CN116012673A - 晶圆失效模型建立方法、预测方法、装置及相关设备 - Google Patents
晶圆失效模型建立方法、预测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN116012673A CN116012673A CN202310068098.3A CN202310068098A CN116012673A CN 116012673 A CN116012673 A CN 116012673A CN 202310068098 A CN202310068098 A CN 202310068098A CN 116012673 A CN116012673 A CN 116012673A
- Authority
- CN
- China
- Prior art keywords
- wafer
- image sample
- failure model
- image
- preset
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本公开提供了一种晶圆失效模型建立方法、预测方法、装置及相关设备,涉及半导体技术领域。该方法包括获取满足预设条件的晶圆图像样本,满足预设条件用于表征晶圆图像样本中的裸片参数正常;根据晶圆图像样本,训练晶圆失效模型,晶圆失效模型用于对晶圆图像样本进行图像重构,得到晶圆重构图像样本;若晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内,则将晶圆失效模型作为目标晶圆失效模型。本公开提供的晶圆失效模型建立方法、预测方法、装置及相关设备,通过训练监督式学习模型,以实现自动化查找异常图形的晶圆,避免无缺陷的样本过多,影响失效晶圆的分类结果,及时确定失效原因,避免持续生成造成的浪费。
Description
背景技术
半导体的生产流程包括晶圆制造和半导体测试,半导体测试工艺属于半导体产业的关键领域,半导体测试包括晶圆测试(Circuit Probing,CP)和成品测试(Final Test,FT),其中,CP测试是半导体器件后道封装测试的第一步,目的是将晶圆中的不良裸片Die挑选出来。在CP测试步骤中,需要对裸片进行电性测试,在封装之前,确保晶圆上的裸片是合格产品,因此,CP测试是提高半导体器件良率的关键步骤之一。
在相关技术中,晶圆的好坏判断多以最终良率来判定,大多专注于良率差的晶圆才会进一步区分晶圆是否存在图形异常,对产线进行分析。然而,上述晶圆异常分析方式无法发现晶圆存在一些异常图形的情况,造成生产资源的浪费。
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
本公开提供一种晶圆失效模型建立方法、预测方法、装置及相关设备,至少在一定程度上克服相关技术中提供的现有晶圆失效检测方式无法筛选晶圆存在异常图形造成生产资源浪费的问题。
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。
根据本公开的一个方面,提供一种晶圆失效模型建立方法,包括:获取满足预设条件的晶圆图像样本,所述满足预设条件用于表征所述晶圆图像样本中的裸片参数正常;根据所述晶圆图像样本,训练晶圆失效模型,所述晶圆失效模型用于对所述晶圆图像样本进行图像重构,得到晶圆重构图像样本;若所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内,则将所述晶圆失效模型作为目标晶圆失效模型。
在本公开的一个实施例中,所述获取满足预设条件的晶圆图像样本,包括:筛选良率信息满足预设良率阈值范围、且排除存在异常图形的晶圆图像,作为所述满足预设条件的晶圆图像样本。
在本公开的一个实施例中,所述存在异常图形的晶圆图像样本包括以下中的至少一项:晶圆存在裸片簇异常;晶圆中存在连续裸片异常。
在本公开的一个实施例中,在所述获取满足预设条件的晶圆图像样本之后,所述方法还包括:对所述晶圆图像样本进行预处理,将所述晶圆上的裸片状态数值化,作为模型训练输入数据。
在本公开的一个实施例中,所述方法还包括:若所述晶圆图像样本与所述晶圆重构图像样本的误差值未在预设误差范围内,则调整所述晶圆失效模型的模型参数,直至所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内。
在本公开的一个实施例中,所述晶圆图像样本与所述晶圆重构图像样本的误差值包括均方误差、均方根误差、平均绝对误差。
在本公开的一个实施例中,所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内,包括:所述误差值小于或等于预设误差阈值,所述预设误差阈值为μ+3σ,其中,μ为所述晶圆图像样本的平均值,σ为所述晶圆图像样本的标准差。
在本公开的一个实施例中,所述晶圆图像样本包括用于模型训练的训练集和用于验证模型的验证集,所述训练集和所述验证集按照7:3的预设比例划分。
在本公开的一个实施例中,所述晶圆失效模型包括神经网络模型,使用线性整流函数作为激活函数。
在本公开的一个实施例中,所述晶圆失效模型包括输入层、输出层、以及连接在所述输入层和所述输出层之间的隐藏层,所述隐藏层包括编码层、瓶颈层和解码层,所述瓶颈层用于对编码层输入的数据降维,所述输入层进行卷积和激活操作,所述输出层进行卷积操作。
根据本公开的另一个方面,还提供了一种晶圆失效预测方法,包括:通过目标晶圆失效模型处理待预测晶圆图像,获得所述待预测晶圆图像的重构图像,其中,所述目标晶圆失效模型通过上述的晶圆失效模型建立方法训练得到;若所述待预测晶圆图像与所述重构图像的误差值未在预设误差范围内,则判定所述待预测晶圆图像不满足预设条件,发出警告。
在本公开的一个实施例中,所述方法还包括:若所述待预测晶圆图像与所述重构图像的误差值在预设误差范围内,则判定所述待预测晶圆图像满足预设条件。
根据本公开的另一个方面,还提供了一种晶圆失效模型建立装置,包括:获取模块,用于获取满足预设条件的晶圆图像样本,所述满足预设条件用于表征所述晶圆图像样本中的裸片参数正常;训练模块,用于根据所述晶圆图像样本,训练晶圆失效模型,所述晶圆失效模型用于对所述晶圆图像样本进行图像重构,得到晶圆重构图像样本;若所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内,则将所述晶圆失效模型作为目标晶圆失效模型。
根据本公开的另一个方面,还提供了一种晶圆失效预测装置,包括:预测模块,用于通过目标晶圆失效模型处理待预测晶圆图像,获得所述待预测晶圆图像的重构图像,其中,所述目标晶圆失效模型通过上述的晶圆失效模型建立装置训练得到;判定模块,用于若所述待预测晶圆图像与所述重构图像的误差值未在预设误差范围内,则判定所述待预测晶圆图像不满足预设条件,发出警告。
根据本公开的另一个方面,还提供了一种电子设备,包括处理器及存储器,所述存储器用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述晶圆失效模型建立方法,或者执行上述晶圆失效预测方法。
根据本公开的另一个方面,还提供了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上述的晶圆失效模型建立方法,或者,实现上述晶圆失效预测方法。
根据本公开的另一个方面,还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序或计算机指令,所述计算机程序或所述计算机指令由处理器加载并执行,以使计算机实现上述的晶圆失效模型建立方法,或者实现上述晶圆失效预测方法。
本公开提供了一种晶圆失效模型建立方法、预测方法、装置及相关设备,获取满足预设条件的晶圆图像样本,根据晶圆图像样本训练晶圆失效模型,得到晶圆重构图像样本,在晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内的情况下,得到目标晶圆失效模型,从而根据目标晶圆失效模型对晶圆图像进行预测,从而筛选不满足预设条件的晶圆图像,系统自动查找有异常图形的晶圆,以避免无缺陷的晶圆图像过多,影响异常晶圆的分类结果,提早发现问题,避免生产资源浪费,有效保障晶圆异常检测的准确性。
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。
图1示出本公开实施例提供的一种晶圆失效模型建立方法流程图;
图2示出本公开实施例提供的又一种晶圆失效模型建立方法流程图;
图3示出本公开实施例提供的另一种晶圆失效模型建立方法流程图;
图4示出本公开实施例提供的再一种晶圆失效模型建立方法流程图;
图5示出本公开实施例提供的晶圆失效模型的结构示意图;
图6示出本公开实施例提供的一种晶圆失效预测方法流程图;
图7示出本公开实施例提供的又一种晶圆失效预测方法流程图;
图8示出本公开实施例提供的满足预设条件的晶圆图像样本示意图;
图9示出图8经过目标晶圆失效模型处理得到的晶圆重构图像样本示意图;
图10示出本公开实施例提供的不满足预设条件的晶圆图像示意图;
图11示出图10经过目标晶圆失效模型处理得到的晶圆重构图像示意图;
图12示出不同类型晶圆图像经过目标晶圆失效模型处理后的MSE分布图;
图13示出本公开实施例提供的一种晶圆失效模型建立装置的结构示意图;
图14示出本公开实施例提供的一种晶圆失效预测装置的结构示意图;
图15示出本公开实施例提供的一种电子设备的框架图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
文中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确需要说明的是限定。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。
晶圆测试为生产线的必要流程,在产品研发阶段,每一批次产品的产量分布图Yield Map由有专业背景的工程师通过观察晶圆测试结果,并根据个人工作经验进行分析,判断测试结果异常的原因是产品制程问题,还是测试设备问题。
针对已经进入量产阶段的产品,无法通过人工对每片晶圆逐片进行检测,因此,通常只会专注于良率差批次的晶圆产品进一步分类,并针对分类后的良率差的晶圆进行分析,以确定异常原因。然而,现有良率的量化方式仅能统计晶圆中失效芯片Chip Fail的数量,无法展现出晶圆中的异常图形,由于测试机台老化Decay等原因造成缓慢的变化,在测试机台使用初期对良率影响较小,若晶圆上已经存在一些异常图形,如果能在早期发现,那么将避免后续生产造成的资源浪费,过多无缺陷的样本影响晶圆分类结果,降低晶圆分类效率。
基于此,本公开实施例提供的技术方案,通过获取满足预设条件的晶圆图像样本,根据晶圆图像样本训练晶圆失效模型,得到晶圆重构图像样本,在晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内的情况下,得到目标晶圆失效模型,从而根据目标晶圆失效模型对晶圆图像进行预测,从而筛选不满足预设条件的晶圆图像,系统自动查找有异常图形的晶圆,以避免无缺陷的晶圆图像过多,影响异常晶圆的分类结果,提早发现问题,避免生产资源浪费,有效保障晶圆异常检测的准确性。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种晶圆失效模型建立方法,该方法可以由任意具备计算处理能力的电子设备执行,例如可以利用服务器来实现本公开的晶圆失效模型建立方法,也可以利用终端设备来实现本公开所述的方法,其中,本公开描述的终端设备可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal DigitalAssistant,PDA)等移动终端,以及诸如台式计算机等固定终端。
图1示出本公开实施例提供的一种晶圆失效模型建立方法的流程图。如图1所示,在一个实施例中,本公开提供了一种晶圆失效模型建立方法,包括:
S102、获取满足预设条件的晶圆图像样本,满足预设条件用于表征晶圆图像样本中的裸片参数正常。
在一些示例性实施方式中,在半导体生产与制造过程中,测试流程是工艺生产线上的一个重要流程,在一个晶圆中,包括多个裸片,多个裸片按照一定规则排布,晶圆的具体类型不做限定。晶圆图像样本可以是生产制造过程中经过CP测试得到的晶圆的图像、照片等,根据晶圆图像样本可以分析晶圆中的裸片良率及晶圆异常等。
晶圆图像样本中的裸片参数包括晶圆的良率信息和晶圆图像中的异常图形的比例或数量,通过晶圆良率信息确定一个晶圆中的合格裸片的比例,晶圆图像中的异常图形的数量表征晶圆中出现异常图形的严重程度。
在获取到晶圆图像样本中的裸片参数之后,可以根据预设条件,得到能够用于模型训练的晶圆图像样本,作为模型输入数据。
需要说明的是,上述的预设条件预先配置于获取模块中,以获取用于进行模型训练的晶圆图像样本。即用于模型训练的晶圆图像样本的良率信息和晶圆图像中的异常图形需要满足预设条件。
S104、根据晶圆图像样本,训练晶圆失效模型,晶圆失效模型用于对晶圆图像样本进行图像重构,得到晶圆重构图像样本。
在一个实施例中,将晶圆图像样本作为输入和输出,训练晶圆失效模型,晶圆失效模型用于表征晶圆图像样本与晶圆重构图像样本之间的对应关系。
晶圆失效模型可以包括神经网络模型、卷积神经网络模型中的至少一种。示例性的,晶圆失效模型可以将输入的晶圆图像样本输入编码层进行编码,并经过瓶颈层降维,降维后的数据输入至解码层,进而通过输出层输出晶圆图像样本的晶圆重构图像样本。
晶圆失效模型可以包括神经网络模型,使用线性整流函数作为激活函数。
S106、若晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内,则将晶圆失效模型作为目标晶圆失效模型。
在一个实施例中,通过晶圆图像样本与晶圆重构图像样本的误差值表征晶圆重构图像样本与晶圆图像样本的差异。上述的误差范围预先配置于训练模块,用于控制晶圆图像样本与晶圆重构图像样本之间的差异大小或差异明显程度,误差范围可以根据实际情况而定,本公开不做具体限定,通常的,误差范围越大,表明允许晶圆重构图像样本与晶圆图像样本之间的差异较大,训练越宽松;误差范围越小,表明允许晶圆重构图像样本与晶圆图像样本的差异越小,训练越严苛。
当晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内时,表明晶圆重构图像样本重构满足预设条件的晶圆图像样本;当晶圆图像样本与晶圆重构图像样本的误差值未在预设误差范围内时,表明晶圆重构图像样本无法复刻晶圆图像样本,晶圆失效模型的模型参数需要进一步优化,直至两者的误差值在预设误差范围内,将得到的晶圆失效模型作为目标晶圆失效模型。
本公开实施例提供的晶圆失效模型建立方法,通过获取满足预设条件的晶圆图像样本,根据晶圆图像样本训练晶圆失效模型,得到晶圆重构图像样本,在晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内的情况下,得到目标晶圆失效模型,从而根据目标晶圆失效模型对晶圆图像进行预测,从而筛选不满足预设条件的晶圆图像,系统自动查找有异常图形的晶圆,以避免无缺陷的晶圆图像过多,影响异常晶圆的分类结果,提早发现问题,避免生产资源浪费,有效保障晶圆异常检测的准确性。
图2示出本公开实施例提供的又一种晶圆失效模型建立方法流程图。在图1实施例的基础上,将上述的S102进一步细化为S1022,以根据裸片参数筛选满足预设条件的晶圆图像样本。如图2所示,在一个实施例中,本公开提供的一种晶圆失效模型建立方法,包括S1022、S104~S106。具体地,该方法包括:
S1022、筛选良率信息满足预设良率阈值范围、且排除存在异常图形的晶圆图像,作为满足预设条件的晶圆图像样本。
需要说明的是,上述的S104~S106与前述实施例的实现方式相同,此处不再赘述。
在一个实施例中,晶圆的良率信息包括晶圆良率和/或晶圆良率损失,其中,晶圆良率为在一个晶圆中,性能正常的裸片数量占裸片总量的百分比,晶圆良率损失与晶圆良率之和为1。
预设良率阈值范围可以预先配置于获取模块内,预设良率阈值范围的具体取值范围可以根据实际情况而定,例如,良率信息为晶圆良率,预设良率阈值范围可以配置为[85,100),或者[90,100)等;良率信息为晶圆良率损失,预设良率阈值范围可以配置为(0,10],或者(0,15]等。
需要说明的是,存在异常图形的晶圆图像样本包括以下中的至少一项:晶圆存在裸片簇异常;晶圆中存在连续裸片异常。
裸片簇异常为在预设面积内(例如,预设面积可以100nm2)异常裸片的数量大于数值a,其中,a为正整数,例如a取6或8等。
其中,连续裸片异常包括但不限于晶圆行中的异常裸片的数量大于预设第一异常阈值;晶圆列中的异常裸片的数量大于预设第二异常阈值;晶圆的任一曲线或直线上的异常裸片的数量大于预设第三异常阈值。
示例性的,在晶圆的一行中,连续裸片异常的数量大于b,例如b取3;在晶圆的一列中,连续裸片异常的数量大于c,例如c取3;或者晶圆的任一曲线上连续裸片异常的数量大于d,例如d取4。其中,b,c,d为正整数。
示例性的,晶圆在任一曲线上异常裸片断续存在,上述晶圆的晶圆图像也判定为不满足预设条件的晶圆图像样本。
需要说明的是,上述的良率阈值范围、定义异常图形的连续异常裸片的数值范围等仅是为说明本公开实施例而提供的示例,不应将其视为本公开保护范围的限制。在实际模型训练过程中,可以根据具体情况确定良率阈值范围、及定义异常图形的连续异常裸片的数值范围,进而筛选满足预设条件的晶圆图像样本,本公开不做具体限定。
在一个实施例中,可以在晶圆图像样本中筛选晶圆的良率和/或晶圆良率损失满足预设良率阈值范围的晶圆,作为第一范围晶圆图像样本;然后在第一范围晶圆图像样本中剔除存在异常图形的晶圆图像对应的晶圆,得到第二范围晶圆图像样本,作为满足预设条件的晶圆图像样本。
在另一个实施例中,还可以先排除存在异常图形的晶圆图像,然后再从中筛选晶圆良率和/或晶圆良率损失满足预设良率阈值范围的晶圆图像样本,作为满足预设条件的晶圆图像样本。
本公开实施例通过筛选良率正常且排除存在异常图形的晶圆,作为模型训练的输入数据,即将正常无缺陷的晶圆图像样本进行训练,训练过程更关注无缺陷或正常样本的特征,在检测过程中一旦发现未出现的异常特征,即认为检测出缺陷,从而实现系统自动查找存在异常图形的晶圆,避免无缺陷的样本影响晶圆分类,提高晶圆异常检出的精确性。
图3示出本公开实施例提供的另一种晶圆失效模型建立方法流程图。在图1实施例的基础上,在上述的S102之后增加S103,以将晶圆上的裸片状态数值化。如图3所示,在一个实施例中,本公开提供的一种晶圆失效模型建立方法,包括S102~S106。具体地,该方法包括:
S103、对晶圆图像样本进行预处理,将晶圆上的裸片状态数值化,作为模型训练输入数据。
需要说明的是,上述的S102~S106与前述实施例的实现方式相同,此处不再赘述。
在一个实施例中,上述的裸片状态包括正常状态和异常状态,可以将裸片的正常状态标记为1,将裸片的异常状态标记为0,实现晶圆上的裸片状态数值化。一个晶圆上的裸片状态数值化后,可以采用矩阵形式进行表示,作为后续模型输入的数据格式。
需要说明的是,还可以将裸片状态采用其他数值表征裸片的正常状态和异常状态,只要能将上述两种状态加以区分即可。
在一个实施例中,可以通过晶圆失效模型中的编码层实现对晶圆上的裸片状态数值化过程。
除此之外,还可以根据晶圆图像样本的各个裸片的灰度,将晶圆上的裸片状态数值化。
本公开实施例通过对晶圆图像样本进行预处理,对晶圆上的裸片状态数值化,从而实现晶圆上的图形建立一种量化指标,以结合良率信息,筛选存在异常图形的晶圆,以解决测试机台初期对良率影响较小时,晶圆因存在异常图形,造成生产资源浪费的问题,提升异常晶圆检出准确性。
图4示出本公开实施例提供的再一种晶圆失效模型建立方法流程图。在图1实施例的基础上,增加S108,以明确误差值未在预设误差范围内的操作。如图4所示,在一个实施例中,本公开提供的晶圆失效模型建立方法包括S102~S108。具体地,该方法包括:
S108、若晶圆图像样本与晶圆重构图像样本的误差值未在预设误差范围内,则调整晶圆失效模型的模型参数,直至晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内。
需要说明的是,上述的S102~S106的实现方式与前述实施例的实现方式相同,此处不再赘述。
在一个实施例中,当晶圆图像样本与晶圆重构图像样本的误差值未在预设误差范围内时,表明晶圆重构图像样本与晶圆图像样本之间的差异较大,晶圆失效模型无法预测晶圆重构图像样本,故调整晶圆失效模型的模型参数,例如晶圆失效模型各个功能层的权重系数等,根据晶圆图像样本,重新训练参数调整后的晶圆失效模型,得到新的晶圆重构图像样本,判断晶圆图像样本与新的晶圆重构图像样本的误差值是否在预设误差范围内,若上述误差值在预设误差范围内,则表明采用参数调整后的晶圆失效模型预测得到的晶圆重构图像样本与晶圆图像样本的差异较小,将参数调整后的晶圆失效模型作为目标晶圆失效模型;若上述误差值未在预设误差范围内,则表明采用参数调整后的晶圆失效模型预测得到的晶圆重构图像样本与晶圆图像样本的差异仍较大,需要继续调整模型参数,重复上述步骤,直至晶圆图像样本与新的晶圆重构图像样本的误差值在预设误差范围内。
本公开实施例当晶圆图像样本与晶圆重构图像样本的误差值未在预设误差范围内时,表明两者之间的差异较大,通过调整模型参数,重新训练,直至误差值在预设误差范围内,以完成模型训练,得到目标晶圆失效模型,从而提升目标晶圆失效模型的精度,使预测的晶圆重构图形样本能够表征晶圆图像样本。
需要说明的是,晶圆图像样本与晶圆重构图像样本的误差值包括均方误差(MeanSquare Error,MSE)、均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(MeanAbsolute Error,MAE)等。
在一个实施例中,晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内,包括:误差值小于或等于预设误差阈值,预设误差阈值为μ+3×σ,其中,μ为晶圆图像样本的平均值,σ为晶圆图像样本的标准差。
示例性的,晶圆图像样本中正常裸片有99.7%的几率落在[μ-3σ,μ+3σ]区间内,μ为晶圆图像样本正常裸片的平均值,从而通过μ+3σ作为区分正常裸片和异常裸片的界限。
在一个实施例中,晶圆图像样本包括用于模型训练的训练集和用于验证模型的验证集,训练集和验证集按照预设比例划分。
示例性的,训练集和验证集可以采用7:3的比例进行划分,训练集和验证集的数据量可以根据实际情况而定,通常的,数据量越大,训练得到的晶圆失效模型越精确。
在一个实施例中,目标晶圆失效模型包括神经网络模型、卷积神经网络模型,使用线性整流函数作为激活函数。
图5示出本公开实施例提供的晶圆失效模型的结构示意图。如图5所示,上述目标晶圆失效模型包括输入层501、输出层502、以及连接在输入层501和输出层502之间的隐藏层503,隐藏层503包括编码层5031、瓶颈层5032和解码层5033,编码层5031用于对输入的晶圆图像样本数值化,得到编码矩阵,瓶颈层5032用于对编码层5031输入的数据(编码矩阵)降维,解码层5033用于对瓶颈层5032降维后的数据解码,输入层501进行卷积和激活操作,输出层503进行卷积操作,实现图像重构。
目标晶圆失效模型可以将晶圆图像样本和晶圆重构图像样本进行比较,确定两者的误差值,当两者的误差值未在预设误差范围时,可以通过调整应用到隐藏层503的权重值,重新执行计算,进而得到新的晶圆重构图像样本,重新比较晶圆图像样本和晶圆重构图像样本,目标晶圆失效模型可以反复地执行调整权重值的过程,直至晶圆图像样本和晶圆重构图像样本的误差值在预设误差范围内,模型训练结束。
本公开通过对满足预设条件的晶圆图像样本进行训练,通过晶圆失效模型预测晶圆重构图像样本,训练结束,得到目标晶圆失效模型,通过目标晶圆失效模型筛选不满足预设条件的晶圆图像,速度快、精度高、成本低。
图6示出本公开实施例提供的一种晶圆失效预测方法流程图。如图6所示,在一个实施例中,本公开还提供了一种晶圆失效预测方法,包括:
S602、通过目标晶圆失效模型处理待预测晶圆图像,获得待预测晶圆图像的重构图像,其中,目标晶圆失效模型通过上述的晶圆失效模型建立方法训练得到;
S604、若待预测晶圆图像与重构图像的误差值未在预设误差范围内,则判定待预测晶圆图像不满足预设条件,发出警告。
上述的待预测晶圆图像为待检测的晶圆经过晶圆测试后得到的晶圆图像。
将待预测晶圆图像作为输入,经过目标晶圆失效模型处理后,得到该待预测晶圆图像的重构图像,计算待预测晶圆图像与重构图像的误差值,判断上述误差值是否在预设误差范围内,若上述误差值未在上述预设误差范围,则表明待预测晶圆图像不满足预设条件,即待预测晶圆图像的良率未满足预设良率阈值范围,和/或晶圆图像中存在异常图形。
在一个实施例中,可以采用异常信息框的形式发送警告信息,及时提醒用户检查异常。
如图7所示,在一个实施例中,该方法还包括:若待预测晶圆图像与重构图像的误差值在预设误差范围内,则判定待预测晶圆图像满足预设条件。即,待预测晶圆图像判定为晶圆图像中的裸片参数正常。
本公开通过目标晶圆失效模型处理待预测晶圆图像,得到重构图像,通过比较待预测晶圆图像与重构图像,根据比较结果确定待预测晶圆图像是否满足预设条件,当不满足预设条件时,发送警告,当满足预设条件时,继续判断其他待预测晶圆图像,从而通过目标晶圆失效模型筛选出异常晶圆,以避免因无缺陷的样本过多影响晶圆分类结果,及时发现问题,避免持续生产造成的资源浪费。
为了便于对本公开提供的晶圆失效模型建立方法、晶圆失效预测方法的理解,下面结合具体的示例进行说明。
在晶圆测试后的晶圆中,筛选满足预设要求的晶圆图像样本,如图8所示,作为模型训练的输入。在图8中,晶圆的异常裸片数量较少,且不存在连续的异常裸片,故可以作为满足预设要求的晶圆图像样本。
对于晶圆失效模型,可以采用表1中的模型参数。
表1晶圆失效模型的模型参数
功能层(类型) | 输出形状 | Param# |
input_1(输入层) | (None,26,26,3) | 0 |
conv2d_1(Conv2D) | (None,26,26,64) | 1792 |
max_pooling2d_1(MaxPooling2d_1) | (None,13,13,64) | 0 |
conv2d_transpose_1(Conv2DTranspose_1) | (None,13,13,64) | 36928 |
up_sampling2d_1(UpSampling2d_1) | (None,26,26,64) | 0 |
conv2d_transpos_2(Conv2DTranspose_2) | (None,26,26,3) | 1731 |
经过晶圆失效模型对图8的晶圆图像样本处理后,重构后的图像如图9所示。对比图8与图9可以发现,晶圆图像样本和晶圆重构图像样本之间的差异较小,通过计算得到各个晶圆图像样本与晶圆重构图像样本的均方差分别为0.003、0.005、0.004、0.002、0.004,当预设误差范围为(0,0.004]时,则可以将上述晶圆失效模型作为目标晶圆失效模型。
图10示出本公开实施例提供的不满足预设条件的晶圆图像样本示意图。以图10中的各个晶圆图像作为输入,经过上述目标晶圆失效模型处理,得到的晶圆重构图像如图11所示,通过计算得到各个晶圆图像与晶圆重构图像的均方差分别为0.018、0.017、0.017、0.025、0.012,可见,上述误差值未在预设误差范围内,则将图10的晶圆图像对应的晶圆判定为不满足预设条件的晶圆,发出警告,及时提醒用户查看。
图12示出不同状态晶圆图像经过目标晶圆失效模型处理后的MSE分布图。从图12可以发现,存在异常图形的晶圆经过目标晶圆失效模型处理后得到的重构图形,其与上述晶圆图像的误差值未在预设误差范围内,当待预测晶圆图像与重构图像的误差值未在上述预设误差范围时,可即时警告。需要说明的是,可以根据模型训练过程采用的预设误差范围作为模型应用过程中的管控线。
可见,根据正常晶圆数据训练出来的晶圆失效模型,能够将正常晶圆样本重建还原,但是无法将异于正常晶圆的数据点较好地还原,导致还原误差值较大,从而筛选异常晶圆。
基于同一发明构思,本公开实施例中还提供了一种晶圆失效模型建立装置和晶圆失效预测装置,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13示出本公开实施例提供的一种晶圆失效模型建立装置的结构示意图。如图13所示,在一个实施例中,本公开实施例提供的晶圆失效模型建立装置包括获取模块1301和训练模块1302。
其中,获取模块1301,用于获取满足预设条件的晶圆图像样本,满足预设条件用于表征晶圆图像样本中的裸片参数正常;
训练模块1302,用于根据晶圆图像样本,训练晶圆失效模型,晶圆失效模型用于对晶圆图像样本进行图像重构,得到晶圆重构图像样本;若晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内,则将晶圆失效模型作为目标晶圆失效模型。
在一个实施例中,获取模块1301用于筛选良率信息满足预设良率阈值范围、且排除存在异常图形的晶圆图像,作为满足预设条件的晶圆图像样本。
需要说明的是,存在异常图形的晶圆图像样本包括以下中的至少一项:晶圆存在裸片簇异常;晶圆中存在连续裸片异常。
在一个实施例中,该装置还包括未显示在附图中的数值化模块,数值化模块用于对晶圆图像样本进行预处理,将晶圆上的裸片状态数值化,作为模型训练输入数据。
在一个实施例中,训练模块1302,还用于若晶圆图像样本与晶圆重构图像样本的误差值未在预设误差范围内,则调整晶圆失效模型的模型参数,直至晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内。
需要说明的是,晶圆图像样本与晶圆重构图像样本的误差值包括均方误差、均方根误差、平均绝对误差。
需要说明的是,晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内,包括误差值小于或等于预设误差阈值,预设误差阈值为μ+3×σ,其中,μ为晶圆图像样本的平均值,σ为晶圆图像样本的标准差。
需要说明的是,晶圆图像样本包括用于模型训练的训练集和用于验证模型的验证集,训练集和验证集按照7:3的预设比例划分。
在一个实施例中,目标晶圆失效模型包括神经网络模型,使用线性整流函数作为激活函数。
在一个实施例中,目标晶圆失效模型包括输入层、输出层、以及连接在所述输入层和所述输出层之间的隐藏层,所述隐藏层包括编码层、瓶颈层和解码层,所述瓶颈层用于对编码层输入的数据降维,所述输入层进行卷积和激活操作,所述输出层进行卷积操作。
本公开实施例提供的晶圆失效模型建立装置,获取满足预设条件的晶圆图像样本,根据晶圆图像样本训练晶圆失效模型,得到晶圆重构图像样本,在晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内的情况下,得到目标晶圆失效模型,从而根据目标晶圆失效模型对晶圆图像进行预测,从而筛选不满足预设条件的晶圆图像,系统自动查找有异常图形的晶圆,以避免无缺陷的晶圆图像过多,影响异常晶圆的分类结果,提早发现问题,避免生产资源浪费,有效保障晶圆异常检测的准确性。
图14示出本公开实施例提供的一种晶圆失效预测装置的结构示意图。如图14所示,在一个实施例中,本公开实施例提供的晶圆失效预测装置包括预测模块1401和判定模块1402。
其中,预测模块1401,用于通过目标晶圆失效模型处理待预测晶圆图像,获得待预测晶圆图像的重构图像,其中,目标晶圆失效模型通过上述的晶圆失效模型建立装置训练得到;判定模块1402,用于若待预测晶圆图像与重构图像的误差值未在预设误差范围内,则判定待预测晶圆图像不满足预设条件,发出警告。
在一个实施例中,判定模块1402,用于若待预测晶圆图像与所述重构图像的误差值在预设误差范围内,则判定待预测晶圆图像满足预设条件,从而根据目标晶圆失效模型对晶圆图像进行预测,从而筛选不满足预设条件的晶圆图像,系统自动查找有异常图形的晶圆,以避免无缺陷的晶圆图像过多,影响异常晶圆的分类结果,提早发现问题,避免生产资源浪费,有效保障晶圆异常检测的准确性。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图15来描述根据本发明的这种实施方式的电子设备1500。图15显示的电子设备1500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图15所示,电子设备1500以通用计算设备的形式表现。电子设备1500的组件可以包括但不限于:上述至少一个处理单元1510、上述至少一个存储单元1520、连接不同系统组件(包括存储单元1520和处理单元1510)的总线1530。
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1510执行,使得所述处理单元1510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元1510可以执行如图1中所示的获取满足预设条件的晶圆图像样本,满足预设条件用于表征晶圆图像样本中的裸片参数正常;根据晶圆图像样本,训练晶圆失效模型,晶圆失效模型用于对晶圆图像样本进行图像重构,得到晶圆重构图像样本;若晶圆图像样本与晶圆重构图像样本的误差值在预设误差范围内,则将晶圆失效模型作为目标晶圆失效模型。
例如,所述处理单元1510还可以执行如图6中所示的通过目标晶圆失效模型处理待预测晶圆图像,获得待预测晶圆图像的重构图像,其中,目标晶圆失效模型通过上述任一项的晶圆失效模型建立方法训练得到;若待预测晶圆图像与重构图像的误差值未在预设误差范围内,则判定待预测晶圆图像不满足预设条件,发出警告。
存储单元1520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)15201和/或高速缓存存储单元15202,还可以进一步包括只读存储单元(ROM)15203。
存储单元1520还可以包括具有一组(至少一个)程序模块15205的程序/实用工具15204,这样的程序模块15205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1530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1500也可以与一个或多个外部设备1540(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系统1500交互的设备通信,和/或与使得该电子设备1500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1550进行。并且,系统还可以通过网络适配器1560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15所示,网络适配器1560通过总线1530与电子设备1500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1500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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式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方式的方法。
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,该计算机可读存储介质可以是可读信号介质或者可读存储介质。在一些可能的实施方式中,本发明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,当所述程序产品在用户设备上运行时,所述程序代码用于使所述用户设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品,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,并可以在用户设备,例如个人电脑上运行。然而,本发明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发明操作的程序代码,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)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备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,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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式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、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
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方案。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所附的权利要求指出。
Claims (16)
1.一种晶圆失效模型建立方法,其特征在于,包括:
获取满足预设条件的晶圆图像样本,所述满足预设条件用于表征所述晶圆图像样本中的裸片参数正常;
根据所述晶圆图像样本,训练晶圆失效模型,所述晶圆失效模型用于对所述晶圆图像样本进行图像重构,得到晶圆重构图像样本;
若所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内,则将所述晶圆失效模型作为目标晶圆失效模型。
2.根据权利要求1所述的方法,其特征在于,所述获取满足预设条件的晶圆图像样本,包括:
筛选良率信息满足预设良率阈值范围、且排除存在异常图形的晶圆图像,作为所述满足预设条件的晶圆图像样本。
3.根据权利要求2所述的方法,其特征在于,所述存在异常图形的晶圆图像样本包括以下中的至少一项:
晶圆存在裸片簇异常;
晶圆中存在连续裸片异常。
4.根据权利要求1所述的方法,其特征在于,在所述获取满足预设条件的晶圆图像样本之后,所述方法还包括:
对所述晶圆图像样本进行预处理,将所述晶圆上的裸片状态数值化,作为模型训练输入数据。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述晶圆图像样本与所述晶圆重构图像样本的误差值未在预设误差范围内,则调整所述晶圆失效模型的模型参数,直至所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内。
6.根据权利要求1所述的方法,其特征在于,所述晶圆图像样本与所述晶圆重构图像样本的误差值包括均方误差、均方根误差、平均绝对误差。
7.根据权利要求6所述的方法,其特征在于,所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内,包括:
所述误差值小于或等于预设误差阈值,所述预设误差阈值为μ+3×σ,其中,μ为所述晶圆图像样本的平均值,σ为所述晶圆图像样本的标准差。
8.根据权利要求1所述的方法,其特征在于,所述晶圆图像样本包括用于模型训练的训练集和用于验证模型的验证集,所述训练集和所述验证集按照7:3的预设比例划分。
9.根据权利要求1所述的方法,其特征在于,所述晶圆失效模型包括神经网络模型,使用线性整流函数作为激活函数。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述晶圆失效模型包括输入层、输出层、以及连接在所述输入层和所述输出层之间的隐藏层,所述隐藏层包括编码层、瓶颈层和解码层,所述瓶颈层用于对编码层输入的数据降维,所述输入层进行卷积和激活操作,所述输出层进行卷积操作。
11.一种晶圆失效预测方法,其特征在于,包括:
通过目标晶圆失效模型处理待预测晶圆图像,获得所述待预测晶圆图像的重构图像,其中,所述目标晶圆失效模型通过权利要求1-10任一项所述的晶圆失效模型建立方法训练得到;
若所述待预测晶圆图像与所述重构图像的误差值未在预设误差范围内,则判定所述待预测晶圆图像不满足预设条件,发出警告。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
若所述待预测晶圆图像与所述重构图像的误差值在预设误差范围内,则判定所述待预测晶圆图像满足预设条件。
13.一种晶圆失效模型建立装置,其特征在于,包括:
获取模块,用于获取满足预设条件的晶圆图像样本,所述满足预设条件用于表征所述晶圆图像样本中的裸片参数正常;
训练模块,用于根据所述晶圆图像样本,训练晶圆失效模型,所述晶圆失效模型用于对所述晶圆图像样本进行图像重构,得到晶圆重构图像样本;若所述晶圆图像样本与所述晶圆重构图像样本的误差值在预设误差范围内,则将所述晶圆失效模型作为目标晶圆失效模型。
14.一种晶圆失效预测装置,其特征在于,包括:
预测模块,用于通过目标晶圆失效模型处理待预测晶圆图像,获得所述待预测晶圆图像的重构图像,其中,所述目标晶圆失效模型通过权利要求13所述的晶圆失效模型建立装置训练得到;
判定模块,用于若所述待预测晶圆图像与所述重构图像的误差值未在预设误差范围内,则判定所述待预测晶圆图像不满足预设条件,发出警告。
15.一种电子设备,其特征在于,包括处理器及存储器,所述存储器用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-10中任意一项所述的晶圆失效模型建立方法,或执行权利要求11或12所述的晶圆失效预测方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-10中任意一项所述的晶圆失效模型建立方法,或实现权利要求11或12所述的晶圆失效预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068098.3A CN116012673A (zh) | 2023-01-12 | 2023-01-12 | 晶圆失效模型建立方法、预测方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068098.3A CN116012673A (zh) | 2023-01-12 | 2023-01-12 | 晶圆失效模型建立方法、预测方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012673A true CN116012673A (zh) | 2023-04-25 |
Family
ID=86028119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310068098.3A Pending CN116012673A (zh) | 2023-01-12 | 2023-01-12 | 晶圆失效模型建立方法、预测方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012673A (zh) |
-
2023
- 2023-01-12 CN CN202310068098.3A patent/CN116012673A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210209410A1 (en) | Method and apparatus for classification of wafer defect patterns as well as storage medium and electronic device | |
CN110727437B (zh) | 代码优化项获取方法、装置、存储介质及电子设备 | |
CN111900694B (zh) | 一种基于自动识别的继电保护设备信息采集方法及系统 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
EP3315465A1 (en) | Method and system for dynamically managing waste water treatment process for optimizing power consumption | |
CN115122155A (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
CN112148766A (zh) | 利用人工神经网络模型进行数据抽样的方法和系统 | |
CN112966957A (zh) | 一种数据链路异常定位方法、装置、电子设备及存储介质 | |
WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN116012673A (zh) | 晶圆失效模型建立方法、预测方法、装置及相关设备 | |
KR20100088399A (ko) | 메트릭을 이용한 소프트웨어 결함 예측 계산 장치 및 계산 방법 | |
WO2023275598A1 (en) | Method and apparatus for detecting and explaining anomalies | |
CN115186722A (zh) | 接触器故障诊断模型构建方法、装置、介质及电子设备 | |
CN112712194A (zh) | 一种用电成本智能优化分析的电量预测方法及装置 | |
CN112579429A (zh) | 一种问题定位方法和装置 | |
CN114791553A (zh) | 芯片失效参数的预测方法 | |
CN114356743B (zh) | 一种基于序列重建的异常事件自动检测方法和系统 | |
CN116991149B (zh) | 一种费控产品检验方法、装置、电子设备及存储介质 | |
CN117785643B (zh) | 一种软件开发用性能测试平台 | |
US11947406B2 (en) | Method, electronic device, and computer program product for memory fault prediction | |
CN118052825B (zh) | 一种玻璃绝缘子表面瑕疵检测方法 |
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 |