CN116646281A - 异常测试结构获取方法、验证方法及相关装置 - Google Patents
异常测试结构获取方法、验证方法及相关装置 Download PDFInfo
- Publication number
- CN116646281A CN116646281A CN202310658041.9A CN202310658041A CN116646281A CN 116646281 A CN116646281 A CN 116646281A CN 202310658041 A CN202310658041 A CN 202310658041A CN 116646281 A CN116646281 A CN 116646281A
- Authority
- CN
- China
- Prior art keywords
- test structure
- parameter
- abnormal
- verification
- data
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 474
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 269
- 238000012795 verification Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 105
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000007547 defect Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 19
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000003070 Statistical process control Methods 0.000 description 32
- 235000012431 wafers Nutrition 0.000 description 29
- 238000010586 diagram Methods 0.000 description 21
- 239000013256 coordination polymer Substances 0.000 description 16
- 238000012545 processing Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 208000032750 Device leakage Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000001367 Mood's median test Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 229940095676 wafer product Drugs 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
-
- 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
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本申请实施例提供一种异常测试结构获取方法、验证方法及相关装置,其中,异常测试结构获取方法包括获取测试数据集;获取驱动电流不满足对应的驱动电流阈值,或漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常测试结构集和单参数正常测试结构集;根据单参数正常测试结构集中的各个单参数正常测试结构的驱动电流和漏电流,构建双参数特征,获取双参数特征阈值;获取双参数特征不满足双参数特征阈值的双参数异常数据,获取双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集;根据单参数异常测试结构集和双参数异常测试结构集,得到异常测试结构集。本申请实施例所提供的方法可提高获取异常测试结构的准确性。
Description
技术领域
本申请实施例涉及半导体技术领域,尤其涉及一种异常测试结构获取方法、验证方法及相关装置。
背景技术
受到加工工艺等的影响,在芯片制造过程中,会产生缺陷芯片。为了提高芯片制造的良率,降低制造成本,在不同的阶段,会对芯片进行测试,基于测试结果了解工艺对于芯片良率的影响,以便在后续批次加工过程中调整工艺,提高后续加工的芯片良率。
在晶圆产品流片结束后,会进行不同批次晶圆的WAT(Wafer Acceptance Test,晶圆级可接受性)测试,以测量特定测试结构的电性参数,从而得到WAT测试数据,通过对WAT测试数据中与CP(晶圆测试)测试良率的性能损失项存在相关性的参数的测试数据的筛选,可以获取WAT测试的测试异常数据,进而确定测试异常数据所对应的异常特定测试结构(为方便描述本文称为异常测试结构),并指导调整工艺。
然而,现有的获取异常测试结构的方法的准确性较低。
因此,如何提高获取异常测试结构的准确性,就成为亟需解决的技术问题。
发明内容
本申请实施例解决的技术问题是如何提高获取异常测试结构的准确性。
为解决上述问题,第一方面,本申请实施例提供一种异常测试结构获取方法,包括:
获取测试数据集,所述测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流;
获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常数据所对应的单参数异常测试结构集和单参数正常测试结构集;
根据所述单参数正常测试结构集中的各个单参数正常测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值;
获取所述双参数特征不满足所述双参数特征阈值的双参数异常数据,并获取所述双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集;
根据所述单参数异常测试结构集和所述双参数异常测试结构集,得到异常测试结构集。
第二方面,本申请实施例提供一种异常测试结构获取方法的验证方法,包括:
通过如前述任一项所述的异常测试结构获取方法,获取验证数据集所对应的验证特定测试结构集中的双参数验证异常测试结构集和验证异常测试结构集;
根据所述验证特定测试结构集和所述验证异常测试结构集获取验证正常测试结构集;
分别获取所述所述双参数验证异常测试结构集和所述验证正常测试结构集所对应的晶圆测试的器件速度相关良率损失项比例和缺陷相关良率损失项比例;
当确定所述双参数验证异常测试结构集的器件速度相关良率损失项比例大于所述验证正常测试结构集的器件速度相关良率损失项比例,且所述双参数验证异常测试结构集的缺陷相关良率损失项比例大于所述验证正常测试结构集的缺陷相关良率损失项比例时,确定所述异常测试结构获取方法有效。
第三方面,本申请实施例还提供一种异常测试结构获取装置,包括:
测试数据集获取单元,适于获取测试数据集,所述测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流;
单参数正常测试结构集获取单元,适于获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常数据所对应的单参数异常测试结构集和单参数正常测试结构集;
双参数特征阈值获取单元,适于根据所述单参数正常测试结构集中的各个单参数正常测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值;
双参数异常测试结构集获取单元,适于获取所述双参数特征不满足所述双参数特征阈值的双参数异常数据,并获取所述双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集;
异常测试结构集获取单元,适于根据所述单参数异常测试结构集和所述双参数异常测试结构集,得到异常测试结构集。
第四方面,本申请实施例还提供一种异常测试结构获取方法的验证装置,包括:
结构集获取单元,适于通过如前述任一项所述的异常测试结构获取方法,获取验证数据集所对应的验证特定测试结构集中的双参数验证异常测试结构集和验证异常测试结构集;
验证正常测试结构集获取单元,适于根据所述验证特定测试结构集和所述验证异常测试结构集获取验证正常测试结构集;
良率损失项比例获取单元,适于分别获取所述所述双参数验证异常测试结构集和所述验证正常测试结构集所对应的晶圆测试的器件速度相关良率损失项比例和缺陷相关良率损失项比例;
有效性确定单元,适于当确定所述双参数验证异常测试结构集的器件速度相关良率损失项比例大于所述验证正常测试结构集的器件速度相关良率损失项比例,且所述双参数验证异常测试结构集的缺陷相关良率损失项比例大于所述验证正常测试结构集的缺陷相关良率损失项比例时,确定所述异常测试结构获取方法有效。
第五方面,本申请实施例还提供一种电子设备,包括至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述程序,以执行如前述任一项所述的异常测试结构获取方法或如前述的异常测试结构获取方法的验证方法。
第六方面,本申请实施例还提供一种存储介质,所述存储介质存储有一条或多条计算机可执行指令,所述一条或多条计算机可执行指令被执行时,实现如前述任一项所述的异常测试结构获取方法或如前述的异常测试结构获取方法的验证方法。
与现有技术相比,本申请实施例的技术方案具有以下优点:
在本申请实施例所提供的异常测试结构获取方法,首先,获取测试数据集,所述测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流,然后获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常数据所对应的单参数异常测试结构集和单参数正常测试结构集,并根据所述单参数正常测试结构集中的各个单参数正常测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值,进而获取所述双参数特征不满足所述双参数特征阈值的双参数异常数据,并获取所述双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集,最后根据所述单参数异常测试结构集和所述双参数异常测试结构集,得到异常测试结构集。
可见,本申请实施例所提供的技术方案,通过根据各个单参数正常测试结构的所述驱动电流和所述漏电流获取双参数特征阈值,可以获取客观的不受人为经验影响的双参数特征阈值,从而在通过双特征参数阈值获取双参数异常测试结构时,可以客观地进行比较获取,减小误判和漏判,提高获取的准确性,进而可以降低后续由于漏判的特定测试结构异常所带来的成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1示出了一种获取异常测试结构的处理流程图;
图2为低阈值电压器件驱动电流与CP良率性能损失项中的产品性能频率参数的相关性示意图;
图3为低阈值电压器件漏电流与CP良率性能损失项中的静态漏电参数的相关性示意图;
图4为利用SPC控制图和所设定的卡控范围获取器件驱动电流参数的异常数据的示意图;
图5为利用SPC控制图和所设定的卡控范围获取器件漏电流参数的异常数据的示意图;
图6为经过处理的各个特定测试结构的驱动电流参数和漏电流参数的相关关系的示意图;
图7是本申请实施例所提供的异常测试结构获取方法的流程示意图;
图8为本申请实施例所提供的异常测试结构获取方法的测试数据集的示意图;
图9为本申请实施例所提供的SPC控制图的产品规格数据界限;
图10为驱动电流数值分布范围示意图;
图11为漏电流数值分布范围示意图;
图12为利用双参数阈值获取双参数异常数据的示意图;
图13是本申请实施例所提供的异常测试结构获取方法的验证方法的流程示意图;
图14示出了前述产品A在CP测试中所对应的良率损失;
图15示出了本申请实施例提供的异常测试结构获取装置的可选框图;
图16示出了本申请实施例提供的异常测试结构获取方法的验证装置的可选框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在一种WAT异常测试结构中,为了得到WAT测试异常数据,会遵循SPC(StatisticalProcess Control,称为统计过程控制)原则,对WAT测试数据进行处理,其中SPC是指借助数理统计方法对生产过程进行的分析评价与过程控制,从而使过程维持在仅受随机性因素影响的受控状态,以达到控制质量的目的。
具体地,请参考图1,图1示出了一种获取异常测试结构的处理流程图。
如图1所示,该流程可以包括以下步骤:
S00,获取WAT测试数据。
对晶圆流片进行WAT测试,测量特定测试结构的电性参数,获取各个批次的晶圆流片的特定测试结构的WAT测试数据。
WAT测试数据所涉及的参数有很多,经研究发现,不同阈值电压器件(包括常规阈值电压器件、低阈值电压器件、超低阈值电压器件等)的器件驱动电流参数与漏电流参数往往与晶圆测试(CP)良率的性能损失项(比如:产品性能频率参数测试项和静态漏电测试项)存在相关性,因此可以通过追溯WAT参数中驱动电流与漏电流参数异常数据,发现晶圆测试的良率损失问题,并可以通过追溯WAT参数中驱动电流与漏电流参数异常数据,筛选出问题特定测试结构,避免后续加工,降低加工成本。
需要说明的是,晶圆测试(CP)是在在WAT测试之后的品质检验这一步,以便检验各类制造缺陷,挑选出残次品,从而提高芯片出厂的良品率,缩减后续封装的成本。
具体地,不同阈值电压器件的器件驱动电流参数与漏电流参数与晶圆测试(CP)良率的性能损失项之间存在的相关性,具体可以参考图2和图3,图2为低阈值电压器件驱动电流与CP良率性能损失项中的产品性能频率参数的相关性示意图,图3为低阈值电压器件漏电流与CP良率性能损失项中的静态漏电参数的相关性示意图。
如图2所示,低阈值电压器件驱动电流与CP良率性能损失项中的产品性能频率参数满足y=k0x+k1一元线性回归条件,如图3所示,低阈值电压器件漏电流与CP良率性能损失项中的静态漏电参数也满足y=k0x+k1一元线性回归条件。
因此,需要获取WAT参数中不同阈值电压器件驱动电流参数以及不同阈值电压器件漏电流参数的测试数据,为后续的WAT测试异常数据的获取,进而找到异常的特定测试结构做准备。
S01,获取WAT测试数据的SPC异常数据集和SPC正常数据集。
针对前述的器件驱动电流参数和器件漏电流参数,分别设定卡控范围,得到的超出各自卡控范围的测试数据即为SPC异常数据,所有的SPC异常数据构成SPC异常数据集,落入各自卡控范围内的测试数据即为SPC正常数据,所有的SPC正常数据构成SPC正常数据集。
卡控范围可以为(测试数据中值-3σ,测试数据中值+3σ),其中σ为标准差,是一种衡量数据分散程度的统计量。标准差的物理含义是衡量一组数据与其平均值的偏离程度,它越大,代表数据分散程度越大,反之则分散程度越小。通过不断收集数据并统计其平均值和标准差,来评估生产过程的稳定性和可控性。
利用SPC控制图和所设定的卡控范围,实现对于异常数据的获取,具体可以参考图4和图5,图4为利用SPC控制图和所设定的卡控范围获取器件驱动电流参数的异常数据的示意图,图5为利用SPC控制图和所设定的卡控范围获取器件漏电流参数的异常数据的示意图。
容易理解的是,对应于各个特定测试结构,在WAT测试过程中,既获取驱动电流参数的测试数据也获取漏电流参数的测试数据,而二者中只要一者超出各自的卡控范围,那么所对应的特定测试结构即为异常的结构;只有驱动电流参数和漏电流参数均在上述卡控范围内的特定测试结构的测试数据,才能称为SPC正常数据,所组成的数据集合即为正常数据集。
当然,SPC异常数据集所对应的特定测试结构即为SPC异常特定测试结构,SPC正常数据集所对应的特定测试结构即为SPC正常特定测试结构。
步骤S02,对SPC正常数据集进行处理,得到补充异常数据集。
对SPC正常数据集中的对应于各个特定测试结构的驱动电流参数和漏电流参数进行处理,获取补充异常数据集。
具体地,请参考图6,图6为经过处理的各个特定测试结构的驱动电流参数和漏电流参数的相关关系的示意图。
如图中所示,将SPC正常数据集中的各个特定测试结构的驱动电流参数作为X轴数据,将漏电流参数作为Y轴数据,筛选出离群的数据,得到补充异常数据集,从而得到补充异常特定测试结构。
基于上述方法进行补充异常数据集以及补充异常特定测试结构的获取时,通常依靠人为标定的经验,这就很容易造成误判或者漏判,导致所确定的有问题的特定测试结构的遗漏。
因此,为了解决上述获取异常特定测试结构的方法的准确性较低的问题,本申请实施例提供一种异常测试结构获取方法,可以通过构建不受人为主观影响的双参数特征阈值,从而提高获取异常特定测试结构的准确性。
具体地,请参考图7,图7是本申请实施例所提供的异常测试结构获取方法的流程示意图。
如图中所示,本申请实施例所提供的异常测试结构获取方法可以包括以下步骤:
步骤S10,获取测试数据集,所述测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流。
如步骤S00所述,在流片结束后,对特定测试结构进行WAT测试,进而获取测试数据集,容易理解的是,经过WAT测试所得到的测试数据有很多,如何选择用于本申请实施例所提供的异常测试结构获取方法的数据,是需要研究确定的,为此,可以利用已经完成WAT测试和CP良率测试的芯片所对应的WAT测试数据和晶圆测试数据进行确定。
经过对上述用于验证的历史数据的分析可知,不同阈值电压器件(包括常规阈值电压、低阈值电压、超低阈值电压等)的器件驱动电流与良率测试项产品性能频率参数测试项有较强的相关性,不同阈值电压器件的器件漏电流与良率测试项产品静态漏电测试项有较强的相关性。
因此,在本申请实施例所提供的异常测试结构获取方法中,所获取的测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流。
具体数据的表现形式,请参考图8,图8为本申请实施例所提供的异常测试结构获取方法的测试数据集的示意图。
如图中所示,图中各行分别表示各个特定测试结构的信息,包括批次(lot)、晶圆(wafer)编号、各个特定测试结构所在晶圆的具体位置信息,以及不同阈值电压器件的驱动电流和漏电流。
由于在进行WAT测试的时候,还有产生由于测试方法所导致异常数据,为了避免上述数据的干扰,在一种具体实施方式中,所述获取测试数据集的步骤可以包括:
获取各个特定测试结构的WAT晶圆可接受性测试的原始数据集;
清洗所述原始数据集中的失效数据。
首先获取测试所得到的原始数据集,然后对原始数据集进行清洗,去除明显的失效数据。
具体地,所述失效数据可以为数值为(+999,-999,0)的数据。
清洗方式可以为将上述数据在表中更改为“unknown”。
当然,在其他实施例中,可以将上述数据所对应的特定测试结构所在的行删除。
步骤S11,获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常数据所对应的单参数异常测试结构集和单参数正常测试结构集。
获取测试数据集后,首先获取单参数异常数据。
在一种具体实施方式中,可以利用SPC控制图获取上述单参数异常数据,为此,还需获取驱动电流阈值和漏电流阈值,在获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数测试数据的步骤之前,首先获取与各个所述特定测试结构的阈值电压所对应的产品规格数据界限(即卡控范围),得到各个所述驱动电流阈值和各个所述漏电流阈值。
具体请参考图9,图9为本申请实施例所提供的SPC控制图的产品规格数据界限。
如图中所示,对应于不同阈值电压的不同器件,分别提供有驱动电流的最低值、最高值和目标值,以及漏电流的最低值、最高值和目标值。其中驱动电流的最高值和最低值形成驱动电流阈值,漏电流的最高值和最低值形成漏电流阈值。
需要说明的是,上述对应于不同阈值电压的不同器件的驱动电流的最低值、最高值和目标值,以及漏电流的最低值、最高值和目标值,可以基于经验进行调整和确定。
当然,在另一种具体实施方式中,还可以调用预先存储的与各个所述特定测试结构的阈值电压所对应的产品规格数据界限,得到各个所述驱动电流阈值和各个所述漏电流阈值。
基于所获取的各个特定测试结构的测试数据、对应的驱动电流阈值以及对应的漏电流阈值,就可以获取超出相应的阈值范围的测试数据,即单参数异常数据。
在一种具体实施方式中,可以通过图像的方式获取单参数异常数据,当然,在其他实施例中,也可以通过其他方式获取单参数异常数据。
得到单参数异常数据后,基于单参数异常数据就可以获取到对应的单参数异常测试结构,容易理解的是,基于异常的驱动电流以及基于异常的漏电流数据,均可以获取到单参数异常测试数据,然后不论哪一种单参数异常测试数据都可以得到对应的单参数异常测试结构,因此所得到的单参数异常测试结构包括:
仅驱动电流不满足对应的驱动电流阈值的单参数异常测试数据;
仅漏电流不满足对应的漏电流阈值的单参数异常测试数据;以及
驱动电流不满足对应的驱动电流阈值且漏电流不满足对应的漏电流阈值的单参数异常测试数据。
得到的各个单参数异常测试结构组成单参数异常测试结构集。
基于测试数据集对应的特定测试结构集和单参数异常测试结构集,就可以得到单参数正常测试结构集。
当然单参数正常测试结构集中还可能存在异常测试结构,为了更全面地找出异常测试结构,还需要进行后续的步骤:
步骤S12,根据所述单参数正常测试结构集中的各个单参数正常测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值。
在一种具体实施方式中,直接基于WAT测试数据的驱动电流和漏电流,建立双参数特征,即将驱动电流作为X轴数据,将漏电流作为Y轴的数据。
然而驱动电流和漏电流的分布范围差别较大,请参考图10和图11,图10为驱动电流数值分布范围示意图,图11为漏电流数值分布范围示意图,可以看出驱动电流数值分布范围远大于1,而漏电流数值分布范围却较小,在1的周围。因此为了避免较大值的驱动电流支配梯度的更新方向,在回归数据集平面上不断震荡,在构建双参数特征前,可以进行特征缩放归一化,即在一种具体实施方式中,在步骤S12根据所述单参数正常数据集中对应于同一所述特定测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值之前还可以包括:对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化。
具体地,可以利用以下公式对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化:
xnormalized=(x-min(x))/(max(x)-min(x))
其中,xnormalized--特征缩放归一化后的驱动电流,且xnormalized∈[0,1];
x--特征缩放归一化前的驱动电流;
min(x)--所述单参数正常数据集中的所述驱动电流的最小值;
max(x)--所述单参数正常数据集中的所述驱动电流的最大值。
利用各组对应于相同的异常测试结构的漏电流和归一化后的驱动电流,建立双参数特征。
得到双参数特征后,基于双参数特征,获取双参数特征阈值。
容易理解的是,由于是双参数特征,所以双参数特征阈值是二维平面上的区域范围,具体可以为方形区域,圆形区域或者不规则图形区域。
在一种具体实施方式中,双参数特征阈值可以包括MCD(Minimum CovarianceDeterminant)最小协方差行列式马氏距离阈值。
具体地,可以通过以下步骤获取MCD最小协方差行列式马氏距离阈值:
首先,根据所述单参数正常数据集中对应于同一所述特定测试结构的所述驱动电流和所述漏电流,获取协方差矩阵;
然后,利用MCD最小协方差行列式算法获取所述单参数正常数据集的子数据集构成的矩阵中协方差行列式最小的矩阵,得到最小协方差行列式矩阵,利用对应于同一所述特定测试结构的所述驱动电流和所述漏电流所构成的数据元素与最小协方差行列式矩阵获取马氏距离异常分数阈值,得到所述MCD马氏距离阈值。
为了获取协方差矩阵,首先建立驱动电流矩阵X=(X1,...Xn)t与漏电流矩阵Y=(Y1,...Yn)t,其中,X1,...Xn为归一化后的驱动电流,Xn、Yn对应于同一特定测试结构,其中(Xn,Yn)可以理解为一个数据元素,单参数正常数据集包含n个数据元素。
然后利用协方差公式:
计算协方差矩阵
从而得到协方差矩阵z。
为了获取MCD最小协方差行列式马氏距离阈值,首先获取最小协方差矩阵:
利用MCD最小协方差行列式马氏距离算法穷举选择单参数正常数据集中的n个数据元素中的h个数据元素构成子数据集,其中(h>=(n+p+1)/2,p=2个元素),获取各个子数据集所对应的协方差矩阵的行列式,获取行列式最小的协方差矩阵,得到最小协方差行列式矩阵
得到最小协方差行列式矩阵后,获取最小协方差行列式矩阵/>所对应的h个数据元素的均值估计量/>和协方差估计量Σi:
其中,xi--最小协方差行列式矩阵中的每个数据元素;
KMCD(h,n,p)--MCD比例常数,用于确保协方差估计量的一致性与无偏性。
然后计算单参数正常数据集的n个数据元素中的每个数据元素与该子数据集的中心的距离:
从而,针对一个固定的子数据集所构成的最小协方差行列式矩阵可以得到n个距离。
接着对n个距离进行从小到大排序,选择距离靠前的h个数据元素构成新的样本合集,循环迭代计算,直到∑n=∑n-1,记录该d(n)=d(n)last为马氏距离异常分数阈值。
容易理解的是,随着h的改变,可以得到多个马氏距离异常分数阈值,各个马氏距离异常分数阈值所围城的区域边界即为MCD最小协方差行列式马氏距离阈值。
步骤S13,获取所述双参数特征不满足所述双参数特征阈值的双参数异常数据,并获取所述双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集。
得到双参数特征和双参数特征阈值,获取不满足所述双参数特征阈值的双参数异常数据,进而可以得到对应的双参数异常测试结构和双参数异常测试结构集。
具体地,可以参考图12,图12为利用双参数阈值获取双参数异常数据的示意图。
步骤S14,根据所述单参数异常测试结构集和所述双参数异常测试结构集,得到异常测试结构集。
将单参数异常测试结构集和双参数异常测试结构集进行合并,得到异常测试结构集。
可见,本申请实施例所提供的技术方案,通过根据各个单参数正常测试结构的所述驱动电流和所述漏电流获取双参数特征阈值,可以获取客观的不受人为经验影响的双参数特征阈值,从而在通过双特征参数阈值获取双参数异常测试结构时,可以客观地进行比较获取,减小误判和漏判,提高获取的准确性,进而可以降低后续由于漏判的特定测试结构异常所带来的成本。
下面以产品A为例,说明本申请实施例所提供的异常测试结构获取方法:
1、获取产品A的低阈值电压器件作为锚定器件进行分析,获取对应的的WAT测试数据,包括驱动电流,漏电流以及批次(lot)、晶圆(wafer)编号、各个特定测试结构所在晶圆的具体位置信息等,以产品A为例,生成51503行,19列的数据列表。
2、获取数据列表中的失效数据,将数值为(+999,-999,0)的数据更改为“unknown”。
3、导入SPC控制图的产品规格数据界限;
4、根据驱动电流和驱动电流阈值,筛选出400个单参数异常数据;根据漏电流和漏电流阈值筛选出42个单参数异常数据;获取二者的并集,得到403个单参数异常测试结构和51100个单参数正常测试结构。
5、利用51100个单参数正常测试结构建立双参数特征,并获取MCD最小协方差行列式马氏距离阈值;
6、根据双参数特征和MCD最小协方差行列式马氏距离阈值,得到458个双参数异常测试结构;
7、根据403个单参数异常测试结构和458个双参数异常测试结构,得到861个异常测试结构。
另外,为了验证本申请实施例所提供的异常测试结构获取方法的有效性,本申请实施例还提供一种异常测试结构获取方法的验证方法,容易理解的是,所述的异常测试结构获取方法的验证方法是在具体使用异常测试结构获取方法获取异常测试结构前使用,以通过数据表明本申请实施例所提供的异常测试结构获取方法能够提高所获取的异常测试结构的准确性。
具体请参考图13,图13是本申请实施例所提供的异常测试结构获取方法的验证方法的流程示意图。
如图中所示,本申请实施例所提供的验证方法包括:
步骤S20:通过异常测试结构获取方法,获取验证数据集所对应的验证特定测试结构集中的双参数验证异常测试结构集和验证异常测试结构集。
具体获取方法,请参考前述实施的描述,在此不再赘述。
容易理解的是,在验证方法中,所使用的数据为验证数据集,所对应的验证特定测试结构已经经过后续的加工,并且进行了CP测试,得到了晶圆良率损失数据集,以用于后续的验证。
另外,针对验证数据集,所得到的为单参数验证异常测试结构集、双参数验证异常测试结构集和验证异常测试结构集。
步骤S21:根据所述验证特定测试结构集和所述验证异常测试结构集获取验证正常测试结构集。
将验证特定测试结构集中的各个验证异常测试结构去除,即可得到验证正常测试结构集。
步骤S22,分别获取所述双参数验证异常测试结构集和所述验证正常测试结构集所对应的晶圆测试的器件速度相关良率损失项比例和缺陷相关良率损失项比例。
由于用于验证的验证数据集,所对应的验证特定测试结构已经经过后续的加工,并且进行了CP测试,因此,基于所述双参数验证异常测试结构集和所述验证正常测试结构集,就可以得到各个结构集中验证特定测试结构在CP测试的器件速度相关良率损失项比例和缺陷相关良率损失项比例。
需要说明的是,缺陷相关良率损失项具体可以包括scanmix、scanchain和Jtag。
其中,Jtag测试是一种常用的芯片测试方法,通过向芯片的Jtag接口输入测试模式来测试芯片的电气性能和功能正确性。
scan测试包括scanmix、scanchain,是一种基于扫描链的芯片测试方法,通过向扫描链输入测试模式来测试芯片的电气性能和逻辑正确性。
在一种具体实施方式中,所述双参数验证异常测试结构集即为MCD最小协方差行列式集合所述验证正常测试结构集即全部验证特定测试结构中除去SPC集合和MCD最小协方差行列式集合剩余的验证特定测试结构构成的集合。
请参考图14,图14示出了前述产品A在CP测试中所对应的良率损失。
如图中所示,对应于产品A,针对不同的Hbinning项,分别获取了SPC集合、MCD最小协方差行列式集合、SPC+MCD最小协方差行列式集合以及正常值集合(即验证正常测试结构集)的良率损失。
步骤S23,确定所述双参数验证异常测试结构集的器件速度相关良率损失项比例是否大于所述验证正常测试结构集的器件速度相关良率损失项比例,且所述双参数验证异常测试结构集的缺陷相关良率损失项比例是否大于所述验证正常测试结构集的缺陷相关良率损失项比例,若是,执行步骤S24,若否,执行步骤S25。
步骤S24,确定所述异常测试结构获取方法有效。
步骤S25,确定所述异常测试结构获取方法无效。
这样,通过前述方法,可以确定本申请实施例所提供的异常测试结构获取方法是否真正能够提高异常测试结构获取的准确率,保证异常测试结构获取方法真正有效,从而能够在后续使用本申请实施例所提供的异常测试结构获取方法时,能够找到更多的异常特定测试结构,减小误判和漏判,降低由于漏判的特定测试结构异常所带来的成本。
为了解决前述问题,本申请实施例还提供一种异常测试结构获取装置,该装置可以认为是实现本申请实施例提供的异常测试结构获取方法所需设置的功能模块。下文描述的装置内容可与上文描述的方法内容相互对应参照。
作为一种可选实现中,图15示出了本申请实施例提供的异常测试结构获取装置的可选框图。如图15所示,该装置可以包括:
测试数据集获取单元100,适于获取测试数据集,所述测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流;
单参数正常测试结构集获取单元110,适于获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常数据所对应的单参数异常测试结构集和单参数正常测试结构集;
双参数特征阈值获取单元120,适于根据所述单参数正常测试结构集中的各个单参数正常测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值;
双参数异常测试结构集获取单元130,适于获取所述双参数特征不满足所述双参数特征阈值的双参数异常数据,并获取所述双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集;
异常测试结构集获取单元140,适于根据所述单参数异常测试结构集和所述双参数异常测试结构集,得到异常测试结构集。
在一些实施例中,所述双参数特征阈值包括MCD最小协方差行列式马氏距离阈值。
在一些实施例中,所述双参数异常测试结构集获取单元130,适于获取MCD最小协方差行列式马氏距离阈值包括:
根据所述单参数正常数据集中对应于同一所述特定测试结构的所述驱动电流和所述漏电流,获取协方差矩阵;
利用MCD最小协方差行列式算法获取所述单参数正常数据集的子数据集构成的矩阵中协方差行列式最小的矩阵,得到最小协方差行列式矩阵,利用对应于同一所述特定测试结构的所述驱动电流和所述漏电流所构成的数据元素与最小协方差行列式矩阵获取马氏距离异常分数阈值,得到所述MCD最小协方差行列式马氏距离阈值。
具体地,测试数据集获取单元100,适于获取测试数据集包括:
获取各个特定测试结构的WAT晶圆可接受性测试的原始数据集;
清洗所述原始数据集中的失效数据。
在一些实施例中,异常测试结构获取装置还包括:
阈值获取单元,适于获取与各个所述特定测试结构的阈值电压所对应的产品规格数据界限,得到各个所述驱动电流阈值和各个所述漏电流阈值。
在一些实施例中,异常测试结构获取装置还包括:
特征缩放归一化单元,适于对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化。
具体地,所述特征缩放归一化单元,适于对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化包括:
利用以下公式对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化:
xnormalized=(x-min(x))/(max(x)-min(x))
其中,xnormalized--特征缩放归一化后的驱动电流,且xnormalized∈[0,1];
x--特征缩放归一化前的驱动电流;
min(x)--所述单参数正常数据集中的所述驱动电流的最小值;
max(x)--所述单参数正常数据集中的所述驱动电流的最大值。
可见,本申请实施例所提供的技术方案,通过根据各个单参数正常测试结构的所述驱动电流和所述漏电流获取双参数特征阈值,可以获取客观的不受人为经验影响的双参数特征阈值,从而在通过双特征参数阈值获取双参数异常测试结构时,可以客观地进行比较获取,减小误判和漏判,提高获取的准确性,进而可以降低后续由于漏判的特定测试结构异常所带来的成本。
为了解决前述问题,本申请实施例还提供一种异常测试结构获取方法的验证装置,该装置可以认为是实现本申请实施例提供的异常测试结构获取方法的验证方法所需设置的功能模块。下文描述的装置内容可与上文描述的方法内容相互对应参照。
作为一种可选实现中,图16示出了本申请实施例提供的异常测试结构获取方法的验证装置的可选框图。如图16所示,该装置可以包括:
结构集获取单元200,适于通过前述任一项异常测试结构获取方法,获取验证数据集所对应的验证特定测试结构集中的双参数验证异常测试结构集和验证异常测试结构集;
验证正常测试结构集获取单元210,适于根据所述验证特定测试结构集和所述验证异常测试结构集获取验证正常测试结构集;
良率损失项比例获取单元220,适于分别获取所述所述双参数验证异常测试结构集和所述验证正常测试结构集所对应的晶圆测试的器件速度相关良率损失项比例和缺陷相关良率损失项比例;
有效性确定单元230,适于当确定所述双参数验证异常测试结构集的器件速度相关良率损失项比例大于所述验证正常测试结构集的器件速度相关良率损失项比例,且所述双参数验证异常测试结构集的缺陷相关良率损失项比例大于所述验证正常测试结构集的缺陷相关良率损失项比例时,确定所述异常测试结构获取方法有效。
本申请实施例还提供一种电子设备,包括至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述程序,以执行如前述任一实施例所述的异常测试结构获取方法或如前述任一实施例所述的异常测试结构获取方法的验证方法。
本申请实施例还提供一种存储介质,所述存储介质存储有一条或多条计算机可执行指令,所述一条或多条计算机可执行指令被执行时,实现如前述任一实施例所述的异常测试结构获取方法或如前述任一实施例所述的异常测试结构获取方法的验证方法。
虽然本申请实施例披露如上,但本申请并非限定于此。任何本领域技术人员,在不脱离本申请的精神和范围内,均可作各种更动与修改,因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (18)
1.一种异常测试结构获取方法,其特征在于,包括:
获取测试数据集,所述测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流;
获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常数据所对应的单参数异常测试结构集和单参数正常测试结构集;
根据所述单参数正常测试结构集中的各个单参数正常测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值;
获取所述双参数特征不满足所述双参数特征阈值的双参数异常数据,并获取所述双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集;
根据所述单参数异常测试结构集和所述双参数异常测试结构集,得到异常测试结构集。
2.如权利要求1所述的异常测试结构获取方法,其特征在于,所述双参数特征阈值包括MCD最小协方差行列式马氏距离阈值。
3.如权利要求2所述的异常测试结构获取方法,其特征在于,所述MCD最小协方差行列式马氏距离阈值通过以下步骤获取:
根据所述单参数正常数据集中对应于同一所述特定测试结构的所述驱动电流和所述漏电流,获取协方差矩阵;
利用MCD最小协方差行列式算法获取所述单参数正常数据集的子数据集构成的矩阵中协方差行列式最小的矩阵,得到最小协方差行列式矩阵,利用对应于同一所述特定测试结构的所述驱动电流和所述漏电流所构成的数据元素与最小协方差行列式矩阵获取马氏距离异常分数阈值,得到所述MCD最小协方差行列式马氏距离阈值。
4.如权利要求1所述的异常测试结构获取方法,其特征在于,所述获取测试数据集的步骤包括:
获取各个特定测试结构的WAT晶圆可接受性测试的原始数据集;
清洗所述原始数据集中的失效数据。
5.如权利要求1所述的异常测试结构获取方法,其特征在于,所述获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数测试数据的步骤之前还包括:
获取与各个所述特定测试结构的阈值电压所对应的产品规格数据界限,得到各个所述驱动电流阈值和各个所述漏电流阈值。
6.如权利要求1所述的异常测试结构获取方法,其特征在于,所述根据所述单参数正常数据集中对应于同一所述特定测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值的步骤之前还包括:
对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化。
7.如权利要求6所述的异常测试结构获取方法,其特征在于,所述对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化的步骤包括:
利用以下公式对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化:
xnormalized=(x-min(x))/(max(x)-min(x))
其中,xnormalized--特征缩放归一化后的驱动电流,且xnormalized∈[0,1];
x--特征缩放归一化前的驱动电流;
min(x)--所述单参数正常数据集中的所述驱动电流的最小值;
max(x)--所述单参数正常数据集中的所述驱动电流的最大值。
8.一种异常测试结构获取方法的验证方法,其特征在于,包括:
通过如权利要求1-7任一项所述的异常测试结构获取方法,获取验证数据集所对应的验证特定测试结构集中的双参数验证异常测试结构集和验证异常测试结构集;
根据所述验证特定测试结构集和所述验证异常测试结构集获取验证正常测试结构集;
分别获取所述所述双参数验证异常测试结构集和所述验证正常测试结构集所对应的晶圆测试的器件速度相关良率损失项比例和缺陷相关良率损失项比例;
当确定所述双参数验证异常测试结构集的器件速度相关良率损失项比例大于所述验证正常测试结构集的器件速度相关良率损失项比例,且所述双参数验证异常测试结构集的缺陷相关良率损失项比例大于所述验证正常测试结构集的缺陷相关良率损失项比例时,确定所述异常测试结构获取方法有效。
9.一种异常测试结构获取装置,其特征在于,包括:
测试数据集获取单元,适于获取测试数据集,所述测试数据集包括特定测试结构集中各个特定测试结构的WAT晶圆可接受性测试的驱动电流和漏电流;
单参数正常测试结构集获取单元,适于获取所述驱动电流不满足对应的驱动电流阈值,或所述漏电流不满足对应的漏电流阈值的单参数异常数据,得到单参数异常数据所对应的单参数异常测试结构集和单参数正常测试结构集;
双参数特征阈值获取单元,适于根据所述单参数正常测试结构集中的各个单参数正常测试结构的所述驱动电流和所述漏电流,构建双参数特征,获取双参数特征阈值;
双参数异常测试结构集获取单元,适于获取所述双参数特征不满足所述双参数特征阈值的双参数异常数据,并获取所述双参数异常数据所对应的各个双参数异常测试结构,得到双参数异常测试结构集;
异常测试结构集获取单元,适于根据所述单参数异常测试结构集和所述双参数异常测试结构集,得到异常测试结构集。
10.如权利要求9所述的异常测试结构获取装置,其特征在于,所述双参数特征阈值包括MCD最小协方差行列式马氏距离阈值。
11.如权利要求10所述的异常测试结构获取装置,其特征在于,所述双参数异常测试结构集获取单元,适于获取MCD最小协方差行列式马氏距离阈值包括:
根据所述单参数正常数据集中对应于同一所述特定测试结构的所述驱动电流和所述漏电流,获取协方差矩阵;
利用MCD最小协方差行列式算法获取所述单参数正常数据集的子数据集构成的矩阵中协方差行列式最小的矩阵,得到最小协方差行列式矩阵,利用对应于同一所述特定测试结构的所述驱动电流和所述漏电流所构成的数据元素与最小协方差行列式矩阵获取马氏距离异常分数阈值,得到所述MCD最小协方差行列式马氏距离阈值。
12.如权利要求9所述的异常测试结构获取装置,其特征在于,测试数据集获取单元,适于获取测试数据集包括:
获取各个特定测试结构的WAT晶圆可接受性测试的原始数据集;
清洗所述原始数据集中的失效数据。
13.如权利要求9所述的异常测试结构获取装置,其特征在于,还包括:
阈值获取单元,适于获取与各个所述特定测试结构的阈值电压所对应的产品规格数据界限,得到各个所述驱动电流阈值和各个所述漏电流阈值。
14.如权利要求9所述的异常测试结构获取装置,其特征在于,还包括:
特征缩放归一化单元,适于对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化。
15.如权利要求14所述的异常测试结构获取装置,其特征在于,所述特征缩放归一化单元,适于对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化包括:
利用以下公式对所述单参数正常数据集中的所述驱动电流进行特征缩放归一化:
xnormalized=(x-min(x))/(max(x)-min(x))
其中,xnormalized--特征缩放归一化后的驱动电流,且xnormalized∈[0,1];
x--特征缩放归一化前的驱动电流;
min(x)--所述单参数正常数据集中的所述驱动电流的最小值;
max(x)--所述单参数正常数据集中的所述驱动电流的最大值。
16.一种异常测试结构获取方法的验证装置,其特征在于,包括:
结构集获取单元,适于通过如权利要求1-7任一项所述的异常测试结构获取方法,获取验证数据集所对应的验证特定测试结构集中的双参数验证异常测试结构集和验证异常测试结构集;
验证正常测试结构集获取单元,适于根据所述验证特定测试结构集和所述验证异常测试结构集获取验证正常测试结构集;
良率损失项比例获取单元,适于分别获取所述双参数验证异常测试结构集和所述验证正常测试结构集所对应的晶圆测试的器件速度相关良率损失项比例和缺陷相关良率损失项比例;
有效性确定单元,适于当确定所述双参数验证异常测试结构集的器件速度相关良率损失项比例大于所述验证正常测试结构集的器件速度相关良率损失项比例,且所述双参数验证异常测试结构集的缺陷相关良率损失项比例大于所述验证正常测试结构集的缺陷相关良率损失项比例时,确定所述异常测试结构获取方法有效。
17.一种电子设备,其特征在于,包括至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述程序,以执行如权利要求1-7任一项所述的异常测试结构获取方法或如权利要求8所述的异常测试结构获取方法的验证方法。
18.一种存储介质,其特征在于,所述存储介质存储有一条或多条计算机可执行指令,所述一条或多条计算机可执行指令被执行时,实现如权利要求1-7任一项所述的异常测试结构获取方法或如权利要求8所述的异常测试结构获取方法的验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658041.9A CN116646281A (zh) | 2023-06-05 | 2023-06-05 | 异常测试结构获取方法、验证方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658041.9A CN116646281A (zh) | 2023-06-05 | 2023-06-05 | 异常测试结构获取方法、验证方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116646281A true CN116646281A (zh) | 2023-08-25 |
Family
ID=87622812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310658041.9A Pending CN116646281A (zh) | 2023-06-05 | 2023-06-05 | 异常测试结构获取方法、验证方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116646281A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954624A (zh) * | 2023-09-20 | 2023-10-27 | 广州晨安网络科技有限公司 | 基于软件开发包的编译方法、软件开发系统及服务器 |
-
2023
- 2023-06-05 CN CN202310658041.9A patent/CN116646281A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954624A (zh) * | 2023-09-20 | 2023-10-27 | 广州晨安网络科技有限公司 | 基于软件开发包的编译方法、软件开发系统及服务器 |
CN116954624B (zh) * | 2023-09-20 | 2023-12-01 | 广州晨安网络科技有限公司 | 基于软件开发包的编译方法、软件开发系统及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102170473B1 (ko) | 웨이퍼 맵 분석 시스템 및 방법 | |
JP4077951B2 (ja) | 欠陥解析方法、記録媒体及び工程管理方法 | |
TWI684000B (zh) | 產生檢查配方的方法及其系統 | |
US20020121915A1 (en) | Automated pattern clustering detection for wafer probe maps | |
JP2020115131A (ja) | 試験片の調査の方法およびそのシステム | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
CN116646281A (zh) | 异常测试结构获取方法、验证方法及相关装置 | |
CN115032493B (zh) | 一种基于管芯参数显示的晶圆测试方法及系统 | |
CN111653500A (zh) | 判断晶圆良率损失的方法 | |
TWI451512B (zh) | 用於晶圓檢測或度量設定之資料擾動 | |
CN109308395B (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
JP3720201B2 (ja) | 走査電子顕微鏡システムおよび集積回路の製造方法 | |
TWI801973B (zh) | 錯誤因素之推定裝置及推定方法 | |
TWI803916B (zh) | 一種晶片測試機測量晶片內阻的方法 | |
JP4823473B2 (ja) | 集積回路における検査層間のオーバーレイ・オフセットの修正 | |
CN111257715B (zh) | 一种晶圆测试方法及装置 | |
WO2008096211A2 (en) | Measurement of critical dimensions of semiconductor wafers | |
TWI647770B (zh) | 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法 | |
JP2008113027A (ja) | デバイスの製造方法 | |
JP4538205B2 (ja) | 検査データの解析プログラム、検査データ解析装置 | |
EP1048956A2 (en) | Method and apparatus for analizing a semiconductor wafer manufacturing process | |
JP3913393B2 (ja) | 半導体欠陥解析システムおよび方法 | |
CN113866511B (zh) | 在片电容测量系统和测量方法 | |
CN116840662A (zh) | 基于bp神经网络的集成电路电参数处理方法 | |
Bartholomäus et al. | Identification of Suspicious Semiconductor Devices Using Independent Component Analysis with Dimensionality Reduction |
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 |