CN116825169B - 一种基于测试设备的异常存储芯片检测方法 - Google Patents
一种基于测试设备的异常存储芯片检测方法 Download PDFInfo
- Publication number
- CN116825169B CN116825169B CN202311108633.XA CN202311108633A CN116825169B CN 116825169 B CN116825169 B CN 116825169B CN 202311108633 A CN202311108633 A CN 202311108633A CN 116825169 B CN116825169 B CN 116825169B
- Authority
- CN
- China
- Prior art keywords
- feature
- test
- abnormal
- data
- feature set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 27
- 235000012431 wafers Nutrition 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005755 formation reaction Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011990 functional testing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/006—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation at wafer scale level, i.e. wafer scale integration [WSI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种基于测试设备的异常存储芯片检测方法,属于半导体测试技术领域,具体包括以下步骤:获得同一批次晶圆上的各个芯片的测试结果数据;对测试结果数据进行提取,得到特征数据,将每个芯片的测试数据结合生成每个批次晶圆的特征集,对特征集的进行特征归一化;获取多批次晶圆的特征集,计算所有特征集之间的加权欧式距离,并设置聚类的控制半径和最少相似个数;从多批次特征集中依次选出一个特征集,判断该特征集是否为噪声,否则将该特征集放入类别簇中;重复上述过程,提取若干次聚类后类别簇的聚类中心,若聚类中心发生较大偏移,则说明数据异常;本发明将聚类方法与芯片测试数据结合,能够快速对异常数据进行检测。
Description
技术领域
本发明涉及半导体测试技术领域,具体涉及一种基于测试设备的异常存储芯片检测方法。
背景技术
作为半导体产业的关键一环,半导体自动测试设备(ATE)贯穿着半导体设计、制造和封装全环节,对产品良率的监控及产品质量的判断至关重要。依据半导体测试系统应用划分,ATE应用的主要细分领域为存储器、SoC、模拟、数字等,无论哪种应用。在半导体自动化测试设备中,工程师需要根据芯片特性开发基于设备的测试程序,完成芯片的功能测试、直流参数测试以及交流功能测试等工作。
前段/后段测试(CP/FT)的程序是基于各个晶粒(die)或封装好的芯片层面来进行的,可以检测到每个芯片的好坏情况,但是自动化测试设备一般是同时测试成百上千的芯片,而同一批芯片或同一片晶圆上的晶粒存在某些共性,如CP测试中,同一片晶圆上的制造工艺不完善,存在电流较小的特点,这一批的晶粒(die)可能都通过不了相同电流的测试等,
针对此类问题的发生,一般都是大批量芯片测试完后,由产线上工程师发现,通过查询测试程序产生数据日志结合表格统计工具进行分析,从而定位问题。而通过人为观察进行解决,受工程师的个人知识经验影响较大,一般事故已经产生,已造成损失。
发明内容
本发明的目的在于提供一种基于测试设备的异常存储芯片检测方法,解决以下技术问题:
大批量芯片测试完后,由产线上工程师发现,通过查询测试程序产生数据日志结合表格统计工具进行分析,从而定位问题。而通过人为观察进行解决,受工程师的个人知识经验影响较大,一般事故已经产生,已造成损失。
本发明的目的可以通过以下技术方案实现:
一种基于测试设备的异常存储芯片检测方法,包括以下步骤:
设置测试项目,执行测试程序,获得同一批次晶圆上的各个芯片的测试结果数据;
对所述测试结果数据进行提取,得到特征数据,将每个芯片的测试数据结合生成每个批次晶圆的特征集,对特征集的进行特征归一化;
获取多批次晶圆的特征集,计算所有特征集之间的加权欧式距离,基于加权欧式距离设置聚类的控制半径Control R和最少相似个数Min Point;
从多批次特征集中依次选出一个特征集,检测其控制半径Control R内的相似特征集数量m,若m<Min Point,则判断该特征集为噪声,将噪声作为异常数据输出;若m>MinPoint,则将该特征集放入类别簇中;
对每个类别簇进行若干次聚类,提取若干次聚类后类别簇的聚类中心,比较聚类中心的数目和聚类中心数值的差异,若聚类中心发生较大偏移,则说明数据异常,将该类别簇作为异常数据输出。
作为本发明进一步的方案:所述特征数据包括:测试总时间、每颗芯片的平均时间、异常测试时间芯片个数、整体良率的统计、测试失效单元总数量、每颗芯片的平均个数、异常失效数量芯片个数、最多的测试失败项。
作为本发明进一步的方案:所述异常测试时间芯片个数或异常失效数量芯片个数的判断公式如下:
;
其中,表示为任意芯片的测试时间或测试失效数量值,D1/4和D3/4为将同批次的芯片测试数据从小到大依次排序后,排在1/4和3/4位置处的值;K表示该芯片是否为异常芯片,1表示异常,0表示正常。
作为本发明进一步的方案:计算加权欧式距离的过程为:
获取多个批次晶圆芯片的特征构成的数据集,L表示特征集的个数,n表示特征集的特征个数,对特征集的进行特征归一化;
互相计算每两个特征集之间的加权欧式距离I,将其中一个特征集标记为P,将另一个特征集标记为T,计算公式如下;
其中,w1...n表示对应特征的权重,去权重值为1/n,yp,yt分别代表特征集P和特征集T以及对应的特征;
基于加权欧式距离I设置聚类方法的控制半径和最少相似个数,公式如下:
;
;
其中a为正整数。
作为本发明进一步的方案:对特征集进行异常检测的过程为:
步骤一:从多批次特征集任意选出一个特征集,如果P未被标记为噪声,检测P控制半径Control R内包含的相似特征集数量m,若m<Min Point,则判断该特征集为噪声;
若P的控制半径Control R包含的相似特征集数量m>Min Point,则建立新的类别簇,并将包含的特征集加入备选集G;
步骤二:将备选集G中所有未被检测的特征集标记为O,依次检测特征集O的相邻域,若特征集O的控制半径Control R包含的相似特征集数量m1>Min Point,则将包含的特征集同样加入备选集G,并将特征集O加入类别簇中;
若特征集O的控制半径Control R包含的相似特征集数量m1<Min Point,则将特征集O作为异常数据输出;对备选集G所有特征集O依次进行检测;
步骤三:重复步骤一和步骤二,直到所有特征集都归入了类别簇或标记为噪声输出。
作为本发明进一步的方案:判断特征集是否为特征集P的相邻域的公式为:
D表示是否包含,1表示包含,0表示不包含,如果任一特征集与P的距离小于控制半径/>,则特征集P相邻域包含该特征集;否则不包含。
作为本发明进一步的方案:提取类别簇聚类中心的过程为:
每次聚类均对类别簇的聚类中心进行提取,提取公式为:
,
其中,Vi表示每个类别簇的聚类中心,i∈1...n,n表示总共有多少个类别簇,Ci表示该类别簇中有多少个特征数据集,Y表示该类别簇中数据集各个特征值的和;比较聚类中心的数目和聚类中心数值的差异,若聚类中心发生较大偏移说明类别簇数据异常。
本发明的有益效果:
(1)本发明将机器学习中基于聚类的异常检测方法运用到存储芯片测试数据的分析,将每个芯片或晶粒的测试数据进行结合,得到不同批次的测试特征信息,异常检测算法通过特征信息数据集可以快速检测出异常芯片的信息,无需人为观察,自动检测,作为测试设备内置的程序方法,及时向产线反馈异常信息,适应了芯片测试行业发展的未来需求,能够有效运用于日益复杂的芯片测试场景;
(2)本发明无需人为观察,能够快速对异常测试情况进行反应;将机器学习与芯片测试结合,提升了测试设备对测试数据的挖掘能力;从芯片制造工艺、测试批次等高纬度挖掘芯片的异常信息,可以辅助工程师快速发现问题,提升芯片质量与良率;
(3)本发明提出基于聚类的异常检测方法是一种基于密度的聚类方法(DBSCAN)的改进方法,其核心参数控制半径和最少相似个数通过特征数据集计算得到,无需人为设定,其中基于加权的欧式距离的相似性度量较原有的欧式距离的方法能够提升核心特征在聚类分析中的作用,提升方法效果,有着更好的鲁棒性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于测试设备的异常存储芯片检测方法,包括以下步骤:
设置测试项目,执行测试程序,获得同一批次晶圆上的各个芯片的测试结果数据;
对所述测试结果数据进行提取,得到特征数据,将每个芯片的测试数据结合生成每批次晶圆的特征集,对特征集的进行特征归一化;该步骤用于减少特征数据集各个特征之间的数据值量级差异过大,导致后面聚类效果不佳,每一个特征集可以理解为一个对象;
