CN115798559B - 失效单元预测方法、装置、设备及存储介质 - Google Patents
失效单元预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115798559B CN115798559B CN202310095075.1A CN202310095075A CN115798559B CN 115798559 B CN115798559 B CN 115798559B CN 202310095075 A CN202310095075 A CN 202310095075A CN 115798559 B CN115798559 B CN 115798559B
- Authority
- CN
- China
- Prior art keywords
- failure
- units
- analyzed
- unit
- known failure
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本公开提供一种失效单元预测方法、装置、设备及存储介质,属于半导体制造技术领域。该方法包括:获得待分析对象在目标测试阶段的已知失效单元信息;根据待分析对象的已知失效单元信息确定待分析对象的已知失效单元所属的类别;获得待分析对象中属于类别的已知失效单元数量;根据待分析对象中属于类别的已知失效单元数量从类别中确定目标类别;根据待分析对象中属于目标类别的已知失效单元是确定待分析对象中的潜在失效单元,以利用备用电路对已知失效单元和潜在失效单元进行修复。本公开通过获得待分析对象的已知失效单元信息来确定待分析对象的潜在失效单元,能够提高芯片的制造良率。
Description
技术领域
本公开涉及半导体制造技术领域,具体而言,涉及一种失效单元预测方法、装置、计算机设备及计算机可读存储介质。
背景技术
在半导体制造技术中,可以先形成分布有多个晶粒的晶圆,然后以晶粒为单位进行切片封装等各项工序制备形成芯片。在制造过程中,需要对晶圆上的失效单元(FailBit,FB)进行修补,来提高芯片的制造良率。然而,现阶段芯片的制造良率往往有待进一步提高。
发明内容
本公开的目的在于提供一种失效单元预测方法,能够提高芯片的制造良率。
本公开实施例提供了一种失效单元预测方法,该方法包括:获得待分析对象在目标测试阶段的已知失效单元信息;根据所述待分析对象的已知失效单元信息确定所述待分析对象的已知失效单元所属的类别;获得所述待分析对象中属于所述类别的已知失效单元数量;根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定目标类别;根据所述待分析对象中属于所述目标类别的已知失效单元确定所述待分析对象中的潜在失效单元,以利用备用电路对所述已知失效单元和所述潜在失效单元进行修复。
在本公开的一些示例性实施例中,根据所述待分析对象的已知失效单元信息确定所述待分析对象的已知失效单元所属的类别,包括:设定所述已知失效单元的作用区域和最小失效单元个数;按序依次选取所述待分析对象的已知失效单元,根据所述作用区域和所述最小失效单元个数确定被选取的已知失效单元所属的类别。
在本公开的一些示例性实施例中,所述已知失效单元信息包括所述待分析对象在所述目标测试阶段测试获得的已知失效单元的位置信息;其中,设定所述已知失效单元的作用区域,包括:根据所述已知失效单元的位置信息,确定所述已知失效单元的作用区域。
在本公开的一些示例性实施例中,根据所述已知失效单元的位置信息,确定所述已知失效单元的作用区域,包括:根据所述待分析对象中的不同已知失效单元的位置信息获得所述待分析对象中的不同已知失效单元之间的距离信息;根据所述待分析对象中的不同已知失效单元之间的距离信息和所述待分析对象中的已知失效单元总数,获得所述待分析对象的不同已知失效单元之间的平均距离;根据距离控制系数和所述平均距离确定所述待分析对象中的已知失效单元的作用距离;根据所述作用距离确定所述待分析对象中的所述已知失效单元的所述作用区域。
在本公开的一些示例性实施例中,设定最小失效单元个数,包括:获得所述待分析对象中的已知失效单元总数、对象宽度和个数控制系数;根据所述待分析对象中的已知失效单元总数、所述对象宽度、所述个数控制系数和所述作用距离确定所述最小失效单元个数。
在本公开的一些示例性实施例中,所述距离控制系数和所述个数控制系数的取值范围均为(0,1]。
在本公开的一些示例性实施例中,所述已知失效单元信息包括所述待分析对象在所述目标测试阶段测试获得的已知失效单元对应的测试失败的测试项信息;其中,按序依次选取所述待分析对象的已知失效单元,根据所述作用区域和所述最小失效单元个数确定被选取的已知失效单元所属的类别,包括:
S1,确定所述待分析对象中的已知失效单元的访问索引值为第一值;
S2,根据所述已知失效单元对应的测试失败的测试项信息,确定测试项索引,并按照所述测试项索引对所述待分析对象中的已知失效单元进行归类和排序,以使具有相同测试项索引的已知失效单元依次排列;
S3,按照所述测试项索引依次选取所述待分析对象中访问索引值为所述第一值的已知失效单元,并将被选取的已知失效单元的访问索引值设置为第二值;
S4,若确定被选取的已知失效单元的作用区域内的已知失效单元数量大于或等于所述最小失效单元个数,则创建类别,将被选取的已知失效单元归为所创建的类别;若确定被选取的已知失效单元的作用区域内的已知失效单元数量小于所述最小失效单元个数,则将被选取的已知失效单元归为非核心失效单元。
在本公开的一些示例性实施例中,在将被选取的已知失效单元归为所创建的类别之后,还包括:S5,将被选取的已知失效单元的作用区域内的已知失效单元加入单元集合;遍历所述单元集合中的已知失效单元;若所述单元集合中存在已知失效单元的作用区域中的已知失效单元个数大于或等于所述最小失效单元个数,则将对应的已知失效单元的作用区域内的已知失效单元加入所述单元集合,并将对应的已知失效单元归为所创建的类别;若所述单元集合中存在已知失效单元的作用区域中的已知失效单元个数小于所述最小失效单元个数,则将对应的已知失效单元归为所创建的类别;将对应的已知失效单元的访问索引值设置为所述第二值;重复上述S3-S5,直至所述待分析对象中所有已知失效单元的访问索引值均为所述第二值,以使具有相似性质的已知失效单元划分至同一类别。
在本公开的一些示例性实施例中,根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定目标类别,包括:确定所述待分析对象中已知失效单元数量最多的类别为所述目标类别。
在本公开的一些示例性实施例中,根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定目标类别,包括:获得属于目标产品类型的各样本对象在所述目标测试阶段的样本失效单元信息;根据各样本对象的样本失效单元信息确定各样本对象的样本失效单元所属的类别;确定各样本对象中样本失效单元数量满足预设条件的类别为各样本对象的候选类别;从各样本对象的候选类别中确定样本失效单元的分布具有相似形状的所述目标类别;确定所述待分析对象中已知失效单元数量满足所述预设条件的类别为所述待分析对象的候选类别;确定与各样本对象的所述目标类别具有相似形状的所述待分析对象的候选类别作为所述待分析对象的所述目标类别。
在本公开的一些示例性实施例中,根据所述待分析对象中属于所述目标类别的已知失效单元确定所述待分析对象中的潜在失效单元,包括:提取所述待分析对象中属于所述目标类别的已知失效单元的特征信息;获得所述待分析对象所属的目标产品类型的所述目标类别的增强修补规则;若所述待分析对象中属于所述目标类别的已知失效单元的特征信息满足所述增强修补规则,则利用所述增强修补规则确定所述潜在失效单元。
在本公开的一些示例性实施例中,还包括:获得属于所述目标产品类型的各样本对象在所述目标测试阶段的样本失效单元信息;根据各样本对象中属于所述目标类别的样本失效单元信息,确定所述增强修补规则。
在本公开的一些示例性实施例中,所述目标测试阶段为电路探针测试阶段;各样本对象中属于所述目标类别的样本失效单元信息包括各样本对象中属于所述目标类别的样本失效单元的测试失败测试项目信息、样本失效单元数量、所确定的标准修补备用电路信息中的至少一项;所述特征信息包括所述待分析对象中属于所述目标类别的已知失效单元的测试失败测试项目信息、已知失效单元数量、所确定的标准修补备用电路信息中的至少一项。
在本公开的一些示例性实施例中,所述待分析对象为DRAM芯片上的晶粒。
根据本公开的另一个方面,提供一种失效单元预测装置,所述装置包括:获得单元和确定单元。获得单元,用于获得待分析对象在目标测试阶段的已知失效单元信息;确定单元,用于根据所述待分析对象的已知失效单元信息确定所述待分析对象的已知失效单元所属的类别;所述获得单元,还用于获得所述待分析对象中属于所述类别的已知失效单元数量;所述确定单元,还用于根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定目标类别;所述确定单元,还用于根据所述待分析对象中属于所述目标类别的已知失效单元确定所述待分析对象中的潜在失效单元,以利用备用电路对所述已知失效单元和所述潜在失效单元进行修复。
根据本公开的再一个方面,提供一种计算机设备,包括一个或多个处理器;存储器,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述计算机设备实现本公开任一实施例中的失效单元预测方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于由处理器加载并执行,以使得具有所述处理器的计算机设备执行本公开任一实施例中的失效单元预测方法。
根据本公开的又一个方面,提供一种计算机程序产品,该计算机程序被处理器执行时实现本公开任一实施例中的失效单元预测方法。
本公开一些实施例所提供的失效单元预测方法,通过获得待分析对象在目标测试阶段的已知失效单元信息,然后利用该待分析对象的已知失效单元信息可以确定各已知失效单元所属的类别,根据每个类别中的已知失效单元数量可以确定出目标类别,从而可以根据该目标类别中的已知失效单元确定出该待分析对象的潜在失效单元,使得在利用备用电路对该待分析对象进行修复时,可以同时对该已知失效单元和该潜在失效单元进行修复,而不仅仅只对已知失效单元进行修复,因此能够提高芯片的制造良率。
附图说明
图1示出了本公开实施例提供的一种晶圆的结构示意图;
图2示本公开实施例提供的失效单元预测系统;
图3示出本公开一实施例中失效单元预测方法流程图;
图4示出本公开实施例通过聚类分析对失效单元分类的示意图;
图5示出本公开另一实施例中失效单元预测方法流程图;
图6示出本公开实施例中孤立失效单元在晶粒上的示意图;
图7示出本公开实施例中孤立失效单元、边界失效单元和核心失效单元在晶粒上的示意图;
图8示出本公开实施例中根据作用区域和最小失效单元个数确定类别的示意图;
图9示出本公开一实施例中晶粒示意图;
图10示出本公开另一实施例中晶粒示意图;
图11示出本公开实施例中根据测试结果进行修补分配的流程框图;
图12示出本公开一实施例中修补颗粒示意图;
图13示出本公开另一实施例中修补颗粒示意图;
图14示出本公开实施例中一种失效单元预测装置示意图;
图15示出本公开实施例中一种计算机设备的结构示意图;
图16示出本公开实施例中一种计算机可读存储介质示意图。
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。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方式中。
半导体制造工艺可以划分为前道工序和后道工序。具体地,前道工序是针对整片晶圆(Wafer)的工序,其可以包括晶圆制造和晶圆测试(测试对象是针对整片Wafer中的每一个Die(晶粒),目的是确保整片Wafer中的每一个Die都能基本满足器件的特征或者设计规格书,可以包括电压、电流、时序和功能的验证)。其中,图1示出了本公开实施例提供的一种晶圆的结构示意图。如图1所示,晶圆(Wafer)10上可以包括多个晶粒(Die)11。晶圆10于电路探针测试(Circuit Probe Test,CP Test)阶段时,在不同的测试条件会得到不同的失效单元,然后使用备用电路对失效单元进行修复。关于如何检测出失效单元,本公开实施例不做限定,例如,在晶圆测试时,可以利用自动测试设备(Automatic Test Equipment,ATE)在晶圆上对晶粒进行针测。以及,后道工序是对由晶圆分划片封装后的一个个芯片入手的各项工序,其可以包括封装、最终测试和成品入库等各道工序。
在上述半导体制造过程中,为了提高芯片的制造良率,可以对晶圆进行修补的方式,来提高芯片的制造良率。比如,可以对晶圆上的各晶粒采用诸如熔断处理等方式进行修补,以对晶圆的一项或者多项性能参数进行调优,进而使得调修处理的各晶粒的性能参数处在相应地规格范围内,进而改善晶圆的良率。然而,现阶段芯片的制造良率往往较低,有待进一步提高。因此,如何提高芯片的制造良率成为了亟待解决的问题。
发明人通过研究发现,在CP Test阶段之后,各种测试中还会出现新的失效单元(New Fail Bit,NFB),NFB存在有如下缺点。①出货前,在FT(Final Test,后段测试),RDBI(耐力测试)中发现的NFB,需要重新进行修复,此时,修复成本增加,若发现的NFB数量过多,可能导致无法修复,最后导致良率大大下降。②出货后,客户产品内部测试无法通过或正常的使用寿命周期中芯片发生故障,即产品质量差,提高了企业售后成本和企业形象,严重后果可能会导致失去核心客户。
相关技术中,发现NFB位置的方式主要是人工观察和总结规律。这种方式的问题主要在于以下问题:①人工观察的时间成本高,无法形成固定的流程。②人工观察存在片面性,不同人发现的规则不同,且无法观察到复杂的规律。③人工进行总结规律时,需要严格的先验知识,且不同产品的设计架构不同,会发生从未出现的规律。综上所述,通过人工观察和总结规律无法识别出规律复杂且从未出现规律的NFB,因此,芯片的制造良率还有待提高。
基于此,本公开实施例提供了一种失效单元预测方法、装置、设备及存储介质,可以应用于半导体制造场景中,示例性地,可以应用于晶圆CP Test的具体场景中,又或者还可以是晶圆测试之后的修复阶段,对此不作具体限定。在本公开实施例中,通过获得待分析对象的已知失效单元信息来确定待分析对象的潜在失效单元,即提前对NFB进行预测,并对预测出的NFB进行修复,从而进一步提高了芯片的制造良率。
为了便于整体理解本公开实施例提供的技术方案,接下来先对本公开实施例提供的失效单元预测系统进行说明。
如图2所示,失效单元预测系统包括失效单元检测装置21和控制器22,其中,失效单元检测装置21可以用于检测待分析对象的失效单元,并获取待分析对象在目标测试阶段的已知失效单元信息以及待分析对象中属于类别的已知失效单元数量。失效单元检测装置21将待分析对象在目标测试阶段的已知失效单元信息以及待分析对象中属于类别的已知失效单元数量发送至控制器22,控制器22根据待分析对象的已知失效单元信息确定待分析对象的已知失效单元所属的类别;根据待分析对象中属于类别的已知失效单元数量从类别中确定目标类别;根据待分析对象中属于目标类别的已知失效单元确定待分析对象中的潜在失效单元,以利用备用电路对已知失效单元和潜在失效单元进行修复。
其中,失效单元检测装置21可以是曝光机台上的失效单元检测模块,还可以是其他可以实现上述功能的检测装置。控制器可以为曝光机台,还可以是半导体制造设备通信连接的其他处理设备。
需要说明的是,对目标测试阶段测试出来的失效单元位置进行修补,本公开称这种修补类型为标准修补。在修复过程中,对非目标测试阶段测试出来,而是通过本公开实施例提供的方法预测获得的潜在失效单元的位置也会进行修补,原因是这些位置的存储单元在后续的FT、RDBI等阶段的测试中有很大概率会被判定为失效单元。在本公开中称这种修补类型为预测修补(Predict Repair)。在e-Fuse(一次性可编程存储器)熔断阶段中,根据冗余分配(Redundancy Allocation,RA)结果进行实际位置修补。其中,冗余分配为使用修复算法对备用电路进行的分配,利用备用电路对已知失效单元和潜在失效单元进行修复。对已知失效单元进行标准修补,对潜在失效单元进行预测修补。
首先,本公开实施例中提供了一种失效单元预测方法,该方法可以由任意具备计算处理能力的电子设备执行。示例性的,该方法可以由诸如曝光机台等半导体制造设备执行,也可以是半导体制造设备通信连接的其他处理设备执行,对此不作具体限制。
图3示出本公开实施例中一种失效单元预测方法流程图,如图3所示,本公开实施例中提供的失效单元预测方法可以包括如下S301至S305。
S301,获得待分析对象在目标测试阶段的已知失效单元信息。
本公开实施例中,待分析对象可以是晶圆,还可以是晶粒,或者是晶粒/晶圆上的某一块区域。示例性的,待分析对象可以为同一类型产品的多个晶粒,例如,在下面的实施例中,均以待分析对象为DRAM(Dynamic Random Access Memory,动态随机存取内存)芯片上的晶粒进行举例说明,但本公开并不限定于此。每个晶粒中可以包括多个存储单元(cell)。
本公开实施例中,目标测试阶段可以为对待分析对象进行测试的任一阶段,例如,目标测试阶段可以为电路探针测试阶段,也可以为电路探针测试阶段的一个或多个测试项。在电路探针测试阶段,可以对晶粒进行多个测试项(item)的测试。已知失效单元可以为在电路探针测试阶段的测试过程中,存在至少一个item测试未通过或失败的cell。已知失效单元信息可以为已知失效单元的任意相关信息,例如,已知失效单元信息可以是晶粒/晶圆上的已知失效单元(失效存储单元)的位置信息,也可以是晶粒/晶圆上的已知失效单元的数量信息,还可以是晶粒/晶圆上的已知失效单元的尺寸信息以及导致该已知失效单元在测试中被判定为未通过的item标号,关于已知失效单元信息具体为何,本公开实施例对此不做限制。
S302,根据待分析对象的已知失效单元信息确定待分析对象的已知失效单元所属的类别。
关于如何确定待分析对象的已知失效单元所属的类别,本公开实施例对此不做限定,示例性的,可以通过聚类算法来度量待分析对象中的已知失效单元间的相似度进行区分,如图4所示,正方形、圆形和三角形分别代表三种类型的已知失效单元所属的类别,通过聚类分析,将待分析对象的已知失效单元进行分类。关于相似度可以通过计算欧式距离、余弦相似度等方式来确定。其中,聚类分析是机器学习中一种无监督学习方法,可以将性质相似的待分析对象分到一类,需要说明的是,聚类分析是无需先验知识进行训练。聚类分析可以识别任意形状分布的簇状结构,聚类的数目也不需要预先确定。
本公开实施例借助机器学习中的聚类方法,将具有相似性质的已知失效单元进行归类,可以挖掘出复杂的规则,提高确定潜在失效单元的准确性,从而进一步提高芯片的制造良率。
S303,获得待分析对象中属于类别的已知失效单元数量。
本公开实施例中,当确定了待分析对象中各个已知失效单元所属的类别之后,可以确定出每个类别中包含的已知失效单元的数量。
S304,根据待分析对象中属于类别的已知失效单元数量从类别中确定目标类别。
本公开实施例中,可以通过多种方式来从聚类获得的多个类别中确定出用于预测潜在失效单元的目标类别。例如,目标类别可以为待分析对象中已知失效单元数量最多的类别,但本公开并不限定于此。关于如何选取已知失效单元数量最多的类别,本实施例不做限定,示例性的,通过排序算法来实现,例如,冒泡算法。
S305,根据待分析对象中属于目标类别的已知失效单元确定待分析对象中的潜在失效单元,以利用备用电路对已知失效单元和潜在失效单元进行修复。
本公开实施例提供的方法,基于目前失效单元的已知失效单元信息,确定后续可能也要发生失效的单元(潜在失效单元)。利用备用电路对已知失效单元和潜在失效单元进行修复,从而可以有效提高芯片的制造良率。
进一步,本公开能够帮助找到更多潜在失效单元的位置,降低后续发现失效单元的弥补成本。能够发现更多潜在失效单元的位置,解决人工方式观察不全面的问题。
在示例性实施例中,如图5所示,根据待分析对象的已知失效单元信息确定待分析对象的已知失效单元所属的类别,可以包括如下S501和S502。
S501,设定已知失效单元的作用区域和最小失效单元个数。
在示例性实施例中,已知失效单元信息包括待分析对象在目标测试阶段测试获得的已知失效单元的位置信息。其中,设定已知失效单元的作用区域,可以包括:根据已知失效单元的位置信息,确定已知失效单元的作用区域。
其中,位置信息用于表示已知失效单元在待分析对象上的位置。例如,位置信息可以是X坐标和Y坐标,但本公开并不限定于此,再例如,还可以采用极坐标来表示位置信息。根据位置信息可以确定已知失效单元间的距离,例如欧式距离,但本公开并不限定于此,也可以采用其它距离度量方式,从而可以根据欧式距离可以确定已知失效单元的作用区域。
示例性的,根据已知失效单元的位置信息,确定已知失效单元的作用区域,可以包括如下步骤A1至步骤A4。
步骤A1,根据待分析对象中的不同已知失效单元的位置信息获得待分析对象中的不同已知失效单元之间的距离信息。
其中,距离信息用于表示不同已知失效单元之间的距离,该距离可以是欧式距离,也可以是余弦距离,关于不同已知失效单元之间的距离为何,本公开实施例对此不做限定。下面以不同已知失效单元之间的距离为欧式距离进行说明。
如图6所示,61用于指示晶粒,62用于指示孤立失效单元(是指该孤立失效单元的周围没有任意一个相邻的已知失效单元),晶粒61上有两个孤立失效单元62,两个孤立失效单元62分别为孤立失效单元A和孤立失效单元B,k代表一个位元的距离。计算孤立失效单元A和孤立失效单元B的欧式距离如下公式1所示。
步骤A2,根据待分析对象中的不同已知失效单元之间的距离信息和待分析对象中的已知失效单元总数,获得待分析对象的不同已知失效单元之间的平均距离。
待分析对象的不同已知失效单元之间的平均距离如下公式2所示。
其中,D为待分析对象的不同已知失效单元之间的平均距离(待分析对象的不同已知失效单元欧式距离和的平均值);N为该待分析对象中的已知失效单元的总个数,N为大于或等于1的整数;A i 为第i个已知失效单元;B j 为第j个已知失效单元;其中,i和j的取值范围为[1,N]。
步骤A3,根据距离控制系数和平均距离确定待分析对象中的已知失效单元的作用距离。
其中,作用距离用于指示已知失效单元对它附近其他已知失效单元影响范围的大小。作用距离越大,已知失效单元影响的范围越大,反之亦成立。本公开实施例中,作用距离可以为圆(作用区域)的半径,也可以是正方形(作用区域)的边长。下面的实施例中以作用区域为圆,作用距离为作用半径R进行举例说明,但本公开并不限定于此。
例如,作用距离如下公式3所示。
其中,β为距离控制系数,D为平均距离,R为作用距离。
示例性的,距离控制系数β的取值范围为(0,1],例如,β的值为0.2。需要说明的是,若选取的R太大,在搜索的时候,则会扫到更多的已知失效单元,聚类的效果比较粗糙,聚类结果精度较低(可能最后就2或3种类别),无法获取更多类别的数据。若选取的R太小,则会存在很多已知失效单元不会被分配到具体的类别中,聚类划分的类别数量也过多,不易于后面数据挖据。本公开实施例使用全局的平均的欧式距离,如图7所示,61用于指示晶粒,62用于指示孤立失效单元,63用于指示核心失效单元(即该类别中处于相对居中位置的已知失效单元,该类别中的其它已知失效单元可以称之为非核心失效单元)。孤立失效单元62距它最近的核心失效单元63之间的距离大于这个值,在聚类过程中,孤立失效单元62就不会被划分到具体的类别中去。
其中,核心失效单元63在聚类方法层面可以理解为围绕着这个已知失效单元还有其他已知失效单元,它是这一块失效区域的中心。围绕核心失效单元的已知失效单元就是普通的失效单元,这里不做示意。核心失效单元63在物理层面理解为它存在DRAM芯片中一片失效区域的中央,可以理解为root cause(根源),它的实际物理情况可能是导致这一块区域失效的本质原因,所以把这一块区域中已知失效单元归为核心失效单元同一类别。
本公开实施例中的距离控制系数β,是为了便于在数据挖掘中,对聚类的效果进行控制,有利于提高确定待分析对象中的已知失效单元的作用区域的准确性。
步骤A4,根据作用距离确定待分析对象中的已知失效单元的作用区域。
作用区域根据作用距离来确定,作用区域可以为圆形,也可以为方形,还可以是其他形状,关于作用区域的形状具体为何,本公开不做限定。
本公开实施例通过计算欧式距离,可以判断待分析对象中的不同已知失效单元间的相似度,即两个已知失效单元之间的欧式距离越小,则这两个已知失效单元之间的相似度越高,从而可以根据相似度的大小来确定是否属于同一类别,提高确定为同一类别的准确度。
S502,按序依次选取待分析对象的已知失效单元,根据作用区域和最小失效单元个数确定被选取的已知失效单元所属的类别。
在示例性实施例中,设定最小失效单元个数,可以包括如下步骤B1和步骤B2。
步骤B1,获得待分析对象中的已知失效单元总数、对象宽度和个数控制系数。
其中,若待分析对象为晶粒,则对象宽度可以为晶粒宽度。本公开实施例中,一个DRAM芯片可以划分为多个晶粒(例如对于6Gb的DRAM芯片而言,可以划分为6个1Gb的晶粒),不同晶粒之间的在物理上分离的,不同晶粒之间通过一些电路相互连接,同一晶粒上的cell是在物理上连续分布的,因此,晶粒宽度是指在DRAM芯片上物理上连续分布的晶粒的宽度,例如取值可以为1024,但本公开并不限定于此。个数控制系数的设置有利于将最小失效单元个数确定在一个合理的范围内,便于区分孤立失效单元和核心失效单元。
步骤B2,根据待分析对象中的已知失效单元总数、对象宽度、个数控制系数和作用距离确定最小失效单元个数。
例如,确定最小失效单元个数如下公式4所示。
本公开实施例按序依次选取待分析对象的已知失效单元,根据作用区域和最小失效单元个数确定被选取的已知失效单元所属的类别。例如,作用距离为2位元,最小失效单元个数/>为5,根据作用距离确定作用区域,若作用区域内的已知失效单元的个数大于或等于5,则确定为类别Ⅰ;若作用区域内的已知失效单元的个数小于5,则确定为类别Ⅱ,若已知失效单元既不是核心失效单元,也不是包围核心失效单元的边界失效单元(即非核心失效单元),则该已知失效单元为孤立失效单元。如图8所示,81用于指示类别Ⅰ,82用于指示类别Ⅱ,83用于指示孤立失效单元。
把所有的已知失效单元平均分配到的正方形区域中,取其平均值分布值,然后乘以个数控制系数α的倒数,关于个数控制系数α的取值,本公开实施例对此不做限定,可根据具体场景和实际需要的经验进行设定,示例性的,个数控制系数的取值范围均为(0,1],例如,α的值为0.5。已知失效单元较密的区域的值一定大于/>,有助于区分孤立失效单元和核心失效单元。
综上,作用距离和最小失效单元是基于DRAM芯片上已知失效单元各个特征(作用距离/已知失效单元)的平均密度,α和β的范围为(0,1],有助于更快选出合适的参数,同时,基于经验给出α和β的值。但是本公开在实际操作中,会对个数控制系数分别取0.2、0.4和0.6去执行,观察数据挖掘效果。从而进一步提高确定为同一类别的准确度。
在一示例性实施例中,已知失效单元信息可以包括待分析对象在目标测试阶段测试获得的已知失效单元对应的测试失败的测试项信息。其中,按序依次选取待分析对象的已知失效单元,根据作用区域和最小失效单元个数确定被选取的已知失效单元所属的类别,可以包括如下S1至S4。
S1,确定待分析对象中的已知失效单元的访问索引值(index_visit)为第一值。
其中,访问索引值用于指示已知失效单元是否被访问过。若已知失效单元被访问过,则说明已对该已知失效单元进行了归类,反之亦成立。若访问索引值为第一值,则说明该已知失效单元被访问过,第一值可以用false来表示。若访问索引值为第二值,则说明该已知失效单元未被访问过,第二值可以用true来表示。需要说明的是,初始化时,可以将已知失效单元的访问索引值的初始值均设置为第一值。
S2,根据已知失效单元对应的测试失败的测试项信息,确定测试项索引,并按照测试项索引对待分析对象中的已知失效单元进行归类和排序,以使具有相同测试项索引的已知失效单元依次排列。
其中,测试项索引用于指示不同的测试项目(item)。测试项索引可以用于指示让存储单元没有通过的测试项目(即,让存储单元记录为已知失效单元的测试项目)。把每个已知失效单元的测试失效的对应的测试项索引item记录下来,比如,已知失效单元A,对应的测试项索引为item1,已知失效单元B,对应的测试项索引为item2,刚开始得到的已知失效单元是没有经过排序的,已知失效单元A之后是已知失效单元B,排序之后,测试项目相同的已知失效单元会排在一起,如,已知失效单元A,测试项索引item1;已知失效单元D,测试项索引item1;已知失效单元E,测试项索引item1;已知失效单元F,测试项索引item1。已知失效单元B,测试项索引item2;已知失效单元C,测试项索引item2;已知失效单元G,测试项索引item2;已知失效单元H,测试项索引item2。本公开实施例将相同测试项目的已知失效单元归为一类,更便于后续的聚类,可以提高将相似性质的已知失效单元归为同一类别的准确性。
S3,按照测试项索引依次选取待分析对象中访问索引值为第一值的已知失效单元,并将被选取的已知失效单元的访问索引值设置为第二值。
S4,若确定被选取的已知失效单元的作用区域内的已知失效单元数量大于或等于最小失效单元个数,则创建类别,将被选取的已知失效单元归为所创建的类别;若确定被选取的已知失效单元的作用区域内的已知失效单元数量小于最小失效单元个数,则将被选取的已知失效单元归为非核心失效单元。
如图9所示,91用于指示创建的类别(类别Ⅰ),92用于指示非核心失效单元(类别Ⅱ),93用于指示孤立失效单元。假设最小失效单元个数为5,被选取的已知失效单元的作用区域内的已知失效单元数量大于或等于5,被归为所创建的类别91。被选取的已知失效单元的作用区域内的已知失效单元数量小于5,则将被选取的已知失效单元归为非核心失效单元92。若被选取的已知失效单元的作用区域内的已知失效单元数量为1,则被归为孤立失效单元93。
本公开实施例通过对已知失效单元的作用区域内的已知失效单元按测试项索引进行归类和排序,以使具有相同测试项索引的已知失效单元依次排列,从而提高归类的准确性,便于准确地确定出待分析对象的潜在失效单元。
在另一示例性实施例中,在将被选取的已知失效单元归为所创建的类别之后,还可以包括:S5,将被选取的已知失效单元的作用区域内的已知失效单元加入单元集合;遍历单元集合中的已知失效单元;若单元集合中存在已知失效单元的作用区域中的已知失效单元个数大于或等于最小失效单元个数,则将对应的已知失效单元的作用区域内的已知失效单元加入单元集合,并将对应的已知失效单元归为所创建的类别;若单元集合中存在已知失效单元的作用区域中的已知失效单元个数小于最小失效单元个数,则将对应的已知失效单元归为所创建的类别;将对应的已知失效单元的访问索引值设置为第二值;重复上述S3-S5,直至待分析对象中所有已知失效单元的访问索引值均为第二值,以使具有相似性质的已知失效单元划分至同一类别。
其中,相似性质是指以作用距离的远近来度量的,即两个已知失效单元之间的作用距离越近,则相似度越高。
例如,可以通过如下公式5来确定某一个类别中聚类的已知失效单元之间是否具有相似性质。
其中,M为该类别中所有已知失效单元的之间的欧式距离的平均值,C为该类别中所有已知失效单元的总数,C为大于或等于1的整数;A i 为该类别中的第i个已知失效单元;为该类别中的第j个已知失效单元;其中,i和j的取值范围为[1,C]。即聚类之后,可以计算每个类别中的已知失效单元间的M值,若该M值小于或等于该待分析对象中的所有已知失效单元的平均距离D,则判定该类别中聚类的已知失效单元具有相似性质;若该M值大于该待分析对象中的所有已知失效单元的平均距离D,则判定该类别中聚类的已知失效单元不全部具有相似性质。
本公开实施例通过相似性质来进行归类,可以进一步提高归类的准确性,便于准确地确定出待分析对象的潜在失效单元。
下面对如何确定目标类别进行说明。
在一示例性实施例中,根据待分析对象中属于类别的已知失效单元数量从类别中确定目标类别,可以包括:确定待分析对象中已知失效单元数量最多的类别为目标类别。
如图10所示,1010用于指示类别Ⅰ,1020用于指示类别Ⅱ,由于类别Ⅰ中的已知失效单元数量大于类别Ⅱ中的已知失效单元数量,确定类别Ⅰ作为目标类别。
本公开实施例将已知失效单元数量做多的类别作为目标类别,有利于确定更多的潜在失效单元,对更多的潜在失效单元进行修复,有利于提高芯片的制造良率。
在另一示例性实施例中,根据待分析对象中属于类别的已知失效单元数量从类别中确定目标类别,可以包括如下步骤C1至步骤C6。
步骤C1,获得属于目标产品类型的各样本对象在目标测试阶段的样本失效单元信息。
本公开实施例中,样本对象也可以是晶粒,但本公开并不限定于此。样本失效单元信息可以为不符合测试项的样本失效单元信息,例如,样本失效单元信息可以是晶粒/晶圆上的样本失效单元(失效存储单元)的位置信息,也可以是晶粒/晶圆上的样本失效单元的数量信息,还可以是晶粒/晶圆上的样本失效单元的尺寸信息以及导致该样本失效单元被判定为测试为通过或失败的测试项目标号,关于样本失效单元信息具体为何,本公开实施例对此不做限制。
步骤C2,根据各样本对象的样本失效单元信息确定各样本对象的样本失效单元所属的类别。
根据样本失效单元信息确定各样本对象的样本失效单元所属的类别的方式可以与根据已知失效单元信息确定所属类别的方式相同,根据已知失效单元信息确定所属类别的方式相同在上述S502中说明,在此不再赘述。需要说明的是,样本失效单元信息还可以在实际使用各样本对象的过程中确定,为发现待分析对象的潜在失效单元做准备。
步骤C3,确定各样本对象中样本失效单元数量满足预设条件的类别为各样本对象的候选类别。
其中,预设条件可以为一个具体的设定值,还可以为一个区间范围。例如,若某个样本对象中的某个类别中的样本失效单元数量大于或等于该设定值,则该类别可以作为该样本对象的候选类别,即可以从样本对象聚类获得的多个类别中选择样本失效单元数量相对较多的类别作为候选类别,每个样本对象的候选类别可以是一个或多个。
步骤C4,从各样本对象的候选类别中确定样本失效单元的分布具有相似形状的目标类别。
关于如何判断具有相似形状,本公开实施例对此不做限定,可以通过候选类别中样本失效单元构成的轮廓来判断,例如,通过计算轮廓的相似度来判断,可以通过欧式距离来确定,还可以通过余弦相似度来确定。还可以采用图像处理中的方式来判断相似。
步骤C5,确定待分析对象中已知失效单元数量满足预设条件的类别为待分析对象的候选类别。
本公开实施例中,类似的,可以从待分析对象聚类获得的多个类别中选择其中已知失效单元数量相对较多的类别作为该待分析对象的候选类别。
步骤C6,确定与各样本对象的目标类别具有相似形状的待分析对象的候选类别作为待分析对象的目标类别。
关于如何确定与各样本对象的目标类别具有相似形状的待分析对象的候选类别作为待分析对象的目标类别,本公开实施例不做限定。
本公开实施例将具有相似形状的待分析对象的候选类别作为待分析对象的目标类别,有利于确定更多的潜在失效单元,对更多的潜在失效单元进行修复,有利于提高芯片的制造良率。
下面对如何确定待分析对象中的潜在失效单元进行说明。
在一示例性实施例中,根据待分析对象中属于目标类别的已知失效单元确定待分析对象中的潜在失效单元,可以包括如下步骤D1至步骤D3。
步骤D1,提取待分析对象中属于目标类别的已知失效单元的特征信息。
其中,已知失效单元的特征信息为用于表示待分析对象上已知失效单元分布特征的信息。特征信息包括待分析对象中属于目标类别的已知失效单元的测试失败测试项目信息、已知失效单元数量、所确定的标准修补备用电路信息中的至少一项。
本公开实施例中,测试失败测试项目信息可以包括导致判定该已知失效单元被判定为测试失败或未通过的item的编号或索引。例如假设对晶粒进行的CP测试中包括100个item,这100个item按照优先级从高到低进行排序,分别为item1,item2直至item100,假设该晶粒中的已知失效单元A未通过item1的测试,则不管后续该已知失效单元A是否通过item2至item100的测试,均记录该已知失效单元A的测试失败测试项目信息为item1。假设已知失效单元B通过item1的测试,但未通过item2的测试,则记录该已知失效单元B的测试失败测试项目信息为item2。
本公开实施例中的标准修补备用电路信息可以包括对该目标类别中的已知失效单元进行标准修补所需的备用电路的数量信息。
示例性的,如图11所示,对不同晶粒进行CP测试,得到测试结果,根据测试结果对不同晶粒进行聚类分析,如图12所示,以3个晶粒即晶粒1至3作为样本对象为例,对分别对这3个晶粒中的样本失效单元(图中用“X”表示)进行聚类分析,选用每个晶粒中样本失效单元数量最多的类别作为目标类别,再对每个晶粒中该目标类别的样本失效单元的特征信息进行提取,例如提取到晶粒1中目标类别中的样本失效单元数量为34,该目标类别中的样本失效单元的测试失败测试项目信息假设均为item1(如均为电性测试失败),对该目标类别的样本失效单元进行标准修补所确定的标准修补区域需要占用6备用行电路资源,即所确定的标准修补备用电路信息为6备用行电路资源;提取到晶粒2中目标类别中的样本失效单元数量为30,该目标类别中的样本失效单元的测试失败测试项目信息假设也均为item1(如均为电性测试失败),对该目标类别的样本失效单元进行标准修补所确定的标准修补区域需要占用4备用行电路资源,即所确定的标准修补备用电路信息为4备用行电路资源;提取到晶粒3中目标类别中的样本失效单元数量为27,该目标类别中的样本失效单元的测试失败测试项目信息假设也均为item1(如均为电性测试失败),对该目标类别的样本失效单元进行标准修补所确定的标准修补区域需要占用4备用行电路资源,即所确定的标准修补备用电路信息为4备用行电路资源。综合上述晶粒1至3提取的特征信息中的共性部分,形成一条增强修补规则存储在图11中的先验知识库中。例如,该增强修补规则可以为,若新来的待分析对象的目标类别中的已知失效单元数量大于或等于27,该目标类别中的已知失效单元的测试失败测试项目信息为item1,且对该目标类别的已知失效单元进行标准修补所需要的标准修补区域需要占用大于或等于4行备用行电路资源,则判定需要对该待分析对象进行预测修补,具体的预测修补方式可以根据实际需求进行设置,例如可以设置为在该待分析对象的标准修补区域上下各增加两行作为预测增强修补区域,该预测增强修补区域内的cell即为潜在失效单元。例如,如图12所示,修补颗粒假设为晶粒4,晶粒4中目标类别中的已知失效单元数量为30,该目标类别中的已知失效单元的测试失败测试项目信息假设也均为item1,对该目标类别的已知失效单元进行标准修补所确定的标准修补区域需要占用4备用行电路资源,即所确定的标准修补备用电路信息为4备用行电路资源,由此可知该晶粒4满足上述增强修补规则,则对晶粒4的标准修补区域上下各增强两行作为预测增强修补区域。
需要说明的是,上述图12实施例中,在确定标准修补区域时,若某一行存在至少一个目标类别的已知失效单元,则对该行进行左右方向的延伸,将该行确定为标准修补区域的一部分,但本公开并不限定于此,可以采用任何适合的方式来确定标准修补区域。
步骤D2,获得待分析对象所属的目标产品类型的目标类别的增强修补规则。
可以通过预先设置的先验知识库,得到与待分析对象所属的目标产品类型的目标类别相匹配的增强修补规则。其中,先验知识库用于存储增强修补规则。
步骤D3,若待分析对象中属于目标类别的已知失效单元的特征信息满足增强修补规则,则利用增强修补规则确定潜在失效单元。
关于增强修补规则,本公开实施例不做限定,例如,若使用的是行方向备用电路,可以在标准修补区域上下两个单位元(上下多修复两组),如图12所示,图12中用于指示预测增强修补区域和标准修补区域为利用增强修补规则确定潜在失效单元。再例如,若使用的是列方向备用电路,可以是标准修补区域左右两个单位元(左右多修复两组),如图13所示,图13中预测增强修补区域和标准修补区域为利用增强修补规则确定潜在失效单元。需要说明的是,图13中的虚线框包围的部分用于指示一组列方向备用电路,作用区域只要坏了一个已知失效单元,标注修复中都会用一组备用电路去修复该区域。再例如,可以同时使用行方向备用电路和列方向备用电路来进行修复,即在标准修补区域上下两个单位元和左右两个单位元(上下多修复两组和左右多修复两组),预测增强修补区域和标准修补区域为利用增强修补规则确定潜在失效单元。
图13实施例中,晶粒1至3假设为样本对象,晶粒4为修补颗粒即待分析对象。提取到晶粒1中目标类别中的样本失效单元数量为25,该目标类别中的样本失效单元的测试失败测试项目信息假设均为item2,对该目标类别的样本失效单元进行标准修补所确定的标准修补区域需要占用7备用列电路资源,即所确定的标准修补备用电路信息为7备用列电路资源;提取到晶粒2中目标类别中的样本失效单元数量为16,该目标类别中的样本失效单元的测试失败测试项目信息假设也均为item2,对该目标类别的样本失效单元进行标准修补所确定的标准修补区域需要占用4备用列电路资源,即所确定的标准修补备用电路信息为4备用列电路资源;提取到晶粒3中目标类别中的样本失效单元数量为21,该目标类别中的样本失效单元的测试失败测试项目信息假设也均为item2,对该目标类别的样本失效单元进行标准修补所确定的标准修补区域需要占用5备用列电路资源,即所确定的标准修补备用电路信息为5备用列电路资源。综合上述晶粒1至3提取的特征信息中的共性部分,形成一条增强修补规则存储在图11中的先验知识库中。例如,该增强修补规则可以为,若新来的待分析对象的目标类别中的已知失效单元数量大于或等于16,该目标类别中的已知失效单元的测试失败测试项目信息为item2,且对该目标类别的已知失效单元进行标准修补所需要的标准修补区域需要占用大于或等于3列备用列电路资源,则判定需要对该待分析对象进行预测修补,具体的预测修补方式可以根据实际需求进行设置,例如可以设置为在该待分析对象的标准修补区域左右各增加两列作为预测增强修补区域,该预测增强修补区域内的cell即为潜在失效单元。例如,如图13所示,晶粒4中目标类别中的已知失效单元数量为17,该目标类别中的已知失效单元的测试失败测试项目信息假设也均为item2,对该目标类别的已知失效单元进行标准修补所确定的标准修补区域需要占用3备用列电路资源,即所确定的标准修补备用电路信息为3备用列电路资源,由此可知该晶粒4满足上述增强修补规则,则对晶粒4的标准修补区域左右各增强两列作为预测增强修补区域。
示例性的,若待分析对象中属于目标类别的已知失效单元的特征信息不满足增强修补规则,则只进行标准修补即可。
本公开实施例通过增强修补规则确定待分析对象的潜在失效单元,有利于对更多的潜在失效单元进行修复,可以进一步提高芯片的制造良率。
在另一示例性实施例中,还可以包括:获得属于目标产品类型的各样本对象在目标测试阶段的样本失效单元信息;根据各样本对象中属于目标类别的样本失效单元信息,确定增强修补规则。
其中,目标测试阶段可以待分析对象测试的任一阶段,例如,目标测试阶段可以为电路探针测试阶段,也可以为电路探针测试阶段的一个测试项。
各样本对象中属于目标类别的样本失效单元信息可以包括各样本对象中属于目标类别的样本失效单元的测试失败测试项目信息、样本失效单元数量、所确定的标准修补备用电路信息中的至少一项;特征信息包括待分析对象中属于目标类别的已知失效单元的测试失败测试项目信息、已知失效单元数量、所确定的标准修补备用电路信息中的至少一项。
本公开实施例根据各样本对象中属于目标类别的样本失效单元信息,确定增强修补规则,从而可以准确地确定出相应的增强修补规则,有利于提高确定潜在失效单元的准确性。
基于同一发明构思,本公开实施例中还提供了一种失效单元预测装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图14示出本公开实施例中一种失效单元预测装置示意图,如图14所示,该装置可以包括获得单元141和确定单元142。获得单元141,可以用于获得待分析对象在目标测试阶段的已知失效单元信息;确定单元142,可以用于根据待分析对象的已知失效单元信息确定待分析对象的已知失效单元所属的类别;获得单元,还可以用于获得待分析对象中属于类别的已知失效单元数量;确定单元,还可以用于根据待分析对象中属于类别的已知失效单元数量从类别中确定目标类别;确定单元,还可以用于根据待分析对象中属于目标类别的已知失效单元确定待分析对象中的潜在失效单元,以利用备用电路对已知失效单元和潜在失效单元进行修复。
在一个实施例中,确定单元142还可以用于设定已知失效单元的作用区域和最小失效单元个数;按序依次选取待分析对象的已知失效单元,根据作用区域和最小失效单元个数确定被选取的已知失效单元所属的类别。
在一个实施例中,已知失效单元信息包括待分析对象在目标测试阶段测试获得的已知失效单元的位置信息;确定单元142还可以用于根据已知失效单元的位置信息,确定已知失效单元的作用区域。
在一个实施例中,确定单元142还可以用于根据待分析对象中的不同已知失效单元的位置信息获得待分析对象中的不同已知失效单元之间的距离信息;根据待分析对象中的不同已知失效单元之间的距离信息和待分析对象中的已知失效单元总数,获得待分析对象的不同已知失效单元之间的平均距离;根据距离控制系数和平均距离确定待分析对象中的已知失效单元的作用距离;根据作用距离确定待分析对象中的已知失效单元的作用区域。
在一个实施例中,确定单元142还可以用于获得待分析对象中的已知失效单元总数、对象宽度和个数控制系数;根据待分析对象中的已知失效单元总数、对象宽度、个数控制系数和作用距离确定最小失效单元个数。
在一个实施例中,距离控制系数和个数控制系数的取值范围均为(0,1]。
在一个实施例中,已知失效单元信息包括待分析对象在目标测试阶段测试获得的已知失效单元对应的测试失败的测试项信息;确定单元142还可以用于执行如下S1至S4。S1,确定待分析对象中的已知失效单元的访问索引值为第一值;S2,根据已知失效单元对应的测试失败的测试项信息,确定测试项索引,并按照测试项索引对待分析对象中的已知失效单元进行归类和排序,以使具有相同测试项索引的已知失效单元依次排列;S3,按照测试项索引依次选取待分析对象中访问索引值为第一值的已知失效单元,并将被选取的已知失效单元的访问索引值设置为第二值;S4,若确定被选取的已知失效单元的作用区域内的已知失效单元数量大于或等于最小失效单元个数,则创建类别,将被选取的已知失效单元归为所创建的类别;若确定被选取的已知失效单元的作用区域内的已知失效单元数量小于最小失效单元个数,则将被选取的已知失效单元归为非核心失效单元。
在一个实施例中,确定单元142还可以用于执行如下S5。
S5,将被选取的已知失效单元的作用区域内的已知失效单元加入单元集合;遍历单元集合中的已知失效单元;若单元集合中存在已知失效单元的作用区域中的已知失效单元个数大于或等于最小失效单元个数,则将对应的已知失效单元的作用区域内的已知失效单元加入单元集合,并将对应的已知失效单元归为所创建的类别;若单元集合中存在已知失效单元的作用区域中的已知失效单元个数小于最小失效单元个数,则将对应的已知失效单元归为所创建的类别;将对应的已知失效单元的访问索引值设置为第二值;重复上述S3-S5,直至待分析对象中所有已知失效单元的访问索引值均为第二值,以使具有相似性质的已知失效单元划分至同一类别。
在一个实施例中,确定单元142还可以用于确定待分析对象中已知失效单元数量最多的类别为目标类别。
在一个实施例中,确定单元142还可以用于获得属于目标产品类型的各样本对象在目标测试阶段的样本失效单元信息;根据各样本对象的样本失效单元信息确定各样本对象的样本失效单元所属的类别;确定各样本对象中样本失效单元数量满足预设条件的类别为各样本对象的候选类别;从各样本对象的候选类别中确定样本失效单元的分布具有相似形状的目标类别;确定待分析对象中已知失效单元数量满足预设条件的类别为待分析对象的候选类别;确定与各样本对象的目标类别具有相似形状的待分析对象的候选类别作为待分析对象的目标类别。
在一个实施例中,确定单元142还可以用于提取待分析对象中属于目标类别的已知失效单元的特征信息;获得待分析对象所属的目标产品类型的目标类别的增强修补规则;若待分析对象中属于目标类别的已知失效单元的特征信息满足增强修补规则,则利用增强修补规则确定潜在失效单元。
在一个实施例中,确定单元142还可以用于获得属于目标产品类型的各样本对象在目标测试阶段的样本失效单元信息;根据各样本对象中属于目标类别的样本失效单元信息,确定增强修补规则。
在一个实施例中,目标测试阶段为电路探针测试阶段;各样本对象中属于目标类别的样本失效单元信息包括各样本对象中属于目标类别的样本失效单元的测试失败测试项目信息、样本失效单元数量、所确定的标准修补备用电路信息中的至少一项;特征信息包括待分析对象中属于目标类别的已知失效单元的测试失败测试项目信息、已知失效单元数量、所确定的标准修补备用电路信息中的至少一项。
在一个实施例中,待分析对象为DRAM芯片上的晶粒。
本公开实施例的失效单元预测装置可以通过获得待分析对象的已知失效单元信息来确定待分析对象的潜在失效单元,能够提高芯片的制造良率。
进一步,失效单元预测装置能够帮助找到更多潜在失效单元的位置,降低后续发现失效单元的弥补成本。能够发现更多潜在失效单元的位置,解决人工方式观察不全面的问题。
参见图15,图15是本公开实施例提供的一种计算机设备的结构示意图。如图15所示,本公开实施例中的计算机设备可以包括:一个或多个处理器1501、存储器1502和输入输出接口1503。该处理器1501、存储器1502和输入输出接口1503通过总线1504连接。存储器1502用于存储计算机程序,该计算机程序包括程序指令,输入输出接口1503用于接收数据及输出数据,如用于宿主机与计算机设备之间进行数据交互,或者用于在宿主机中的各个虚拟机之间进行数据交互;处理器1501用于执行存储器1502存储的程序指令。
其中,该处理器1501可以执行如下操作:获得待分析对象在目标测试阶段的已知失效单元信息;根据待分析对象的已知失效单元信息确定待分析对象的已知失效单元所属的类别;获得待分析对象中属于类别的已知失效单元数量;根据待分析对象中属于类别的已知失效单元数量从类别中确定目标类别;根据待分析对象中属于目标类别的已知失效单元确定待分析对象中的潜在失效单元,以利用备用电路对已知失效单元和潜在失效单元进行修复。
该存储器1502可以包括只读存储器和随机存取存储器,并向处理器1501和输入输出接口1503提供指令和数据。存储器1502的一部分还可以包括非易失性随机存取存储器。具体实现中,该计算机设备可通过其内置的各个功能模块执行如上述任一方法实施例中各个步骤所提供的实现方式,具体可参见上述方法实施例所示图中各个步骤所提供的实现方式,在此不再赘述。
本公开实施例通过提供一种计算机设备,包括:处理器、输入输出接口、存储器,通过处理器获取存储器中的计算机程序,执行上述任一实施例中所示方法的各个步骤。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,图16示出本公开实施例中一种计算机可读存储介质示意图,如图16所示,该计算机可读存储介质1600上存储有能够实现本公开上述方法的程序产品。该计算机程序适于由该处理器加载并执行上述任一实施例中各个步骤所提供的失效单元预测方法。
本公开实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一实施例中的各种可选方式中所提供的方法。
Claims (17)
1.一种失效单元预测方法,其特征在于,包括:
获得待分析对象在目标测试阶段的已知失效单元信息;
根据所述待分析对象的已知失效单元信息确定所述待分析对象的已知失效单元所属的类别,其中属于同一类别的不同已知失效单元之间具有相似性质,相似性质是以作用距离来度量的,两个已知失效单元之间的作用距离越近,则相似度越高,所述作用距离用于指示已知失效单元对它附近其他已知失效单元影响范围的大小;
获得所述待分析对象中属于所述类别的已知失效单元数量;
根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定出用于预测潜在失效单元的目标类别;
根据所述待分析对象中属于所述目标类别的已知失效单元确定所述待分析对象中的潜在失效单元,以利用备用电路对所述已知失效单元和所述潜在失效单元进行修复。
2.如权利要求1所述的方法,其特征在于,根据所述待分析对象的已知失效单元信息确定所述待分析对象的已知失效单元所属的类别,包括:
设定所述已知失效单元的作用区域和最小失效单元个数;
按序依次选取所述待分析对象的已知失效单元,根据所述作用区域和所述最小失效单元个数确定被选取的已知失效单元所属的类别。
3.如权利要求2所述的方法,其特征在于,所述已知失效单元信息包括所述待分析对象在所述目标测试阶段测试获得的已知失效单元的位置信息;
其中,设定所述已知失效单元的作用区域,包括:
根据所述已知失效单元的位置信息,确定所述已知失效单元的作用区域。
4.如权利要求3所述的方法,其特征在于,根据所述已知失效单元的位置信息,确定所述已知失效单元的作用区域,包括:
根据所述待分析对象中的不同已知失效单元的位置信息获得所述待分析对象中的不同已知失效单元之间的距离信息;
根据所述待分析对象中的不同已知失效单元之间的距离信息和所述待分析对象中的已知失效单元总数,获得所述待分析对象的不同已知失效单元之间的平均距离;
根据距离控制系数和所述平均距离确定所述待分析对象中的已知失效单元的作用距离;
根据所述作用距离确定所述待分析对象中的所述已知失效单元的所述作用区域。
5.如权利要求4所述的方法,其特征在于,设定最小失效单元个数,包括:
获得所述待分析对象中的已知失效单元总数、对象宽度和个数控制系数;
根据所述待分析对象中的已知失效单元总数、所述对象宽度、所述个数控制系数和所述作用距离确定所述最小失效单元个数。
6.如权利要求5所述的方法,其特征在于,所述距离控制系数和所述个数控制系数的取值范围均为(0,1]。
7.如权利要求2所述的方法,其特征在于,所述已知失效单元信息包括所述待分析对象在所述目标测试阶段测试获得的已知失效单元对应的测试失败的测试项信息;
其中,按序依次选取所述待分析对象的已知失效单元,根据所述作用区域和所述最小失效单元个数确定被选取的已知失效单元所属的类别,包括:
S1,确定所述待分析对象中的已知失效单元的访问索引值为第一值;
S2,根据所述已知失效单元对应的测试失败的测试项信息,确定测试项索引,并按照所述测试项索引对所述待分析对象中的已知失效单元进行归类和排序,以使具有相同测试项索引的已知失效单元依次排列;
S3,按照所述测试项索引依次选取所述待分析对象中访问索引值为所述第一值的已知失效单元,并将被选取的已知失效单元的访问索引值设置为第二值;
S4,若确定被选取的已知失效单元的作用区域内的已知失效单元数量大于或等于所述最小失效单元个数,则创建类别,将被选取的已知失效单元归为所创建的类别;若确定被选取的已知失效单元的作用区域内的已知失效单元数量小于所述最小失效单元个数,则将被选取的已知失效单元归为非核心失效单元。
8.如权利要求7所述的方法,其特征在于,在将被选取的已知失效单元归为所创建的类别之后,还包括:
S5,将被选取的已知失效单元的作用区域内的已知失效单元加入单元集合;遍历所述单元集合中的已知失效单元;若所述单元集合中存在已知失效单元的作用区域中的已知失效单元个数大于或等于所述最小失效单元个数,则将对应的已知失效单元的作用区域内的已知失效单元加入所述单元集合,并将对应的已知失效单元归为所创建的类别;若所述单元集合中存在已知失效单元的作用区域中的已知失效单元个数小于所述最小失效单元个数,则将对应的已知失效单元归为所创建的类别;
将对应的已知失效单元的访问索引值设置为所述第二值;
重复上述S3-S5,直至所述待分析对象中所有已知失效单元的访问索引值均为所述第二值,以使具有相似性质的已知失效单元划分至同一类别。
9.如权利要求1所述的方法,其特征在于,根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定目标类别,包括:
确定所述待分析对象中已知失效单元数量最多的类别为所述目标类别。
10.如权利要求1所述的方法,其特征在于,根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定目标类别,包括:
获得属于目标产品类型的各样本对象在所述目标测试阶段的样本失效单元信息;
根据各样本对象的样本失效单元信息确定各样本对象的样本失效单元所属的类别;
确定各样本对象中样本失效单元数量满足预设条件的类别为各样本对象的候选类别;
从各样本对象的候选类别中确定样本失效单元的分布具有相似形状的所述目标类别;
确定所述待分析对象中已知失效单元数量满足所述预设条件的类别为所述待分析对象的候选类别;
确定与各样本对象的所述目标类别具有相似形状的所述待分析对象的候选类别作为所述待分析对象的所述目标类别。
11.如权利要求1至10任一项所述的方法,其特征在于,根据所述待分析对象中属于所述目标类别的已知失效单元确定所述待分析对象中的潜在失效单元,包括:
提取所述待分析对象中属于所述目标类别的已知失效单元的特征信息;
获得所述待分析对象所属的目标产品类型的所述目标类别的增强修补规则;
若所述待分析对象中属于所述目标类别的已知失效单元的特征信息满足所述增强修补规则,则利用所述增强修补规则确定所述潜在失效单元。
12.如权利要求11所述的方法,其特征在于,还包括:
获得属于所述目标产品类型的各样本对象在所述目标测试阶段的样本失效单元信息;
根据各样本对象中属于所述目标类别的样本失效单元信息,确定所述增强修补规则。
13.如权利要求12所述的方法,其特征在于,所述目标测试阶段为电路探针测试阶段;
各样本对象中属于所述目标类别的样本失效单元信息包括各样本对象中属于所述目标类别的样本失效单元的测试失败测试项目信息、样本失效单元数量、所确定的标准修补备用电路信息中的至少一项;
所述特征信息包括所述待分析对象中属于所述目标类别的已知失效单元的测试失败测试项目信息、已知失效单元数量、所确定的标准修补备用电路信息中的至少一项。
14.如权利要求1至10任一项所述的方法,其特征在于,所述待分析对象为DRAM芯片上的晶粒。
15.一种失效单元预测装置,其特征在于,包括:
获得单元,用于获得待分析对象在目标测试阶段的已知失效单元信息;
确定单元,用于根据所述待分析对象的已知失效单元信息确定所述待分析对象的已知失效单元所属的类别,其中属于同一类别的不同已知失效单元之间具有相似性质,相似性质是以作用距离来度量的,两个已知失效单元之间的作用距离越近,则相似度越高,所述作用距离用于指示已知失效单元对它附近其他已知失效单元影响范围的大小;
所述获得单元,还用于获得所述待分析对象中属于所述类别的已知失效单元数量;
所述确定单元,还用于根据所述待分析对象中属于所述类别的已知失效单元数量从所述类别中确定出用于预测潜在失效单元的目标类别;
所述确定单元,还用于根据所述待分析对象中属于所述目标类别的已知失效单元确定所述待分析对象中的潜在失效单元,以利用备用电路对所述已知失效单元和所述潜在失效单元进行修复。
16.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述计算机设备实现如权利要求1至14任一项所述的方法。
17.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至14任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095075.1A CN115798559B (zh) | 2023-02-10 | 2023-02-10 | 失效单元预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095075.1A CN115798559B (zh) | 2023-02-10 | 2023-02-10 | 失效单元预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798559A CN115798559A (zh) | 2023-03-14 |
CN115798559B true CN115798559B (zh) | 2023-07-04 |
Family
ID=85430793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310095075.1A Active CN115798559B (zh) | 2023-02-10 | 2023-02-10 | 失效单元预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798559B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116540059B (zh) * | 2023-07-07 | 2023-11-14 | 长鑫存储技术有限公司 | 半导体芯片测试方法、装置、设备及存储介质 |
CN117727356B (zh) * | 2024-02-18 | 2024-05-07 | 悦芯科技股份有限公司 | 一种基于测试设备的存储芯片的修复方法 |
CN117831596A (zh) * | 2024-03-05 | 2024-04-05 | 悦芯科技股份有限公司 | 一种存储芯片稀疏失效单元电路的修复方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020125839A1 (de) * | 2018-12-18 | 2020-06-25 | GRID INVENT gGmbH | Elektronisches element und elektrisch angesteuertes anzeigeelement |
WO2022266890A1 (zh) * | 2021-06-23 | 2022-12-29 | 华为技术有限公司 | 一种确定失效原因的方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783025B2 (en) * | 2018-10-15 | 2020-09-22 | Dell Products, L.P. | Method and apparatus for predictive failure handling of interleaved dual in-line memory modules |
US11567670B2 (en) * | 2019-10-25 | 2023-01-31 | Samsung Electronics Co., Ltd. | Firmware-based SSD block failure prediction and avoidance scheme |
CN114186524A (zh) * | 2020-08-28 | 2022-03-15 | 长鑫存储技术有限公司 | 晶圆探测数据的处理方法和计算机可读存储介质 |
CN114550791A (zh) * | 2020-11-26 | 2022-05-27 | 长鑫存储技术有限公司 | 备用电路修补位置确定方法及装置、集成电路修补方法 |
US20220334913A1 (en) * | 2021-04-15 | 2022-10-20 | Changxin Memory Technologies, Inc. | Method and apparatus for repairing fail location |
-
2023
- 2023-02-10 CN CN202310095075.1A patent/CN115798559B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020125839A1 (de) * | 2018-12-18 | 2020-06-25 | GRID INVENT gGmbH | Elektronisches element und elektrisch angesteuertes anzeigeelement |
WO2022266890A1 (zh) * | 2021-06-23 | 2022-12-29 | 华为技术有限公司 | 一种确定失效原因的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115798559A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115798559B (zh) | 失效单元预测方法、装置、设备及存储介质 | |
US7676775B2 (en) | Method to determine the root causes of failure patterns by using spatial correlation of tester data | |
US6154714A (en) | Method for using wafer navigation to reduce testing times of integrated circuit wafers | |
US10146036B2 (en) | Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects | |
KR101808819B1 (ko) | 테스트 맵 분류 방법 및 그것을 이용하는 제조 공정 조건 설정 방법 | |
US5950181A (en) | Apparatus and method for detecting and assessing a spatially discrete dot pattern | |
KR100429883B1 (ko) | 순수 결함에 의한 불량 발생 확률 측정방법, 순수 결함에서 추출한 패턴 파라미터의 분류를 이용한 결함 제한 수율 측정 방법, 순수 결함에 의한 불량 발생 확률 및 결함 제한 수율을 측정하기 위한 시스템 | |
US20070247937A1 (en) | Information processing system for calculating the number of redundant lines optimal for memory device | |
CN103714191A (zh) | 用于异常工具和阶段诊断的2d/3d分析 | |
US6920596B2 (en) | Method and apparatus for determining fault sources for device failures | |
TWI733221B (zh) | 系統性故障定位系統及系統性故障定位的方法 | |
CN115902579A (zh) | 用于芯片分级的方法、装置、计算机设备及可读存储介质 | |
CN113488401B (zh) | 一种芯片测试方法及装置 | |
US7954018B2 (en) | Analysis techniques for multi-level memory | |
US20210181253A1 (en) | Fail Density-Based Clustering for Yield Loss Detection | |
CN113823349A (zh) | 芯片失效模式的确定方法、终端 | |
JP2007049126A (ja) | 半導体ウエハ上の局所性不良を検出するテスト方法及びこれを用いるテストシステム | |
CN115588626A (zh) | 晶圆的缺陷模式识别方法、设备及存储介质 | |
JP3267580B2 (ja) | データ処理方法および装置、情報記憶媒体 | |
JP2000306395A (ja) | 半導体不良解析システムおよびその方法並びに半導体の製造方法 | |
CN110957231B (zh) | 电性失效图形判别装置及判别方法 | |
US20240135523A1 (en) | Semiconductor yield prediction method and apparatus | |
JP2007227705A (ja) | シミュレーション装置、シミュレーションプログラム及びシミュレーション方法 | |
KR102416994B1 (ko) | 리던던시 분석 방법 및 리던던시 분석 장치 | |
JP2003045922A (ja) | デバイス不良解析装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |