DE102021209608A1

DE102021209608A1 - Verfahren und Vorrichtung zur Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer

Info

Publication number: DE102021209608A1
Application number: DE102021209608.5A
Authority: DE
Inventors: Csaba Domokos; Stefan Patrick Lindt; Andreas Steimer; Michel Janus; Eric Sebastian Schmidt; Mehul BANSAL; Matthias Werner
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2021-09-01
Filing date: 2021-09-01
Publication date: 2023-03-02
Also published as: JP2023036038A; CN115795254A; KR20230033608A; TW202329279A

Abstract

Die Erfindung betrifft ein Verfahren zum Ermitteln einer Zuordnungsvorschrift, um Testergebnisse unterschiedlicher Tests des gleichen Halbleiterbauelementes zusammenzuführen, wobei ein Ausbeuteverlust beim Herstellen der Halbleiterbauelemente berücksichtig wird. Das Verfahren umfasst folgende Schritte: (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 und mehrfaches Wiederholen dieser Schritte.

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.
Stand der Technik
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.
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.
Eine weitere Herausforderung beim Matching der Endprüfung und der Wafer-Level Tests besteht darin, dass einzelne Halbleiterbauteile nach dem Wafer-Level Test aussortiert werden und auch hier die Information verloren geht, welches konkrete Halbleiterbauteil aussortiert wurde. Daher verkompliziert sich das kombinatorische Problem, da es nun für die Endprüfungsergebnisse mehr potenziell zugehörige Wafer-Level Tests gibt und auch entschieden werden muss, welcher Wafer-Level Test kein korrespondierendes Endprüfungsergebnisse hat.
Vorteile der Erfindung
Die Erfindung mit den Merkmalen des unabhängigen Anspruchs 1 hat den Vorteil, dass diese es ermöglicht, eine potenzielle Zuordnung zwischen Halbleiterbauteilen abhängig von Ergebnissen des Wafer-Level-Tests und verpackten Halbleiterbauteilen abhängig von Ergebnissen der Endprüfung (engl. Final Test) zu ermitteln und dabei ohne nachträglich hinzugefügte Metadaten, wie eindeutige Identifikatoren o.ä., auskommt.
Die Erfindung hat ferner den Vorteil, dass ein Ausbeuteverlust berücksichtigt wird, der beim Herstellen auftreten kann. Dies ermöglich es, nicht alle Halbleiterbauteile den Tests zuzuordnen. Anhand dem Ausbeuteverlust und der Zuordnung der Ergebnisse kann eine zusätzliche Rückverfolgbarkeitsinformation gewonnen werden, die eine Schätzung ermöglicht, an welchen Positionen auf dem Wafer der Ausbeuteverlust auftrat. Abhängig davon kann eine bessere Prozesskontrolle (z.B. Ursachenanalyse von Fehlerteilen) ermöglicht werden.
Weitere Aspekte der Erfindung sind Gegenstand der nebengeordneten Ansprüche. Vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche.
Offenbarung der Erfindung
In einem ersten Aspekt betrifft die Erfindung ein insbesondere computerimplementiertes Verfahren zum Ermitteln einer Zuordnungsvorschrift, 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 umfasst mehr Größen als die zweite Menge. 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 ist eingerichtet, 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.
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.
Das Verfahren beginnt mit einem Initialisieren der Zuordnungsvorschrift und Bereitstellen der ersten und zweiten Menge, wobei die erste Menge mehr Größen als die zweite Menge aufweist. Die initiale Zuordnungsvorschrift kann zufällig oder als eine Identitätszuordnung gewählt werden. Vorzugsweise wird die Zuordnungsvorschrift 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.
Daraufhin folgt ein Zufälliges Auswählen einer Anzahl von ersten Größen, 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.
Daraufhin folgt ein wiederholtes Ausführen der nachfolgend erläuterten Schritte a)-e). 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.
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) - e) vorliegt, also diejenige Zuordnungsvorschrift, welche beim Ausführen des jüngsten Erstellens des Datensatzes verwendet wurde.
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.
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.
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.
e) Auswählen der ersten Größen, 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.
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 ermitteln, welche erste Größen keine korrespondierenden zweite Größen aufweisen.
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.
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.
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.
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.
Weiterhin wird vorgeschlagen, dass die ersten und zweiten Größen ein Produkt bei seiner Herstellung nach unterschiedlichen Herstellprozesschritten charakterisieren. Beispielsweise kann der zweite Zeitpunkt hier gegeben sein, wenn ein Herstellprozesschritt 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.
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..
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.
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.
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.
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.
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.
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 der Erfindung;
3 schematisch eine Trainingsvorrichtung.

Beschreibung der Ausführungsbeispiele
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 1 abgebildet. Die Wafer 10 weisen jeweils eine Mehrzahl von Halbleiterbauteilen oder Halbleiterbauelementen 11 auf. In diesem Stadium hat jedes Halbleiterbauelement 11 eine bekannte Position auf den Wafern 10. Üblicherweise werden die Halbleiterbauelemente 11 in diesem Stadium einer Mehrzahl von Test unterzogen, die auch als Wafer-Level Test bezeichnet werden. Daraufhin folgt ein Zerschneiden der Wafer 10, sodass die Halbleiterbauelemente 11 voneinander getrennt werden. Das Zerschneiden kann per Säge 12 oder per Laser erfolgen. Abschließend werden die zugeschnitten Halbleiterbauelemente verpackt, bspw. in Microcontroller 13 eingebaut. Spätestens in diesem Stadium ist dann die Information verloren gegangen, auf welchem Wafer 10 und auf welcher Position innerhalb des Wafers 10 das Halbleiterbauelement ursprünglich positioniert war. Üblicherweise werden die Microcontroller 13 mit den Halbleiterbauelementen 11 wieder einer Mehrzahl von Tests unterzogen, die auch als Final Test bezeichnet werden. Da jedoch durch das Zerschneiden der Wafer 10 eine Durchmischung erfolgte, lässt sich nicht ohne weiteres eindeutig zurückführen, auf welchem Wafer 10 das jeweilige Halbleiterbauelemente 11 der Microcontroller 13 angeordnet war und welcher Wafer-Level Test zu welchem Final Test korrespondiert, also die Testergebnisse des gleich Halbleiterbauelementes sind. Die Halbleiterbauelemente können mikroelektronische Baugruppen, wie z. B. integrierte Schaltungen (im Folgenden auch Chip bezeichnet), Sensoren, o.ä. sein.
Eine Aufgabe der Erfindung besteht darin, 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 Qualität.
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.
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).
2 zeigt schematisch ein Flussdiagramm 20 eines Verfahrens zum Ermitteln einer Zuordnungsvorschrift, welche die Testergebnisse des Final Tests den jeweils korrespondierenden Wafer-Level Test Testergebnissen zuordnet. Nach Beendigung des Verfahrens soll eine Zuordnungsvorschrift vorliegen, welche die zusammengehörende Testergebnisse des Wafer-Level Tests zu den Final Tests zuordnet. Also die zusammengehörende Testergebnisse beschreibt, die vom gleichen Halbleiterbauteil stammen.
Das Verfahren beginnt mit Schritt S21a. In diesem Schritt wird die Zuordnungsvorschrift initialisiert. 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.
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.
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.
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.
Nachdem Schritt S22 beendet wurde, folgt Schritt S23. In diesem Schritt wird ein Regressor / 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 / 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.
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. Da die Anzahl der Testergebnisse unterschiedlich groß ist, weist die Kostenmatrix eine rechteckige Form auf.
Nachdem Schritt S24 beendet wurde, folgt in Schritt S25 eine Optimierung der Zuordnungsvorschrift. Die Optimierung erfolgt unter Anwendung des Ungarischen Algorithmus auf die Kostenmatrix, um eine verbesserte Zuordnungsvorschrift basierend auf der Kostenmatrix zu erhalten.
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.
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.
Wenn das Abbruchkriterium erfüllt ist, dann ist das Verfahren beendet und es kann die Zuordnungsvorschrift ausgegeben werden.
In einem nach Schritt S25 optional folgenden Schritt wird mittels der 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 nach Schritt S25 und/oder Schritt 26 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.
3 zeigt schematisch eine Vorrichtung 30 zum Ausführen des Verfahrens nach 2.
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.
Die von der Vorrichtung 30 ausgeführten Schritte können als Computerprogramm implementiert auf einem maschinenlesbaren Speichermedium 54 hinterlegt sein und von einem Prozessor 55 ausgeführt werden.
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.

Claims

Verfahren zum Ermitteln einer Zuordnungsvorschrift, die einer Mehrzahl von ersten Größen aus einer ersten Menge von ersten Größen zweite Größen aus einer zweiten Menge von zweiten Größen zuordnet, umfassend folgende Schritte: Initialisieren (S21a) der Zuordnungsvorschrift und Bereitstellen (S21a) der ersten und zweiten Menge, wobei die erste Menge mehr Größen als die zweite Menge aufweist; Zufälliges Auswählen (S21b) einer Anzahl von ersten Größen, wobei die Anzahl der ausgewählten ersten Größen mindestens derjenigen Anzahl entspricht, um die die erste Menge mehr Größen als die zweite Menge aufweist; Wiederholtes Ausführen der Schritte a)-d): a)Anlernen (S23) eines maschinellen Lernsystems derart, dass das maschinelle Lernsystem abhängig von den ersten Größen der ersten Menge ohne die ausgewählten ersten Größen die jeweils gemäß der Zuordnungsvorschrift zugeordneten zweiten Größen ermittelt; b) Ermitteln (S24) einer Kostenmatrix, wobei Einträge der Kostenmatrix Distanzen zwischen Vorhersagen des maschinellen Lernsystems abhängig von den ersten Größen der ersten Menge und den zweiten Größen der zweiten Menge charakterisieren; c) Optimieren (S25) der Zuordnungsvorschrift abhängig von der Kostenmatrix, sodass eine Zuordnung der ersten Größen zu den zweiten Größen gemäß der Zuordnungsvorschrift minimale Gesamtkosten basierend auf den Einträgen der Kostenmatrix erzeugt; und d)Auswählen (S26) der ersten Größen, die nicht gemäß der optimierten Zuordnungsvorschrift einer der zweiten Größen zugeordnet werden.
Verfahren nach Anspruch 1, wobei die Optimierung (S25) der Zuordnungsvorschrift mittels einem Ungarischen Algorithmus oder einer greedy-Implementierung erfolgt.
Verfahren nach Anspruch 2, wobei eine Anzahl der Spalten und Zeilen der Kostenmatrix gleich der Anzahl der ersten Größen und zweiten Größen ist, wobei beim Ermitteln (S24) der Kostenmatrix die Distanzen zwischen den Vorhersagen des maschinellen Lernsystems für alle ersten Größen zu jeweils allen zweiten Größen ermittelt werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das maschinelle Lernsystem ein Regressionsmodell (53) ist, welches abhängig von den ersten Größen und Parameter des Regressionsmodells (53) die zweiten Größen ermittelt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die ersten und zweiten Größen Produkte bei deren Herstellung nach unterschiedlichen Herstellprozesschritten charakterisieren, wobei die Zuordnungsvorschrift charakterisiert welche der Größen der ersten und zweiten Menge ein gleiches Produkt charakterisieren, wobei die Anzahl der zufällig ausgewählten ersten Größen des zufälliges Auswählens (S21b) oder ausgewählten ersten Größen des Auswählens (S26) einem Ausbeuteverlust (engl. yield) beim Herstellen entspricht.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die ersten Größen erste Testergebnisse von Halbleiterbauteilelementen auf einem Wafer sind und die zweiten Größen zweite Testergebnisse der Halbleiterbauteilelementen nach deren Herausschneiden aus dem Wafer sind, wobei die Zuordnungsvorschrift charakterisiert, welche ersten und zweiten Testergebnisse vom gleichen Halbleiterbauteilelement stammen.
Verfahren nach Anspruch 6, wobei die ersten Testergebnisse Wafer-Level Testergebnisse und die zweiten Testergebnisse Final-Testergebnisse sind.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Halbleiterbauteilelemente auf einer Mehrzahl von unterschiedlichen Wafern hergestellt wurden.
Verfahren nach einem der vorhergehenden Ansprüche 6 bis 8, wobei abhängig von der Zuordnungsvorschrift ermittelt wird, welches zweite Testergebnis zu welchem ersten Testergebnis gehört und dann abhängig von dem zugehörigen ersten Testergebnis ermittelt wird, an welcher Position das Halbleiterbauelement innerhalb eines Wafers angeordnet war und an welcher Position die Halbleiterbauelemente angeordnet waren, für welche keine zweiten Testergebnisse vorliegen.
Verfahren nach einem der Ansprüche 6 bis 9, wobei die Halbleiterbauteilelemente Leistungs-MOSFET (engl. ,power MOSFET‘) sind.
Vorrichtung (30), welche eingerichtet ist, das Verfahren nach einem der vorhergehenden Ansprüche auszuführen.
Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das Verfahren nach Anspruch 1 bis 10 auszuführen.
Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 12 gespeichert ist.