获取多批次晶圆的特征集,计算所有特征集之间的加权欧式距离,基于加权欧式距离设置聚类的控制半径Control R和最少相似个数Min Point;
从多批次特征集中依次选出一个特征集,如果该特征集未被处理(未被划分为特定类别或标记为噪声),则检测其控制半径Control R内的相似特征集数量m,若m<MinPoint,则判断该特征集为噪声(异常点),将噪声作为异常数据输出;其原理为未被划分标签的特征数据集属于偏离整体对象的数据集,属于异常值;若m>Min Point,则将该特征集放入类别簇中;
对每个类别簇进行若干次聚类,提取若干次聚类后类别簇的聚类中心,比较聚类中心的数目和聚类中心数值的差异,若聚类中心发生较大偏移,则说明数据异常,将该类别簇作为异常数据输出。
在本发明的一种优选的实施例中,所述特征数据包括:测试总时间、每颗芯片的平均时间、异常测试时间芯片个数、整体良率的统计、测试失效单元总数量、每颗芯片的平均个数、异常失效数量芯片个数、最多的测试失败项。
在本实施例的一种优选的情况中,所述异常测试时间芯片个数或异常失效数量芯片个数的判断公式如下:
;
其中,表示为任意芯片的测试时间或测试失效数量值,D1/4和D3/4为将同批次的芯片测试数据从小到大依次排序后,排在1/4和3/4位置处的值;K表示该芯片是否为异常芯片,1表示异常,0表示正常。
在本发明的另一种优选的实施例中,计算加权欧式距离的过程为:
获取多个批次晶圆芯片的特征构成的数据集,L表示特征集的个数,n表示特征集的特征个数,对特征集的进行特征归一化;
互相计算每两个特征集之间的加权欧式距离I,将其中一个特征集标记为P,将另一个特征集标记为T,计算公式如下;
其中,w1...n表示对应特征的权重,去权重值为1/n,yp,yt分别代表特征集P和特征集T以及对应的特征;
基于加权欧式距离I设置聚类方法的控制半径和最少相似个数,公式如下:
;
;
其中a为正整数。
在本实施例的一种优选的情况中,对特征集进行异常检测的过程为:
步骤一:从多批次特征集任意选出一个特征集,如果P未被标记为噪声,检测P控制半径Control R内包含的相似特征集数量m,若m<Min Point,则判断该特征集为噪声;
若P的控制半径Control R包含的相似特征集数量m>Min Point,则建立新的类别簇,并将包含的特征集加入备选集G;
步骤二:将备选集G中所有未被检测的特征集标记为O,依次检测特征集O的相邻域,若特征集O的控制半径Control R包含的相似特征集数量m1>Min Point,则将包含的特征集同样加入备选集G,并将特征集O加入类别簇中;
若特征集O的控制半径Control R包含的相似特征集数量m1<Min Point,则将特征集O作为异常数据输出;对备选集G所有特征集O依次进行检测;
步骤三:重复步骤一和步骤二,直到所有特征集都归入了类别簇或标记为噪声输出。
在本实施例的另一种优选的情况中,判断特征集是否为特征集P的相邻域的公式为:
D表示是否包含,1表示包含,0表示不包含,如果任一特征集与P的距离小于控制半径/>,则特征集P相邻域包含该特征集;否则不包含。
在本发明的另一种优选的实施例中,提取类别簇聚类中心的过程为:
每次聚类均对类别簇的聚类中心进行提取,提取公式为:
,
其中,Vi表示每个类别簇的聚类中心,i∈1...n,n表示总共有多少个类别簇,Ci表示该类别簇中有多少个特征数据集,Y表示该类别簇中数据集各个特征值的和;比较聚类中心的数目和聚类中心数值的差异,若聚类中心发生较大偏移说明类别簇数据异常。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于测试设备的异常存储芯片检测方法,其特征在于,包括以下步骤:
设置测试项目,执行测试程序,获得同一批次晶圆上的各个芯片的测试结果数据;
对所述测试结果数据进行提取,得到特征数据,将每个芯片的测试数据结合生成每个批次晶圆的特征集,对特征集的进行特征归一化;
获取多批次晶圆的特征集,计算所有特征集之间的加权欧式距离,基于加权欧式距离设置聚类的控制半径Control R和最少相似个数Min Point;
从多批次特征集中依次选出一个特征集,检测其控制半径Control R内的相似特征集数量m,若m<Min Point,则判断该特征集为噪声,将噪声作为异常数据输出;若m>MinPoint,则将该特征集放入类别簇中;
对每个类别簇进行若干次聚类,提取若干次聚类后类别簇的聚类中心,比较聚类中心的数目和聚类中心数值的差异,若聚类中心发生较大偏移,则说明数据异常,将该类别簇作为异常数据输出。
2.根据权利要求1所述的一种基于测试设备的异常存储芯片检测方法,其特征在于,所述特征数据包括:测试总时间、每颗芯片的平均时间、异常测试时间芯片个数、整体良率的统计、测试失效单元总数量、每颗芯片的平均个数、异常失效数量芯片个数、最多的测试失败项。
