CN115730678A - 用于在晶圆上的半导体构件的位置重建的方法和装置 - Google Patents
用于在晶圆上的半导体构件的位置重建的方法和装置 Download PDFInfo
- Publication number
- CN115730678A CN115730678A CN202211017416.5A CN202211017416A CN115730678A CN 115730678 A CN115730678 A CN 115730678A CN 202211017416 A CN202211017416 A CN 202211017416A CN 115730678 A CN115730678 A CN 115730678A
- Authority
- CN
- China
- Prior art keywords
- wafer
- test result
- cost matrix
- allocation rule
- allocation
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- General Factory Administration (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
用于在晶圆上的半导体构件的位置重建的方法和装置。本发明涉及一种用于确定分配规则以便汇聚同一半导体器件的不同测试的测试结果的方法。该方法包括如下步骤:(S23)调整模型、例如线性回归模型,使用该模型来预测测试数据;(S24)依据这些预测来计算成本矩阵;(S25)将匈牙利算法应用于该成本矩阵,以便获得新的分配规则,并且多次重复这些步骤。
Description
技术领域
本发明涉及:一种用于在将半导体构件从这些半导体构件被涂覆在其上的晶圆切除之后对这些半导体构件在该晶圆上的位置的重建的方法;以及一种被设立为实施该方法的装置。
背景技术
在半导体构件(特别是PowerMOS)的封装过程中,会丢失半导体构件对其原始晶圆及其在晶圆上的原始位置的可追溯性。具体而言,这意味着:一旦晶圆被切割或切块(英文“diced”=其中半导体构件从晶圆分离的过程)且封装了,每个半导体构件在晶圆上的位置都不再可用。封装过程的提供者能够至少提供在最终测试(英文“Final Test”=在封装之后对半导体构件的测试过程)中的松散半导体构件与在晶圆级测试(在封装之前的测试过程)中在晶圆上的半导体构件之间的粗略匹配。然而,这仍然总是会导致几千个无法分配给多个晶圆的半导体构件。由于在这种情况下基本上是一个组合问题,所以该任务的解决方案的复杂性是阶乘的,原因在于存在布置半导体构件的-阶乘的数目个不同的可能性,使得这些半导体构件对应于正确顺序,其中是这些半导体构件的数目。
对于ASIC半导体构件来说,存在针对该组合问题的解决方案。为此,在晶圆级测试期间,在ASIC半导体构件的存储器中存储明确的标识符,该明确的标识符能够实现最终测试到在封装之后的晶圆级测试的分配。然而,在像PowerMOS那样的半导体构件的情况下,由于缺少存储器而无法实现这一点。
发明内容
本发明的优点
具有独立权利要求1的特征的本发明的优点在于:本发明能够实现:确定取决于晶圆级测试的结果的半导体构件与取决于最终测试(英文Final Test)的结果的被封装的半导体构件之间的潜在分配并且在此无需后续添加的元数据,如明确的标识符等等。
本发明的优点还在于:本发明能够实现半导体构件与其在晶圆上的原始位置之间的一对一分配并且借此能够实现更好的过程控制(例如缺陷部件的原因分析)。
本发明的其它方面是并列权利要求的主题。有利的扩展方案是从属权利要求的主题。
发明的公开内容
在第一方面中,本发明涉及一种用于确定分配规则的尤其是计算机实现的方法,该分配规则将来自第一参量的第一集合中的参量分别分配给来自第二参量的第二集合中的参量。该分配规则可以以明确的方式将第一参量分配给第二参量,也就是说通过该分配规则给每个第一参量最多分配一个第二参量并且优选地反之亦然。集合可以被理解成各个参量的汇总形式。优选地,第一和第二集合是没有共同参量的不同集合。优选地,第一和第二集合的参量分别分配有索引。第一和第二集合的所有索引都可能会被理解成索引集。即作为其元素将第一或第二集合的参量索引遍的集合。接着,该分配规则给第一索引集分别分派来自第二索引集的索引。因此,该分配规则描述了哪个第一参量属于哪个第二参量并且优选地反之亦然。该分配规则可以作为列表或表格等存在。
该方法开始于对该分配规则进行初始化并且提供第一和第二集合。初始分配规则可以随机选择或者被选择为恒等分配。替代地,可设想的是其它分配规则,例如指定的、已经部分正确的分配。
然后,重复实施随后阐述的步骤a)-d)。这些重复可以针对指定的最大重复次数来被实施或者可以限定中止标准,其中在满足中止标准时中止重复。该中止标准例如是该分配规则的最小变化。
