CN114253135B - 基于机器学习的芯片性能参数测试方法和装置 - Google Patents
基于机器学习的芯片性能参数测试方法和装置 Download PDFInfo
- Publication number
- CN114253135B CN114253135B CN202111519259.3A CN202111519259A CN114253135B CN 114253135 B CN114253135 B CN 114253135B CN 202111519259 A CN202111519259 A CN 202111519259A CN 114253135 B CN114253135 B CN 114253135B
- Authority
- CN
- China
- Prior art keywords
- test
- machine learning
- data
- test data
- sampling density
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 355
- 238000010801 machine learning Methods 0.000 title claims abstract description 109
- 238000005070 sampling Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 70
- 235000012431 wafers Nutrition 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003486 chemical etching Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本说明书实施例提供了一种基于机器学习的芯片性能参数测试方法和装置。该方法的一具体实施方式包括：控制测试机台对同一批次的晶圆进行采样，其中，上述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，上述第一采样密度小于上述第二采样密度；使用预设的机器学习模型对上述第一测试用数据进行处理，生成第一测试参数；使用预定拟合曲线方法对上述第二测试用数据进行处理，生成第二测试参数；基于上述第一测试参数和上述第二测试参数，完成上述同一批次的晶圆上的芯片的电学性能参数测试。
Description
技术领域
本说明书实施例涉及半导体集成电路制造领域，尤其涉及一种基于机器学习的芯片性能参数测试方法和装置。
背景技术
在半导体集成电路生产过程中，晶圆上芯片的最终良率测试包含芯片电路的一系列电学性能参数测试。其中，有些参数的测试是通过调整不同的测试条件得到一系列测试值，再采用拟合曲线计算得到结果，例如，开启电压的测试。在这些参数的测试过程中，为了保证拟合结果的精确度，要求采样密度尽可能高。然而，过高的采用密度又会导致测试机台的高占用率，进而影响生产效率。基于此，如何实现既能保证测试结果的精确度又能保证生产效率，具有重要的现实意义和价值。
发明内容
本说明书的实施例描述了一种基于机器学习的芯片性能参数测试方法和装置，本方法设置产线上的部分测试机台按第一采样密度采集测试用数据，而第一采样密度小于基于拟合曲线方法进行测试参数计算时所需要的第二采样密度，并使用预训练的机器学习模型对按第一采样密度采集的测试用数据进行处理，得到测试参数。由此，可以降低产线上部分测试机台的采样密度，提高生产效率。同时，由于机器学习模型是基于产线上的历史数据预先训练得到的，因此，可以保证机器学习模型所生成测试参数的准确性。从而实现了既能保证测试结果的精确度又能保证生产效率。
根据第一方面，提供了一种基于机器学习的芯片性能参数测试方法，包括：控制测试机台对同一批次的晶圆进行采样，其中，上述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，上述第一采样密度小于上述第二采样密度；使用预设的机器学习模型对上述第一测试用数据进行处理，生成第一测试参数；使用预定拟合曲线方法对上述第二测试用数据进行处理，生成第二测试参数；基于上述第一测试参数和上述第二测试参数，完成上述同一批次的晶圆上的芯片的电学性能参数测试。
在一个实施例中，上述方法还包括：使用上述第一测试参数和上述第二测试参数，制作双线趋势图；将上述双线趋势图进行显示。
在一个实施例中，上述机器学习模型是通过以下方式训练得到的：获取产线上的测试机台按上述第二采样密度采集的历史测试用数据；针对上述历史测试用数据使用上述预定拟合曲线方法，生成历史测试参数；对上述历史测试用数据进行采样，得到采样后测试用数据，其中，上述采样后测试用数据的采样密度与上述第一采样密度相同；将上述采样后测试用数据作为输入，将上述历史测试参数作为期望输出，训练得到上述机器学习模型。
在一个实施例中，上述方法还包括：响应于确定使用上述机器学习模型处理数据的总时长未超过预设时长阈值，以及满足预设的模型校准条件，重新控制产线上的测试机台以上述第二采样密度采集测试用数据；基于产线上的测试机台采集的测试用数据，以及对应生成的测试参数，生成第一校准样本集；使用上述第一校准样本集对上述机器学习模型进行再次训练。
在一个实施例中，上述方法还包括：响应于确定使用上述机器学习模型处理数据的总时长超过预设时长阈值，以及满足预设的模型校准条件，基于上述第二测试用数据和第二测试参数，生成第二校准样本集；使用上述第二校准样本集对上述机器学习模型进行再次训练。
在一个实施例中，上述模型校准条件包括以下之一：距离上一次模型校准的时间间隔达到预设时间间隔，上述机器学习模型处理晶圆的个数超过预设的个数阈值。
在一个实施例中，测试参数包括以下之一：开启电压、击穿电压、亚阈值斜率、漏致势垒降低。
在一个实施例中，在控制测试机台对同一批次的晶圆进行采样之前，上述方法还包括：接收采样频率设置信息，其中，上述采样频率设置信息用于设置产线上的测试机台的采样频率，使第一部分机台按第一采样密度采集数据，第二部分机台按第二采样密度采集数据。
根据第二方面，提供了一种基于机器学习的芯片性能参数测试装置，包括：采样单元，配置为控制测试机台对同一批次的晶圆进行采样，其中，上述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，上述第一采样密度小于上述第二采样密度；第一生成单元，配置为使用预设的机器学习模型对上述第一测试用数据进行处理，生成第一测试参数；第二生成单元，配置为使用预定拟合曲线方法对上述第二测试用数据进行处理，生成第二测试参数；测试单元，配置为基于上述第一测试参数和上述第二测试参数，完成上述同一批次的晶圆上的芯片的电学性能参数测试。
根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当上述计算机程序在计算机中执行时，令计算机执行如第一方面中任一实现方式描述的方法。
根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，上述存储器中存储有可执行代码，上述处理器执行上述可执行代码时，实现如第一方面中任一实现方式描述的方法。
根据本说明书实施例提供的基于机器学习的芯片性能参数测试方法和装置，首先控制测试机台对同一批次的晶圆进行采样，其中，测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，第一采样密度小于第二采样密度。之后，使用预训练的机器学习模型对第一测试用数据进行处理生成第一测试参数，使用预定拟合曲线方法对第二测试用数据进行处理生成第二测试参数。最后，基于第一测试参数和第二测试参数，完成对同一批次的晶圆上的芯片的电学性能参数测试。由于预训练的机器学习模型可以使用较低采用密度采样得到的测试用数据生成测试参数，因此，产线上部分测试机台使用机器学习模型生成测试参数，可以有效降低产线上部分测试机台的采样密度，提高生产效率。同时，由于机器学习模型是预先训练得到的，因此，可以保证机器学习模型所生成测试参数的准确性。从而实现了既能保证测试结果的精确度又能保证生产效率。
附图说明
图1示出了本说明书实施例可以应用于其中的一个应用场景的示意图；
图2示出了根据一个实施例的基于机器学习的芯片性能参数测试方法的流程示意图；
图3示出了一个示例中基于机器学习模型拟合的曲线的示意图；
图4示出了机器学习模型的模型结构的一个例子的示意图；
图5示出了通过拟合模拟阶跃函数确定开启电压的一个例子的示意图；
图6示出了一个双线趋势图的例子的示意图；
图7示出了根据一个实施例的基于机器学习的芯片性能参数测试装置的示意性框图。
具体实施方式
下面结合附图和实施例，对本说明书提供的技术方案做进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。需要说明的是，在不冲突的情况下，本说明书的实施例及实施例中的特征可以相互组合。
本说明书的实施例提供一种基于机器学习的芯片性能参数测试方法。以要测试的电学性能参数为开启电压为例，图1示出了本说明书实施例可以应用于其中的一个应用场景的示意图。如图1所示，在图1所示的应用场景中，可以预先对产线上的多台测试机台的采样密度进行设置，使第一部分机台按照每个芯片采集10个不同的电压Vg-电流Id数据点的采样密度采集第一测试用数据101，使第二部分机台按照每个芯片采集100个不同的电压Vg-电流Id数据点的采样密度采集第二测试用数据102。这样，可以控制测试机台对产线上的同一批次的晶圆进行采样。之后，使用预设的机器学习模型103对第一测试用数据101进行处理生成第一测试参数104，即开启电压Vt。使用预定拟合曲线方法105对第二测试用数据102进行处理生成第二测试参数106，即开启电压Vt。最后，基于第一测试参数104和第二测试参数106，完成同一批次的晶圆上芯片的开启电压的测试。
继续参见图2，图2示出了根据一个实施例的基于机器学习的芯片性能参数测试方法的流程示意图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图2所示，该基于机器学习的芯片性能参数测试方法，可以包括以下步骤：
步骤201，控制测试机台对同一批次的晶圆进行采样，测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据。
在本实施例中，可以预先对产线上的多台测试机台进行重新配置。举例来说，可以将多台测试机台设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据。这里，第一采样密度小于第二采样密度。这样，可以控制产线上的多个测试机台对同一批次的晶圆进行采样。通常，同一批次可以包括多个晶圆，各个晶圆可以随机进入某一个测试机台进行采样。可以理解，在本方法之前，产线上的测试机台都是按第二采样密度进行采样，并且使用预定拟合曲线方式生成测试参数的。通过重新设置，可以使产线上的部分测试机台按第一采样密度进行采样。
通常，在半导体集成电路制造过程中,高纯度的硅一般被做成(例如:直径6英寸，8英寸或者12英寸的)圆柱形棒,集成电路生产企业把这些硅棒用激光切割成极薄的硅片圆形，然后在上面用光学和化学蚀刻的方法把电路、电子元器件做上去，做好之后的每片硅片上有大量的一片片的半导体芯片，这些加工好的圆形硅片就是晶圆wafer。对晶圆进行功能测试,包括对晶圆中的芯片(或管芯)进行的功能(包括电性功能)测试。实践中，有些电学性能参数的测试是通过调整不同的测试条件得到一系列测试值，再采用拟合曲线的方式得到芯片的电学性能参数。例如，开启电压的测试。采用拟合曲线方法进行测试，为了保证拟合结果的精确度，往往需要采样密度尽可能高。在本例中，将满足拟合曲线的测试方法的采样密度称为第二采样密度，对于产线上的测试机台，可以预留第二部分测试机台(例如，预留10％的测试机台)，按第二采样密度进行采样，得到第二测试用数据。
在一些可选的实现方式中，适用于本实施例的方法的测试参数可以包括但不限于：开启电压、击穿电压、亚阈值斜率(也称，亚阈值摆幅(Subthreshold swing，SS))、漏致势垒降低(Drain Induced Barrier Lowering，DIBL)等等。实践中，可以根据待测试的测试参数，确定要采集的测试用数据，并进一步控制产线上的测试机台进行采样。
在一些可选的实现方式中，在步骤201之前，上述基于机器学习的芯片性能参数测试方法，还可以包括以下内容：接收采样频率设置信息，该采样频率设置信息可以是技术人员发送给测试机台的，该采样频率设置信息可以用于设置产线上的测试机台的采样频率，使第一部分机台按第一采样密度采样数据，第二部分机台按第二采样密度采集数据。通过本实现方式，可以实现对产线上测试机台的采样频率的设置。
步骤202，使用预设的机器学习模型对第一测试用数据进行处理，生成第一测试参数。
在本实施例中，可以预先训练机器学习模型，例如，神经网络模型，该机器学习模型可以用于表征测试用数据与测试参数的对应关系。这样，可以使用机器学习模型对第一测试用数据进行处理，从而得到第一测试参数。作为示例，上述机器学习模型可以首先基于输入的第一测试用数据拟合曲线，然后基于曲线输出第一测试参数。如图3所示，以测试参数为开启电压为例，图3示出了一个示例中基于机器学习模型拟合的曲线的示意图。在图3所示的示意图中，横轴表示电压，纵轴表示电流。
在一些可选的实现方式中，上述机器学习模型可以是通过以下步骤训练得到的：
步骤S1，获取产线上的测试机台按第二采样密度采集的历史测试用数据。
在本实现方式中，可以将使用本方法之前，产线上按照第二采样密度采样的测试用数据作为历史测试用数据。由于训练机器学习模型需要使用大量的训练样本，因此，可以获取多个历史测试用数据。
步骤S2，针对历史测试用数据使用预定拟合曲线方法，生成历史测试参数。
在本实现方式中，针对每一个历史测试用数据，可以使用上述预定拟合曲线生成一个对应的测试参数，可以将该测试参数作为该历史测试用数据对应的历史测试参数。
步骤S3，对历史测试用数据进行采样，得到采样后测试用数据。
在本实现方式中，对于获取的历史测试用数据，可以按照与第一采样密度相同的采样密度进行采样，从而得到采样后测试用数据。这样得到的采样后测试用数据的采样密度与第一采样密度相同。举例来说，假设第二采样密度为每个芯片采集100个不同数据点，第一采样密度为每个芯片采集10个不同数据点，则对历史测试用数据进行采样，可以是指对历史测试用数据中的100个数据点进行采样，得到具有10个数据点的采样后测试用数据。这样，可以得到机器学习模型的训练样本集，该训练样本集中每一个训练样本可以包括采样后测试用数据和对应的历史测试参数。
步骤S4，将采用后测试用数据作为输入，将历史测试参数作为期望输出，训练得到机器学习模型。
在本实现方式中，可以将采样后测试用数据作为输入，将对应的历史测试参数作为期望输出，利用机器学习方法训练得到机器学习模型。举例来说，可以首先利用预设的损失函数计算所得到的输出与期望输出之间的差异。然后，可以基于计算所得的差异调整机器学习模型的模型参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值等等。这里，可以采用各种实现方式基于所计算的差异调整机器学习模型的模型参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整模型参数。
作为示例，上述机器学习模型可以采用各种模型结构，例如，可以包括输入层、中间层、输出层等层结构。如图4所示，图4示出了机器学习模型的模型结构的一个例子的示意图，在图4所示的例子中，输入层的输入为采样后测试用数据中的多个采样数据点，b1～b11可以用于表示神经网络的节点，长方形的灰色小方框可以用于表示激活函数，可以理解，图4所示的模型结构仅仅是示意性的，而非对本申请机器学习模型的模型结构的限定，实践中，可以根据实际需要为机器学习模型设置不同模型结构。
通过本实现方式，可以基于产线上的历史测试用数据训练得到机器学习模型，由于机器学习模型是基于产线上真实的数据训练得到的，因此，可以使训练得到的模型的输出更加准确。
步骤203，使用预定拟合曲线方法对第二测试用数据进行处理，生成第二测试参数。
在本实施例中，可以使用预定的拟合曲线方法对第二测试用数据进行处理，生成第二测试参数。通过采样得到的第二测试用数据为一个个离散数据点，根据这些离散数据点可以拟合曲线。作为示例，上述预定拟合曲线方法可以是现有的各种拟合曲线方法，例如，基于最小二乘法的线性拟合。以开启电压为例，第二测试用数据可以表示为一个个离散的电压Vg-电流Id数据点。如图5所示，图5示出了通过拟合模拟阶跃函数确定开启电压的一个例子的示意图，图5所示的示意图中，横轴表示电压Vg，纵轴表示电流Id，通过拟合的曲线可以确定电流Id的值发生突变时对应的电压Vg，该电压Vg即为开启电压。可以理解，图5中的每个点可以表示一个数据点，图5中的曲线可以表示针对一个芯片的测试。
步骤204，基于第一测试参数和第二测试参数，完成同一批次的晶圆上的芯片的电学性能参数测试。
在本实施例中，可以基于第一测试参数和第二测试参数，完成对同一批次的晶圆上芯片的电学性能参数测试。举例来说，可以对第一测试参数和第二测试参数进行各种预定分析，从而得到同一个批次的晶圆上的芯片的电学性能参数测试。
在一些可选的实现方式中，上述基于机器学习的芯片性能参数测试方法还可以包括以下内容：
首先，使用第一测试参数和第二测试参数，制作双线趋势图。
在本实现方式中，可以使用第一测试参数和第二测试参数，制作双线趋势图。以开启电压为例，如图6所示，图6示出了一个双线趋势图的例子的示意图，在图6所示的示意图中，横坐标表示生产时间，纵坐标表示确定的开启电压，其中，圆点“●”可以表示使用机器学习模型得到的第一测试参数，曲线601可以表示基于第一测试参数绘制的曲线。三角形“▲”可以表示使用拟合曲线方法得到的第二测试参数，曲线602可以表示基于第二测试参数绘制的曲线。
然后，将双线趋势图进行显示。
在本实现方式中，可以将绘制的双线趋势图进行显示，以供技术人员查看。实践中，可以实时监控两条曲线之间的差距及走势，以防止问题晶圆的极端输入值导致机器学习模型产生较大偏差。也就是，在时间维度上(time-paired)将使用机器学习模型得到的测试参数和使用拟合曲线方法得到的测试参数，进行互为交叉验证，以避免有制程问题的晶圆引入的极端数据输入造成明显的测试结果偏移。理论上，正常情况下，两条曲线应该是靠近的、互相缠绕的，如果随着时间的推移发现两条曲线之间有了稳定的分隔，则说明可能某种测试方式产生了偏差，需要技术人员采取相应行动。通过本实现方式，可以使用两种不同方式确定的测试参数制作双线趋势图，并将双线趋势图进行显示，以供技术人员查看，并在出现异常情况的时候及时干预，从而使测试更加准确。
在一些可选的实现方式中，上述基于机器学习的芯片性能参数测试方法还可以包括以下内容：
首先，在确定使用机器学习模型处理数据的总时长未超过预设时长阈值，且满足预设的模型校准条件时，则重新控制产线上的测试机台以第二采样密度采集测试用数据。
在本实现方式中，可以预先设定时长阈值，例如，三个月，并判断当前时刻机器学习模型处理产线上的数据的总时长是否超过该时长阈值。如果未超过，且当前时刻满足预设的模型校准条件，则重新设置产线上的全部测试机台以第二采样密度采集测试用数据，以控制产线上的测试机台以第二采样密度采集测试用数据。
然后，基于产线上的测试机台采集的测试用数据，以及对应生成的测试参数，生成第一校准样本集。
在本实现方式中，对于产线上的测试机台以第二采样密度采样的每一个测试用数据，可以使用预定的拟合曲线方法生成对应的测试参数。对每一个测试用数据进行再次采样，得到采样密度与第一采样密度相同的测试用数据。并可以根据再次采样后得到的测试用数据和对应生成的测试参数，生成第一校准样本集。第一校准样本集中的各校准样本可以包括采样密度与第一采样密度相同的测试用数据和测试参数。
最后，使用第一校准样本集对机器学习模型进行再次训练。
通过本实现方式，当机器学习模型处理数据的方法在产线上运行总时长未超过预设时长阈值(即，运行初期)，且当前时刻满足预设的模型校准条件时，实现对机器学习模型的再次训练，实现模型的校准，从而使机器学习模型的输出更加准确。
在一些可选的实现方式中，上述基于机器学习的芯片性能参数测试方法还可以包括以下内容：
首先，在确定使用机器学习模型处理数据的总时长超过预设时长阈值，且满足预设的模型校准条件时，则基于第二测试用数据和第二测试参数，生成第二校准样本集。
在本实现方式中，可以预先设定时长阈值，例如，三个月，并判断当前时刻机器学习模型处理产线上的数据的总时长是否超过该时长阈值。如果超过，且当前时刻满足预设的模型校准条件，则基于第二测试用数据和第二测试参数，生成第二校准样本集。举例来说，可以对第二测试用数据进行再次采样，得到采样密度与第一采样密度相同的测试用数据。使用再次采样得到的测试用数据和对应的第二测试参数，构成第二校准样本，存入第二校准样本集，从而得到第二校准样本集。
然后，使用第二校准样本集对机器学习模型进行再次训练。
通过本实现方式，当机器学习模型处理数据的方法在产线上运行足够长时间，且当前时刻满足预设的模型校准条件下时，可以实现对机器学习模型的再次训练，实现模型的校准，从而使机器学习模型的输出更加准确。此外，校准过程中，直接基于第二测试用数据和第二测试参数生成校准样本集，不需要通过重新设置产线上测试机台的采样频率来生成校准样本集，由此，可以使校准过程更加简单。
可选的，上述模型校准条件可以包括以下之一：距离上一次模型校准的时间间隔达到预设时间间隔，机器学习模型处理晶圆的个数超过预设的个数阈值。举例来说，在产线上的产量平稳的时候可以每隔一周的时长，校准一次机器学习模型。或者，在机器学习模型每处理完5000片晶圆时，校准一次机器学习模型。
通过本实现方式，可以设定机器学习模型的校准条件，从而使机器学习模型的校准更加及时，进而使机器学习模型的输出更加准确。
回顾以上过程，在本说明书的实施例中，通过预训练的机器学习模型可以使用较低采用密度采样得到的测试用数据生成测试参数，因此，产线上部分测试机台使用机器学习模型生成测试参数，可以有效降低产线上部分测试机台的采样密度，提高生产效率。同时，由于机器学习模型是预先训练得到的，因此，可以保证机器学习模型所生成测试参数的准确性。从而实现了既能保证测试结果的精确度又能保证生产效率。
根据另一方面的实施例，提供了一种基于机器学习的芯片性能参数测试装置。上述基于机器学习的芯片性能参数测试装置可以部署在任何具有计算、处理能力的设备、平台或设备集群中。
图7示出了根据一个实施例的基于机器学习的芯片性能参数测试装置的示意性框图。如图7所示，该基于机器学习的芯片性能参数测试装置700包括：采样单元701，配置为控制测试机台对同一批次的晶圆进行采样，其中，上述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，上述第一采样密度小于上述第二采样密度；第一生成单元702，配置为使用预设的机器学习模型对上述第一测试用数据进行处理，生成第一测试参数；第二生成单元703，配置为使用预定拟合曲线方法对上述第二测试用数据进行处理，生成第二测试参数；测试单元704，配置为基于上述第一测试参数和上述第二测试参数，完成上述同一批次的晶圆上的芯片的电学性能参数测试。
在本实施例的一些可选的实现方式中，上述装置700还包括：制作单元(图中未示出)，配置为使用上述第一测试参数和上述第二测试参数，制作双线趋势图；显示单元(图中未示出)，配置为将上述双线趋势图进行显示。
在本实施例的一些可选的实现方式中，上述机器学习模型是通过以下方式训练得到的：获取产线上的测试机台按上述第二采样密度采集的历史测试用数据；针对上述历史测试用数据使用上述预定拟合曲线方法，生成历史测试参数；对上述历史测试用数据进行采样，得到采样后测试用数据，其中，上述采样后测试用数据的采样密度与上述第一采样密度相同；将上述采样后测试用数据作为输入，将上述历史测试参数作为期望输出，训练得到上述机器学习模型。
在本实施例的一些可选的实现方式中，上述装置700还包括：第一采集单元(图中未示出)，配置为响应于确定使用上述机器学习模型处理数据的总时长未超过预设时长阈值，以及满足预设的模型校准条件，重新控制产线上的测试机台以上述第二采样密度采集测试用数据；第一样本集生成单元(图中未示出)，配置为基于产线上的测试机台采集的测试用数据，以及对应生成的测试参数，生成第一校准样本集；第一再训练单元(图中未示出)，配置为使用上述第一校准样本集对上述机器学习模型进行再次训练。
在本实施例的一些可选的实现方式中，上述装置700还包括：第二样本集生成单元(图中未示出)，配置为响应于确定使用上述机器学习模型处理数据的总时长超过预设时长阈值，以及满足预设的模型校准条件，基于上述第二测试用数据和第二测试参数，生成第二校准样本集；第二再训练单元(图中未示出)，配置为使用上述第二校准样本集对上述机器学习模型进行再次训练。
在本实施例的一些可选的实现方式中，上述模型校准条件包括以下之一：距离上一次模型校准的时间间隔达到预设时间间隔，上述机器学习模型处理晶圆的个数超过预设的个数阈值。
在本实施例的一些可选的实现方式中，测试参数包括以下之一：开启电压、击穿电压、亚阈值斜率、漏致势垒降低。
在本实施例的一些可选的实现方式中，上述装置700还包括：接收单元(图中未示出)，配置为接收采样频率设置信息，其中，上述采样频率设置信息用于设置产线上的测试机台的采样频率，使第一部分机台按第一采样密度采集数据，第二部分机台按第二采样密度采集数据。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当上述计算机程序在计算机中执行时，令计算机执行图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，其特征在于，上述存储器中存储有可执行代码，上述处理器执行上述可执行代码时，实现图2所描述的方法。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器学习的芯片性能参数测试方法，包括：
控制测试机台对同一批次的晶圆进行采样，其中，所述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，所述第一采样密度小于所述第二采样密度；
使用预设的机器学习模型对所述第一测试用数据进行处理，生成第一测试参数，其中，所述机器学习模型是通过以下方式训练得到的：获取产线上的测试机台按所述第二采样密度采集的历史测试用数据；针对所述历史测试用数据使用所述预定拟合曲线方法，生成历史测试参数；对所述历史测试用数据进行采样，得到采样后测试用数据，其中，所述采样后测试用数据的采样密度与所述第一采样密度相同；将所述采样后测试用数据作为输入，将所述历史测试参数作为期望输出，训练得到所述机器学习模型；
使用预定拟合曲线方法对所述第二测试用数据进行处理，生成第二测试参数；
基于所述第一测试参数和所述第二测试参数，完成所述同一批次的晶圆上的芯片的电学性能参数测试。
2.根据权利要求1所述的方法，其中，所述方法还包括：
使用所述第一测试参数和所述第二测试参数，制作双线趋势图；
将所述双线趋势图进行显示。
3.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定使用所述机器学习模型处理数据的总时长未超过预设时长阈值，以及满足预设的模型校准条件，重新控制产线上的测试机台以所述第二采样密度采集测试用数据；
基于产线上的测试机台采集的测试用数据，以及对应生成的测试参数，生成第一校准样本集；
使用所述第一校准样本集对所述机器学习模型进行再次训练。
4.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定使用所述机器学习模型处理数据的总时长超过预设时长阈值，以及满足预设的模型校准条件，基于所述第二测试用数据和第二测试参数，生成第二校准样本集；
使用所述第二校准样本集对所述机器学习模型进行再次训练。
5.根据权利要求3或4所述的方法，其中，所述模型校准条件包括以下之一：距离上一次模型校准的时间间隔达到预设时间间隔，所述机器学习模型处理晶圆的个数超过预设的个数阈值。
6.根据权利要求1所述的方法，其中，测试参数包括以下之一：开启电压、击穿电压、亚阈值斜率、漏致势垒降低。
7.根据权利要求1所述的方法，其中，在控制测试机台对同一批次的晶圆进行采样之前，所述方法还包括：
接收采样频率设置信息，其中，所述采样频率设置信息用于设置产线上的测试机台的采样频率，使第一部分机台按第一采样密度采集数据，第二部分机台按第二采样密度采集数据。
8.一种基于机器学习的芯片性能参数测试装置，包括：
采样单元，配置为控制测试机台对同一批次的晶圆进行采样，其中，所述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，所述第一采样密度小于所述第二采样密度；
第一生成单元，配置为使用预设的机器学习模型对所述第一测试用数据进行处理，生成第一测试参数，其中，所述机器学习模型是通过以下方式训练得到的：获取产线上的测试机台按所述第二采样密度采集的历史测试用数据；针对所述历史测试用数据使用所述预定拟合曲线方法，生成历史测试参数；对所述历史测试用数据进行采样，得到采样后测试用数据，其中，所述采样后测试用数据的采样密度与所述第一采样密度相同；将所述采样后测试用数据作为输入，将所述历史测试参数作为期望输出，训练得到所述机器学习模型；
第二生成单元，配置为使用预定拟合曲线方法对所述第二测试用数据进行处理，生成第二测试参数；
测试单元，配置为基于所述第一测试参数和所述第二测试参数，完成所述同一批次的晶圆上的芯片的电学性能参数测试。
9.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519259.3A CN114253135B (zh) | 2021-12-13 | 2021-12-13 | 基于机器学习的芯片性能参数测试方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519259.3A CN114253135B (zh) | 2021-12-13 | 2021-12-13 | 基于机器学习的芯片性能参数测试方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114253135A CN114253135A (zh) | 2022-03-29 |
| CN114253135B true CN114253135B (zh) | 2024-03-26 |
Family
ID=80794916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111519259.3A Active CN114253135B (zh) | 2021-12-13 | 2021-12-13 | 基于机器学习的芯片性能参数测试方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114253135B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200739782A (en) * | 2006-03-30 | 2007-10-16 | Tokyo Electron Ltd | Damage assessment of a wafer using optical metrology |
| CN101416043A (zh) * | 2006-03-30 | 2009-04-22 | 东京毅力科创株式会社 | 使用光学计量来测量晶片上形成的受损结构 |
| CN104660256A (zh) * | 2015-03-04 | 2015-05-27 | 上海华岭集成电路技术股份有限公司 | 锁相环锁定时间的测量方法 |
| CN106898564A (zh) * | 2015-12-18 | 2017-06-27 | 超科技公司 | 具有可选择像素密度的全晶片检测方法 |
| WO2018112881A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳中兴力维技术有限公司 | 一种电池充电性能的快速预测方法及其系统 |
| 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 |
| CN111653500A (zh) * | 2020-06-19 | 2020-09-11 | 上海华力集成电路制造有限公司 | 判断晶圆良率损失的方法 |
| CN111679636A (zh) * | 2020-05-11 | 2020-09-18 | 杭州传化智能制造科技有限公司 | 生产工艺参数处理的系统、方法和计算机设备 |
| CN111696983A (zh) * | 2020-06-24 | 2020-09-22 | 悦虎晶芯电路(苏州)股份有限公司 | 多芯片水平封装的芯片模组、晶圆结构和加工方法 |
| CN111863645A (zh) * | 2019-04-12 | 2020-10-30 | 长鑫存储技术有限公司 | 加工工艺参数确定方法、装置、存储介质及电子设备 |
| WO2020228655A1 (zh) * | 2019-05-10 | 2020-11-19 | 腾讯科技（深圳）有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
| BR112020013234A2 (pt) * | 2018-03-08 | 2020-12-01 | Ethicon Llc | estimativa do estado do atuador de extremidade ultrassônico e sistema de controle para o mesmo |
| CN212410776U (zh) * | 2020-04-30 | 2021-01-26 | 西安太乙电子有限公司 | 一种晶圆测试探针接触电阻的测量装置 |
| CN112951736A (zh) * | 2021-01-29 | 2021-06-11 | 中芯集成电路制造(绍兴)有限公司 | 检测工序的智能抽样方法 |
| CN113056814A (zh) * | 2018-04-27 | 2021-06-29 | 菲拓梅里克斯公司 | 确定半导体器件特性的系统和方法 |
| US11062377B1 (en) * | 2011-07-25 | 2021-07-13 | Secret Sauce Partners, Inc. | Fit prediction |
| CN113169086A (zh) * | 2018-11-07 | 2021-07-23 | 科磊股份有限公司 | 具有全晶片覆盖能力的极高敏感度混和式检验 |
| CN113711129A (zh) * | 2019-04-17 | 2021-11-26 | Asml荷兰有限公司 | 用于器件制造过程的方法 |
| CN113779910A (zh) * | 2021-11-10 | 2021-12-10 | 海光信息技术股份有限公司 | 产品性能分布预测方法及装置、电子设备及存储介质 |
-
2021
- 2021-12-13 CN CN202111519259.3A patent/CN114253135B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101416043A (zh) * | 2006-03-30 | 2009-04-22 | 东京毅力科创株式会社 | 使用光学计量来测量晶片上形成的受损结构 |
| TW200739782A (en) * | 2006-03-30 | 2007-10-16 | Tokyo Electron Ltd | Damage assessment of a wafer using optical metrology |
| US11062377B1 (en) * | 2011-07-25 | 2021-07-13 | Secret Sauce Partners, Inc. | Fit prediction |
| CN104660256A (zh) * | 2015-03-04 | 2015-05-27 | 上海华岭集成电路技术股份有限公司 | 锁相环锁定时间的测量方法 |
| CN106898564A (zh) * | 2015-12-18 | 2017-06-27 | 超科技公司 | 具有可选择像素密度的全晶片检测方法 |
| WO2018112881A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳中兴力维技术有限公司 | 一种电池充电性能的快速预测方法及其系统 |
| BR112020013234A2 (pt) * | 2018-03-08 | 2020-12-01 | Ethicon Llc | estimativa do estado do atuador de extremidade ultrassônico e sistema de controle para o mesmo |
| CN113056814A (zh) * | 2018-04-27 | 2021-06-29 | 菲拓梅里克斯公司 | 确定半导体器件特性的系统和方法 |
| CN113169086A (zh) * | 2018-11-07 | 2021-07-23 | 科磊股份有限公司 | 具有全晶片覆盖能力的极高敏感度混和式检验 |
| 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 |
| CN111863645A (zh) * | 2019-04-12 | 2020-10-30 | 长鑫存储技术有限公司 | 加工工艺参数确定方法、装置、存储介质及电子设备 |
| CN113711129A (zh) * | 2019-04-17 | 2021-11-26 | Asml荷兰有限公司 | 用于器件制造过程的方法 |
| WO2020228655A1 (zh) * | 2019-05-10 | 2020-11-19 | 腾讯科技（深圳）有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
| CN212410776U (zh) * | 2020-04-30 | 2021-01-26 | 西安太乙电子有限公司 | 一种晶圆测试探针接触电阻的测量装置 |
| CN111679636A (zh) * | 2020-05-11 | 2020-09-18 | 杭州传化智能制造科技有限公司 | 生产工艺参数处理的系统、方法和计算机设备 |
| CN111653500A (zh) * | 2020-06-19 | 2020-09-11 | 上海华力集成电路制造有限公司 | 判断晶圆良率损失的方法 |
| CN111696983A (zh) * | 2020-06-24 | 2020-09-22 | 悦虎晶芯电路(苏州)股份有限公司 | 多芯片水平封装的芯片模组、晶圆结构和加工方法 |
| CN112951736A (zh) * | 2021-01-29 | 2021-06-11 | 中芯集成电路制造(绍兴)有限公司 | 检测工序的智能抽样方法 |
| CN113779910A (zh) * | 2021-11-10 | 2021-12-10 | 海光信息技术股份有限公司 | 产品性能分布预测方法及装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114253135A (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9002498B2 (en) | Tool function to improve fab process in semiconductor manufacturing | |
| CN109933852B (zh) | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 | |
| US8108060B2 (en) | System and method for implementing a wafer acceptance test (“WAT”) advanced process control (“APC”) with novel sampling policy and architecture | |
| JP6063313B2 (ja) | 電子デバイスの製造支援システム、製造支援方法及び製造支援プログラム | |
| US20110112999A1 (en) | Method for predicting and warning of wafer acceptance test value | |
| CN110968984B (zh) | 集成电路工艺分析系统及分析方法 | |
| CN101311737A (zh) | 晶圆质量控制方法 | |
| CN114253135B (zh) | 基于机器学习的芯片性能参数测试方法和装置 | |
| US20030033120A1 (en) | Method and system for in-line monitoring process performance using measurable equipment signals | |
| TW201939316A (zh) | 資料處理方法、資料處理裝置以及資料處理程式 | |
| CN106599336B (zh) | 半导体工艺模拟装置及方法以及计算装置 | |
| CN103500720A (zh) | 电子束缺陷扫描仪匹配度测试结构及测试方法 | |
| US8406904B2 (en) | Two-dimensional multi-products multi-tools advanced process control | |
| KR20090095694A (ko) | 반도체 제조설비의 관리시스템에 적용되는 통계적 공정관리방법 | |
| US20070174800A1 (en) | Methods and systems for analyzing layouts of semiconductor integrated circuit devices | |
| US6426643B1 (en) | Method for the testing of electronic components | |
| US9207277B2 (en) | System and method for generating a yield forecast based on wafer acceptance tests | |
| US11074376B2 (en) | Method for analyzing process output and method for creating equipment parameter model | |
| US12111879B2 (en) | Distribution output device and operating method | |
| CN114676570A (zh) | 一种仿真模型确定方法、芯片分类方法和相关设备 | |
| CN114398940A (zh) | 一种面向车联网的设备故障诊断方法及系统 | |
| US10222710B2 (en) | Method and system for planning metrology measurements | |
| Kim et al. | On the relationship of semiconductor yield and reliability | |
| CN113361222A (zh) | 一种集成电路制造工艺虚拟仿真方法和装置 | |
| US8160830B2 (en) | Method of yield management for semiconductor manufacture and apparatus thereof |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230406 Address after: Building A, Tianxia International Center, No. 8 Taoyuan Road, Dawangshan Community, Nantou Street, Nanshan District, Shenzhen City, Guangdong Province, 518054, 2605 Applicant after: Shenzhen Zhixian Future Industrial Software Co.,Ltd. Address before: 200090 A307, 3rd floor, building a, East 1223, 1687 Changyang Road, Yangpu District, Shanghai Applicant before: Raft Ferry (Shanghai) Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |