DE102021209588A1 - Method and device for position reconstruction of semiconductor components on a wafer - Google Patents
Method and device for position reconstruction of semiconductor components on a wafer Download PDFInfo
- Publication number
- DE102021209588A1 DE102021209588A1 DE102021209588.7A DE102021209588A DE102021209588A1 DE 102021209588 A1 DE102021209588 A1 DE 102021209588A1 DE 102021209588 A DE102021209588 A DE 102021209588A DE 102021209588 A1 DE102021209588 A1 DE 102021209588A1
- Authority
- DE
- Germany
- Prior art keywords
- sizes
- assignment
- variables
- test results
- rules
- 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
- 239000004065 semiconductor Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 235000012431 wafers Nutrition 0.000 claims description 51
- 238000013100 final test Methods 0.000 claims description 37
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 abstract description 6
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012858 packaging process Methods 0.000 description 5
- 238000004806 packaging method and process Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die Erfindung betrifft ein zuverlässiges Verfahren zum Ermitteln einer Zuordnungsvorschrift, um Testergebnisse unterschiedlicher Tests des gleichen Halbleiterbauelementes zusammenzuführen. Das Verfahren verwendet einen genetischen Algorithmus, welcher initiale Zuordnungsvorschriften vorschlägt, die für nachfolgende Schritte verwendet werden: (S23) Anpassung eines Modells, z. B. eines linearen Regressionsmodells, Verwendung des Modells zur Vorhersage der Testdaten, (S24) Berechnung einer Kostenmatrix anhand der Vorhersagen, (S25) Anwendung des Ungarischen Algorithmus auf die Kostenmatrix, um eine neue Zuordnungsvorschrift zu erhalten. The invention relates to a reliable method for determining an assignment rule in order to combine test results from different tests on the same semiconductor component. The method uses a genetic algorithm that proposes initial assignment rules that are used for subsequent steps: (S23) Adaptation of a model, e.g. a linear regression model, using the model to predict the test data, (S24) calculating a cost matrix from the predictions, (S25) applying the Hungarian algorithm to the cost matrix to obtain a new assignment rule.
Description
Die Erfindung betrifft ein Verfahren zur Rekonstruktion der Positionen von Halbleiterbauteilen auf einem Wafer, auf welchem diese aufgetragen wurden, nach dem die Halbleiterbauteile aus dem Wafer herausgeschnitten wurden, sowie eine Vorrichtung, welche eingerichtet ist, das Verfahren auszuführen.The invention relates to a method for reconstructing the positions of semiconductor components on a wafer to which they were applied after the semiconductor components were cut out of the wafer, and to a device which is set up to carry out the method.
Stand der TechnikState of the art
Beim Packaging-Prozess von Halbleiterbauteilen (im speziellen von PowerMOS) geht die Rückverfolgbarkeit der Halbleiterbauteilen zu deren ursprünglichen Wafer und deren ursprünglichen Position auf dem Wafer verloren. Konkret bedeutet dies, dass die Position jedes Halbleiterbauteiles auf einem Wafer nicht mehr verfügbar ist, sobald der Wafer zerschnitten bzw. gewürfelt (engl. „diced‟ = ein Verfahren, bei dem Halbleiterbauteil vom Wafer getrennt werden) und verpackt wurde. Anbieter von Packaging-Prozessen sind in der Lage zumindest ein grobes Matching zwischen losen Halbleiterbauteilen in der Endprüfung (engl. „Final Test" = Prüfprozess der Halbleiterbauteile nach der Verpackung) und Halbleiterbauteilen auf dem Wafer in Wafer-Level-Tests (Prüfprozess vor dem Verpacken) anzubieten. Jedoch führt dies immer noch zu mehreren tausend nicht zuordenbaren Halbleiterbauteile zu mehreren Wafern. Da es sich hierbei im Wesentlichen um ein kombinatorisches Problem handelt, ist die Komplexität der Lösung dieser Aufgabe faktoriell, da es n-Fakultät viele verschiedene Möglichkeiten gibt, die Halbleiterbauteile so anzuordnen, dass sie der richtigen Reihenfolge entsprechen, wobei n die Anzahl der Halbleiterbauteile ist.During the packaging process of semiconductor devices (especially PowerMOS), the traceability of the semiconductor devices to their original wafer and their original position on the wafer is lost. In concrete terms, this means that once the wafer has been diced (a process in which the semiconductor device is separated from the wafer) and packaged, the position of each semiconductor device on a wafer is no longer available. Providers of packaging processes are capable of at least a rough matching between loose semiconductor components in the final test (English "final test" = test process of the semiconductor components after packaging) and semiconductor components on the wafer in wafer-level tests (test process before packaging ).However, this still results in several thousand unassignable semiconductor devices to multiple wafers.Because this is essentially a combinatorial problem, the complexity of solving this problem is factorial since there are n-factorial many different possibilities that Arrange semiconductor components so that they correspond to the correct order, where n is the number of semiconductor components.
Für ASIC- Halbleiterbauteile gibt es eine Lösung für dieses kombinatorische Problem. Hierfür wird während des Wafer-Level-Tests ein eindeutiger Identifikator im Speicher der ASIC- Halbleiterbauteile gespeichert, der eine Zuordnung der Endprüfung zu dem Wafer-Level Test nach dem Verpacken ermöglicht. Bei Halbleiterbauteilen wie PowerMOS ist dies jedoch aufgrund eines fehlenden Speichers nicht möglich.For ASIC semiconductor devices, there is a solution to this combinatorial problem. For this purpose, a unique identifier is stored in the memory of the ASIC semiconductor components during the wafer-level test, which enables the final test to be assigned to the wafer-level test after packaging. However, this is not possible with semiconductor components such as PowerMOS due to a lack of memory.
Die nicht vorveröffentlichte
Eine Aufgabe der Erfindung ist es, gute initiale Zuordnungsvorschriften vorzuschlagen, um das Auffinden einer korrekten Zuordnungsvorschrift z.B. gemäß der
Offenbarung der ErfindungDisclosure of Invention
In einem ersten Aspekt betrifft die Erfindung ein insbesondere computerimplementiertes Verfahren zum Ermitteln von Zuordnungsvorschriften, die einer Mehrzahl von Größen aus einer ersten Menge von ersten Größen jeweils eine Größe aus einer zweiten Menge von zweiten Größen zuordnet. Die erste Menge kann mehr Größen als die zweite Menge umfassen. Die Zuordnungsvorschrift kann auf eine eindeutige Weise der Mehrzahl der ersten Größen die zweiten Größen zuordnen, d.h. dass den ersten Größe höchstens eine zweite Größe durch die Zuordnungsvorschrift zugeordnet wird und vorzugsweise auch andersherum. In anderen Worten, die Zuordnungsvorschrift kann eingerichtet sein, einer Untermenge der ersten Größen eine zweite Größe zuzuordnen. Vorzugsweise entspricht eine Anzahl der Größen der Untermenge der ersten Größen der Anzahl der Größen der zweiten Menge. Dann ordnet die Zuordnungsvorschrift jeder zweiten Größe eine erste Größe zu, wobei dadurch, dass die erste Menge mehr Größen als die zweite Menge aufweist, einige erste Größen keiner zweiten Größe zugeordnet werden. Denkbar ist aber auch, dass die Untermenge kleiner als die zweite Menge ist. Denkbar ist aber auch, dass wenn die erste und zweite Menge gleich viele Größen aufweisen, sodass die Zuordnungsvorschrift allen ersten Größen eine zweite Größe zuordnet.In a first aspect, the invention relates to a method, in particular a computer-implemented method, for determining assignment specifications, which assigns a respective quantity from a second quantity of second quantities to a plurality of quantities from a first quantity of first quantities. The first set may include more sizes than the second set. The assignment rule can assign the second sizes to the majority of the first sizes in an unambiguous way, i.e. that the first size is assigned at most one second size by the assignment rule and preferably also vice versa. In other words, the allocation rule can be set up to allocate a second variable to a subset of the first variables. A number of sizes in the subset of the first sizes preferably corresponds to the number of sizes in the second set. Then, the mapping rule associates a first magnitude with each second magnitude, with some first magnitudes not being associated with a second magnitude because the first set has more magnitudes than the second set. However, it is also conceivable that the subset is smaller than the second set. However, it is also conceivable that if the first and second sets have the same number of sizes, the allocation rule allocates a second size to all first sizes.
Unter einer Menge kann eine Form einer Zusammenfassung der einzelnen Größen verstanden werden. Vorzugsweise sind die erste und zweite Menge unterschiedliche Mengen, die keine gemeinsame Größe aufweisen. Vorzugsweise ist den Größen der ersten und zweiten Menge jeweils ein Index zugeordnet. Alle Indizes der ersten und zweiten Menge könnten als Indexmengen aufgefasst werden. Also als eine Menge, deren Elemente die Größen der ersten oder zweiten Menge durchindizieren. Die Zuordnungsvorschrift weist dann der ersten Indexmenge jeweils ein Index aus der zweiten Indexmenge zu. Die Zuordnungsvorschrift beschreibt demnach welche erste Größe zu welcher zweiten Größe gehört und vorzugsweise auch andersherum. Die Zuordnungsvorschrift kann als eine Liste oder Tabelle oder ähnlichem vorliegen.A set can be understood as a form of a summary of the individual variables. Preferably, the first and second sets are different sets that do not share a common size. An index is preferably assigned to the sizes of the first and second sets. All indices of the first and second sets could be considered as index sets. So as a set whose elements index through the sizes of the first or second set. The assignment specification then assigns an index from the second index set to the first index set. The assignment rule therefore describes which first variable belongs to which second variable and preferably also vice versa. The assignment rule can be in the form of a list or table or the like.
Das Verfahren beginnt mit einem Initialisieren der Zuordnungsvorschriften, die als eine Population bezeichnet werden können, und Bereitstellen der ersten und zweiten Menge. Die initiale Zuordnungsvorschrift kann zufällig oder als eine Identitätszuordnung gewählt werden. Vorzugsweise wird die Zuordnungsvorschrift jeweils derart initialisiert, dass diese bei ihrer Zuordnung alle zweiten Größen berücksichtigt, also nur so vielen ersten Größen eine zweite Größe zugeordnet wird, wie es zweite Größen gibt, bzw. allen zweiten Größen eine erste Größe zuordnet. Andere initiale Zuordnungsvorschriften sind alternativ denkbar, bspw. eine vorgegebene, bereits teilweise korrekte Zuordnung.The method begins by initializing the mapping rules, which may be referred to as a population, and providing the first and second sets. The initial mapping rule can be chosen randomly or as an identity mapping. The assignment rule is preferably initialized in each case in such a way that it takes into account all second variables when it is assigned, that is to say a second variable is only assigned to as many first variables as there are second variables, or a first to all second variables assigns size. Other initial assignment specifications are alternatively conceivable, for example a predetermined assignment that is already partially correct.
Dann, wenn die erste und zweite Menge unterschiedlich groß sind, kann daraufhin ein Zufälliges Auswählen einer Anzahl von ersten Größen folgen, wobei die Anzahl der ausgewählten ersten Größen mindestens gleich derjenigen Anzahl entspricht, um die die erste Menge mehr Größen als die zweite Menge aufweist. Bei einem Ausführen des Schrittes durch einen Computer kann das zufällige Auswählen durch einen Pseudo-Zufallsgenerator erfolgen. D.h. im Allgemeinen erfolgt das zufällige Auswählen ohne eine Bevorzugung einer der ersten Größe. Denkbar ist aber auch, dass bestimmte Größen mit einer höheren Wahrscheinlichkeit ausgewählt werden, da bspw. diese Größen eine Anomalie hinsichtlich der restlichen Größen der ersten Menge darstellen.Then, if the first and second sets are of different sizes, this may be followed by randomly selecting a number of first sizes, the number of selected first sizes being at least equal to the number by which the first set has more sizes than the second set. When the step is performed by a computer, the random selection can be done by a pseudo-random number generator. That is, in general, the random selection is done without a preference for any of the first size. However, it is also conceivable that certain sizes are selected with a higher probability, since, for example, these sizes represent an anomaly with respect to the remaining sizes of the first set.
Daraufhin folgt ein wiederholtes Ausführen der nachfolgend erläuterten Schritte a) - d) oder a) - e) für jede der Mehrzahl der Zuordnungsvorschriften. Die Wiederholungen können für eine vorgegebene Anzahl von maximalen Wiederholungen ausgeführt werden oder es kann ein Abbruchkriterium definiert werden, wobei bei Erfüllen des Abbruchkriteriums das Wiederholen abgebrochen wird. Das Abbruchkriterium ist beispielsweise eine min. Änderung der Zuordnungsvorschrift.
- a) Erstellen eines Datensatzes, welcher die ersten Größen ohne die aktuell ausgewählten ersten Größen und deren jeweils gemäß der Zuordnungsvorschrift zugeordneten zweiten Größen aufweist. Die aktuell ausgewählten Größen sind die ersten Größen, die zum vorherigen Ausführen der Schritte a)-e) ausgewählt wurden, bzw. wenn das Ausführen dieser Schritte zum ersten Mal ausgeführt wird, dann sind die aktuell ausgewählten Größen die zufällig ausgewählten ersten Größen. Wenn die erste und zweite Menge gleich groß sind, ist das Entfernen der aktuell ausgewählten Größen optional.
- a) Creation of a data record which has the first variables without the currently selected first variables and their associated second variables in accordance with the assignment rule. The currently selected sizes are the first sizes selected for previously performing steps a)-e) or if performing these steps for the first time then the currently selected sizes are the randomly selected first sizes. If the first and second sets are the same size, removing the currently selected sizes is optional.
Der Datensatz kann auch als Trainingsdatensatz bezeichnet werden, wobei die zugeordneten zweiten Größen sogenannte ,Label's' der ersten Größen sind. Es sei angemerkt, dass dieser Schritt optional sein kann, da die nachfolgenden Schritte, die diesen Datensatz verwenden, im Wesentlichen nur die Information der aktuellen Zuordnungsvorschrift zwischen der ersten und zweiten Größen benötigen, die entweder durch den Datensatz oder durch eine aktuelle Zuordnungsvorschrift bereitgestellt werden kann. Die aktuelle Zuordnungsvorschrift ist diejenige Zuordnungsvorschrift, welche zu der gegenwärtigen Wiederholung der Schritte a)- d) oder a) - e) vorliegt, also diejenige Zuordnungsvorschrift, welche beim Ausführen des jüngsten Erstellens des Datensatzes verwendet wurde.The data set can also be referred to as a training data set, with the associated second variables being so-called “labels” of the first variables. It should be noted that this step may be optional, since the subsequent steps using this dataset essentially only need the information of the current mapping rule between the first and second quantities, which can be provided either by the dataset or by a current mapping rule . The current assignment specification is that assignment specification which is present for the current repetition of steps a)-d) or a)-e), ie the assignment specification which was used when the data record was most recently created.
b) Anlernen eines maschinellen Lernsystems derart, dass das maschinelle Lernsystem abhängig von den ersten Größen die jeweils zugeordneten zweiten Größen des Datensatzes ermittelt. Unter einem Anlernen kann verstanden werden, dass Parameter des maschinellen Lernsystem angepasst werden, sodass damit ermittelte Vorhersagen des maschinellen Lernsystem möglichst nahe an den zweiten Größen („Labels") des Datensatzes liegen. Die Optimierung kann hinsichtlich einer Kostenfunktion erfolgen. Die Kostenfunktion charakterisiert vorzugweise eine math. Differenz zwischen den Ausgaben des maschinellen Lernsystems und den Labeln. Die Optimierung wird vorzugsweise mittels einem Gradientenabstiegsverfahren durchgeführt. Das maschinelle Lernsystem kann ein oder eine Mehrzahl von Entscheidungsbäumen (englisch: decision tree), ein neuronales Netz, eine Support Vector Machine, oder ähnliches sein. Das Anlernen kann so lange ausgeführt werden, bis eine weitere Verbesserung des maschinellen Lernsystems beim Anlernen verschwindend gering ist, also ein zweites Abbruchkriterium erfüllt ist.b) Training a machine learning system in such a way that the machine learning system determines the associated second variables of the data set depending on the first variables. Learning can be understood to mean that parameters of the machine learning system are adjusted so that predictions made by the machine learning system are as close as possible to the second variables ("labels") of the data set. The optimization can be carried out with regard to a cost function. The cost function preferably characterizes one math. Difference between the outputs of the machine learning system and the labels. The optimization is preferably performed using a gradient descent method. The machine learning system can have one or a plurality of decision trees, a neural network, a support vector machine, or the like The training can be carried out until a further improvement of the machine learning system during training is negligible, i.e. a second termination criterion is met.
c) Ermitteln einer Kostenmatrix, wobei Einträge der Kostenmatrix eine Distanz zwischen der Vorhersage des maschinellen Lernsystems und der zweiten Größen gemäß der Zuordnungsvorschrift charakterisieren, insbesondere zwischen den Vorhersagen des maschinellen Lernsystems und allen Größen der zweiten Menge. Die Distanz kann mit einer L2-Norm ermittelt werden. Andere Abstandsmaße sind auch denkbar. Die Kostenmatrix kann derart strukturiert sein, dass Zeilen und Spalten jeweils einer ersten Größe bzw. der Vorhersage des maschinellen Lernsystems abhängig von der ersten Größe und einer zweiten Größe zugeordnet sind, wobei die Einträge die Distanz zwischen den jeweiligen zugeordneten Größen der Zeilen und Spalten charakterisieren.c) determining a cost matrix, with entries in the cost matrix characterizing a distance between the prediction of the machine learning system and the second variables according to the assignment rule, in particular between the predictions of the machine learning system and all variables of the second set. The distance can be determined using an L 2 norm. Other distances are also conceivable. The cost matrix can be structured in such a way that rows and columns are each assigned a first variable or the prediction of the machine learning system depending on the first variable and a second variable, with the entries characterizing the distance between the respective assigned variables of the rows and columns.
d) Optimieren der Zuordnungsvorschrift abhängig von der Kostenmatrix, sodass die Zuordnungsvorschrift minimale Gesamtkosten basierend auf den Einträgen der Kostenmatrix erzeugt. Gesamtkosten entsprechen einer Summe derjenigen Einträge der Kostenmatrix, die bei einem Durchführen einer Zuordnung der Größen der ersten Menge zur zweiten Menge gemäß der aktuellen Zuordnungsvorschrift aus der Kostenmatrix benötigt werden. In anderen Worten, es wird die Summe über die Einträge, die abhängig von der Zuordnungsvorschrift aus der Kostenmatrix ausgewählt werden, optimiert, insbesondere minimiert. Es sei angemerkt, dass die Einträge abhängig von der Zuordnungsvorschrift derart gewählt werden, dass gemäß der Zuordnungsvorschrift die Einträge der jeweiligen Spalte und Zeile der Kostenmatrix ausgewählt wird, die den ersten und zweiten Größen zugeordnet sind, die gemäß der Zuordnungsvorschrift zueinander zugeordnet sind.d) Optimizing the assignment rule depending on the cost matrix, so that the assignment rule generates minimum total costs based on the entries in the cost matrix. Total costs correspond to a sum of those entries in the cost matrix that are required when carrying out an assignment of the sizes of the first set to the second set according to the current assignment rule from the cost matrix. In other words, the sum of the entries that are selected from the cost matrix depending on the assignment rule is optimized, in particular minimized. It should be noted that the entries are chosen depending on the assignment rule such that according to the assignment rule the entries of the respective Column and row of the cost matrix is selected, which are assigned to the first and second sizes, which are assigned to each other according to the assignment rule.
e) Dann, wenn die erste und zweite Menge unterschiedlich groß sind, kann ein Auswählen der ersten Größen folgen, die nicht gemäß der optimierten Zuordnungsvorschrift einer der zweiten Größen zugeordnet werden. Bevorzug werden die ausgewählten ersten Größen in einer Liste hinterlegt, welche bei jedem erneuten Ausführen der Schritte a) bis e) aktualisiert wird.e) If the first and second sets are of different sizes, the first sizes that are not assigned to one of the second sizes according to the optimized assignment rule can be selected. The selected first variables are preferably stored in a list which is updated each time steps a) to e) are carried out again.
Die in der letzten Wiederholung des Schrittes d) ermittelte Zuordnungsvorschrift ist die finale Zuordnungsvorschrift, welche in einem optionalen Schritt ausgegeben wird. Ebenso können die in der letzten Wiederholung des Schrittes e) ausgewählten ersten Größen ausgegeben werden, z.B. um zu bestimmen, welche erste Größen keine korrespondierenden zweite Größen aufweisen.The assignment rule determined in the last repetition of step d) is the final assignment rule, which is output in an optional step. Likewise, the first variables selected in the last repetition of step e) can be output, e.g. to determine which first variables have no corresponding second variables.
Vorzugsweise werden die Schritte a)- d) oder a) - e) für die Zuordnungsvorschriften parallel ausgeführt.Steps a)-d) or a)-e) for the assignment specifications are preferably carried out in parallel.
Nach Beendigung des „Wiederholten Ausführens der Schritte a) - d) oder a) - e) für jede der Zuordnungsvorschriften“ werden die optimierten Zuordnungsvorschriften, insbesondere mittels einem genetischen Algorithmus, modifiziert. Genetische Algorithmen sind auch unter der Bezeichnung evolutionäre Algorithmen bekannt. Anschließend wird der Schritt „Wiederholtes Ausführen der Schritte a)-c) erneut für jede der Zuordnungsvorschriften“ mit den modifizierten Zuordnungsvorschriften ausgeführt.After completion of the "repeated execution of steps a) - d) or a) - e) for each of the assignment rules", the optimized assignment rules are modified, in particular by means of a genetic algorithm. Genetic algorithms are also known as evolutionary algorithms. Then the step “repeated execution of steps a)-c) again for each of the association rules” is executed with the modified association rules.
Anschließend kann eine finale Zuordnungsvorschrift ausgewählt werden, bspw. diejenige die die geringsten Gesamtkosten erzeugt.A final assignment rule can then be selected, e.g. the one that generates the lowest total costs.
Der Vorteil des Modifizierens der optimierten Zuordnungsvorschriften als neue, initiale Zuordnungsvorschriften und erneute Ausführen des Optimierens dieser Zuordnungsvorschriften ist, das mit der Optimierung der initialen Zuordnungsvorschrift sehr stark permutierte Mengen zuverlässig gematcht werden können, da verhindert wird, dass das Verfahren zu suboptimalen Zuordnungsvorschriften konvergiert.The advantage of modifying the optimized assignment rules as new, initial assignment rules and re-executing the optimization of these assignment rules is that very strongly permuted sets can be reliably matched with the optimization of the initial assignment rule, since the method is prevented from converging to suboptimal assignment rules.
Es wird vorgeschlagen, dass die beiden Schritte des Modifizierens der Zuordnungsvorschriften und des anschließenden Schrittes „Wiederholtes Ausführen der Schritte a) - c) für jede der Zuordnungsvorschriften“ mehrmals wiederholt werden.It is proposed that the two steps of modifying the assignment rules and the subsequent step "repeated execution of steps a) - c) for each of the assignment rules" are repeated several times.
Ferner wird vorgeschlagen, dass für jede Wiederholung des genetischen Algorithmus eine vorgebbare Anzahl der optimierten Zuordnungsvorschriften abhängig von den ermittelten Kosten der jeweiligen Zuordnungsvorschrift ausgewählt und diese ausgewählten Zuordnungsvorschriften durch Kreuzungen untereinander und/oder Mutationen modifiziert werden. Die ermittelten Kosten können hier als eine Fitness der Zuordnungsvorschriften bezeichnet werden. Vorzugsweise erfolgt die Auswahl der Zuordnungsvorschriften abhängig von einer Summe über normierte Kosten. Die Summe kann über die (normalisierten) Einträge auf einer Diagonalen der Kostenmatrix ermittelt werden.Furthermore, it is proposed that for each repetition of the genetic algorithm a predeterminable number of the optimized assignment rules are selected depending on the ascertained costs of the respective assignment rule and these selected assignment rules are modified by crossing each other and/or mutations. The determined costs can be referred to here as a fitness of the assignment rules. The assignment rules are preferably selected as a function of a total of normalized costs. The sum can be determined using the (normalized) entries on a diagonal of the cost matrix.
Die Größen können Skalare oder Vektoren wie z.B. eine Zeitreihe sein, insbesondere von einem Sensor erfasst oder indirekt ermittelte Sensordaten sein. Vorzugsweise sind die ersten und zweiten Größen jeweils ein oder eine Mehrzahl von Messergebnissen von einer Messung oder von einer Mehrzahl von unterschiedlichen Messungen, die jeweils an einem Gegenstand einer Mehrzahl von Gegenständen ausgeführt wurden. D.h. jede Größe ist einem der Gegenstände zugeordnet. Beim Schritt des Erstellens des Datensatzes kann für die zweiten Größen auch nur eine vorgebbare Anzahl der Messergebnisse der Mehrzahl der Messergebnisse verwendet werden. Die Zuordnungsvorschrift kann angeben, welche ersten und zweiten Größen Messergebnisse des gleichen Gegenstandes sind. Besonders bevorzugt wurde die zumindest eine Messung der Gegenstände für die ersten Größen zu einem ersten Zeitpunkt und die Messung für die zweiten Größen zu einem zweiten Zeitpunkt ausgeführt, wobei der zweite Zeitpunkt nach dem ersten Zeitpunkt liegt. Der zweite Zeitpunkt kann dann gegeben sein, nachdem die Gegenstände einer Modifikation oder Veränderung unterworfen wurden. Eine Differenz der Anzahl der unterschiedlichen Messergebnisse kann ein Verlust der Gegenstände bei deren Messvorgang sein, bspw. durch ein Aussortieren.The variables can be scalars or vectors such as a time series, in particular recorded by a sensor, or they can be indirectly determined sensor data. Preferably, the first and second quantities are each one or a plurality of measurement results from a measurement or from a plurality of different measurements, each carried out on an object of a plurality of objects. I.e. each size is assigned to one of the objects. In the step of creating the data record, only a predefinable number of the measurement results of the plurality of measurement results can also be used for the second variables. The assignment rule can indicate which first and second variables are measurement results of the same object. The at least one measurement of the objects for the first sizes was particularly preferably carried out at a first point in time and the measurement for the second sizes at a second point in time, with the second point in time being after the first point in time. The second point in time may be after the items have undergone a modification or change. A difference in the number of different measurement results can be a loss of the objects during their measurement process, for example due to sorting out.
Es wird vorgeschlagen, dass die Optimierung der Zuordnungsvorschrift mittels einem Algorithmus zur Kostenminimierung unter der gegebenen Kostenmatrix erfolgt. Denkbar ist z.B. eine Optimierung mittels einem Ungarischen Algorithmus erfolgt, der auf die Kostenmatrix angewendet wird. Der Ungarische Algorithmus (engl. Hungarian method), auch Kuhn-Munkres-Algorithmus genannt, ist ein Algorithmus zum Lösen gewichteter Zuordnungsprobleme. Alternativ kann auch eine greedy-Implementierung des Algorithmus zur Kostenminimierung verwendet werden.It is proposed that the allocation rule be optimized using an algorithm for minimizing costs under the given cost matrix. For example, an optimization using a Hungarian algorithm that is applied to the cost matrix is conceivable. The Hungarian algorithm (Hungarian method), also known as the Kuhn-Munkres algorithm, is an algorithm for solving weighted assignment problems. Alternatively, a greedy implementation of the cost minimization algorithm can also be used.
Weiterhin wird vorgeschlagen, dass das maschinelle Lernsystem ein Regressionsmodell ist, welches abhängig von den ersten Größen und Parameter des Regressionsmodells die zweiten Größen ermittelt, wobei beim Anlernen die Parameter des Regressionsmodells angepasst werden.Furthermore, it is proposed that the machine learning system is a regression model, which depends on the first variables and para meter of the regression model determines the second variable, with the parameters of the regression model being adjusted during training.
Die Regression dient dazu Beziehungen zwischen einer abhängigen (oft auch erklärte Variable) und einer oder mehreren unabhängigen Variablen (oft auch erklärende Variablen) zu modellieren. Die Regression ist in der Lage eine komplexere Funktion zu parametrisieren, sodass diese Daten nach einem bestimmten mathematischen Kriterium am besten wiedergibt. Beispielsweise berechnet die gewöhnliche Methode der kleinsten Quadrate eine eindeutige Gerade (oder Hyperebene), die die Summe der Abweichungsquadrate zwischen den wahren Daten und dieser Linie (oder Hyperebene), d. h. die Residuenquadratsumme, minimiert.Regression is used to model relationships between a dependent (often also an explained variable) and one or more independent variables (often also an explanatory variable). Regression is able to parameterize a more complex function so that it best represents data according to a certain mathematical criterion. For example, the ordinary least squares method computes a unique line (or hyperplane) that is the sum of the squares of the deviations between the true data and that line (or hyperplane), i.e. H. the residual sum of squares, minimized.
Weiterhin wird vorgeschlagen, dass die ersten und zweiten Größen ein Produkt bei seiner Herstellung nach unterschiedlichen Herstellprozessschritten charakterisieren. Beispielsweise kann der zweite Zeitpunkt hier gegeben sein, wenn ein Herstellprozessschritt beendet wurde. Das Produkt kann ein beliebiges Produkt hergestellt in einer Fertigungsstätte sein. Vorzugsweise geht beim Herstellen des Produktes die Nachverfolgbarkeit zu seinen vorhergehenden Prozessschritten verloren (sog. „Schüttgut“), beispielsweise wenn es nicht mehr möglich ist, das Produkt aus dem Schüttgut, z.B. Schrauben, einer Produktionscharge direkt zuzuordnen. Denkbar ist, dass die ersten Größen Komponenten, insbesondere Bauteile, und die zweiten Größen finale Erzeugnisse charakterisieren, wobei die Zuordnungsvorschrift beschreibt, welche Komponente zu welchem Erzeugnis verarbeitet bzw. welches Bauteil in welchem Erzeugnis verbaut wurde. Beispielsweise wenn das Bauteil in dem Erzeugnis nicht mehr zerstörungsfrei herausgenommen werden kann, um eine Seriennummer auszulesen. Mit der Erfindung ist es dann möglich, anhand von Messungen des Erzeugnisses die Produktionscharge des Bauteils zuzuordnen. Die Differenz der Anzahl der unterschiedlichen Größen der beiden Mengen kann ein Ausbeuteverlust bei der Herstellung sein.Furthermore, it is proposed that the first and second variables characterize a product during its manufacture after different manufacturing process steps. For example, the second point in time can be given here when a production process step has ended. The product can be any product manufactured in a manufacturing facility. When manufacturing the product, traceability to its previous process steps is preferably lost (so-called "bulk goods"), for example if it is no longer possible to directly assign the product from the bulk goods, e.g. screws, to a production batch. It is conceivable that the first variables characterize components, in particular structural parts, and the second variables characterize final products, with the assignment specification describing which component was processed into which product or which component was installed in which product. For example, if the component in the product can no longer be removed without destroying it in order to read a serial number. With the invention it is then possible to assign the production batch of the component based on measurements of the product. The difference in the number of different sizes of the two lots can be a yield loss in manufacturing.
Die ersten und zweiten Größen können Mess-/Test-ergebnisse oder anderweitige Eigenschaften der Produkte, Komponenten, usw. sein. Die ersten und zweiten Größen unterscheiden sich vorzugweise untereinander geringfügig z.B. aufgrund von Fertigungstoleranzen, aber beschreiben die gleichen Messungen/Eigenschaften der Produkte, Komponenten, usw..The first and second quantities can be measurement/test results or other properties of the products, components, etc. The first and second quantities preferably differ from each other slightly, e.g. due to manufacturing tolerances, but describe the same measurements/properties of the products, components, etc.
Weiterhin wird vorgeschlagen, dass die ersten Größen erste Testergebnisse bzw. Messergebnisse von Halbleiterbauteilelementen auf einem Wafer sind und die zweiten Größen zweite Testergebnisse bzw. Messergebnisse der Halbleiterbauteilelementen nach deren Herausschneiden aus dem Wafer sind. Halbleiterbauteilelemente können Teile von aufgewachsenen elektrischen Bauteilen auf dem Wafer sein, z.B. eine Transistorgruppe einer integrierten Schaltung. Die Testergebnisse können sich auch auf das gesamte Halbleiterbauteil beziehen. Hierbei hat sich für das maschinelle Lernsystem die lineare Regression als besonders effektiv erwiesen, um die beste Zuordnungsvorschrift aufzufinden. Denn diese geht von einem linearen Zusammenhang aus, welcher hier für die Zuordnung der Testergebnisse eine sinnvolle Annahme darstellt. Die lineare Regression ist ein Spezialfall der Regression. Bei der linearen Regression wird dabei eine lineare Funktion angenommen. Es werden also nur solche Zusammenhänge herangezogen, bei denen die abhängige Variable eine Linearkombination der Regressionskoeffizienten (aber nicht notwendigerweise der unabhängigen Variablen) ist.Furthermore, it is proposed that the first variables are first test results or measurement results of semiconductor component elements on a wafer and the second variables are second test results or measurement results of the semiconductor component elements after they have been cut out of the wafer. Semiconductor device elements may be parts of electrical devices grown on the wafer, e.g., an integrated circuit transistor array. The test results can also relate to the entire semiconductor component. Linear regression has proven to be particularly effective for the machine learning system in order to find the best assignment rule. Because this is based on a linear relationship, which is a reasonable assumption for the assignment of the test results. Linear regression is a special case of regression. In the linear regression, a linear function is assumed. Thus, only those correlations are used in which the dependent variable is a linear combination of the regression coefficients (but not necessarily the independent variables).
Weiterhin wird vorgeschlagen, dass die ersten Testergebnisse Wafer-Level Testergebnisse sind und die zweiten Testergebnisse Final-Testergebnisse sind. Vorzugweise liegen weniger Final-Testergebnisse als Wafer-Level Testergebnisse vor. Die Tests sind z.B. Spannungstests und/oder Kontaktierungstests.Furthermore, it is proposed that the first test results are wafer-level test results and the second test results are final test results. There are preferably fewer final test results than wafer-level test results. The tests are e.g. voltage tests and/or contact tests.
Weiterhin wird vorgeschlagen, dass die Halbleiterbauteilelemente auf einer Mehrzahl von unterschiedlichen Wafern hergestellt wurden. Denn es hat sich herausgestellt, dass das Verfahren sogar in der Lage ist, innerhalb einer angemessenen Rechenzeit, eine korrekte Zuordnungsvorschrift über mehrere Wafer hinweg aufzufinden.Furthermore, it is proposed that the semiconductor component elements were produced on a plurality of different wafers. This is because it has been found that the method is even able to find a correct assignment rule across a number of wafers within a reasonable computing time.
Weiterhin wird vorgeschlagen, dass abhängig von der Zuordnungsvorschrift ermittelt wird, welches zweite Testergebnis zu welchem ersten Testergebnis gehört und wobei dann abhängig von dem zugehörigen ersten Testergebnis ermittelt wird, an welcher Position das Halbleiterbauteil innerhalb eines Wafers angeordnet war. Dies erlaubt eine Positionsrekonstruktion, welche es erstmals ermöglicht, die Halbleiterbauteile aus den letzten Herstellungsprozessschritten der Halbleiterproduktion zu vorhergehenden Prozessschritten eindeutig zurückzuverfolgen. Das gleiche Vorgehen kann auch für die ausgewählten ersten Größen, die nicht gemäß der optimierten Zuordnungsvorschrift einer der zweiten Größen zugeordnet werden, durchgeführt werden, um zurückzuverfolgen, welche Halbleiterbauteile aussortiert oder entfernt wurden. Entsprechend kann ein Herstellungsprozessschritt abgeändert werden, sodass das nachfolgend produzierte Halbleiterbauteil an der entsprechenden Stelle des Wafers nicht mehr aussortiert werden muss.Furthermore, it is proposed that depending on the assignment rule, it is determined which second test result belongs to which first test result and then depending on the associated first test result it is determined at which position the semiconductor component was arranged within a wafer. This allows a position reconstruction, which makes it possible for the first time to unequivocally trace back the semiconductor components from the last manufacturing process steps of the semiconductor production to previous process steps. The same procedure can also be carried out for the selected first variables that are not assigned to one of the second variables in accordance with the optimized assignment rule, in order to trace back which semiconductor components have been sorted out or removed. A production process step can be modified accordingly, so that the semiconductor component subsequently produced no longer has to be sorted out at the corresponding point on the wafer.
In weiteren Aspekten betrifft die Erfindung eine Vorrichtung sowie ein Computerprogramm, die jeweils eingerichtet sind, die obigen Verfahren auszuführen und ein maschinenlesbares Speichermedium, auf dem dieses Computerprogramm gespeichert ist.In further aspects, the invention relates to a device and a computer program are each set up to carry out the above methods and a machine-readable storage medium on which this computer program is stored.
Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. In den Zeichnungen zeigen:
-
1 schematisch einen Packaging Prozess; -
2 schematisch ein Ausführungsbeispiel eines Flussdiagramms zum Ermitteln einer Zuordnungsvorschrift; -
3 schematisch ein Ausführungsbeispiel eines Flussdiagramms zum Optimieren einer initialen Zuordnungsvorschrift; -
4 schematisch eine Trainingsvorrichtung.
-
1 schematic of a packaging process; -
2 schematically an embodiment of a flowchart for determining an assignment rule; -
3 schematically an embodiment of a flowchart for optimizing an initial assignment rule; -
4 schematically a training device.
Beschreibung der AusführungsbeispieleDescription of the exemplary embodiments
Beim Packaging-Prozess von Halbleiterbauteilen oder Halbleiterbauelementen geht üblicherweise die Rückverfolgbarkeit der Bauelementen zu deren ursprünglichen Wafer und deren ursprünglichen Position auf dem jeweiligen Wafer verloren. Denn nach dem Herausschneiden der Halbleiterbauelementen kann es zu einer Durchmischung der einzelnen Halbleiterbauelemente kommen, wodurch ohne eine eindeutige Markierung der Bauteile deren Position auf dem Wafer verloren geht. Dies ist schematisch in
Vorteilhaft ist, die Rückverfolgbarkeit nach dem Verpackungsverfahren in einem Halbleiterherstellungsverfahren wiederherzustellen. Eine solche Zuordnung ermöglicht weitere Beiträge wie eine bessere Prozesskontrolle oder frühzeitige Vorhersagen endgültiger Chip-Eigenschaften. Darüber hinaus kann die Ursachenanalyse, der in der Endprüfung auf Chipebene gemessenen Abweichungen auf die Prozesse in der Wafer Produktion ausgedehnt werden. Dies wiederum ermöglicht ein viel tieferes Verständnis der Prozesse und führt zu einer besseren Prozesskontrolle und damit zu einer besseren Produktionsqualität.It is advantageous to restore traceability after the packaging process in a semiconductor manufacturing process. Such an assignment enables further contributions such as better process control or early predictions of final chip properties. In addition, the cause analysis of the deviations measured in the final test at chip level can be extended to the processes in wafer production. This in turn enables a much deeper understanding of the processes and leads to better process control and therefore better production quality.
Es wird ein Zuordnungsalgorithmus vorgeschlagen, der aus einer abwechselnden Abfolge von Optimierung von Regressionsparametern (beim Regressieren aus Wafer-Level-Test auf Final-Test Testdaten) und anschließender Optimierung der Zuordnung von Testpartnern besteht. Die aktuelle Zuordnung der finalen Testchips wird als „Regressionslabel‟ in jeder Iteration verwendet.An assignment algorithm is proposed that consists of an alternating sequence of optimization of regression parameters (when regressing from wafer-level test to final test test data) and subsequent optimization of the assignment of test partners. The current mapping of the final test chips is used as the "regression label" in each iteration.
Die Erfindung nutzt ferner einen kostenminimierenden Algorithmus, der eine optimale Eins-zu-Eins-Zuordnung unter einer vorgegebenen Kostenmatrix ermitteln kann. Um eine geeignete Kostenmatrix zu konstruieren, wird ein Regressionsfehler herangezogen, indem ein geeignetes Abstandsmaß (z.B. L2-Norm) zwischen der finalen Testvorhersage eines angelernten Regressors zu dem Regressionslabel berechnet wird. Auf Basis dieser Kostenmatrix ordnet der Algorithmus die Chips im Final Test so um, dass der Regressionsverlust minimiert wird. Je nach Charakteristik der Daten kann der Regressor, bzw. Regressionsmodell, frei gewählt werden (z.B. lineare Regression für lineare Abhängigkeiten).The invention also uses a cost-minimizing algorithm that can determine an optimal one-to-one mapping under a given cost matrix. In order to construct a suitable cost matrix, a regression error is used by calculating a suitable distance measure (eg L 2 -norm) between the final test prediction of a trained regressor and the regression label. Based on this cost matrix, the algorithm rearranges the chips in the final test in such a way that the regression loss is minimized. Depending on the characteristics of the data, the regressor or regression model can be freely selected (eg linear regression for linear dependencies).
Das Verfahren beginnt mit Schritt S21a. In diesem Schritt wird die Zuordnungsvorschrift initialisiert. Die Zuordnungsvorschrift ordnet den Wafer-Level Test Testergebnissen die Testergebnisse des Final Tests zu. Aufgrund von Ausbeuteverlusten können weniger Testergebnisse des Final Tests vorliegen, die bspw. als -1 in der Zuordnungsvorschrift definiert werden können. Zum Beispiel ist die Zuordnungsvorschrift wie ein Vektor aufgebaut, wobei die einzelnen Einträge zuordnen, welchen Testergebnis des Final Tests der Index des Vektors zugeordnet ist. Als Beispiel ist die Zuordnungsvorschrift gegeben durch: [0, 2,-1, 3, 4, 5], wobei Index 1 des Wafer-Level Tests mit Index 2 des Final Tests übereinstimmt und Index 2 des Wafer-Level Tests fehlt. Ferner werden in diesem Schritt die Testergebnisse des Wafer-Level Tests (WLT) und Final Tests (FT) bereitgestellt. Aufgrund von Ausbeuteverlusten können weniger FT-Testergebnisse als WLT-Testergebnisse vorliegen.The method starts with step S21a. In this step, the assignment rule is initialized. The assignment specification assigns the test results of the final test to the wafer-level test test results. Due to yield losses If fewer test results of the final test are available, which can be defined as -1 in the assignment rule, for example. For example, the assignment specification is structured like a vector, with the individual entries assigning which test result of the final test the index of the vector is assigned to. As an example, the assignment rule is given by: [0, 2, -1, 3, 4, 5], where index 1 of the wafer-level test corresponds to index 2 of the final test and index 2 of the wafer-level test is missing. The test results of the Wafer Level Test (WLT) and Final Test (FT) are also provided in this step. There may be fewer FT test results than WLT test results due to yield losses.
Nach Schritt S21a folgt Schritt S21b. Hierin wird der Ausbeuteverlust bestimmt, welcher sich z.B. aus dem Verhältnis der Testergebnisse des WLT bezüglich des FT ergibt. Abhängig von dem Ausbeuteverlust wird eine Untermenge von WLT-Testergebnissen zufällig ausgewählt. Die Untermenge entspricht zum Beispiel der Verlustmenge von Halbleiterbauteilen. Fall kein Ausbeuteverlust vorliegt, kann Schritt S21b übersprungen werden, sowie die von Schritt S21b abhängigen Unterschritte und den Schritt S26.Step S21a is followed by step S21b. Here the loss of yield is determined, which results, for example, from the ratio of the test results of the WLT to the FT. Depending on the yield loss, a subset of WLT test results is randomly selected. The subset corresponds, for example, to the loss quantity of semiconductor components. If there is no loss of yield, step S21b can be skipped, as well as the sub-steps dependent on step S21b and step S26.
Daraufhin folgt Schritt S22. Hierin wird ein Trainingsdatensatz erstellt, welcher die WLT-Testergebnisse und deren jeweils gemäß der Zuordnungsvorschrift zugeordneten FT-Testergebnisse aufweist, wobei die ausgewählte Untermenge aus Schritt S21b von den WLT-Testergebnissen entfernt wird.This is followed by step S22. Here, a training data set is created, which has the WLT test results and their FT test results, which are respectively assigned according to the assignment rule, with the selected subset from step S21b being removed from the WLT test results.
Es sei angemerkt, dass für dieses Ausführungsbeispiel ein Entfernen von Testergebnissen gewählt wurde, sodass der Trainingsdatensatz eine gleiche Anzahl von WLT- und FT-Testergebnissen aufweist. Denkbar ist aber auch, dass anstatt einem Entfernen ein Hinzufügen von FT-Testergebnissen ausgeführt werden kann. Das Hinzufügen kann bspw. anhand einer Heuristik erfolgen.It should be noted that for this embodiment a removal of test results was chosen so that the training data set has an equal number of WLT and FT test results. However, it is also conceivable that FT test results can be added instead of being removed. The addition can take place, for example, using a heuristic.
Nachdem Schritt S22 beendet wurde, folgt Schritt S23. In diesem Schritt wird ein Regressor f angelernt, sodass der Regressor abhängig von den Wafer-Level Tests (WLT) die jeweils zugeordneten Final Tests gemäß dem Trainingsdatensatz ermittelt: f(WLT) = FT. Der Regressor f kann ein lineares Regressionsmodell sein. Das Anlernen des Regressors erfolgt auf bekannte Art und Weise, z.B. über eine Minimierung eines Regressionsfehlers auf dem Trainingsdatensatz durch ein Anpassen von Parameter des Regressors f.After step S22 is finished, step S23 follows. In this step, a regressor f is trained so that the regressor determines the associated final tests according to the training data set depending on the wafer-level tests (WLT): f(WLT)=FT. The regressor f can be a linear regression model. The regressor is trained in a known manner, e.g. by minimizing a regression error on the training data set by adjusting parameters of the regressor f.
Nachdem der Regressor angelernt wurde, folgt Schritt S24. Hierin wird eine Kostenmatrix erstellt. Die Zeilen und Spalten sind jeweils einem Wafer-Level Test und Final Test zugeordnet. Die Einträge der Kostenmatrix werden bspw. mittels einer L2 Norm zwischen der Vorhersage des Regressors abhängig von dem entsprechenden WFT-Testergebnisses der jeweiligen Reihe und des entsprechenden FT-Testergebnissen der jeweiligen Spalte aus den Trainingsdaten ermittelt und in der Kostenmatrix hinterlegt. Wenn die Anzahl der Testergebnisse unterschiedlich groß ist, weist die Kostenmatrix eine rechteckige Form auf.After the regressor has been trained, step S24 follows. A cost matrix is created here. The rows and columns are each assigned to a wafer-level test and final test. The entries in the cost matrix are determined from the training data, for example using an L 2 norm between the prediction of the regressor depending on the corresponding WFT test result of the respective row and the corresponding FT test result of the respective column, and stored in the cost matrix. If the number of test results is different, the cost matrix has a rectangular shape.
Nachdem Schritt S24 beendet wurde, folgt in Schritt S25 eine Optimierung der Zuordnungsvorschrift. Die Optimierung erfolgt unter Anwendung des Ungarischen Algorithmus oder einer greedy-Implementierung auf die Kostenmatrix, um eine verbesserte Zuordnungsvorschrift basierend auf der Kostenmatrix zu erhalten.After step S24 has ended, the assignment rule is optimized in step S25. The optimization is performed using the Hungarian algorithm or a greedy implementation on the cost matrix to get an improved mapping rule based on the cost matrix.
Anschließend folgt Schritt S26, in welchem die ersten Größen ausgewählt werden, die nicht gemäß der optimierten Zuordnungsvorschrift einer der zweiten Größen zugeordnet werden. Diese ausgewählten ersten Größen bilden dann die Untermenge von ersten Größen, die keinen korrespondieren FT-Testergebnis zugeordnet werden.This is followed by step S26, in which the first variables are selected that are not assigned to one of the second variables according to the optimized assignment rule. These selected first variables then form the subset of first variables that are not assigned a corresponding FT test result.
Wenn ein Abbruchkriterium nicht erfüllt ist, dann werden die Schritte S22 bis S25 erneut ausgeführt. Hierbei sei angemerkt, dass beim Wiederholen des Schrittes S22 nun die Untermenge aus dem Trainingsdatensatz entfernt wird, welche in der unmittelbar vorhergehenden Wiederholung in Schritt S26 ausgewählt wurde. Das Abbruchkriterium kann eine vorgegebene Anzahl von max. Wiederholungen sein.If a termination criterion is not met, then steps S22 to S25 are carried out again. It should be noted here that when step S22 is repeated, the subset which was selected in step S26 in the immediately preceding repetition is now removed from the training data set. The termination criterion can be a specified maximum number of repetitions.
Wenn das Abbruchkriterium erfüllt ist, dann ist das Verfahren beendet und es kann die Zuordnungsvorschrift ausgegeben werden.If the termination criterion is met, then the method is ended and the assignment rule can be output.
Dieses Verfahren beginnt mit Schritt S31. Hierin wird eine Population von Zuordnungsvorschriften zufällig initialisiert. Die initiale Population wird entweder zufällig oder mithilfe eines heuristischen Vorgehens erstellt. Eine Anzahl der Zuordnungsvorschriften der Population ist vorgebbar.This process begins with step S31. Here, a population of assignment rules is randomly initialized. The initial population is created either randomly or using a heuristic approach. A number of the rules for assigning the population can be specified.
Daraufhin folgt Schritt S32. In diesem Schritt wird die Population für das Verfahren nach
Nachdem Schritt S32 beendet wurde, folgt Schritt S33, welcher eine Fitness der einzelnen optimierten Zuordnungsvorschriften der Population, die im vorherigen Schritt S32 gemäß dem Verfahren nach
Nach Schritt S33 folgt Schritt S34. Hierin werden abhängig von der Fitness die fittesten Zuordnungsvorschriften ausgewählt, also insbesondere diejenigen, die geringe Kosten erzeugen. Die Anzahl der Zuordnungsvorschriften, welche ausgewählt werden, ist vorgebbar. Beispielsweise werden die 20% der fittesten Zuordnungsvorschriften weiterverwendet.After step S33, step S34 follows. Here, depending on the fitness, the fittest assignment rules are selected, ie in particular those that generate low costs. The number of assignment rules that are selected can be specified. For example, the 20% of the fittest assignment rules are reused.
Zusätzlich wird aus den fittesten Zuordnungsvorschriften der Population neue Zuordnungsvorschriften durch ein Modifizieren dieser Zuordnungsvorschriften erstellt. Die Modifikation kann durch eine Kreuzung (engl. Crossover) und/oder eine Mutation der Zuordnungsvorschriften erzeugt werden.In addition, new assignment rules are created from the fittest assignment rules of the population by modifying these assignment rules. The modification can be generated by a crossover and/or a mutation of the assignment rules.
Die Kreuzung wird durch Kombinieren zweier oder einer Mehrzahl von Zuordnungsvorschriften durchgeführt. Vorzugweise wird für die Kreuzung eine Modifikation eines „Uniform Partial Matched Crossover" (kurz: UPMX) verwendet, um spezifische Eigenschaften der Zuordnungsvorschrift zu behandeln, wie z.B. Platzhalter als -1 und dass kein Index nach der Kreuzung zweimal vorliegt.The crossing is performed by combining two or a plurality of mapping rules. A modification of a "Uniform Partial Matched Crossover" (UPMX for short) is preferably used for the crossing in order to handle specific properties of the mapping rule, such as placeholders as -1 and that no index is present twice after the crossing.
Die Mutation erfolgt entweder durch Ausführen des Verfahrens nach
Die Anzahl der modifizierten Zuordnungsvorschriften ist ebenfalls vorgebbar. Vorzugweise wird diese Anzahl derart gewählt, dass die Gesamtanzahl der Zuordnungsvorschriften pro Generation gleichbleibt.The number of modified assignment rules can also be specified. This number is preferably selected in such a way that the total number of assignment specifications per generation remains the same.
Nachdem die fittesten und modifizierten Zuordnungsvorschriften vorliegen, wird im nachfolgenden Schritt S35 die Population aktualisiert, indem die die fittesten und modifizierten Zuordnungsvorschriften aus Schritt S34 als aktualisierte Population verwendet wirdOnce the fittest and modified assignment rules are available, the population is updated in the subsequent step S35 by using the fittest and modified assignment rules from step S34 as the updated population
Nach Beendigung von Schritt S35 kann die aktualisierte Population für Schritt S32 verwendet werden und die Schritte S32 bis S35 werden dann erneut ausgeführt. Diese Wiederholung kann mehrmals ausgeführt werden. Vorzugsweise wird diese Wiederholung für eine vorgebbare Anzahl an Wiederholungen wiederholt.After completing step S35, the updated population can be used for step S32 and steps S32 to S35 are then executed again. This repetition can be done multiple times. This repetition is preferably repeated for a predeterminable number of repetitions.
Wenn das Verfahren nach
Nachdem die finale Zuordnungsvorschrift ausgewählt wurde, wird in einem optional nachfolgenden Schritt mittels der finalen Zuordnungsvorschrift die Position der Halbleiterbauteile 11 auf dem Wafer 10 rekonstruiert. Hierbei kann anhand der Zuordnungsvorschrift beginnend bei den FT-Testergebnissen rückwärts die WLT-Testergebnisse bestimmt werden. Da üblicherweise zu den WLT-Testergebnissen zusätzlich abgespeichert wird, an welcher Position innerhalb des Wafers der jeweilige Test ausgeführt wurde, lässt sich somit rekonstruieren, wo genau das entsprechende Halbleiterbauelement auf den Wafer hergestellt wurde. Entsprechend lässt sich auch die Positionen der Halbleiterbauteile rekonstruieren, deren WFT-Testergebnisses gemäß der Zuordnungsvorschrift keinen FT-Testergebnissen zugeordnet werden. Also diejenigen Halbleiterbauteile identifizieren, welche nach dem WLT Test aussortiert wurden, sowie deren jeweilige Positionen. Denkbar ist, dass abhängig von einer Positionsrekonstruktion ein Steuersignal zur Steuerung eines physikalischen Systems, wie z.B. einer computergesteuerten Maschine, wie einer Fertigungsmaschine, insbesondere Bearbeitungsmaschinen für die Wafer, angesteuert werden. Beispielsweise wenn die FT-Testergebnisse nicht optimal sind, kann das Steuersignal einen vorhergehenden Herstellungsschritt entsprechend anpassen, um später bessere FT-Testergebnisse zu erhalten.After the final assignment specification has been selected, the position of the
Es sei angemerkt, dass das Verfahren nach
Die Vorrichtung umfasst einen Bereitsteller 51, der den Trainingsdatensatz gemäß Schritt S22 bereitstellt. Die Trainingsdaten werden dann dem Regressor 52 zugeführt, das hieraus Ausgangsgrößen ermittelt. Ausgangsgrößen und Trainingsdaten werden einem Beurteiler 53 zugeführt, der hieraus aktualisierte Parameter des Regressors 52 ermittelt, die dem Parameterspeicher P übermittelt werden und dort die gegenwärtigen Parameter ersetzen. Der Beurteiler 53 ist eingerichtet, den Schritt S23 auszuführen.The device includes a
Die von der Vorrichtung 40 ausgeführten Schritte können als Computerprogramm implementiert auf einem maschinenlesbaren Speichermedium 54 hinterlegt sein und von einem Prozessor 55 ausgeführt werden.The steps executed by the
Der Begriff „Computer“ umfasst beliebige Geräte zur Abarbeitung vorgebbarer Rechenvorschriften. Diese Rechenvorschriften können in Form von Software vorliegen, oder in Form von Hardware, oder auch in einer Mischform aus Software und Hardware.The term "computer" includes any device for processing predeterminable calculation rules. These calculation rules can be in the form of software, or in the form of hardware, or in a mixed form of software and hardware.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- DE 102021209343 [0004, 0005]DE 102021209343 [0004, 0005]
Claims (14)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021209588.7A DE102021209588A1 (en) | 2021-09-01 | 2021-09-01 | Method and device for position reconstruction of semiconductor components on a wafer |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021209588.7A DE102021209588A1 (en) | 2021-09-01 | 2021-09-01 | Method and device for position reconstruction of semiconductor components on a wafer |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021209588A1 true DE102021209588A1 (en) | 2023-03-02 |
Family
ID=85174871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021209588.7A Pending DE102021209588A1 (en) | 2021-09-01 | 2021-09-01 | Method and device for position reconstruction of semiconductor components on a wafer |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021209588A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092981B (en) | 2019-12-23 | 2022-04-26 | 长鑫存储技术有限公司 | Wafer data detection method and system, storage medium and test parameter adjustment method |
DE102021209343A1 (en) | 2021-08-25 | 2023-03-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for position reconstruction of semiconductor components on a wafer |
-
2021
- 2021-09-01 DE DE102021209588.7A patent/DE102021209588A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092981B (en) | 2019-12-23 | 2022-04-26 | 长鑫存储技术有限公司 | Wafer data detection method and system, storage medium and test parameter adjustment method |
DE102021209343A1 (en) | 2021-08-25 | 2023-03-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for position reconstruction of semiconductor components on a wafer |
Non-Patent Citations (1)
Title |
---|
AYARI, Haithem, et al. Smart selection of indirect parameters for DC-based alternate RF IC testing. In: 2012 IEEE 30th VLSI Test Symposium (VTS). IEEE, 2012. S. 19-24. |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102021209343A1 (en) | Method and device for position reconstruction of semiconductor components on a wafer | |
EP3065250B1 (en) | Method and device for determining the topology of a power supply network | |
DE19535084A1 (en) | Dynamic optimisation of business processes managed by computer system | |
DE112009005340T5 (en) | A method and apparatus for scheduling use of test resources of a test set-up for performing test groups | |
DE112020001105T5 (en) | DETECTING A GENETIC MUTATION USING DEEP LEARNING | |
DE102005013302A1 (en) | Proactive, systemic planner for reagent-limited test systems | |
DE69218682T2 (en) | METHOD FOR TESTING A SOFTWARE PROGRAM | |
DE112019004261T5 (en) | Analysis and correction of the supply chain design through machine learning | |
DE102012108407A1 (en) | A method and apparatus for determining test sets of operating parameter values for an electronic component | |
DE102021204550A1 (en) | Method for generating at least one data set for training a machine learning algorithm | |
DE102021124445A1 (en) | META-FEATURE TRAINING MODELS FOR MACHINE LEARNING ALGORITHMS | |
EP2433185B1 (en) | Apparatus and method for editing a process simulation database for a process | |
DE60224378T2 (en) | Method for generating a test pattern for the simulation and / or testing of the layout of an integrated circuit | |
DE102021209588A1 (en) | Method and device for position reconstruction of semiconductor components on a wafer | |
DE102020207449A1 (en) | Method, computer program and device for processing signals | |
DE102021209608A1 (en) | Method and device for position reconstruction of semiconductor components on a wafer | |
DE102021006554A1 (en) | Method and device for position reconstruction of semiconductor components on a wafer | |
EP3605404B1 (en) | Method and device for the training of a machining learning routine for controlling a technical system | |
WO2023161000A1 (en) | Position reconstruction of semiconductor components on a wafer | |
DE102022205141A1 (en) | Method and device for position reconstruction of semiconductor components on a wafer | |
EP3340250A1 (en) | Identification of components in the error handling of medical devices | |
EP4377706A1 (en) | Uncertainty estimation for a position reconstruction of semiconductor components on a wafer | |
DE102020208765A1 (en) | Image classifier with variable receptive fields in convolutional layers | |
DE112008000213T5 (en) | Method and apparatus for determining a minimum / maximum of a plurality of binary values | |
DE602004007525T2 (en) | IC WITH INTEGRATED CHARACTERISTIC PROVISION |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |