CN117333424A - 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 - Google Patents
晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 Download PDFInfo
- Publication number
- CN117333424A CN117333424A CN202210745208.0A CN202210745208A CN117333424A CN 117333424 A CN117333424 A CN 117333424A CN 202210745208 A CN202210745208 A CN 202210745208A CN 117333424 A CN117333424 A CN 117333424A
- Authority
- CN
- China
- Prior art keywords
- wafer
- test
- defect
- data
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 242
- 238000011156 evaluation Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 213
- 238000000034 method Methods 0.000 claims abstract description 123
- 238000001514 detection method Methods 0.000 claims abstract description 113
- 230000008569 process Effects 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000007689 inspection Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 80
- 230000035945 sensitivity Effects 0.000 claims description 35
- 238000012552 review Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 230000002950 deficient Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 239000004065 semiconductor Substances 0.000 abstract description 4
- 239000013256 coordination polymer Substances 0.000 abstract 2
- 239000000523 sample Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005137 deposition process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- For Increasing The Reliability Of Semiconductor Memories (AREA)
Abstract
本公开提供了一种晶圆缺陷评估方法、装置、存储器芯片和可读存储介质,涉及半导体技术领域。其中,晶圆缺陷评估方法包括:获取在制程阶段对晶圆进行抽检的缺陷检测数据;将缺陷检测数据输入测试阶段失效预测模型,以基于测试阶段失效预测模型预测出在制程结束后晶圆上所有裸片的测试失效预测数据,其中,测试阶段失效预测模型使用测试阶段真实失效大数据作为训练样本进行模型训练生成,真实失效大数据包括具有对应关系的晶圆制程阶段缺陷数据和制程结束后的测试失效数据;基于缺陷检测数据和测试失效预测数据计算晶圆的缺陷评估指标。通过本公开的技术方案,能够减少CP测试的工作量,缩短CP测试周期,进而提升内存芯片的生产效率。
Description
技术领域
本公开涉及半导体技术领域,尤其涉及一种晶圆缺陷评估方法、一种存储器和一种计算机可读存储介质。
背景技术
相关技术中,为了评估芯片的良率,提出了一种指标值KR(Kill Ratio),KR的计算方式如式(1)所示:
其中,在晶圆制造过程中,每形成一层膜层,会选择少量的裸片进行缺陷检测,并得到检测结果,DGD(defect good die)是检测结果为Pass且有缺陷的裸片数量,DBD(defect bad die)是测试结果为Fail且有缺陷的裸片数量,在制程结束后,还需要对生成的每个裸片进行CP(Chip Probing)测试,CGD(clean good die)是CP测试结果为Pass且无缺陷的裸片数量,CBD(clean bad die)是CP测试结果为Fail且无缺陷的裸片数量,而为了得到CGD和CBD,需要在CP测试中对所有的裸片进行测试,这就导致了CP测试的测试周期长,测试成本高。
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
本公开的目的在于提供一种晶圆缺陷评估方法、装置、存储器芯片和可读存储介质,能够减少CP测试的工作量,缩短CP测试周期,进而能够提升内存芯片的生产效率。。
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,提供一种晶圆缺陷评估方法,包括:获取在制程阶段对晶圆进行抽检的缺陷检测数据;
将所述缺陷检测数据输入测试阶段失效预测模型,以基于所述测试阶段失效预测模型预测出在制程结束后晶圆上所有裸片的测试失效预测数据,其中,所述测试阶段失效预测模型使用测试阶段真实失效大数据作为训练样本进行模型训练生成,所述真实失效大数据包括具有对应关系的晶圆制程阶段缺陷数据和制程结束后的测试失效数据;
基于所述缺陷检测数据和所述测试失效预测数据计算所述晶圆的缺陷评估指标。
在本公开的一种示例性实施例中,所述将所述缺陷检测数据输入测试阶段失效预测模型,以基于所述测试阶段失效预测模型预测出在测试阶段的测试失效预测数据包括:
所述缺陷检测数据包括第一检测值和第二检测值,所述第一检测值为检测到的有缺陷且测试通过的裸片数量,所述第二检测值为检测到的有缺陷且测试失效的裸片数量,将所述第一检测值和所述第二检测值输入所述测试阶段失效预测模型,以输出所述测试失效预测数据,所述测试失效预测数据包括第一预测值和第二预测值,所述第一预测值为预测出的通过晶圆测试且无缺陷裸片数量,所述第二预测值为在所述晶圆测试中失效且无缺陷裸片数量。
在本公开的一种示例性实施例中,所述缺陷评估指标包括关联性指标、重要性指标和敏感度指标中的至少一种,
其中,所述关联性指标用于表征所述缺陷检测数据和所述测试失效预测数据之间的相关性,所述重要性指标用于表征缺陷对测试失效的影响程度,所述敏感度指标用于表征所述缺陷检测数据随所述测试失效预测数据的变化率。
在本公开的一种示例性实施例中,所述基于所述缺陷检测数据和所述测试失效预测数据计算所述缺陷评估指标包括:
基于第一公式计算所述关联性指标,
其中,所述第一公式为R为所述关联性指标,DGD为所述第一检测值,DBD为所述第二检测值,CBD′为所述第二预测值,Total′为所述第一预测值和所述第二预测值之和。
在本公开的一种示例性实施例中,所述基于所述缺陷检测数据和所述测试失效预测数据计算所述缺陷评估指标包括:
基于第二公式计算所述重要性指标,
其中,所述第二公式为I为所述重要性指标,DGD为所述第一检测值,DBD为所述第二检测值,CBD′为所述第二预测值,Total′为所述第一预测值和所述第二预测值之和。
在本公开的一种示例性实施例中,所述基于所述缺陷检测数据和所述测试失效预测数据计算所述缺陷评估指标包括:
基于第三公式计算所述敏感度指标,
其中,所述第三公式为S为所述敏感度指标,DGD为所述第一检测值,DBD为所述第二检测值,CBD′为所述第二预测值。
在本公开的一种示例性实施例中,还包括:
基于所述缺陷评估指标筛选出关键制程晶圆层,所述关键制程晶圆层用于预测出在后期测试中删除失效裸片。
在本公开的一种示例性实施例中,所述基于所述缺陷评估指标筛选出关键制程晶圆层包括:
将所述重要性指标、所述敏感度指标和所述关联性指标按照筛选优先级从高到低进行排序;
基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层。
在本公开的一种示例性实施例中,在基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层之前,还包括:
对所述晶圆制程阶段缺陷数据中的缺陷形状特征和所述测试失效数据进行相关性分析;
基于所述相关性分析的分析结果设置第一阈值、第二阈值和第三阈值,
其中,所述第一阈值用于对所述重要性指标进行筛选,所述第二阈值用于对所述敏感度指标进行筛选,所述第三阈值用于对所述关联性指标进行筛选。
在本公开的一种示例性实施例中,所述基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层包括:
从全部晶圆层中过滤掉所述重要性指标小于或等于0的晶圆层,得到待筛选晶圆层;
将所述重要性指标大于所述第一阈值作为第一筛选优先级,从所述待筛选晶圆层中筛选出第一组关键晶圆层,并得到剩余晶圆层;
将所述敏感度指标大于所述第二阈值作为第二筛选优先级,从所述剩余晶圆层中筛选出第二组关键晶圆层,以基于所述第一组关键晶圆层和所述第二组关键晶圆层得到所述关键制程晶圆层。
在本公开的一种示例性实施例中,基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层,还包括:
将所述关键制程晶圆层的缺陷检测数据输入所述测试阶段失效预测模型,以基于所述对应关系输出所述失效裸片在所述关键制程晶圆层的位置信息。
在本公开的一种示例性实施例中,所述在获取在制程阶段对晶圆进行抽检的缺陷检测数据之前,还包括:
基于缺陷在每层晶圆上均以指定概率分布的假设条件配置训练模型;
提取所述训练样本中的失效训练特征,基于所述失效训练特征对所述训练模型进行迭代训练,得到所述测试阶段失效预测模型。
在本公开的一种示例性实施例中,提取所述训练样本中的失效训练特征,基于所述失效训练特征对所述训练模型进行迭代训练,得到所述测试阶段失效预测模型包括:
所述失效训练特征包括所述每层晶圆上的缺陷数量和所述缺陷所在的裸片位置,基于所述缺陷数量和所述裸片位置进行所述迭代训练,以得到所述测试阶段失效预测模型。
在本公开的一种示例性实施例中,所述基于所述缺陷数量和所述裸片位置进行所述迭代训练,以得到所述测试阶段失效预测模型,还包括:
所述失效训练特征包括所述缺陷的形状特征,基于所述形状进行所述迭代训练,直至所述训练模型收敛至满足所述对应关系,
其中,所述形状特征包括所述缺陷的周长和/或面积。
根据本公开的另一个方面,提供了一种晶圆缺陷评估装置,包括:获取模块,用于获取在制程阶段对晶圆进行抽检的缺陷检测数据;预测模块,用于将所述缺陷检测数据输入测试阶段失效预测模型,以基于所述测试阶段失效预测模型预测出在制程结束后晶圆上所有裸片的测试失效预测数据,其中,所述测试阶段失效预测模型使用测试阶段真实失效大数据作为训练样本进行模型训练生成,所述真实失效大数据包括具有对应关系的晶圆制程阶段缺陷数据和制程结束后的测试失效数据;计算模块,用于基于所述缺陷检测数据和所述测试失效预测数据计算所述晶圆的缺陷评估指标。
根据本公开的再一个方面,提供了一种存储器芯片,所述存储器芯片采用采用上述实施例所述的晶圆缺陷评估方法进行缺陷评估和检测。
根据本公开的又一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中所述的缺陷评估方法。
本公开的实施例所提供的晶圆缺陷评估方案,通过收集晶圆制程阶段缺陷数据和制程结束后的测试失效数据,并基于二者之间的对应关系生成训练样本,以基于训练样本进行模型训练得到测试阶段失效预测模型,在晶圆制程阶段通过缺陷检测得到缺陷检测数据时,将缺陷检测数据输入测试阶段失效预测模型,以输出预测的测试失效预测数据,以进一步基于缺陷检测数据和测试失效预测数据计算出晶圆的缺陷评估指标,通过预设测试阶段失效预测模型,得到测试失效预测数据,能够基于测试失效预测数据确定在实际CP测试中重点对哪些裸片进行CP测试,则不需要对全部裸片进行CP测试,能够减少CP测试的工作量,缩短CP测试周期,进而能够提升内存芯片的生产效率。
进一步地,通过采用缺陷检测数据和测试失效预测数据进行计算,得到晶圆的缺陷评估指标,能够基于缺陷评估指标进行制程缺陷的评估。
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示出了本公开的一个实施例提供的晶圆缺陷评估方法的流程图;
图2示出了本公开的另一个实施例提供的晶圆缺陷评估方法的流程图;
图3示出了本公开的再一个实施例提供的晶圆缺陷评估方法的流程图;
图4示出了本公开的又一个实施例提供的晶圆缺陷评估方法的流程图;
图5示出了本公开的又一个实施例提供的晶圆缺陷评估方法的流程图;
图6示出了本公开的一个实施例提供的晶圆缺陷示意图;
图7示出了本公开的一个实施例提供的晶圆层上缺陷的形状特征的示意图;
图8示出了本公开的另一个实施例提供的裸片区域中晶圆层上的缺陷的形状特征的示意图;
图9示出了本公开的又一个实施例提供的晶圆缺陷评估方法的流程图;
图10为本公开的一种实施例提供的适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
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。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。用语“一个”、“一”和“上述”等用以表示存在一个或多个要素/组成部分/等。术语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
相关技术中,在晶圆制造过程中,在相应的制程阶段,会对晶圆上当前的膜层上的局部区域进行缺陷检测(inline defect scan),并得到检测结果,DGD是检测结果为Pass且有缺陷的裸片数量,DBD是测试结果为Fail且有缺陷的裸片数量,在制程结束后,还需要对最终获得的每个裸片进行CP(Chip Probing)测试,CGD是CP测试结果为Pass且无缺陷的裸片数量,CBD是CP测试结果为Fail且无缺陷的裸片数量,基于DGD、DBD、CGD和CBD计算失效率(Kill Ratio,KR),而为了得到CGD和CBD,需要在CP测试中对所有的裸片进行测试,这就导致了CP测试的测试周期长,测试成本高。
参照图1,本公开的实施例首先提供了一种晶圆缺陷评估方法,包括:
步骤S102,获取在制程阶段对晶圆进行抽检的缺陷检测数据。
其中,制程阶段指包括多个膜层沉积工艺和光刻工艺等,通过不同的制程工艺,在当前晶圆层上形成相应的结构,在执行完相应的制程工艺后,会对当前的晶圆层表面进行抽检,获得当前晶圆层的缺陷(defect)检测数据。
步骤S104,将缺陷检测数据输入测试阶段失效预测模型,以基于测试阶段失效预测模型预测出在制程结束后晶圆上所有裸片的测试失效预测数据,其中,测试阶段失效预测模型使用测试阶段真实失效大数据作为训练样本进行模型训练生成,真实失效大数据包括具有对应关系的晶圆制程阶段缺陷数据和制程结束后的测试失效数据。
其中,基于对同一晶圆Wafer分别进行制程中的缺陷检测和制程后的CP测试得到的测试结果,对应关系包括测试结果中的同一裸片进行制程defect检测的检测结果(1)和进行CP测试的测试结果(2),检测结果(1)还包括在哪一晶圆层对哪个区域进行抽检等。
另外,制程结束后的测试失效数据通过CP测试得到,CP测试在整个芯片的制作流程中处于晶圆制造和封装之间,晶圆Wafer制作完成之后,成千上万的裸片(即未封装的芯片)规则的分布满整个Wafer,由于尚未进行划片封装,芯片的管脚全部裸露在外,这些极微小的管脚需要通过更细的探针Probe来与测试机台Tester连接,以进行CP测试,上述的测试失效数据即通过CP测试得到的失效数据。
通过收集晶圆制程阶段缺陷数据和制程结束后的测试失效数据,得到模型训练的训练样本,通过机器学习进行模型训练,以得到测试阶段失效预测模型。
通过将获取到的缺陷检测数据输入测试阶段失效预测模型,即可输出预测出的测试失效预测数据,基于测试失效预测数据即可进一步确定在后续的实际CP测试中,重点对哪些裸片进行CP测试,以减少CP测试的工作量。
步骤S106,基于缺陷检测数据和测试失效预测数据计算晶圆的缺陷评估指标。
其中,晶圆的缺陷评估指标包括但不限于关联性指标、重要性指标和敏感度指标中的至少一种。
在该实施例中,通过收集晶圆制程阶段缺陷数据和制程结束后的测试失效数据,并基于二者之间的对应关系生成训练样本,以基于训练样本进行模型训练得到测试阶段失效预测模型,在晶圆制程阶段通过缺陷检测得到缺陷检测数据时,将缺陷检测数据输入测试阶段失效预测模型,以输出预测的测试失效预测数据,以进一步基于缺陷检测数据和测试失效预测数据计算出晶圆的缺陷评估指标,通过预设测试阶段失效预测模型,得到测试失效预测数据,能够基于测试失效预测数据确定在实际CP测试中重点对哪些裸片进行CP测试,则不需要对全部裸片进行CP测试,能够减少CP测试的工作量,缩短CP测试周期,进而能够提升内存芯片的生产效率。
进一步地,通过采用缺陷检测数据和测试失效预测数据进行计算,得到晶圆的缺陷评估指标,能够基于缺陷评估指标进行制程缺陷的评估。
在本公开的一种示例性实施例中,将缺陷检测数据输入测试阶段失效预测模型,以基于测试阶段失效预测模型预测出在测试阶段的测试失效预测数据包括:缺陷检测数据包括第一检测值和第二检测值,第一检测值为晶圆层上检测到的有缺陷且测试通过的裸片数量,即通过缺陷检测的区域的数量DGD,第二检测值为检测到的有缺陷且测试失效的裸片数量,即未通过缺陷检测的区域的数量DBD,将第一检测值和第二检测值输入测试阶段失效预测模型,以输出测试失效预测数据,测试失效预测数据包括第一预测值和第二预测值,第一预测值为预测出的通过晶圆测试且无缺陷裸片数量CGD′,第二预测值为在晶圆测试中失效且无缺陷裸片数量CBD′。
其中,本领域的技术人员能够理解的是,晶圆制程阶段缺陷数据包括在已完成的晶圆制程阶段中检测到的通过缺陷检测的第一裸片数量和未通过缺陷检测的第二裸片数量,测试失效数据包括已完成的CP测试过程中通过测试的第三裸片数量和没有通过测试的第四裸片数量,基于第一裸片数量和第二裸片数量与第三裸片数量和第四裸片数量之间的对应关系,进行模型训练,得到测试阶段失效预测模型。
在该实施例中,通过将第一检测值和第二检测值输入测试阶段失效预测模型,以输出对应的第一预测值和第二预测值,则可基于在晶圆测试中未通过测试的失效裸片数量与其所处的位置,进一步确定在实际CP测试中需要重点测试的裸片。
另外,由于KR不能够准确地量化缺陷对实际良率的影响,例如,如果在晶圆制造过程中的缺陷检测只检测出一个缺陷区域,而CP测试也失效,此时KR=1,但是实际的良率影响仍未知。
进一步地,由于晶圆制造过程中的缺陷检测与晶圆制程结束后的CP测试存在样本之间的差异,因此在目前的良率评估方案中,也无法确定制造过程中哪一晶圆膜层的制程缺陷对后续的CP测试产生重要影响。
基于上述缺陷,在本公开的一种示例性实施例中,关联性指标R(Relevance)用于表征缺陷检测数据和测试失效预测数据之间的相关性,重要性指标I(Importance)用于表征缺陷对测试失效的影响程度,敏感度指标S(Sensitivity)用于表征缺陷检测数据随测试失效预测数据的变化率。
具体地,本领域的技术人员能够理解的是,上述指标的计算以晶圆层为单位进行计算,即在每完成一道或多道制程工艺后,对当前晶圆层进行对应的缺陷检测,基于检测结果,即可计算出该层的关联性指标R、重要性指标I和敏感度指标S。另外,本领域技术人员能够理解的是,在制程完成后,晶圆表面上形成了多个重复的单元,每个单元即称之为裸片,每个裸片对应晶圆上不同的区域。
在该实施例中,通过采用关联性指标R、重要性指标I和敏感度指标S作为缺陷评估指标,由于能够从多个方面量化缺陷对实际良率的影响,因此能够提升量化缺陷对实际良率的影响的准确性,另外,通过计算出上述三个缺陷评估指标,也能够进一步评估出哪些制程缺陷对CP测试和晶圆良率影响较大,具体评估方式在后续描述中给出。
在本公开的一种示例性实施例中,基于缺陷检测数据和测试失效预测数据计算关联性指标包括:
基于第一公式计算关联性指标,第一公式如式(2)所示:
其中,R为关联性指标,DGD为第一检测值,DBD为第二检测值,CBD′为第二预测值,Total′为第一预测值和第二预测值之和,即CGD′和CBD′的和。
在该实施例中,R的值越大,表明实际检测到的第一检测值DGB和第二检测值DBD,与预测出的第一预测值CGD′和第二预测值CBD′之间的关联性越大,也就是说,在制程阶段检测到的缺陷defect对后续的CP测试的结果的影响越大。
在本公开的一种示例性实施例中,基于缺陷检测数据和测试失效预测数据计算重要性指标包括:
基于第二公式计算重要性指标,第二公式如式(3)所示:
其中,I为重要性指标,DGD为第一检测值,DBD为第二检测值,CBD′为第二预测值,Total′为第一预测值和第二预测值之和。
在该实施例中,I的值越大,表明检测到的晶圆层的缺陷defect的重要性越高,即该层缺陷对晶圆良率的影响越大。
在本公开的一种示例性实施例中,基于缺陷检测数据和测试失效预测数据计算敏感度指标包括:
基于第三公式计算敏感度指标,第三公式如式(4)所示:
其中,S为敏感度指标,DGD为第一检测值,DBD为第二检测值,CBD′为第二预测值。
具体地,如果S=1,表明检测到的缺陷对CP测试结果的发生不起作用,如果S>1,表明检测到的缺陷是危险因素,如果S<1,表明检测到的缺陷是保护因素。
在上述实施例中,通过分别计算出每一晶圆层的关联性指标R、重要性指标I和敏感度指标S,实现了从多个方面对晶圆层上的缺陷进行评估,在提升评估准确性和可靠性的同时,也能够进一步基于上述指标值筛选出需要重点关注的晶圆层,以基于筛选结果进行CP测试的简化和相应晶圆层制程的改进等操作。
进一步地,为了确定制造过程中哪一晶圆膜层的制程缺陷对后续的CP测试产生重要影响,在本公开的一种示例性实施例中,还包括:基于缺陷评估指标筛选出关键制程晶圆层,关键制程晶圆层用于基于测试阶段失效预测模型预测出在后期测试中删除失效裸片,即在后期测试中不再对这些失效的裸片进行测试。
在该实施例中,通过基于缺陷评估指标中的关联性指标R、重要性指标I和敏感度指标S中的至少一种的指标值的大小,进行关键制程对应晶圆层的筛选,基于筛选结果,一方面,能够确定哪些工艺膜层的制备容易导致CP测试中裸片的失效,另一方,也能够进一步确定在CP测试中需要对哪些裸片进行终端测试。
如图2所示,在本公开的一种示例性实施例中,基于缺陷评估指标筛选出关键制程晶圆层的一种具体实现方式,包括:
步骤S202,将重要性指标、敏感度指标和关联性指标按照筛选优先级从高到低进行排序。
步骤S204,基于筛选优先级对缺陷评估指标进行筛选,以基于筛选结果得到关键制程晶圆层。
其中,作为筛选优先级的一种配置方式,将基于重要性指标I筛选、R基于敏感度指标S筛选和基于关联性指标筛选按照筛选优先级,从高到低排序。
在该实施例中,通过基于筛选优先级对缺陷评估指标进行筛选的筛选方式,能够得到需要重点关注的关键制程晶圆层,以保证筛选出的关键制程晶圆层的有效性。
如图3所示,在本公开的一种示例性实施例中,在基于筛选优先级对缺陷评估指标进行筛选,以基于筛选结果得到关键制程晶圆层之前,还包括:
步骤S302,对晶圆制程阶段缺陷数据中的缺陷形状特征和测试失效数据进行相关性分析。
步骤S304,基于相关性分析的分析结果设置第一阈值、第二阈值和第三阈值,第一阈值用于对重要性指标进行筛选,第二阈值用于对敏感度指标进行筛选,第三阈值用于对关联性指标进行筛选。
在该实施例中,相关性分析包括但不限于测试阶段真实失效大数据中的每个晶圆层上的缺陷区域的数量达到多少时会导致CP测试失效,以及缺陷区域的哪些形状特征容易导致该区域的裸片后续的CP测试失效等,基于上述的相关性分析结果,即可配置对应的第一阈值、第二阈值和第三阈值,从而将第一阈值、第二阈值和第三阈值中的至少一个作为筛选基准,得到筛选出的关键制程晶圆层。
步骤S306,将重要性指标、敏感度指标和关联性指标按照筛选优先级从高到低进行排序。
在本公开的一种示例性实施例中,步骤S204,基于筛选优先级对缺陷评估指标进行筛选,以基于筛选结果得到关键制程晶圆层的一种具体实现方式,包括:
步骤S308,从全部晶圆层中过滤掉重要性指标小于或等于0的晶圆层,得到待筛选晶圆层。
步骤S310,将重要性指标大于第一阈值作为第一筛选优先级,从待筛选晶圆层中筛选出第一组关键晶圆层,并得到剩余晶圆层。
步骤S312,将敏感度指标大于第二阈值作为第二筛选优先级,从剩余晶圆层中筛选出第二组关键晶圆层,以基于第一组关键晶圆层和第二组关键晶圆层得到关键制程晶圆层。
具体地,表1示出了Layer1至Layer26中,每个晶圆层的三个指数的计算结果。
表1
基于上述的筛选优先级,首先过滤掉I指小于或等于0的晶圆层,然后对表1中的数据进行统一处理后,得到表2中的数据,然后基于重要性指标I进行筛选,筛选结果如表2中的Layer1至Layer6。
其中,对表1中的数据进行统一处理的处理方式包括:基于给定检查层的扫描裸片的数量Ns和所有裸片的数量Nt计算比值Weight,将Weight作为系数重新计算Nt,得到Nt’,重新计算Cf(Cf=DBD+CBD′),得到Cf’,重新计算Cp(Cp=Nt’-Cf’),得到Cp’,重新计算第二预测值CBD’=max(Cf’-DBD,0),重新计算第一预测值CGD’=Nt’-DBD-CBD’-DGD。
基于上述重新计算的值,重新计算关联性指标、重要性指标和敏感度指标,得到表2中的数据。
进一步基于敏感度指标S进行筛选,筛选出对CP失效检测具有比较高的敏感性的Layer20、Layer15、Layer17、Layer13、Layer19和Layer21,如表2所示。
基于上述的筛选结果得到关键制程晶圆层,一方面,基于每层对应的制程工艺,可以进一步确定该工艺的改进方向,另一方面,基于这些关键制程晶圆层,也可以进一步确定哪些裸片在CP测试中需要重点关注,哪些不需要。
表2
/>
如图4所示,根据本公开的一个实施例的关键制程晶圆层的筛选方法,具体包括:
步骤S402,对晶圆进行抽样扫描操作,得到缺陷检测数据。
步骤S404,将缺陷检测数据输入测试阶段失效预测模型,输出测试失效预测数据。
步骤S406,基于缺陷检测数据和测试失效预测数据计算关联性指标、重要性指标和敏感度指标。计算结果如表3所示。
步骤S408,基于阈值确定能够影响CP测试的缺陷属性。确定结果如表4所示。
步骤S410,基于缺陷属性重新计算关联性指标、重要性指标和敏感度指标。计算结果如表5所示。
表3
/>
表4
STEP_NAME | DEF.Attributes | DEF.Value | DC.Fail Dies | DEF.Dies |
Layer1 | Attri.1 | 555 | 1 | 1 |
Layer2 | Attri.2 | 535.004 | 1 | 1 |
Layer3 | Attri.3 | 396.635 | 0 | 0 |
Layer4 | Attri.4 | 68.96679 | 0 | 0 |
Layer5 | Attri.5 | 41.203 | 0 | 0 |
Layer6 | Attri.6 | 1.708 | 223 | 702 |
Layer7 | Attri.7 | 0.00139934 | 568 | 2258 |
Layer8 | Attri.8 | 57.731 | 1 | 1 |
Layer9 | Attri.9 | 57.637 | 0 | 0 |
Layer10 | Attri.10 | 5 | 601 | 1141 |
Layer11 | Attri.11 | 0.01153249 | 106 | 298 |
Layer12 | Attri.12 | 0.6439 | 229 | 716 |
…etc | … | … | … | … |
表5
STEP_NAME | Relevance | Importance | Sensitivity |
Layer1 | 1.300 | 0.080 | 2.483 |
Layer2 | 1.986 | 0.074 | 4.533 |
Layer3 | 3.106 | 0.048 | 8.519 |
Layer4 | 2.053 | 0.033 | 3.445 |
Layer5 | 3.971 | 0.032 | 11.867 |
Layer6 | 1.906 | 0.031 | 2.992 |
Layer7 | 1.844 | 0.022 | 2.665 |
Layer8 | 1.512 | 0.018 | 1.986 |
如图5所示,在本公开的一种示例性实施例中,在步骤S102,获取在制程阶段对晶圆进行抽检的缺陷检测数据之前,还包括:
步骤S502,基于缺陷在每层晶圆上均以指定概率分布的假设条件配置训练模型。
其中,训练模型可以基于神经网络生成,具体地,根据任务本身,可以确定神经网络输入层与输出层的节点个数,比如,输入层和输出层分别设2个节点,然后假设所有晶粒都随机出现概率恒定的缺陷,确定模型中的初始参数,得到训练模型。
步骤S504,提取训练样本中的失效训练特征,基于失效训练特征对训练模型进行迭代训练,得到测试阶段失效预测模型。
在该实施例中,通过运用统计方法与机器学习进行模型的迭代训练,得到测试阶段失效预测模型,通过机器学习得到的测试阶段失效预测模型,由于能够充分学习到晶圆制程阶段缺陷数据和制程结束后的测试失效数据之间的对应关系,因此对测试失效预测数据能够得到较好的预测效果。
在本公开的一种示例性实施例中,提取训练样本中的失效训练特征,基于失效训练特征对训练模型进行迭代训练,得到测试阶段失效预测模型包括:失效训练特征包括每层晶圆上的缺陷数量和缺陷所在的裸片位置,基于缺陷数量和裸片位置进行迭代训练,以得到测试阶段失效预测模型。
在该实施例中,通过将每层晶圆上的缺陷数量和缺陷所在的裸片位置确定为失效训练特征,结合对对应关系的训练,即可获知每个晶圆上大概有多少个缺陷时会造成CP测试的失效,以及失效裸片的所在位置。
在本公开的一种示例性实施例中,基于缺陷数量和裸片所在的位置进行迭代训练,以得到测试阶段失效预测模型,还包括:失效训练特征包括缺陷的形状特征,基于形状进行迭代训练,直至训练模型收敛至满足对应关系,其中,形状特征包括缺陷的周长和/或面积。
在该实施例中,通过将包括缺陷的周长和/或面积在内的形状特征作为失效训练特征,结合对对应关系的训练,即可获知何种形状的缺陷会造成CP测试的失效,一方面,在CP测试中,对该形状可以进行重点关注,另一方面,在晶圆制程过程中,通过对工艺的改善,减小该形状的缺陷出现的概率,以提升晶圆的制备良率。
图6示出了一个有缺陷的晶圆层60,以及该晶圆层上的缺陷区域对应的裸片区域602。
图7示出了裸片区域602的缺陷长度X和缺陷宽度Y。
图8示出了裸片区域602的缺陷面积XY。
基于上述的缺陷的形状特征进行模型的迭代训练,可以确定哪些形状的缺陷对晶圆良率造成的影响较大。
如图9所示,根据本公开的一个实施例的测试阶段失效预测模型的训练方法,具体包括:
步骤S902,分别收集包括缺陷参数的晶圆制程阶段缺陷数据和制程结束后的测试失效数据。
步骤S904,基于缺陷数量和缺陷所在的位置进行迭代训练。
步骤S906,基于形状进行迭代训练,直至训练模型收敛至满足对应关系,得到测试阶段失效预测模型。
在本公开的一种示例性实施例中,基于筛选优先级对缺陷评估指标进行筛选,以基于筛选结果得到关键制程晶圆层,还包括:将关键制程晶圆层的缺陷检测数据输入测试阶段失效预测模型,以基于对应关系输出失效裸片在关键制程晶圆层的位置信息。
下面参考图10,其示出了适于用来实现本公开实施例的电子设备的计算机系统1000的结构示意图。图10示出的电子设备的计算机系统1000仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1009也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中的缺陷评估方法。
例如,电子设备可以实现如图1中所示的:步骤S102,获取在制程阶段对晶圆进行抽检的缺陷检测数据;步骤S104,将缺陷检测数据输入测试阶段失效预测模型,以基于测试阶段失效预测模型预测出在制程结束后晶圆上所有裸片的测试失效预测数据,其中,测试阶段失效预测模型使用测试阶段真实失效大数据作为训练样本进行模型训练生成,真实失效大数据包括具有对应关系的晶圆制程阶段缺陷数据和制程结束后的测试失效数据;步骤S106,基于缺陷检测数据和测试失效预测数据计算晶圆的缺陷评估指标。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机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。而在本公开中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
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 (17)
1.一种晶圆缺陷评估方法,其特征在于,包括:
获取在制程阶段对晶圆进行抽检的缺陷检测数据;
将所述缺陷检测数据输入测试阶段失效预测模型,以基于所述测试阶段失效预测模型预测出在制程结束后晶圆上所有裸片的测试失效预测数据,其中,所述测试阶段失效预测模型使用测试阶段真实失效大数据作为训练样本进行模型训练生成,所述真实失效大数据包括具有对应关系的晶圆制程阶段缺陷数据和制程结束后的测试失效数据;
基于所述缺陷检测数据和所述测试失效预测数据计算所述晶圆的缺陷评估指标。
2.根据权利要求1所述的晶圆缺陷评估方法,其特征在于,所述将所述缺陷检测数据输入测试阶段失效预测模型,以基于所述测试阶段失效预测模型预测出在测试阶段的测试失效预测数据包括:
所述缺陷检测数据包括第一检测值和第二检测值,所述第一检测值为检测到的有缺陷且测试通过的裸片数量,所述第二检测值为检测到的有缺陷且测试失效的裸片数量,将所述第一检测值和所述第二检测值输入所述测试阶段失效预测模型,以输出所述测试失效预测数据,所述测试失效预测数据包括第一预测值和第二预测值,所述第一预测值为预测出的通过晶圆测试且无缺陷裸片数量,所述第二预测值为在所述晶圆测试中失效且无缺陷裸片数量。
3.根据权利要求2所述的晶圆缺陷评估方法,其特征在于,所述缺陷评估指标包括关联性指标、重要性指标和敏感度指标中的至少一种,
其中,所述关联性指标用于表征所述缺陷检测数据和所述测试失效预测数据之间的相关性,所述重要性指标用于表征缺陷对测试失效的影响程度,所述敏感度指标用于表征所述缺陷检测数据随所述测试失效预测数据的变化率。
4.根据权利要求3所述的晶圆缺陷评估方法,其特征在于,所述基于所述缺陷检测数据和所述测试失效预测数据计算所述缺陷评估指标包括:
基于第一公式计算所述关联性指标,
其中,所述第一公式为R为所述关联性指标,DGD为所述第一检测值,DBD为所述第二检测值,CBD′为所述第二预测值,Total′为所述第一预测值和所述第二预测值之和。
5.根据权利要求3所述的晶圆缺陷评估方法,其特征在于,所述基于所述缺陷检测数据和所述测试失效预测数据计算所述缺陷评估指标包括:
基于第二公式计算所述重要性指标,
其中,所述第二公式为I为所述重要性指标,DGD为所述第一检测值,DBD为所述第二检测值,CBD′为所述第二预测值,Total′为所述第一预测值和所述第二预测值之和。
6.根据权利要求3所述的晶圆缺陷评估方法,其特征在于,所述基于所述缺陷检测数据和所述测试失效预测数据计算所述缺陷评估指标包括:
基于第三公式计算所述敏感度指标,
其中,所述第三公式为S为所述敏感度指标,DGD为所述第一检测值,DBD为所述第二检测值,CBD′为所述第二预测值。
7.根据权利要求3所述的晶圆缺陷评估方法,其特征在于,还包括:
基于所述缺陷评估指标筛选出关键制程晶圆层,所述关键制程晶圆层用于预测出在后期测试中删除失效裸片。
8.根据权利要求7所述的晶圆缺陷评估方法,其特征在于,所述基于所述缺陷评估指标筛选出关键制程晶圆层包括:
将所述重要性指标、所述敏感度指标和所述关联性指标按照筛选优先级从高到低进行排序;
基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层。
9.根据权利要求8所述的晶圆缺陷评估方法,其特征在于,在基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层之前,还包括:
对所述晶圆制程阶段缺陷数据中的缺陷形状特征和所述测试失效数据进行相关性分析;
基于所述相关性分析的分析结果设置第一阈值、第二阈值和第三阈值,
其中,所述第一阈值用于对所述重要性指标进行筛选,所述第二阈值用于对所述敏感度指标进行筛选,所述第三阈值用于对所述关联性指标进行筛选。
10.根据权利要求9所述的晶圆缺陷评估方法,其特征在于,所述基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层包括:
从全部晶圆层中过滤掉所述重要性指标小于或等于0的晶圆层,得到待筛选晶圆层;
将所述重要性指标大于所述第一阈值作为第一筛选优先级,从所述待筛选晶圆层筛选出第一组关键晶圆层,并得到剩余晶圆层;
将所述敏感度指标大于所述第二阈值作为第二筛选优先级,从所述剩余晶圆层中筛选出第二组关键晶圆层,以基于所述第一组关键晶圆层和所述第二组关键晶圆层得到所述关键制程晶圆层。
11.根据权利要求8所述的晶圆缺陷评估方法,其特征在于,基于所述筛选优先级对所述缺陷评估指标进行筛选,以基于筛选结果得到所述关键制程晶圆层,还包括:
将所述关键制程晶圆层的缺陷检测数据输入所述测试阶段失效预测模型,以基于所述对应关系输出所述失效裸片在所述关键制程晶圆层的位置信息。
12.根据权利要求1至11中任一项所述的晶圆缺陷评估方法,其特征在于,所述在获取在制程阶段对晶圆进行抽检的缺陷检测数据之前,还包括:
基于缺陷在每层晶圆上均以指定概率分布的假设条件配置训练模型;
提取所述训练样本中的失效训练特征,基于所述失效训练特征对所述训练模型进行迭代训练,得到所述测试阶段失效预测模型。
13.根据权利要求12所述的晶圆缺陷评估方法,其特征在于,提取所述训练样本中的失效训练特征,基于所述失效训练特征对所述训练模型进行迭代训练,得到所述测试阶段失效预测模型包括:
所述失效训练特征包括所述每层晶圆上的缺陷数量和所述缺陷所在的裸片位置,基于所述缺陷数量和所述裸片位置进行所述迭代训练,以得到所述测试阶段失效预测模型。
14.根据权利要求13所述的晶圆缺陷评估方法,其特征在于,所述基于所述缺陷数量和所述裸片位置进行所述迭代训练,以得到所述测试阶段失效预测模型,还包括:
所述失效训练特征包括所述缺陷的形状特征,基于所述形状进行所述迭代训练,直至训练模型收敛至满足所述对应关系,
其中,所述形状特征包括所述缺陷的周长和/或面积。
15.一种晶圆缺陷评估装置,其特征在于,包括:
获取模块,用于获取在制程阶段对晶圆进行抽检的缺陷检测数据;
预测模块,用于将所述缺陷检测数据输入测试阶段失效预测模型,以基于所述测试阶段失效预测模型预测出在制程结束后晶圆上所有裸片的测试失效预测数据,其中,所述测试阶段失效预测模型使用测试阶段真实失效大数据作为训练样本进行模型训练生成,所述真实失效大数据包括具有对应关系的晶圆制程阶段缺陷数据和制程结束后的测试失效数据;
计算模块,用于基于所述缺陷检测数据和所述测试失效预测数据计算所述晶圆的缺陷评估指标。
16.一种存储器芯片,其特征在于,所述存储器芯片采用如权利要求1-14中任一项所述的晶圆缺陷评估方法进行缺陷评估和检测。
17.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-14中任一项所述的晶圆缺陷评估方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210745208.0A CN117333424A (zh) | 2022-06-27 | 2022-06-27 | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 |
PCT/CN2022/110342 WO2024000731A1 (zh) | 2022-06-27 | 2022-08-04 | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210745208.0A CN117333424A (zh) | 2022-06-27 | 2022-06-27 | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333424A true CN117333424A (zh) | 2024-01-02 |
Family
ID=89274284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210745208.0A Pending CN117333424A (zh) | 2022-06-27 | 2022-06-27 | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117333424A (zh) |
WO (1) | WO2024000731A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523343B (zh) * | 2024-01-08 | 2024-03-26 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤梯形缺陷的自动识别方法 |
CN117558645B (zh) * | 2024-01-09 | 2024-03-29 | 武汉中导光电设备有限公司 | 大数据Wafer缺陷确定方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1048956A3 (en) * | 1999-04-28 | 2003-05-07 | Lucent Technologies Inc. | Method and apparatus for analizing a semiconductor wafer manufacturing process |
CN109767996A (zh) * | 2018-12-29 | 2019-05-17 | 上海华力微电子有限公司 | 晶圆缺陷分析系统及分析方法 |
CN112488182A (zh) * | 2020-11-27 | 2021-03-12 | 上海华力集成电路制造有限公司 | 一种半导体器件的良率预测方法及装置 |
CN113191399B (zh) * | 2021-04-12 | 2022-05-27 | 普赛微科技(杭州)有限公司 | 一种基于机器学习分类器提高半导体芯片良品率的方法 |
CN113609814A (zh) * | 2021-07-29 | 2021-11-05 | 上海华力微电子有限公司 | 晶圆良率损失预测方法及自定义缺陷密度图形自报告系统 |
CN114399508A (zh) * | 2022-03-25 | 2022-04-26 | 杭州广立微电子股份有限公司 | 晶圆数据的处理方法、装置、电子装置和存储介质 |
-
2022
- 2022-06-27 CN CN202210745208.0A patent/CN117333424A/zh active Pending
- 2022-08-04 WO PCT/CN2022/110342 patent/WO2024000731A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024000731A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9418199B2 (en) | Method and apparatus for extracting systematic defects | |
CN117333424A (zh) | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 | |
US7904279B2 (en) | Methods and apparatus for data analysis | |
US8606536B2 (en) | Methods and apparatus for hybrid outlier detection | |
US9739720B2 (en) | Method, computer system and apparatus for recipe generation for automated inspection of semiconductor devices | |
US10146036B2 (en) | Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects | |
JP2009010405A (ja) | 局所的外れ値の検出のための方法および装置 | |
KR20200014938A (ko) | 반도체 제조 프로세스에서 딥 러닝을 사용하여 결함 및 임계 치수를 예측하기 위한 시스템 및 방법 | |
CN102683165B (zh) | 智能缺陷筛选及取样方法 | |
JP5907649B2 (ja) | データ解析のための方法および装置 | |
CN103714191A (zh) | 用于异常工具和阶段诊断的2d/3d分析 | |
US7991497B2 (en) | Method and system for defect detection in manufacturing integrated circuits | |
CN113222884B (zh) | 检查样本的方法和其系统 | |
CN114169286A (zh) | 晶圆缺陷的溯源方法、装置、电子设备及计算机可读介质 | |
US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
CN116151163A (zh) | Dft诊断质量分析方法及装置、存储介质、终端设备 | |
JP4538205B2 (ja) | 検査データの解析プログラム、検査データ解析装置 | |
US20050114058A1 (en) | Method for analyzing inspected data, apparatus and its program | |
CN111782695B (zh) | Mpw多产品联测的数据处理方法、存储介质及计算机设备 | |
JPH11176899A (ja) | 欠陥警告方法及び欠陥警告システム | |
JP5015227B2 (ja) | 欠陥解析方法、プログラム及び電子デバイスの製造方法 | |
CN115437866A (zh) | 芯片测试方法、装置、设备及存储介质 | |
CN101807266A (zh) | 半导体制造中的成品管理方法 | |
JP4633349B2 (ja) | 電子デバイスを製造するための欠陥解析方法及びそのプログラム | |
CN115795772A (zh) | 测试数据的评估方法、系统、晶圆测试系统及存储介质 |
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 |