a) 创建数据记录,该数据记录具有第一参量及其分别按照该分配规则所分配的第二参量。该数据记录也可以称为训练数据记录,其中所分配的第二参量是第一参量的所谓的“标签(Label)”。应当注意:该步骤可以是可选的,原因在于使用该数据记录的后续步骤基本上只需要在第一与第二参量之间的当前分配规则的信息,该信息要么可以通过该数据记录来被提供要么可以通过当前分配规则来被提供。当前分配规则是针对步骤a) - d)的当前重复所存在的那个分配规则,即在实施对该数据记录的最新创建时所使用的那个分配规则。
b) 指导机器学习系统,使得该机器学习系统根据第一参量来确定该数据记录的分别所分配的第二参量。指导可以被理解为:该机器学习系统的参数被调整,使得该机器学习系统的借此所确定的预测尽可能接近该数据记录的第二参量(“标签”)。可以关于成本函数进行优化。该成本函数优选地表征机器学习系统的输出与标签之间的数学差异。优选地借助于梯度下降法来执行该优化。机器学习系统可以是一个或多个决策树(英文:decisiontree)、神经网络、支持向量机(Support Vector Machine),等等。该指导可以被一直实施,直至在该指导的情况下对机器学习系统的进一步改善小到忽略不计、即满足第二中止标准为止。
c) 确定成本矩阵,其中该成本矩阵的条目表征机器学习系统的预测与按照该分配规则的第二参量之间的距离,尤其是在机器学习系统的预测与第二集合的所有参量之间的距离。该距离可以使用范数来被确定。其它距离量度也是可设想的。该成本矩阵可以被构造为使得行和列分别分配有第一参量或者机器学习系统的取决于第一参量和第二参量的预测,其中这些条目表征这些行和列的相应的所分配的参量之间的距离。不在该成本矩阵的对角线上的条目可以被理解成为了将第一参量逆着该分配规则分配到相对应的行/列的相应的第二参量上而必须花费的运输成本。
d) 根据该成本矩阵来优化该分配规则,使得该分配规则基于该成本矩阵的条目生成最小的总成本。总成本对应于成本矩阵的在按照来自该成本矩阵中的当前分配规则执行第一集合的参量到第二集合的分配时所需的那些条目的总和。换言之,使根据该分配规则从成本矩阵中选择的条目的总和优化、尤其是最小化。应当注意:这些条目根据该分配规则来被选择为使得按照该分配规则来选择成本矩阵的相应的列和行的条目,这些条目被分配给第一和第二参量,这些第一和第二参量按照该分配规则来彼此分配。
在步骤d)的最后一次重复中所确定的分配规则是在可选的步骤中输出的最终分配规则。
这些参量可以是标量或矢量,诸如时间序列,尤其是由传感器所检测,或者是间接确定的传感器数据。优选地,第一和第二参量分别是分别在多个对象中的一个对象处实施的多次不同测量中的一次测量的一个或多个测量结果。也就是说,每个参量都是被分配给这些对象之一。在创建数据记录的步骤中,对于第二参量来说也可以只使用多个测量结果中的可指定数目的测量结果。该分配规则可以说明哪些第一和第二参量是同一对象的测量结果。特别优选地,在第一时间点针对第一参量实施这些对象的至少一次测量并且在第二时间点针对第二参量实施该测量,其中第二时间点在第一时间点之后。那么,第二时间点可以在这些对象经过改型或改变之后存在。
提出:在给定成本矩阵的情况下借助于成本最小化算法来优化该分配规则。例如可设想的是借助于匈牙利算法来进行优化,该匈牙利算法被应用于成本矩阵。匈牙利算法(英文Hungarian method),也称为Kuhn-Munkres算法,是一种用于求解加权分配问题的算法。替代地,也可以使用用于成本最小化的算法的贪婪(greedy)实现。
还提出:机器学习系统是回归模型,该回归模型根据第一参量以及该回归模型的参数来确定第二参量,其中在指导时调整该回归模型的参数。
回归用于对在因变量(通常也是被解释变量)与一个或多个自变量(通常也是解释变量)之间的关系进行建模。该回归能够对复杂函数进行参数化,使得该函数根据特定数据标准来最好地再现数据。例如,常规的最小二乘法计算出一条明确的直线(或超平面),该直线使真实数据与这条线(或超平面)之间的偏差平方和、也就是说残差平方和最小化。
还提出:第一和第二参量在根据不同制造过程步骤对产品制造时表征该产品。例如,第二时间点在这里可以在制造过程步骤结束时给出。该产品可以是在生产场所制造的任意产品。在制造该产品时,优选地会丢失对该产品的先前的过程步骤的可追溯性(所谓的“散装货物”),例如当不再可能将该产品从散装货物、例如螺丝直接分配给生产批次时。可设想的是:第一参量表征组件、尤其是构件,并且第二参量表征最终产品,其中该分配规则描述了哪个组件被加工成了哪个产品或者哪个构件被安装在了哪个产品中。例如当产品中的构件不再能够在没有破坏的情况下被取出以便读取序列号时。那么,利用本发明能够依据产品的测量来分配构件的生产批次。
第一和第二参量可以是产品、组件等等的测量/测试结果或者其它特性。第一和第二参量优选地例如由于制造公差而彼此略有不同,但是描述了产品、组件等等的相同测量/特性。
还提出:第一参量是在晶圆上的半导体构件元件的第一测试结果或测量结果,并且第二参量是这些半导体构件元件的在将其从晶圆中切下之后的第二测试结果或测量结果。半导体构件元件可以是在晶圆上生长的电构件的部分,例如是集成电路的晶体管组。这些测试结果也可以涉及整个半导体构件。在这种情况下,对于机器学习系统来说,线性回归已经被证明特别有效,以便找出最好的分配规则。这是因为该线性回归基于线性关系,该线性关系这里对于测试结果的分配来说是一种合理假设。该线性回归是回归的一种特殊情况。在此,在该线性回归的情况下假设线性函数。即,只使用其中因变量是回归系数(但不一定是自变量的回归系数)的线性组合的这种关系。
还提出:第一测试结果是晶圆级测试结果并且第二测试结果是最终测试结果。优选地,最终测试结果少于晶圆级测试结果。测试例如是电压测试和/或触点接通测试。
还提出:这些半导体构件元件是在多个不同的晶圆上被制造的。这是因为已经发现:该方法甚至能够在适当的计算时间内找出跨多个晶圆的正确的分配规则。
还提出:根据该分配规则来确定哪个第二测试结果属于哪个第一测试结果,而且其中接着根据所属的第一测试结果来确定半导体构件在晶圆内布置在了哪个位置。这允许位置重建,该位置重建能够首次实现:将半导体构件从半导体产品的最后的制造过程步骤明确地追溯到先前的过程步骤。
还提出:除了位置之外,确定其它表征晶圆和/或在该晶圆上的半导体构件的参量以及分别所分配的测试结果,其中这些数据被组合成另一训练数据记录,其中根据该另一训练数据记录来指导另一机器学习系统,以便预测第二测试结果。
在这种情况下的优点在于:该分配可以被用于创建另一训练数据记录,用于指导另一机器学习系统,用于在制造过程的早期阶段中预测被封装的半导体器件的特性。由此,显著缩短了识别出过程参数中的偏差的时间。尤其是对于只能在最终测试(例如RDSon)中被正确评价的参数来说。
在这种情况下的另一优点在于:该分配也可以被用于指导另一机器学习系统,该另一机器学习系统主动标识有缺陷的半导体芯片。这节省了过程资源并且减少了浪费。
在其它方面,本发明涉及:一种装置以及一种计算机程序,该装置和该计算机程序分别被设立为实施上述方法;和一种机器可读存储介质,在其上存储有该计算机程序。
附图说明
随后,本发明的实施方式参考随附的附图更详细地予以阐述。在附图中:
图1示意性示出了封装过程;
图2示意性示出了本发明的流程图的实施例;
图3示意性示出了训练装置。
具体实施方式
在半导体构件或半导体器件的封装过程中,通常会丢失这些器件对其原始晶圆及其在相应晶圆上的原始位置的可追溯性。这是因为在将这些半导体器件切下之后可能发生各个半导体器件的混合,由此在没有对构件的明确标记的情况下会丢失这些构件在晶圆上的位置。这在图1中示意性地绘出。晶圆10分别具有多个半导体构件或半导体器件11。在该阶段中,每个半导体器件11都具有在这些晶圆10上的已知位置。通常,这些半导体器件11在该阶段中经过多次测试,这些测试也称为晶圆级测试。然后对晶圆10进行切割,使得这些半导体器件11彼此分离。该切割可以通过锯12或者通过激光来实现。最后,对被切出的半导体器件进行封装,例如嵌入在微控制器13中。接着,最迟在该阶段中,半导体器件最初放置在哪个晶圆10上以及放置在晶圆10内的哪个位置上的信息已经丢失。通常,具有这些半导体器件11的微控制器13又经过多次测试,这些测试也称为最终测试。然而,由于通过对晶圆10的切割而发生了混合,所以无法容易地明确地追溯微控制器13的相应的半导体器件11布置在了哪个晶圆10上以及哪个晶圆级测试对应于哪个最终测试,也即同一半导体器件的测试结果。这些半导体器件可以是微电子组件,诸如集成电路(在下文也称为芯片)、传感器,等等。
本发明的任务在于:恢复在半导体制造方法中的封装方法之后的可追溯性。这种分配能够实现进一步的贡献,如对最终的芯片特性的更好的过程控制或者早期预测。此外,对在芯片层面上的最终测试中所测量到的偏差的原因分析可以被扩展到晶圆生产中的过程。这进而能够实现对这些过程的更深入的理解并且带来更好的过程控制以及借此带来更好的质量。
提出了一种分配算法,该分配算法由对回归参数(在从晶圆级测试回归到最终测试时是测试数据)的优化与对测试伙伴的分配的后续优化的交替序列组成。最终测试芯片的当前分配被用作在每次迭代中的“回归标签”。
本发明还使用成本最小化算法,该成本最小化算法可以在指定成本矩阵的情况下确定最佳一对一分配。为了构建合适的成本矩阵,使用回归误差,其方式是计算被指导的回归器的最终测试预测与回归标签之间的适合的距离量度(例如范数)。基于该成本矩阵,该算法在最终测试中对芯片进行重新排列,使得回归损失被最小化。根据数据的特征,可以自由选择回归器或回归模型(例如针对线性依赖性的线性回归)。
图2示意性示出了用于确定分配规则的方法的流程图20,该分配规则将最终测试的测试结果分配给分别对应的晶圆级测试的测试结果。在该方法结束之后,应该存在将晶圆级测试的相关测试结果分配给最终测试的分配规则。即描述了来自同一半导体构件的相关测试结果。
该方法开始于步骤S21。在该步骤中,对该分配规则进行初始化。在该步骤中,还提供晶圆级测试(WLT)和最终测试(FT)的测试结果。
然后是步骤S22。在这里,创建训练数据记录,该训练数据记录具有WLT测试结果及其分别按照该分配规则所分配的FT测试结果。
在步骤S22结束之后是步骤S23。在该步骤中,对回归器进行指导,使得该回归器根据晶圆级测试(WLT)来确定分别所分配的按照训练数据记录的最终测试: 。该回归器可以是线性回归模型。对该回归器的指导以已知的方式和方法来进行,例如通过调整该回归器的参数来最小化该训练数据记录上的回归误差。
在指导该回归器之后是步骤S24。在这里创建成本矩阵。行和列分别被分配给晶圆级测试和最终测试。成本矩阵的条目例如借助于回归器的根据相应的行的相对应的WFT测试结果与相应的列的相对应的FT测试结果的预测之间的范数从训练数据中被确定并且被存放在成本矩阵中。
在步骤S24结束之后,在步骤S25中对该分配规则进行优化。在将匈牙利算法应用于成本矩阵的情况下进行该优化,以便基于该成本矩阵来获得经改善的分配规则。
如果不满足中止标准,则重新实施步骤S22至S25。该中止标准可以是指定的最大重复次数。
如果满足该中止标准,则结束该方法并且可以输出该分配规则。
在可选地跟在步骤S25之后的步骤中,借助于该分配规则来重建半导体构件11在晶圆10上的位置。在这种情况下,依据该分配规则可以从FT测试结果开始向后确定WLT测试结果。由于通常除了WLT测试结果之外存储相应测试是在晶圆内的哪个位置被实施的,因此可以重建相对应的半导体器件在晶圆上被制造的精确位置。
可设想的是:根据在步骤S25之后的位置重建,操控控制信号来控制物理系统、诸如受计算机控制的机器、如制造机器、尤其是用于晶圆的加工机器。例如当FT测试结果不是最佳的时,该控制信号可以相对应地调整前一个制造步骤,以便以后获得更好的FT测试结果。
图3示意性示出了用于实施根据图2的方法的装置30。
该装置包括提供器51,该提供器按照步骤S22来提供训练数据记录。接着将训练数据输送给回归器52,该回归器据此来确定输出参量。将输出参量和训练数据输送给评估器53,该评估器据此来确定回归器52的被更新的参数,这些参数被传送给参数存储器P并且在那里替换当前的参数。评估器53被设计为实施步骤S23。
由该装置30实施的步骤可以以作为计算机程序来实现的方式保存在机器可读存储介质54上并且由处理器55来实施。
术语“计算机”包括用于处理可指定的计算规则的任意设备。这些计算规则可以以软件的形式存在,或者以硬件的形式存在,或者也可以以软件和硬件的混合形式存在。
Claims (14)
1.一种用于确定分配规则的方法,所述分配规则将来自第一参量的第一集合中的第一参量分配给来自第二参量的第二集合中的第二参量,所述方法包括如下步骤:
对所述分配规则进行初始化(S21)并且提供(S21)所述第一集合和所述第二集合;
重复实施步骤a)-c):
a) 指导(S23)机器学习系统,使得所述机器学习系统根据所述第一参量来确定分别按照所述分配规则所分配的第二参量;
b) 确定(S24)成本矩阵,其中所述成本矩阵的条目表征所述机器学习系统的根据所述第一参量和所述第二参量的预测之间的距离;以及
c) 根据所述成本矩阵来优化(S25)所述分配规则,使得按照所述分配规则的所述第一参量到所述第二参量的分配基于所述成本矩阵的条目而生成最小的总成本。
2.根据权利要求1所述的方法,其中借助于匈牙利算法或者贪婪实现来优化(S25)所述分配规则。
3.根据权利要求2所述的方法,其中所述成本矩阵是正方形的,其中当第一参量和第二参量的数目不一致时,用所述成本矩阵的条目的最大值来填充所述成本矩阵的空条目。
4.根据上述权利要求中任一项所述的方法,其中所述机器学习系统是回归模型(53),所述回归模型根据所述第一参量和所述回归模型的参数来确定所述第二参量。
5.根据上述权利要求中任一项所述的方法,其中所述第一参量和所述第二参量在根据不同制造过程步骤对产品制造时表征所述产品,其中所述分配规则表征第一集合和第二集合的参量中的哪些参量表征同一产品。
6.根据上述权利要求中任一项所述的方法,其中所述第一参量是在晶圆上的半导体构件元件的第一测试结果,并且所述第二参量是所述半导体构件元件的在将其从晶圆中切下之后的第二测试结果,其中所述分配规则表征哪些第一和第二测试结果来自同一半导体构件元件。
7.根据权利要求6所述的方法,其中所述第一测试结果是晶圆级测试结果并且所述第二测试结果是最终测试结果。
8.根据上述权利要求中任一项所述的方法,其中所述半导体构件元件是在多个不同的晶圆上被制造的。
9.根据上述权利要求6至8中任一项所述的方法,其中根据所述分配规则来确定哪个第二测试结果属于哪个第一测试结果,并且接着根据所属的第一测试结果来确定半导体器件在晶圆内布置在了哪个位置。
10.根据权利要求9所述的方法,其中除了位置之外,确定其它表征晶圆和/或在所述晶圆上的半导体构件元件的参量以及分别所分配的第二测试结果,其中这些数据被组合成训练数据记录,其中根据所述训练数据记录来指导另一机器学习系统,以便预测所述第二测试结果。
11.根据权利要求6至10中任一项所述的方法,其中所述半导体构件元件是功率MOSFET(英文“power MOSFET”)。
12.一种装置(30),所述装置被设立为实施根据上述权利要求中任一项所述的方法。
13.一种计算机程序,所述计算机程序包括如下指令,在通过计算机来执行所述程序时,所述指令促使所述计算机来实施根据权利要求1至11所述的方法。
14.一种机器可读存储介质,在其上存储有根据权利要求13所述的计算机程序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021209343.4 | 2021-08-25 | ||
DE102021209343.4A DE102021209343A1 (de) | 2021-08-25 | 2021-08-25 | Verfahren und Vorrichtung zur Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730678A true CN115730678A (zh) | 2023-03-03 |
Family
ID=85175164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211017416.5A Pending CN115730678A (zh) | 2021-08-25 | 2022-08-24 | 用于在晶圆上的半导体构件的位置重建的方法和装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230066599A1 (zh) |
JP (1) | JP7436589B2 (zh) |
KR (1) | KR20230030531A (zh) |
CN (1) | CN115730678A (zh) |
DE (1) | DE102021209343A1 (zh) |
TW (1) | TW202312002A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021209588A1 (de) | 2021-09-01 | 2023-03-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
DE102022201967A1 (de) | 2022-02-25 | 2023-09-14 | Robert Bosch Gesellschaft mit beschränkter Haftung | Unsicherheitsabschätzung einer Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
DE102022205141A1 (de) | 2022-05-23 | 2023-11-23 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110156033A1 (en) | 2009-12-31 | 2011-06-30 | Stmicroelectronics Asia Pacific Pte. Ltd. | Method and system for tracing die at unit level |
CN113092981B (zh) | 2019-12-23 | 2022-04-26 | 长鑫存储技术有限公司 | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 |
-
2021
- 2021-08-25 DE DE102021209343.4A patent/DE102021209343A1/de active Pending
-
2022
- 2022-08-19 KR KR1020220104005A patent/KR20230030531A/ko unknown
- 2022-08-23 TW TW111131636A patent/TW202312002A/zh unknown
- 2022-08-24 US US17/822,046 patent/US20230066599A1/en active Pending
- 2022-08-24 JP JP2022133171A patent/JP7436589B2/ja active Active
- 2022-08-24 CN CN202211017416.5A patent/CN115730678A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2023033203A (ja) | 2023-03-09 |
DE102021209343A1 (de) | 2023-03-02 |
TW202312002A (zh) | 2023-03-16 |
KR20230030531A (ko) | 2023-03-06 |
US20230066599A1 (en) | 2023-03-02 |
JP7436589B2 (ja) | 2024-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115730678A (zh) | 用于在晶圆上的半导体构件的位置重建的方法和装置 | |
US10545412B2 (en) | Statistical overlay error prediction for feed forward and feedback correction of overlay errors, root cause analysis and process control | |
US6330526B1 (en) | Characteristic variation evaluation method of semiconductor device | |
CN114503123B (zh) | 用于计量的信号域适应 | |
CN109960653A (zh) | 回归测试方法、装置、设备和存储介质 | |
CN110770886A (zh) | 用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法 | |
CN102737960B (zh) | 用于前馈先进工艺控制的方法和系统 | |
CN109586954B (zh) | 一种网络流量预测方法、装置及电子设备 | |
KR20080094081A (ko) | 제조 데이터 인덱싱을 위한 방법 및 장치 | |
JP2021504680A (ja) | コンピュータ実装方法、コンピュータ・プログラム製品および装置 | |
CN110082666A (zh) | 芯片测试分析方法、装置、设备及存储介质 | |
US11972987B2 (en) | Die level product modeling without die level input data | |
CN115795254A (zh) | 用于在晶圆上的半导体构件的位置重建的方法和装置 | |
US20230376850A1 (en) | Method and device for reconstructing a position of semiconductor devices on a wafer | |
US20060064194A1 (en) | Methods and systems for determining lithography overlay offsets | |
CN113722207A (zh) | 用于检查技术系统的方法和装置 | |
US10481592B2 (en) | Selecting manufacturing settings based on historical data from manufacturing tools | |
US5504691A (en) | Method and device for tracking down a prespecified subcircuit in an electrical circuit, method for constructing integrated circuit masks using the method | |
JP2017162213A (ja) | データ取得指示生成プログラム、データ取得指示生成方法およびデータ取得指示生成装置 | |
KR101785889B1 (ko) | 반도체 테스트 프로그램 디버깅과 관련된 테스트 항목들의 우선순위를 결정하기 위한 장치 및 방법 | |
US11686764B2 (en) | Integrated circuit manufacture and outlier detection | |
Parappurath et al. | Calibration error bound estimation in performance modeling | |
KR20190021982A (ko) | 반도체 소자의 특성 예측 방법 및 반도체 소자의 특성 예측 장치 | |
JP2004227279A (ja) | マハラノビス距離を利用した異常原因診断方法及びプログラム | |
Rietman et al. | A system model for feedback control and analysis of yield: A multistep process model of effective gate length, poly line width, and IV parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |