类型测试下所述晶圆组中各所述晶圆的量测数据集；

基于所述量测数据集生成不同类型测试对应的量测数据分布图形；

将各所述量测数据分布图形进行堆叠，得到所述晶圆组对应的量测数据堆叠图形。

4.根据权利要求1所述的数据分析方法，其特征在于，将所述目标良率问题堆叠图形与各所述量测数据堆叠图形进行图形匹配，生成所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据，包括：

提取所述目标良率问题堆叠图形中的第一图形特征，并提取各所述量测数据堆叠图形中的第二图形特征；

计算所述第一图形特征对应的第一特征向量以及所述第二图形特征对应的第二特征向量；

根据所述第一特征向量以及所述第二特征向量计算得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

5.根据权利要求4所述的数据分析方法，其特征在于，根据所述第一特征向量以及所述第二特征向量计算得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据，包括：

计算所述第一特征向量以及所述第二特征向量的相似度数据；

将所述相似度数据作为所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据。

6.根据权利要求1所述的数据分析方法，其特征在于，计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据，包括：

对所述目标良率问题堆叠图形以及所述量测数据堆叠图形进行分区，确定主图形区域；

基于所述主图形区域计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形的相关性数据。

7.根据权利要求6所述的数据分析方法，其特征在于，基于所述主图形区域计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形的相关性数据，包括：

确定所述目标良率问题堆叠图形中的所述主图形区域对应的晶圆良率数据；

确定各所述量测数据堆叠图形中的所述主图形区域对应的量测参数的统计特征数据；

通过所述主图形区域中的所述晶圆良率数据以及所述统计特征数据计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形的相关性数据。

8.根据权利要求1所述的数据分析方法，其特征在于，根据所述加权计算结果确定导致所述目标良率问题的目标量测参数，包括：

根据所述加权计算结果对各所述量测数据堆叠图形进行排序，将最大的所述加权计算结果对应的量测数据堆叠图形作为最相关量测数据堆叠图形；

将所述最相关量测数据堆叠图形对应的量测参数作为导致所述目标良率问题的目标量测参数。

9.根据权利要求8所述的数据分析方法，其特征在于，在获得所述最相关量测数据堆叠图形，并将所述最相关量测数据堆叠图形所对应的量测参数作为目标量测参数后，还包括：

根据所述匹配度数据和所述相关性数据，分别确定与所述目标良率问题堆叠图形具有最高匹配度的量测数据堆叠图形和最高相关性的量测数据堆叠图形；

基于所述最高匹配度的量测数据堆叠图形和所述最高相关性的量测数据堆叠图形，确定与所述目标良率问题堆叠图形对应的最高匹配度量测参数和最高相关性量测参数；

对所述最高匹配度量测参数、所述最高相关性量测参数以及所述目标量测参数与所述目标良率问题执行合理性判断流程，以根据合理性判断结果确定与所述目标良率问题最相关的量测参数。

10.根据权利要求1所述的数据分析方法，其特征在于，对所述匹配度数据与所述相关性数据进行加权计算，包括：

通过预选取的目标加权计算方式对所述匹配度数据与所述相关性数据进行加权计算。

11.根据权利要求10所述的数据分析方法，其特征在于，在对所述匹配度数据与所述相关性数据进行加权计算之前，所述方法还包括：

获取数据库中预存储的样本良率问题堆叠图形以及样本量测数据堆叠图形；其中，所述数据库还包括导致所述样本良率问题堆叠图形的良率问题的样本量测参数；

获取预先设置的多种加权计算方式；

根据多种加权计算方式依次加权计算所述样本良率问题堆叠图形以及所述样本量测数据堆叠图形对应的样本匹配度数据以及样本相关性数据；

依据所述多种加权计算方式对应的加权计算结果和所述样本量测参数，从所述多种加权计算方式中确定目标加权计算方式。

12.根据权利要求1所述的数据分析方法，其特征在于，所述量测参数包括缺陷参数、电性参数和结构参数中的一种或者多种组合。

13.一种数据分析装置，其特征在于，包括：

图形获取模块，用于获取具有目标良率问题的晶圆组对应的目标良率问题堆叠图形，并获取所述晶圆组在不同类型测试下的量测数据堆叠图形；

关联程度计算模块，用于计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据与相关性数据，并对所述匹配度数据与所述相关性数据进行加权计算得到加权计算结果；

目标量测参数分析模块，用于分析所述加权计算结果以确定导致所述目标良率问题的目标量测参数。

14.根据权利要求13所述的数据分析装置，其特征在于，所述关联程度计算模块还包括：

匹配度数据计算单元，用于将所述目标良率问题堆叠图形与所述量测数据堆叠图形进行图形匹配，得到所述目标良率问题堆叠图形与各所述量测数据堆叠图形对应的匹配度数据；

相关性数据计算单元，用于计算各所述量测数据堆叠图形与所述目标良率问题堆叠图形对应的相关性数据。

15.根据权利要求14所述的数据分析装置，其特征在于，所述相关性数据计算单元还包括：

图形分区子单元，用于对所述目标良率问题堆叠图形以及所述量测数据堆叠图形进行分区，确定主图形区域；

晶圆良率确定子单元，用于确定所述目标良率问题堆叠图形中所述主图形区域对应的晶圆良率数据；

统计特征确定子单元，用于确定各所述量测数据堆叠图形中所述主图形区域对应的量测参数的统计特征数据；

相关性数据计算子单元，用于通过所述主图形区域中的所述晶圆良率数据以及所述统计特征数据计算所述目标良率问题堆叠图形与各所述量测数据堆叠图形的相关性数据。

Images