CN116840662A - 基于bp神经网络的集成电路电参数处理方法 - Google Patents
基于bp神经网络的集成电路电参数处理方法 Download PDFInfo
- Publication number
- CN116840662A CN116840662A CN202310855996.3A CN202310855996A CN116840662A CN 116840662 A CN116840662 A CN 116840662A CN 202310855996 A CN202310855996 A CN 202310855996A CN 116840662 A CN116840662 A CN 116840662A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- processing
- equipment
- parameter
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 93
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了基于BP神经网络的集成电路电参数处理方法,包括:采集原有设备的参数数据;采集当前设备的参数数据;对所获取的原有设备以及当前设备的参数数据均进行标准化处理;对原有设备数据运用BP神经网络进行处理后拟合获得第一多项式曲线;对当前设备的数据运用BP神经网络进行回归处理,拟合得到第二多项式曲线;将当前设备和原有设备的数据点进行映射从而对当前设备的数据进行调整,然后对映射后的数据进行拟合处理,得到当前设备的拟合函数,根据原有设备的数据采用该拟合函数推断当前设备的数据;本发明的优点在于:统一测试参数限值标准,提高测试效率。
Description
技术领域
本发明涉及集成电路测试领域,具体涉及基于BP神经网络的集成电路电参数处理方法。
背景技术
随着CMOS工艺水平的飞速发展,集成电路测试技术也随之快速发展,芯片的制造规模越来越大,电子元器件的密集程度和电路复杂性也不断提高,单个芯片上晶体管的集成数量呈指数增长,但先进的制造线程也带来了新的问题,故障类型和故障发生的可能性也随之增大,在对芯片进行测试时,测试人员通过收集电路性能参数等数据对芯片进行诊断,设置测试限值,筛选故障芯片。而行业内大多是对不同厂商不同电路的参数辨识方法或者参数提取方法,例如中国专利公开号CN114896943A公开的集成电路器件模型提取参数的数据选取方法、系统及装置。因此,行业内缺乏统一的国际标准来衡量测试参数和测试限值。
即使是具有相同测试功能而非同一生产厂商的测试设备,都是采用厂商自己的标准进行校准与测试。这种现象,导致了生产、设计、测试厂家在使用这些测试设备时,仅能对同一设备的测试数据进行数据的处理和分析,这也导致了测试设备间共同性弱,缺乏统一标准,测试的效率较为低下的问题。这是测试行业目前存在的一个现实情况,这样的情况往往是不可避免的。而BP神经网络作为一种非参数化的方法,通过其自动数据学习的能力能够大大提升数据处理速度和效率,在集成电路的参数处理方面还没有BP神经网络的相关应用,通过BP神经网络对电参数进行处理,提升数据处理效率,对于统一测试参数标准具有较大的实际意义。因此,如果能够利用BP神经网络统一测试参数限值标准,则可以有效减少测试难度,提高测试效率且不影响诊断质量。
发明内容
本发明所要解决的技术问题在于如何利用BP神经网络,通过旧设备的测试数据分析现有设备的测试限值及测试电参数,统一测试参数限值标准,提高测试效率。
本发明通过以下技术手段解决上述技术问题的:基于BP神经网络的集成电路电参数处理方法,包括以下步骤:
步骤A、采集原有设备的参数数据;
步骤B、采集当前设备的参数数据;
步骤C、对所获取的原有设备以及当前设备的参数数据均进行标准化处理;
步骤D、对原有设备数据运用BP神经网络进行处理后拟合获得第一多项式曲线;
步骤E、对当前设备的数据运用BP神经网络进行回归处理,拟合得到第二多项式曲线;
步骤F、将当前设备和原有设备的数据点进行映射从而对当前设备的数据进行调整,然后对映射后的数据进行拟合处理,得到当前设备的拟合函数,根据原有设备的数据采用该拟合函数推断当前设备的数据。
进一步地,所述BP神经网络的激活函数为
其中,x为输入BP神经网络的数据。
进一步地,所述原有设备数据以及当前设备的数据运用BP神经网络进行处理的过程为:
设置BP神经网络中的神经元的连接权重和阈值,将输入信号输入BP神经网络,向前传输,得到BP神经网络的输出结果。
更进一步地,运用BP神经网络进行数据处理还包括参数更新的过程:
根据BP神经网络的输出层的输出结果,对照与之对应的期望结果,并计算其均方误差,若未达到期望值,则将输出结果进行反向传播,重新对BP神经网络的连接权重和阈值进行调整。
更进一步地,所述均方误差的计算公式为:
其中,Yi为BP神经网络的输出层第i个神经元的输出结果,为BP神经网络的输出层第i个神经元的期望结果,n为BP神经网络的输出层神经元个数。
更进一步地,所述参数更新的过程还包括:
计算决定系数,若决定系数在预设范围内,则停止更新,输出优化的BP神经网络,若决定系数不在预设范围内,则对学习率和迭代次数以及网络层级进行调整,重新计算其决定系数,直到决定系数在预设范围内,得到优化的BP神经网络。
更进一步地,所述决定系数的计算公式为
其中,/>表示数据的真实值的均值。
更进一步地,所述步骤D包括:
对原有设备数据运用BP神经网络进行处理,得到优化的BP神经网络之后,实时输入多组离散的输入值到优化的BP神经网络,得到对应的输出值,将多组数据进行拟合,得到第一多项式曲线。
更进一步地,所述步骤E包括:
对当前设备的数据运用BP神经网络进行回归处理,得到优化的BP神经网络之后,实时输入多组离散的输入值到BP神经网络,得到对应的输出值,将多组数据进行拟合,得到第二多项式曲线。
进一步地,所述原有设备和当前设备的测试过程为:
步骤1、根据待测芯片进行参数测试,获取一组电参数数据;
步骤2、对电参数数据进行识别,如果电参数数据数值超过测试限值,则说明此晶圆未通过测试,则说明此芯片存在问题,无法使用,如果电参数数据位于测试限值之内,则说明此晶圆通过参数测试,没有出现故障,则说明此芯片无任何故障。
本发明的优点在于:
(1)本发明通过分析两设备在测试同一款和同一批次的芯片时的数据差异,应用BP神经网络的学习能力,对当前设备参数数据和原有设备参数数据进行处理,找出两者之间映射关系,并对当前设备进行测试限值与测试参数的调整,使厂商根据原有设备的参数数据能直接推断出当前设备的参数数据,消除各个厂商在设备方面的发展差异,加强设备参数限值与性能参数的一致性,建立了统一的测试参数限值标准,提高测试效率。
(2)本发明通过BP神经网络对原有设备的数据以及当前设备的数据进行处理,得到优化的BP神经网络,而优化的BP神经网络是经过了训练的,所以能够根据输入值较为准确的直接预测输出结果。
附图说明
图1为本发明实施例所公开的基于BP神经网络的集成电路电参数处理方法流程图;
图2为本发明实施例所公开的基于BP神经网络的集成电路电参数处理方法中原有设备的数据拟合的多项式曲线;
图3为本发明实施例所公开的基于BP神经网络的集成电路电参数处理方法中当前设备的数据拟合的函数曲线;
图4为本发明实施例所公开的基于BP神经网络的集成电路电参数处理方法中原有设备和当前设备的数据映射以后形成的拟合函数曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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他实施例,都属于本发明保护的范围。
如图1所示,本发明提供基于BP神经网络的集成电路电参数处理方法,包括以下步骤:
步骤A、采集原有设备的参数数据,例如:电压值,电流值等。
步骤B、采集当前设备的参数数据;
步骤C、对所获取的原有设备以及当前设备的参数数据均进行标准化处理;这能有效去除特征间的量纲影响,并将超出测试限值的电参数点设置为异常点,并对其进行删除处理,避免异常值对模型的影响,对数据进行一个初步的筛选;
步骤D、对原有设备数据运用BP神经网络进行处理后拟合获得第一多项式曲线;
步骤E、对当前设备的数据运用BP神经网络进行回归处理,拟合得到第二多项式曲线;
步骤F、将当前设备和原有设备的数据点进行映射从而对当前设备的数据进行调整,然后对映射后的数据进行拟合处理,得到当前设备的拟合函数,根据原有设备的数据采用该拟合函数推断当前设备的数据。
以下详细介绍本发明的实验过程,在整个实验过程中,本发明使用了实际工厂芯片ICND2263的测试数据进行参数值的调整和处理,本发明选取不同设备和相同批次的芯片进行实验数据的收集处理,选用2000个样本数据来进行实验,使得研究更具有实际意义和现实价值,通过实验验证了本发明方法的有效性,能更为客观的展现出新旧设备的关联,解决了新旧设备在使用时存在的测试数据之间的差异,在整个过程中达到了统一测试设备标准的目的。具体过程如下:
Step1:选取同一款同一批次的芯片进行实验,首先利用原有设备测试芯片得到一组参数数据,得到其各测试项相关的数据,要使得样本容量足够大,以便更好地反映总体的特征和趋势,增加本发明的处理方法的可靠性。
Step2:选取同一款同一批次的芯片进行实验,使用当前设备进行测试获得一组测试数据,作为待处理数据。
Step3:对所获取的两组数据进行标准化处理,数据标准化处理能有效地减少奇异值对样本数据集的干扰,加快模型的训练速度,也能在一定程度上提升方法的精度。
Step4:首先对原有设备的数据进行拟合处理,主要是运用BP神经网络对数据进行处理,如图2所示,根据测试所得到一组电参数根据时间而变化的曲线,将此函数作为目标函数。根据实验结果表明拟合精度可达到99.61%。
Step5:其次,对当前设备所测得的数据进行处理,具体是运用BP神经网络进行回归处理,如图3所示,拟合得到一组曲线。衡量拟合曲线能够解释实际观测值的比例,根据实验结果表明拟合精度可达到99.56%。通过对大量的数据进行实验显示,新旧设备之间数据拥有相似的函数曲线。需要说明的是,BP神经网络对离散的数据进行拟合得到拟合函数曲线是现有技术过程,本发明的改进点不在意BP神经网络拟合的算法本身,而在于利用BP神经网络拟合以及参数映射的方法根据原有设备数据推断当前设备数据的具体参数情况。
Step6:假设取原有设备所测得的电参数的数值为y,而当前设备测得的电参数数值为y2,对y与y2之间进行映射,首先对数据进行标准化处理,然后对y2的测试限值和测试参数进行调整,并分别筛选出y和y2中超出限值的电参数,标为不合格数据,并将异常值剔除,找出剩下的y和y2之间的映射关系。
Step7:对y和y2进行处理,经过BP神经网络对数据进行处理,如图4所示,经过映射后,可得到y和y2之间存在线性关系y和y2,从而可通过原有设备测试数据有效地映射出当前设备的参数项,也即可以通过y推断出y2的参数值,统一了设备的参数标准。根据实验结果表明拟合精度可达到99.74%,这表明可以清晰地根据原有设备数据推断当前设备数据的具体参数情况。
其中,BP神经网络对原有设备以及当前设备的数据进行处理的过程为:
a:采集原有设备和当前设备的参数限值及测试参数数据,并对数据进行标准化处理,去除了数据中的噪声和冗余信息,有效地提高了所选取模型的稳定性。
b:选取激活函数为:
c:根据神经网络中的神经元的连接权重和阈值,将输入信号向前传输,得到BP神经网络的输出结果。
d:根据输出层的输出结果,对照与之对应的期望结果,并计算其的均方误差(MSE),若未达到期望值,则将输出结果进行反向传播,重新对BP神经网络的连接权重和阈值进行调整。
e:计算决定系数R2,
f:若决定系数在预设范围内,则停止更新,输出优化的BP神经网络,若决定系数不在预设范围内,则对学习率和迭代次数以及网络层级进行调整,重新计算其决定系数,直到决定系数在预设范围内,得到优化的BP神经网络,从而获取更高的准确率。
所述原有设备和当前设备的测试过程为:
1.根据待测芯片进行参数测试,获取一组电流、电压等的电参数数据,不同设备之间存在不同的测试限值与测试参数。
2.得到测试参数限值和电参数数据后,对数据进行标准化处理,然后对测试参数进行处理,消除测试参数中的异常值点。如果电参数位于测试限值之内,则说明此芯片通过参数测试,说明此芯片无任何故障,可以投入使用,而如果电参数位于测试限值之外,则将其定为异常值点,然后对其进行删除。
通过以上技术方案,本发明在不影响参数测试数据前后对故障芯片判断的情况下,运用BP神经网络模型对参数限值和测试数据进行调整,计算实际值与预测值之间的拟合精度及准确率,根据实验情况可明显得出,测试准确率的精度高,两测试设备的测试数据之间经过映射形成了一个平滑的曲线,因此,运用旧设备能轻易的计算出新设备的参数数据情况。达到了提升厂商的测试效率,降低测试成本的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于BP神经网络的集成电路电参数处理方法,其特征在于,包括以下步骤:
步骤A、采集原有设备的参数数据;
步骤B、采集当前设备的参数数据;
步骤C、对所获取的原有设备以及当前设备的参数数据均进行标准化处理;
步骤D、对原有设备数据运用BP神经网络进行处理后拟合获得第一多项式曲线;
步骤E、对当前设备的数据运用BP神经网络进行回归处理,拟合得到第二多项式曲线;
步骤F、将当前设备和原有设备的数据点进行映射从而对当前设备的数据进行调整,然后对映射后的数据进行拟合处理,得到当前设备的拟合函数,根据原有设备的数据采用该拟合函数推断当前设备的数据。
2.根据权利要求1所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述BP神经网络的激活函数为
其中,x为输入BP神经网络的数据。
3.根据权利要求1所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述原有设备数据以及当前设备的数据运用BP神经网络进行处理的过程为:
设置BP神经网络中的神经元的连接权重和阈值,将输入信号输入BP神经网络,向前传输,得到BP神经网络的输出结果。
4.根据权利要求3所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,运用BP神经网络进行数据处理还包括参数更新的过程:
根据BP神经网络的输出层的输出结果,对照与之对应的期望结果,并计算其均方误差,若未达到期望值,则将输出结果进行反向传播,重新对BP神经网络的连接权重和阈值进行调整。
5.根据权利要求4所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述均方误差的计算公式为:
其中,Yi为BP神经网络的输出层第i个神经元的输出结果,为BP神经网络的输出层第i个神经元的期望结果,n为BP神经网络的输出层神经元个数。
6.根据权利要求4所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述参数更新的过程还包括:
计算决定系数,若决定系数在预设范围内,则停止更新,输出优化的BP神经网络,若决定系数不在预设范围内,则对学习率和迭代次数以及网络层级进行调整,重新计算其决定系数,直到决定系数在预设范围内,得到优化的BP神经网络。
7.根据权利要求6所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述决定系数的计算公式为
其中,/>表示数据的真实值的均值。
8.根据权利要求6所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述步骤D包括:
对原有设备数据运用BP神经网络进行处理,得到优化的BP神经网络之后,实时输入多组离散的输入值到优化的BP神经网络,得到对应的输出值,将多组数据进行拟合,得到第一多项式曲线。
9.根据权利要求6所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述步骤E包括:
对当前设备的数据运用BP神经网络进行回归处理,得到优化的BP神经网络之后,实时输入多组离散的输入值到BP神经网络,得到对应的输出值,将多组数据进行拟合,得到第二多项式曲线。
10.根据权利要求1所述的基于BP神经网络的集成电路电参数处理方法,其特征在于,所述原有设备和当前设备的测试过程为:
步骤1、根据待测芯片进行参数测试,获取一组电参数数据;
步骤2、对电参数数据进行识别,如果电参数数据数值超过测试限值,则说明此晶圆未通过测试,则说明此芯片存在问题,无法使用,如果电参数数据位于测试限值之内,则说明此晶圆通过参数测试,没有出现故障,则说明此芯片无任何故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855996.3A CN116840662A (zh) | 2023-07-12 | 2023-07-12 | 基于bp神经网络的集成电路电参数处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310855996.3A CN116840662A (zh) | 2023-07-12 | 2023-07-12 | 基于bp神经网络的集成电路电参数处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116840662A true CN116840662A (zh) | 2023-10-03 |
Family
ID=88163222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310855996.3A Pending CN116840662A (zh) | 2023-07-12 | 2023-07-12 | 基于bp神经网络的集成电路电参数处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116840662A (zh) |
-
2023
- 2023-07-12 CN CN202310855996.3A patent/CN116840662A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI549007B (zh) | 製程參數的搜尋與分析方法及其電腦程式產品 | |
CN115032493B (zh) | 一种基于管芯参数显示的晶圆测试方法及系统 | |
JP2021503086A (ja) | 劣化を推定する方法 | |
CN111351697A (zh) | 一种键合金丝可靠性评价方法 | |
CN115308562A (zh) | 芯片测试方法及相关设备 | |
CN116245256B (zh) | 一种结合多因素的电容器质量预测方法、系统及存储介质 | |
CN101118422A (zh) | 半导体制造的虚拟量测预估与建立预估模型的方法与系统 | |
CN111289874A (zh) | 一种功率半导体芯片的鲁棒性测试方法、系统及装置 | |
TW202219532A (zh) | 一種用於晶片測試機的自動校準方法及測試元件 | |
CN117332205B (zh) | 压电阻抗温度补偿高精度自动优化方法及装置 | |
CN112528230B (zh) | 基于精密度和分布转换修正的参数一致性控制方法及装置 | |
US20080004829A1 (en) | Method and apparatus for automatic test equipment | |
CN116646281A (zh) | 异常测试结构获取方法、验证方法及相关装置 | |
CN116840662A (zh) | 基于bp神经网络的集成电路电参数处理方法 | |
CN115792583B (zh) | 一种车规级芯片的测试方法、装置、设备及介质 | |
CN103632232B (zh) | 一种产品的检测方法和设备 | |
JP3234742B2 (ja) | 電子部品の余寿命推定方法及び装置 | |
CN115616374A (zh) | 一种基于机器学习的半导体芯片的测试系统 | |
CN109308395A (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
CN116840661A (zh) | 一种集成电路电性能测试中电参数信号处理方法 | |
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 | |
TWI692695B (zh) | 提升產品製程品質之回饋系統及其方法 | |
CN116629707B (zh) | 基于分布式并行计算的fdc溯因分析方法及存储介质 | |
CN111967799A (zh) | 集总参数表贴环行器物料及工艺问题识别方法 | |
WO2022052540A1 (zh) | 新增生产工具的合格检验方法和检验系统 |
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 |