3.根据权利要求2所述的一种基于测试设备的异常存储芯片检测方法,其特征在于,所述异常测试时间芯片个数或异常失效数量芯片个数的判断公式如下:
;
其中,表示为任意芯片的测试时间或测试失效数量值,D1/4和D3/4为将同批次的芯片测试数据从小到大依次排序后,排在1/4和3/4位置处的值;K表示该芯片是否为异常芯片,1表示异常,0表示正常。
4.根据权利要求1所述的一种基于测试设备的异常存储芯片检测方法,其特征在于,计算加权欧式距离的过程为:
获取多个批次晶圆芯片的特征构成的数据集,L表示特征集的个数,n表示特征集的特征个数,对特征集的进行特征归一化;
互相计算每两个特征集之间的加权欧式距离I,将其中一个特征集标记为P,将另一个特征集标记为T,计算公式如下:
其中,w1...n表示对应特征的权重,去权重值为1/n,yp,yt分别代表特征集P和特征集T以及对应的特征;
基于加权欧式距离I设置聚类方法的控制半径和最少相似个数/>,公式如下:
;
;
其中a为正整数。
5.根据权利要求4所述的一种基于测试设备的异常存储芯片检测方法,其特征在于,对特征集进行异常检测的过程为:
步骤一:从多批次特征集任意选出一个特征集,如果P未被标记为噪声,检测P控制半径Control R内包含的相似特征集数量m,若m<Min Point,则判断该特征集为噪声;
若P的控制半径Control R包含的相似特征集数量m>Min Point,则建立新的类别簇,并将包含的特征集加入备选集G;
步骤二:将备选集G中所有未被检测的特征集标记为O,依次检测特征集O的相邻域,若特征集O的控制半径Control R包含的相似特征集数量m1>Min Point,则将包含的特征集同样加入备选集G,并将特征集O加入类别簇中;
若特征集O的控制半径Control R包含的相似特征集数量m1<Min Point,则将特征集O作为异常数据输出;对备选集G所有特征集O依次进行检测;
步骤三:重复步骤一和步骤二,直到所有特征集都归入了类别簇或标记为噪声输出。
6.根据权利要求5所述的一种基于测试设备的异常存储芯片检测方法,其特征在于,判断特征集是否为特征集P的相邻域的公式为:
D表示是否包含,1表示包含,0表示不包含,如果任一特征集与P的距离小于控制半径/>,则特征集P相邻域包含该特征集;否则不包含。
7.根据权利要求1所述的一种基于测试设备的异常存储芯片检测方法,其特征在于,提取类别簇聚类中心的过程为:
每次聚类均对类别簇的聚类中心进行提取,提取公式为:
,
其中,Vi表示每个类别簇的聚类中心,i∈1...n,n表示总共有多少个类别簇,Ci表示该类别簇中有多少个特征数据集,Y表示该类别簇中数据集各个特征值的和;比较聚类中心的数目和聚类中心数值的差异,若聚类中心发生较大偏移说明类别簇数据异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108633.XA CN116825169B (zh) | 2023-08-31 | 2023-08-31 | 一种基于测试设备的异常存储芯片检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108633.XA CN116825169B (zh) | 2023-08-31 | 2023-08-31 | 一种基于测试设备的异常存储芯片检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116825169A CN116825169A (zh) | 2023-09-29 |
CN116825169B true CN116825169B (zh) | 2023-11-24 |
Family
ID=88141504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108633.XA Active CN116825169B (zh) | 2023-08-31 | 2023-08-31 | 一种基于测试设备的异常存储芯片检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116825169B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149551B (zh) * | 2023-10-30 | 2024-02-09 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
CN117395183B (zh) * | 2023-12-13 | 2024-02-27 | 成都安美勤信息技术股份有限公司 | 一种工业物联网异常流量分级检测方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012016594A1 (en) * | 2010-08-05 | 2012-02-09 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. | Apparatus and method for analyzing bulky data |
CN107528823A (zh) * | 2017-07-03 | 2017-12-29 | 中山大学 | 一种基于改进的K‑Means聚类算法的网络异常检测方法 |
CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
CN109522926A (zh) * | 2018-09-28 | 2019-03-26 | 南京航空航天大学 | 基于信息熵聚类的异常检测方法 |
CN110459258A (zh) * | 2019-07-15 | 2019-11-15 | 天津大学 | 基于多目标聚类遗传算法的多存储器内建自测试的方法 |
CN111125470A (zh) * | 2019-12-25 | 2020-05-08 | 成都康赛信息技术有限公司 | 一种提升异常数据挖掘筛选的方法 |
CN114186631A (zh) * | 2021-12-09 | 2022-03-15 | 江苏业力科技有限公司 | 一种基于非侵入式智能终端的负荷识别方法 |
WO2022116442A1 (zh) * | 2020-12-01 | 2022-06-09 | 平安科技(深圳)有限公司 | 基于几何学的语音样本筛选方法、装置、计算机设备及存储介质 |
CN115222427A (zh) * | 2022-07-29 | 2022-10-21 | 平安科技(深圳)有限公司 | 基于人工智能的欺诈风险识别方法及相关设备 |
CN115494865A (zh) * | 2022-09-22 | 2022-12-20 | 中国科学技术大学 | 基于时空图卷积网络的无人机集群态势分析方法及介质 |
CN116189753A (zh) * | 2023-02-21 | 2023-05-30 | 散裂中子源科学中心 | 一种器件的翻转截面信息的获取方法 |
WO2023125821A1 (zh) * | 2021-12-31 | 2023-07-06 | 华为技术有限公司 | 一种芯片的测试用例生成方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011118723A1 (ja) * | 2010-03-26 | 2011-09-29 | 日本電気株式会社 | 意味抽出装置、意味抽出方法、および、記録媒体 |
IN2013KO01130A (zh) * | 2013-09-30 | 2015-04-03 | Siemens Ag |
-
2023
- 2023-08-31 CN CN202311108633.XA patent/CN116825169B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012016594A1 (en) * | 2010-08-05 | 2012-02-09 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. | Apparatus and method for analyzing bulky data |
CN107528823A (zh) * | 2017-07-03 | 2017-12-29 | 中山大学 | 一种基于改进的K‑Means聚类算法的网络异常检测方法 |
CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
CN109522926A (zh) * | 2018-09-28 | 2019-03-26 | 南京航空航天大学 | 基于信息熵聚类的异常检测方法 |
CN110459258A (zh) * | 2019-07-15 | 2019-11-15 | 天津大学 | 基于多目标聚类遗传算法的多存储器内建自测试的方法 |
CN111125470A (zh) * | 2019-12-25 | 2020-05-08 | 成都康赛信息技术有限公司 | 一种提升异常数据挖掘筛选的方法 |
WO2022116442A1 (zh) * | 2020-12-01 | 2022-06-09 | 平安科技(深圳)有限公司 | 基于几何学的语音样本筛选方法、装置、计算机设备及存储介质 |
CN114186631A (zh) * | 2021-12-09 | 2022-03-15 | 江苏业力科技有限公司 | 一种基于非侵入式智能终端的负荷识别方法 |
WO2023125821A1 (zh) * | 2021-12-31 | 2023-07-06 | 华为技术有限公司 | 一种芯片的测试用例生成方法、装置及存储介质 |
CN115222427A (zh) * | 2022-07-29 | 2022-10-21 | 平安科技(深圳)有限公司 | 基于人工智能的欺诈风险识别方法及相关设备 |
CN115494865A (zh) * | 2022-09-22 | 2022-12-20 | 中国科学技术大学 | 基于时空图卷积网络的无人机集群态势分析方法及介质 |
CN116189753A (zh) * | 2023-02-21 | 2023-05-30 | 散裂中子源科学中心 | 一种器件的翻转截面信息的获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116825169A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116825169B (zh) | 一种基于测试设备的异常存储芯片检测方法 | |
JP3913715B2 (ja) | 不良検出方法 | |
US7174281B2 (en) | Method for analyzing manufacturing data | |
CN104216349B (zh) | 利用制造设备的传感器数据的成品率分析系统及方法 | |
US8170707B2 (en) | Failure detecting method, failure detecting apparatus, and semiconductor device manufacturing method | |
US7421358B2 (en) | Method and system for measurement data evaluation in semiconductor processing by correlation-based data filtering | |
JP4786505B2 (ja) | 不良検出方法 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN104062305B (zh) | 一种集成电路缺陷的分析方法 | |
CN109844916A (zh) | 基于缺陷与设计属性的缺陷检视取样和标准化 | |
CN113191399B (zh) | 一种基于机器学习分类器提高半导体芯片良品率的方法 | |
CN114253168A (zh) | 机台监控系统与机台监控方法 | |
US6973390B2 (en) | Method and system for analyzing wafer yield against uses of a semiconductor tool | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
Gallo et al. | A Wafer Bin Map “Relaxed” Clustering Algorithm for Improving Semiconductor Production Yield | |
CN110910021A (zh) | 一种基于支持向量机监控在线缺陷的方法 | |
CN115329902A (zh) | 一种数控卷板机产品异常数据分析识别方法 | |
CN113157666A (zh) | 一种建立晶圆良率问题数据库的方法和装置 | |
CN111755079B (zh) | 一种多晶硅最优原料配比方案确定方法及系统 | |
CN112397404B (zh) | 半导体制程检测方法及检测系统 | |
Yong et al. | Anomaly detection of semiconductor processing data based on DTW-LOF algorithm | |
Zuo et al. | An Improved AdaBoost Tree-Based Method for Defective Products Identification in Wafer Test | |
CN112988792B (zh) | 一种晶圆良率问题数据库的搜索方法和装置 | |
Tsai et al. | Enhancing the data analysis in IC testing by machine learning techniques |
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 |