JP2012199338A - 故障診断支援方法、プログラム及び装置 - Google Patents

Abstract

【課題】特徴の数に対して十分な量の故障データがないケースに対処する。
【解決手段】本方法は、故障について検討すべき第1半導体装置と当該第1半導体装置と同じ回路を実装した第2半導体装置とについての分類要素のグループ毎に当該グループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含むデータと予め定められた算出式とから、特徴とグループとの組み合わせ毎に故障数期待値を算出するステップと、特徴とグループとの組み合わせ毎の故障数期待値と、グループ毎の実故障数とから、各特徴について、グループに渡る故障数期待値の分布とグループに渡る実故障数の分布との類似度を表す指標値を算出するステップとを含む。
【選択図】図１

Description

本技術は、半導体装置の故障診断支援技術に関する。

大規模集積（ＬＳＩ：Large Scale Integrated）回路等の半導体装置は、設計及び製造後に出荷試験が行われる。出荷試験や市場で故障が検出されると、論理シミュレーション又は故障辞書等を用いた故障解析が行われ、故障候補が抽出される。故障候補に基づいて、統計的解析を行う大量故障診断（Volume Diagnosis）により故障要因が絞り込まれる。絞り込まれた故障要因に関連する故障候補を選択して、電子顕微鏡等を用いた物理解析により実際の半導体装置上の故障であるか否かが調べられ、故障原因が特定される。特定された故障原因は、半導体装置の設計や製造工程にフィードバックされ、出荷試験等で検出される故障を減少させるための変更が加えられる。

故障診断は、製造後の出荷試験等で故障が検出された半導体装置について、半導体装置内部の故障箇所を推定する技術である。近年は、大量故障診断において統計的解析を用いることで、更に故障要因を絞り込んだり、故障箇所を推定する手法が提案されている。

テクノロジの微細化、回路の大規模化に伴い、物理解析のコストが増大している。物理解析のコストを減らし、故障原因を早期に特定するためには、大量故障診断において、物理解析対象となる故障候補を的確に絞り込むことが好ましい。

故障解析ツールから入力される半導体装置の故障レポートに基づいて統計的解析を行って、故障要因となる特徴を故障への寄与度に応じて出力する大量故障診断方法が提案されている。故障レポートには、故障候補となるネット又は入出力ピンの情報が含まれ、オープン故障又はブリッジ故障といった故障のタイプが含まれても良い。この提案されている大量故障診断方法では、故障要因の候補となる特徴のリストが入力されるか、又は、予め診断装置に組み込まれている。ここで、故障要因となる特徴は、配線長、ビア数、配線密度のようなレイアウト情報、及びオープン故障又はブリッジ故障の要因となる配線パターン等である。この提案されている大量故障診断方法は、ある１種類の特徴に着目し、ネットリスト等の回路情報を、着目した特徴の特徴量の大きい順にソートして上位から均等に複数個のグループに分割する。各グループについて、故障数の期待値と実測値とを夫々計算する。期待値は、着目した特徴の特徴量に基づくモデル式を用いることで計算され、実測値は、故障リストから各グループに含まれる故障候補をカウントすることで計算される。また、期待値と実測値の分布の近さから、着目した１種類の特徴の故障への寄与度（又は重要度）を計算する。全ての種類の特徴について、上で述べたような処理を繰り返して各種類の特徴の故障への寄与度を計算し、寄与度の高い種類の特徴を故障要因とする。

しかしながら、特徴の数に対して十分な量の故障データがない場合には、上記のような手法の有効性が低下するという問題がある。このような問題に対する有効な対処法は現在存在していない。

M. Sharma et al.,"Efficiently Performing YieldEnhancements by Identifying Dominant Physical Root Cause from Test Fail Data", International TestConference 2008, Paper 14.3, pp.1-9

米国特許第６８８０１３６号公報 米国特許第７５１２５０８号公報 特開２００６−２８４５２２号公報

従って、本技術の目的は、一側面においては、特徴の数に対して十分な量の故障データがないケースに対処するための故障診断支援技術を提供することである。

本方法は、（Ａ）故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータを格納する第１データ格納部に格納されている第１のデータと予め定められた算出式とから、上記特徴と第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納するステップと、（Ｂ）第２データ格納部に格納されている、上記特徴と第１のグループとの組み合わせ毎の第１の故障数期待値と、第１データ格納部に格納されている第１のグループ毎の第１の実故障数とから、各特徴について、第１のグループに渡る第１の故障数期待値の分布と第１のグループに渡る第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納するステップとを含む。

特徴の数に対して十分な量の故障データがないケースでも有効な故障診断を支援できるようになる。

図１は、実施の形態に係る故障診断支援装置の機能ブロック図である。 図２は、検討対象の半導体装置に係る故障レポートの一例を示す図である。 図３は、過去の故障レポートの一例を示す図である。 図４は、故障レポートを説明するための図である。 図５は、故障要因リストの一例を示す図である。 図６は、実施の形態に係るメインの処理フローを示す図である。 図７は、学習データ準備処理の処理フローを示す図である。 図８は、学習データ生成処理の処理フローの一例を示す図である。 図９は、学習データ生成処理の処理フローの一例を示す図である。 図１０は、学習データ生成処理を説明するための図である。 図１１は、学習データ生成処理を説明するための図である。 図１２は、検討対象故障レポートデータについての学習データの一例を示す図である。 図１３は、回路共通の学習データの一例を示す図である。 図１４は、学習データ生成処理の処理フローの一例を示す図である。 図１５Ａは、学習データ生成処理を説明するための図である。 図１５Ｂは、学習データ生成処理を説明するための図である。 図１５Ｃは、学習データ生成処理を説明するための図である。 図１６は、学習データ生成処理を説明するための図である。 図１７は、プロセス共通の学習データの一例を示す図である。 図１８は、故障レポートデータ間の関係を示す図である。 図１９は、有用度算出処理の処理フローを示す図である。 図２０は、有用度処理の処理フローを示す図である。 図２１は、第２データ格納部に格納されるデータの一例を示す図である。 図２２Ａは、実故障数と故障数期待値との分布の一例を表す図である。 図２２Ｂは、実故障数と故障数期待値との分布の一例を表す図である。 図２３は、第３データ格納部に格納されるデータの一例を示す図である。 図２４は、故障発生率予測式生成処理の処理フローを示す図である。 図２５は、第４データ格納部に格納されるデータの一例を示す図である。 図２６は、第４データ格納部に格納されるデータの一例を示す図である。 図２７は、重要度ランキング生成処理の処理フローを示す図である。 図２８は、第５データ格納部に格納されるデータの一例を示す図である。 図２９は、重要度ランキング生成処理の処理フローを示す図である。 図３０は、第５データ格納部に格納されるデータの一例を示す図である。 図３１は、出力データの一例を示す図である。 図３２は、コンピュータの機能ブロック図である。

図１に、本技術の一実施の形態に係る故障診断支援装置１００の機能ブロック図を示す。本故障診断支援装置１００は、入力部１０１と、第１データ格納部１０２と、学習データ生成部１０３と、有用度算出部１０４と、第２データ格納部１０５と、第３データ格納部１０６と、モデル式生成部１０７と、第４データ格納部１０８と、重要度処理部１０９と、第５データ格納部１１０と、出力処理部１１１と、出力装置１１２とを有する。

入力部１０１は、ユーザなどから入力されたデータを第１データ格納部１０２に格納する。なお、ユーザなどからの指示については、入力部１０１から他の処理部に出力される場合がある。また、学習データ生成部１０３は、第１データ格納部１０２に格納されているデータから学習データを生成して、第１データ格納部１０２に格納する。有用度算出部１０４は、第１データ格納部１０２に格納されているデータを用いて処理を実施し、処理結果を第３データ格納部１０６に格納する。なお、有用度算出部１０４は、処理途中のデータについては、第２データ格納部１０５に格納する。モデル式生成部１０７は、第３データ格納部１０６と第１データ格納部１０２とに格納されているデータを用いて処理を行い、第４データ格納部１０８に格納する。重要度処理部１０９は、第４データ格納部１０８と第１データ格納部１０２とに格納されているデータを用いて処理を行い、第５データ格納部１１０に格納する。出力処理部１１１は、例えばユーザからの指示に応じて、第２データ格納部１０５と第３データ格納部１０６と第４データ格納部１０８と第５データ格納部１１０とに格納されているデータを、出力装置１１２に出力する。

次に、ユーザからの入力などによって入力部１０１を介して第１データ格納部１０２に格納されるデータの一例を図２乃至図５に示す。第１データ格納部１０２には、例えば図２のような、検討対象の半導体装置についての故障レポートのデータが格納されている。検討対象の半導体装置についての故障レポートは、例えば背景技術の欄で触れた大量故障診断の解析結果として出力されるデータである。図２の例では、故障診断対象のプロセス（例えば４０ｎｍや９０ｎｍなどのプロセステクノロジを指す）のプロセスＩＤ（識別子）と、回路ＩＤ（識別子）と、故障したダイ（die）の番号と、ウェハ上における故障ダイの座標（ｘ，ｙ）と、故障タイプと、故障候補ネットＩＤとが登録されるようになっている。１つのダイで、複数の故障候補ネットが特定される場合があるが、このデータからネットＩＤ毎に故障ダイ数（＝実故障数）をカウントできる。同様に、ウェハ上に設定されたエリア毎に故障ダイ数（＝実故障数）をカウントすることも可能である。本実施の形態では、検査対象の半導体装置についての故障レポートの量が少ないことを前提とする。

さらに、第１データ格納部１０２には、過去の故障レポートについても格納されている。図３に示すように、データのフォーマットについては図２に示したものと同様である。

さらに、本実施の形態では、図４に示すように、過去の故障レポートの各レコードは、プロセスＩＤ及び回路ＩＤを付与されている。そのため、回路が同一の故障ダイを特定したり、プロセスが同一の故障ダイを特定することができるようになる。

また、図５に、第１データ格納部１０２に格納されている故障要因リストの一例を示す。図５の例では、故障要因となる特徴のＩＤと、名称と、定義とが登録されるようになっている。図５で例示しているように、故障要因となる特徴には、デザインルールとして表現可能なものを定義する。

さらに、図示しないが、ネットリストのデータと、レイアウトデータと、ウェハ内のダイの配置データと、その他のデータとが格納されている。

次に、図６乃至図３１を用いて、故障診断支援装置１００の処理内容について説明する。

まず、故障診断支援装置１００の学習データ生成部１０３は、学習データ準備処理を実施する（図６：ステップＳ１）。この学習データ準備処理については、図７乃至図１８を用いて説明する。

学習データ生成部１０３は、第１データ格納部１０２に格納されている故障レポートデータのうち、検討対象の故障レポートデータを抽出する（図７：ステップＳ１１）。そして、学習データ生成部１０３は、検討対象故障レポートデータについての学習データ生成処理を実施する（ステップＳ１３）。この処理については、図８乃至図１８を用いて説明する。

学習データ生成処理の一例を図８に示す。学習データ生成部１０３は、故障要因リストに規定されている特定の特徴について、第１データ格納部１０２に格納されている例えばレイアウトデータからネット毎に特徴量を算出し、第１データ格納部１０２に格納する（図８：ステップＳ３１１）。

ステップＳ３１１の処理は、例えば図９に示すような処理である。まず、学習データ生成部１０３は、ネットリストのデータにおいて未処理のネットＮiを特定する（ステップＳ３２１）。そして、学習データ生成部１０３は、ネットＮiについて、レイアウトデータ等を用いて特定の特徴の特徴量を算出し、例えば第１データ格納部１０２に格納する（ステップＳ３２３）。その後、学習データ生成部１０３は、未処理のネットが存在しているか判断し（ステップＳ３２５）、未処理のネットが存在している場合にはステップＳ３２１に戻り、未処理のネットが存在していない場合には処理を終了する。

例えば、特定の特徴が、Ｍ１層の配線密度が６０％となる単位エリアの数である場合には、ステップＳ３２３では、Ｍ１層を通過するネットＮiの配線が通過する単位エリアのうち、配線密度が６０％以上の単位エリアの数をカウントする。そうすると、例えば図１０に示すようなデータが、例えば第１データ格納部１０２に格納される。図１０の例では、１０のネットが存在する場合、それぞれ特定の特徴について算出された特徴量が登録されるようになっている。

図８の処理の説明に戻って、学習データ生成部１０３は、ネットリストにおける各ネットを、ステップＳ３１１で算出された特徴量に応じてグループ化する（ステップＳ３１３）。グループ化の手法は様々に存在しているが、１つの手法としては、特徴量の小さい順にネットをソートして、その順番で所定個数のグループにグループ化する。図１０の例では、Ｎ7、Ｎ2、Ｎ3、Ｎ9、Ｎ5、Ｎ6、Ｎ1、Ｎ8、Ｎ4、Ｎ10の順番に並べられる。従って、図１１に示すように、Ｎ7、Ｎ2、Ｎ3及びＮ9がグループＧ₁となり、Ｎ5、Ｎ6及びＮ1がグループＧ₂となり、Ｎ8、Ｎ4及びＮ10がグループＧ₃となる。その他、他の特徴についても同様の処理を行って、他の観点でグループ化した結果も採用するようにしても良い。

さらに、学習データ生成部１０３は、グループ毎に、他の特徴について特徴量を算出し、第１データ格納部１０２に格納する（ステップＳ３１５）。故障要因リストに登録されている、故障要因となる特徴のうち特定の特徴以外の各特徴について、その特徴量をグループ単位で算出する。例えば、Ｖ１層のビアのうち単一ビアの比率が８０％となる単位エリアの数という特徴の場合、Ｖ１層を通過するネットＮiの配線が通過する単位エリアのうち、単一ビアの比率が８０％となる単位エリアの数を、レイアウトデータからカウントして、グループ毎にこの数を合計する。

そして、学習データ生成部１０３は、処理の対象となる故障レポートから、グループ毎に、実故障数を計数して、第１データ格納部１０２に格納する（ステップＳ３１７）。例えばネットＩＤ毎に出現回数をカウントして、グループ毎に出現回数を合計することによって実故障数を算出する。

このような処理を実施することで、例えば図１２に示すようなデータが第１データ格納部１０２に学習データとして格納される。図１２の例では、グループ毎に、グループＩＤと、実故障数と、特徴１の特徴量と、特徴２の特徴量と、特徴３の特徴量と、特徴４の特徴量と、．．．が格納されているようになっている。特徴の数については故障要因リストに依存する。

図７の処理の説明に戻って、次に、学習データ生成部１０３は、第１データ格納部１０２から、検討対象故障レポートデータと、当該検討対象故障レポートに含まれる故障ダイに実装されている回路と同一の回路が実装されている故障ダイについての故障レポートデータとを、回路共通の故障レポートデータとして抽出する（ステップＳ１５）。例えば図２に示すような検討対象故障レポートデータに含まれる故障ダイの番号から、図３に示したような故障レポートデータにおいて回路ＩＤを抽出し、さらに当該回路ＩＤと同じ回路ＩＤを有する故障ダイの番号を抽出する。抽出された故障ダイの番号に基づき、図３に示すような過去の故障レポートデータから、回路共通の故障レポートデータを抽出する。

その後、学習データ生成部１０３は、回路共通の故障レポートデータについての学習データ生成処理を実施する（ステップＳ１７）。基本的にはステップＳ１３と同様の処理を実施する。この処理によって生成された学習データ（以下、回路共通の学習データと呼ぶ）については、図１３に示すように、データフォーマット自体は図１２に示したものと同様である。

さらに、学習データ生成部１０３は、第１データ格納部１０２から、検討対象故障レポートデータと、当該検討対象故障レポートに含まれる故障ダイの製造の際に使用されたプロセスと同一のプロセスが使用されている故障ダイについての故障レポートデータとを、プロセス共通の故障レポートデータとして抽出する（ステップＳ１９）。例えば図２に示すような検討対象故障レポートデータに含まれる故障ダイの番号に基づき、図３に示したような過去の故障レポートデータから、プロセスＩＤを抽出し、さらに当該プロセスＩＤと同じプロセスＩＤを有する故障ダイの番号を抽出する。抽出された故障ダイの番号に基づき、図３に示すような過去の故障レポートデータから、プロセス共通の故障レポートデータを抽出する。

その後、学習データ生成部１０３は、プロセス共通の故障レポートデータについての学習データ生成処理を実施する（ステップＳ２１）。プロセス共通の故障レポートデータについては、異なる半導体装置についての故障レポートデータも含まれるため、ここでは、例えば図１４に示すような処理フローを採用する。

学習データ生成部１０３は、プロセス共通の故障レポートデータにおいて、ウェハ上における故障ダイの座標に基づき、故障ダイをグループ化する（図１４：ステップＳ３３１）。例えば図１５Ａに示すように、ウェハ（実線で示された外周円）上を例えば同心円状に領域Ｇa1、Ｇa2、Ｇa3及びＧa4を設定して、それらの領域をグループとして取り扱うようにしても良い。そして、故障ダイの座標に基づき、いずれのグループに当該故障ダイが属するのかを判断する。領域については、図１５Ｂに示すように、縦方向に領域Ｇb1、Ｇb2、Ｇb3及びＧb4を設定して、それらの領域をグループとして取り扱うようにしてもよい。そして、故障ダイの座標に基づき、いずれのグループに当該故障ダイが属するのかを判断するようにしてもよい。さらに、図１５Ｃに示すように、横方向に領域Ｇc1、Ｇc2、Ｇc3及びＧc4を設定して、それらの領域をグループとして取り扱うようにしてもよい。そして、故障ダイの座標に基づき、いずれのグループに当該故障ダイが属するのかを判断するようにしてもよい。これらのいずれかを採用するようにしても良いし、任意の組み合わせを採用するようにしても良い。ここでは、３種類の領域をそのままグループとして採用するものとする。

そうすると、例えば図１６に示すようなデータが得られるようになる。図１６の例では、グループＩＤ（識別子）と、故障ダイの数（すなわち実故障数）と、故障ダイのＩＤ（識別子）とを登録するようになっている。ステップＳ３３１までであれば、グループＩＤと対象となる故障ダイのＩＤとが登録されるようになる。

その後、学習データ生成部１０３は、グループ毎に、実故障数を計数し、第１データ格納部１０２に格納する（ステップＳ３３３）。図１６の例であれば、グループに対応付けられて格納されている故障ダイのＩＤの数を計数すればよい。

そして、学習データ生成部１０３は、グループ毎に、各特徴について、特徴量を算出し、実故障数と共に第１データ格納部１０２に格納する（ステップＳ３３５）。故障ダイＩＤから故障候補ＩＤが特定されるので、各特徴の特徴量については上で述べた方法と同じようにして算出され、同一グループについての特徴量については合計する。

この処理によって生成された学習データ（以下、プロセス共通の学習データと呼ぶ）については、図１７に示すように、データフォーマット自体は図１２に示したものと同様である。

また、本実施の形態では、図７の処理を実施することで、図１８に模式的に示すように、仮に今回の検討対象故障レポートも過去の故障レポートデータも含まれるとして、この過去の故障レポートデータにおいて、その一部がプロセス共通の故障レポートデータであり、さらにその一部が回路共通の故障レポートデータであり、さらにその一部が検討対象の故障レポートデータである。

このように、検討対象の故障レポートデータの量が少ない場合に、回路同一及びプロセス同一という２つの観点から故障レポートデータの量を増加させることができるようになる。

図６の処理の説明に戻って、有用度算出部１０４は、第１データ格納部１０２に格納されている学習データを用いて、有用度算出処理を実施する（ステップＳ３）。有用度算出処理については、図１９乃至図２３を用いて説明する。

まず、有用度算出部１０４は、回路共通の学習データについての有用度処理を実施する（図１９：ステップＳ３１）。この処理の詳細については、図２０乃至図２３を用いて説明する。

また、有用度算出部１０４は、プロセス共通の学習データについての有用度処理を実施する（ステップＳ３３）。本ステップの処理については、処理すべき学習データの内容のみが異なり、図２０乃至図２３で説明する処理と同一である。そして元の処理に戻る。

次に、有用度処理について図２０乃至図２３を用いて説明する。

まず、有用度算出部１０４は、第１データ格納部１０２に格納されている、処理に係る学習データにおいて、未処理の特徴ｋを１つ特定する（図２０：ステップＳ４１）。また、有用度算出部１０４は、処理に係る学習データにおいて、未処理のグループＳ_iを１つ特定する（ステップＳ４３）。そして、有用度算出部１０４は、特定された特徴ｋと特定されたグループＳ_iとの組み合わせについて故障数期待値Ｅ（ｋ，Ｓ_i）を算出し、第３データ格納部１０６に格納する（ステップＳ４５）。具体的には、以下の式に従って算出する。

学習データは、１レコードが１グループを示しており、各特徴についての特徴量ｆ₁乃至ｆ_Nを含む。従って、グループＳ_iについての特徴ｋ（１≦ｋ≦Ｎ）の特徴量をｆ_ikと表す。また、（１）式の第１項の分母は、全グループｊについての特徴ｋの特徴量ｆ_jkの総和を表している。さらに、Ｃ_allは、処理に係る学習データについての全実故障数である。また、Ｃ_randomは、ランダムに発生する故障数であり、ここでは定数である。また、ｍはグループ数である。

例えば、図２１に示すようなデータが、第２データ格納部１０５に格納される。図２１の例では、特徴ｋと、グループＳ_iとの組み合わせに対応付けて、故障数期待値Ｅ（ｋ，Ｓ_i）が登録されるようになっている。

本実施の形態では、特徴に注目して、各グループについて故障数期待値を算出するようにしている。学習データでは、グループ毎に実故障数は計数されており、各特徴について実故障数が得られているわけではないが、例えば図２２Ａ及び図２２Ｂのようなグラフも生成することができるようになる。図２２Ａは、例えば特徴１についての故障数分布を示す図である。すなわち、各グループについて、実故障数と故障数期待値とがペアで並べられている。一方、図２２Ｂは、例えば特徴２についての故障数分布を示す図である。

そして、有用度算出部１０４は、未処理のグループが存在するか判断する（ステップＳ４７）。未処理のグループが存在する場合には、ステップＳ４３に戻る。一方、未処理のグループが存在しない場合には、有用度算出部１０４は、第２データ格納部１０５に格納されているデータ（図２１）と第１データ格納部１０２とに格納されている学習データとを用いて、特定された特徴ｋについての有用度を算出し、第３データ格納部１０６に格納する（ステップＳ５１）。

本実施の形態では、ある特徴ｋに着目して、グループに渡る故障数期待値の分布とグループに渡る実故障数の分布との類似度を表す指標の１つとして有用度を導入している。例えば図２２Ａのような場合と図２２Ｂのような場合とであれば、特徴１についての図２２Ａの方が、故障数期待値の分布と実故障数の分布とが類似している。従って、本実施の形態では特徴１の方が有用度が高いと判断する。

より具体的には、例えば以下のような式で特徴ｋについての有用度Ａ_kを算出する。

ｔ_iは、グループＳ_iの実故障数を表す。この（２）式は、実故障数と故障数期待値との相対誤差の自乗和を表している。但し、この（２）式で算出された有用度Ａ_kは、分布間の差が大きいほど値が大きくなるので、例えば（２）式の逆数を有用度として用いるようにしても良い。

その後、有用度算出部１０４は、処理に係る学習データにおいて未処理の特徴が存在するか判断する（ステップＳ５３）。未処理の特徴が存在する場合にはステップＳ４１に戻る。一方、未処理の特徴が存在しない場合には、呼出元の処理に戻る。

以上のような処理を実施することによって、図２３に示すようなデータが得られる。図２３の例では、各特徴について、プロセス共通の学習データについての有用度と、回路共通の学習データについての有用度とが格納される。

このような有用度は以下に示す処理でも用いられるが、設計又は製造の修正指標としても利用できる。

図６の処理の説明に戻って、次に、モデル式生成部１０７は、故障発生率予測式生成処理を実施する（ステップＳ５）。この処理については、図２４乃至図２６を用いて説明する。

まず、モデル式生成部１０７は、第３データ格納部１０６に格納されている、回路共通の場合の有用度から下位の特徴を特定し、各特徴ｉについて重みβ_iを設定する（図２４：ステップＳ６１）。例えば、有用度でソートして、例えば下位２０％に含まれる特徴を、下位の特徴として特定するようにしても良い。また、有用度（（２）式の値の逆数の場合）最大値の１０％以下となる特徴を、下位の特徴として特定するようにしても良い。さらに、回路共通の場合には、下位の特徴については、β_i＝ｔ（ｔは１より非常に小さい値）に設定し、それ以外の特徴についてはβ_i＝１に設定する。回路共通の方が、プロセス共通の場合と比較して検討対象故障レポートに含まれる半導体装置と類似点が多いと考えられるためである。

また、モデル式生成部１０７は、第３データ格納部１０６に格納されている、プロセス共通の場合の有用度から下位の特徴を特定し、各特徴ｉについて重みβ_iを設定する（ステップＳ６３）。下位の特徴についての特定の仕方はステップＳ６１と同じである。但し、重みβ_iについては、下位の特徴については、β_i＝０と設定する。それ以外の特徴については、β_i＝１に設定する。

例えば、図２５に示すようなデータが処理途中のデータとして得られて、第４データ格納部１０８に格納される。図２５の例では、特徴毎に、プロセス共通の場合の重みβ_i並びに以下で算出される係数α_i’と、回路共通の場合の重みβ_i並びに以下で算出される係数α_i’と、検討対象の学習データの場合の重みβ_i並びに以下で算出される係数α_iとが格納される。なお、回路共通の場合とプロセス共通の場合の重みβ_iは上で述べたように設定されるが、検討対象の学習データについての重みβ_iは全て１に設定される。係数α_i’については、以下の回帰分析によって算出される。

次に、モデル式生成部１０７は、第１データ格納部１０２に格納されている、検討対象故障レポートデータについての学習データを用いて、回路共通の場合の回帰分析を実施し、回帰分析の適合度ｒaを算出し、回帰分析の結果及び回帰分析の適合度を第４データ格納部１０８に格納する（ステップＳ６５）。

本実施の形態では、以下に示す（３）式のように、故障発生確率ｐは、各特徴ｉの特徴量ｆ_iと係数α_iとの積の総和で表される。但し、上で述べたように、各特徴ｉは重み付けされているので、係数α_iをα_i’と重みβ_iの積で表すものとし、ここでは係数α_i’を算出するものとする。β_iは、図２５に示したデータにおける回路共通の列のデータを用いる。

また、回帰分析自体はよく知られた方法であるから、ここでは述べない。さらに、回帰分析の適合度には、例えば決定係数が用いられる。回帰分析の決定係数は、例えば以下の式で表される。

ここでｔ_iは学習データにおける実故障数に基づく故障発生率、ｔ_aは実故障数に基づく故障発生率の平均値、ｐ_iは回帰式による故障発生確率の計算値を表す。このような決定係数はよく知られているので、これ以上述べない。

また、学習データには実故障数が登録されているので、学習データにおける実故障数の総和Ｎで除することで、各グループについての実故障発生確率ｐが得られる。

さらに、検討対象故障レポートデータについての学習データを用いて回帰分析を実施するが、これは、過去の故障レポートデータに固有な傾向が、故障発生率予測式生成の際にノイズになることを回避するためである。

また、モデル式生成部１０７は、第１データ格納部１０２に格納されている、検討対象故障レポートデータについての学習データを用いて、プロセス共通の場合の回帰分析を実施し、回帰分析の適合度ｒbを算出し、回帰分析の結果及び回帰分析の適合度を第４データ格納部１０８に格納する（ステップＳ６７）。計算内容自体はステップＳ６５と同じである。β_iは、図２５に示したデータにおけるプロセス共通の列のデータを用いる。

さらに、モデル式生成部１０７は、第１データ格納部１０２に格納されている、検討対象故障レポートデータについての学習データを用いて、検討対象についての回帰分析を実施し、回帰分析の適合度ｒcを算出し、回帰分析の結果及び回帰分析の適合度を第４データ格納部１０８に格納する（ステップＳ６９）。計算内容自体はステップＳ６５と同じである。但し、本ステップでは、β_i＝１なのでα_i’＝α_iとなる。

本実施の形態においては、検討対象の場合についても回帰分析を実施するが、これは、故障レポートデータにおける真の故障要因の見落としを避けるためである。すなわち、回路共通の場合及びプロセス共通の場合における故障発生率予測式で考慮外とされたり重みを小さく設定された特徴についても再検討するためである。

ここまでの処理を実施すれば、図２５に示すようなテーブルにデータが埋められたことになる。また、図２６に示すように、適合度のデータも揃ったことになる。

そして、モデル式生成部１０７は、適合度ｒa、ｒb及びｒcのうち、適合度が最大となる故障発生率予測式を選択する（ステップＳ７１）。最も適切な故障発生率予測式を選択することになる。例えば図２６に示すように、選択したものに選択フラグをセットする。

このような処理を実施することで、３つのケースについて故障発生率予測式を生成して、検討対象故障レポートデータによる学習データに最も適合する故障発生率予測式を選択することができるようになる。

図６の処理の説明に戻って、重要度処理部１０９は、重要度ランキング生成処理を実施する（ステップＳ７）。この重要度ランキング生成処理については、図２７乃至図３０を用いて説明する。

重要度処理部１０９は、第１データ格納部１０２に格納されている、検討対象故障レポートデータについての学習データにおける未処理のグループＳ_iを特定する（図２７：ステップＳ８１）。そして、重要度処理部１０９は、選択された故障発生率予測式（（３）式）に、特定されたグループＳ_iにおける各特徴の特徴量を代入して、故障発生率予測値を算出し、第５データ格納部１１０に格納する（ステップＳ８３）。例えば、図２８に示すようなデータを、第５データ格納部１１０に格納する。図２８の例では、グループ毎に、算出した故障発生率予測値ｐ_iを格納するようになっている。

そして、重要度処理部１０９は、未処理のグループが存在しているか判断する（ステップＳ８５）。未処理のグループが存在している場合には、ステップＳ８１に戻る。一方、未処理のグループが存在していない場合には、重要度処理部１０９は、故障発生予測値でグループを降順でソートし、上位ｑ個（ｑは予め定められた数）のグループを選択する（ステップＳ８７）。これによって、故障への寄与の大きいグループを抽出できるようになる。そして処理は端子Ａを介して図２９の処理に移行する。

図２９の処理の説明に移行して、重要度処理部１０９は、第１データ格納部１０２に格納されている、検討対象故障レポートデータについての学習データにおける未処理の特徴を１つ特定する（ステップＳ８９）。そして、重要度処理部１０９は、ステップＳ８７で選択されたグループについて、特定された特徴の重要度を算出し、第５データ格納部１１０に格納する（ステップＳ９１）。

具体的には、以下の式にて算出する。

（５）式は、選択されたｑ個のグループについて、１つの特徴に着目して（３）式における当該特徴の項の値を合計したものである。

このような計算を実施すると、図３０のようなデータが第５データ格納部１１０に格納される。図３０の例では、特徴毎に、計算された重要度ｉ_kが格納される。

その後、重要度処理部１０９は、未処理の特徴が存在するか判断する（ステップＳ９３）。未処理の特徴が存在する場合にはステップＳ８９に戻る。一方、未処理の特徴が存在しない場合には、重要度処理部１０９は、重要度で特徴を降順にソートし、ソート結果を第５データ格納部１１０に格納する（ステップＳ９５）。これによって、どの特徴が重要であるかを表すランキングデータを得ることができるようになる。そして処理は、呼出元の処理に戻る。

図６の処理の説明に戻って、出力処理部１１１は、第５データ格納部１１０と第４データ格納部１０８と第３データ格納部１０６と第２データ格納部１０５とに格納されているデータのうち、例えばユーザからの指示に応じて要求されたデータを、出力装置１１２に出力するデータ出力処理を実施する（ステップＳ９）。図２２Ａ及び図２２Ｂのような処理途中のデータや、図３１に示すような有用度のデータ（回路共通の場合、プロセス共通の場合の各々又は組み合わせ）、図２５に示すような故障発生率予測式のデータ、図２６に示すような故障発生率予測式の選択結果、図３０に示すような重要度のランキングのデータ等を出力する。その他の計算結果を出力するようにしても良い。

以上のような処理を実施することにより、故障要因に関する知識がないユーザでも、故障レポートデータの量が少なくても故障要因推定の精度を向上させることが期待される。

以上本技術の実施の形態を説明したが、本技術はこれに限定されるものではない。例えば、図１の機能ブロック図は一例であって、必ずしも実際のプログラムモジュール構成とは一致しない。さらに、データ格納態様についても同様に一例に過ぎない。

さらに、処理フローについても処理結果が変わらない限り、処理順番を入れ替えたり、並列実施しても良い場合もある。さらに、求めたいデータを算出できれば、それ以降の処理を実施しなければならないわけではない。

図１では１台のコンピュータで実施する例を示したが、複数台のコンピュータで機能を分担するようにしても良い。さらに、クライアントサーバシステムにて実装するような形も可能である。

また、有用度の算出式、適合度の算出式その他の算出式については、その趣旨に応じて変形可能である。

なお、上で述べた故障診断支援装置１００は、コンピュータ装置であって、図３２に示すように、メモリ２５０１とＣＰＵ２５０３とハードディスク・ドライブ（ＨＤＤ）２５０５と表示装置２５０９に接続される表示制御部２５０７とリムーバブル・ディスク２５１１用のドライブ装置２５１３と入力装置２５１５とネットワークに接続するための通信制御部２５１７とがバス２５１９で接続されている。オペレーティング・システム（ＯＳ：Operating System）及び本実施例における処理を実施するためのアプリケーション・プログラムは、ＨＤＤ２５０５に格納されており、ＣＰＵ２５０３により実行される際にはＨＤＤ２５０５からメモリ２５０１に読み出される。ＣＰＵ２５０３は、アプリケーション・プログラムの処理内容に応じて表示制御部２５０７、通信制御部２５１７、ドライブ装置２５１３を制御して、所定の動作を行わせる。また、処理途中のデータについては、主としてメモリ２５０１に格納されるが、ＨＤＤ２５０５に格納されるようにしてもよい。本技術の実施例では、上で述べた処理を実施するためのアプリケーション・プログラムはコンピュータ読み取り可能なリムーバブル・ディスク２５１１に格納されて頒布され、ドライブ装置２５１３からＨＤＤ２５０５にインストールされる。インターネットなどのネットワーク及び通信制御部２５１７を経由して、ＨＤＤ２５０５にインストールされる場合もある。このようなコンピュータ装置は、上で述べたＣＰＵ２５０３、メモリ２５０１などのハードウエアとＯＳ及びアプリケーション・プログラムなどのプログラムとが有機的に協働することにより、上で述べたような各種機能を実現する。

以上述べた本実施の形態をまとめると、以下のようになる。

本実施の形態に係る故障診断支援方法は、（Ａ）故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータを格納する第１データ格納部に格納されている第１のデータと予め定められた算出式とから、上記特徴と第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納するステップと、（Ｂ）第２データ格納部に格納されている、上記特徴と第１のグループとの組み合わせ毎の第１の故障数期待値と、第１データ格納部に格納されている第１のグループ毎の第１の実故障数とから、各特徴について、第１のグループに渡る第１の故障数期待値の分布と第１のグループに渡る第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納するステップとを含む。

このように、検討対象の半導体装置についてのデータが少ない場合にも、検討対象の半導体装置だけではなく回路が同一である他の半導体装置についてのデータを活用して、設計や製造の修正に活用可能な第１の指標値（例えば有用度）を算出することができるようになる。また、第１の指標値を用いて、特徴のランキングを行うこともできる。さらに、適切な故障発生率予測式の生成にも活用できるようになる。なお、分類要素は、例えば回路種別の場合もある。

また、上で述べた第１データ格納部は、さらに、故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じプロセスを用いて製造された第３の半導体装置とについての分類要素の第２のグループ毎に当該第２のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第２のデータを格納するようにしてもよい。このような場合には、上記方法は、（Ｃ）第１データ格納部に格納されている第２のデータと上記予め定められた算出式とから、上記特徴と第２のグループとの組み合わせ毎に第２の故障数期待値を算出し、第２データ格納部に格納するステップと、（Ｄ）第２データ格納部に格納されている、特徴と第２のグループとの組み合わせ毎の第２の故障数期待値と、第１データ格納部に格納されている第２のグループ毎の第２の実故障数とから、各特徴について、第２のグループに渡る第２の故障数期待値の分布と第２のグループに渡る第２の実故障数の分布との類似度を表す第２の指標値を算出し、第３データ格納部に格納するステップとをさらに含むようにしても良い。

このようにすれば、検討対象の半導体装置についてのデータが少ない場合にも、検討対象の半導体装置だけではなく製造プロセスが同一の半導体装置についてのデータを活用して、設計や製造の修正に活用可能な第１の指標値（例えば有用度）を算出することができるようになる。第２の指標値を用いて、特徴のランキングを行うこともできる。さらに、適切な故障発生率予測式の生成にも活用できるようになる。なお、分析要素は、故障ダイのウェハ上の位置である場合もある。

また、上で述べた第１データ格納部は、さらに、第１の半導体装置についての分類要素の第３のグループ毎に当該第３のグループにおいて発生した実故障数又は実故障率と故障要因となる各特徴についての特徴量とを含む第３のデータを格納するようにしてもよい。この場合、上記方法は、（Ｅ）第３データ格納部に格納されている第１の指標値のうち予め定められた第１の条件を満たす第１の指標値についての特徴を特定し、当該特定された特徴についての重みを１に設定し且つ当該特定された特徴以外の特徴についての重みを１よりも小さい値に設定した上で第１データ格納部に格納されている第３のデータに対して回帰分析を実施して各特徴を変数として故障発生確率を算出するための第１の回帰式を算出し、当該第１の回帰式のデータを第４データ格納部に格納するステップと、（Ｆ）第３データ格納部に格納されている第２の指標値のうち予め定められた第２の条件を満たす第２の指標値についての特徴を特定し、当該特定された特徴についての重みを１に設定し且つ当該特定された特徴以外の特徴についての重みを０に設定した上で第１データ格納部に格納されている第３のデータに対して回帰分析を実施して各特徴を変数として故障発生確率を算出するための第２の回帰式を算出し、当該第２の回帰式のデータを第４データ格納部に格納するステップと、（Ｇ）各特徴について重みを１に設定した上で第１データ格納部に格納されている第３のデータに対して回帰分析を実施して各特徴を変数として故障発生確率を算出するための第３の回帰式を算出し、当該第３の回帰式のデータを第４データ格納部に格納するステップと、（Ｈ）第４データ格納部に格納されている第１の回帰式と第２の回帰式と第３の回帰式とのうち、第１データ格納部に格納されている第３のデータとの適合度が最も高い回帰式を特定するステップとをさらに含むようにしても良い。

このようにすれば、故障発生確率を算出するための適切なモデル式を得ることができるようになる。すなわち、考慮すべき特徴の漏れを防止するため、通常どおりの回帰分析をも実施して、適合度による評価を行っている。また、第１の指標値及び第２の指標値を活用して、特徴についての重みを適切に設定している。すなわち、第１の指標値が良くない場合（分布間の適合度合いが低い場合）には、回帰式の項として採用はされるが重みを下げて、第１の回帰式への影響を落としている。また、第２の指標値が良くない場合には、回帰式の項として採用されないように重みを０に設定して、第２の回帰式への影響を排除している。このような差は、回路が同一の方が検討対象の半導体装置との類似性が高いためである。また、この処理においては第３データを用いて回帰分析を実施するようになっているが、これは第１の指標値及び第２の指標値を算出する処理に用いた故障のデータの偏り等に影響されないようにするためである。

さらに、上記方法は、（Ｉ）特定された回帰式に従って、第１データ格納部に格納されている第３のデータにおける各第３のグループについて故障発生率の予測値を算出し、当該故障発生確率の予測値が上位所定数の第３のグループを特定するステップと、（Ｊ）第３のデータにおける、上位所定数の第３のグループのデータを用いて、各特徴について、特定された回帰式における、当該特徴についての項の値の総和を算出するステップと、（Ｋ）算出された総和に基づき各特徴を降順にソートするステップとをさらに含むようにしてもよい。これによって特徴のランキングを得ることができるようになる。

なお、上で述べたような処理をコンピュータに実施させるためのプログラムを作成することができ、当該プログラムは、例えばフレキシブル・ディスク、ＣＤ−ＲＯＭなどの光ディスク、光磁気ディスク、半導体メモリ（例えばＲＯＭ）、ハードディスク等のコンピュータ読み取り可能な記憶媒体又は記憶装置に格納される。なお、処理途中のデータについては、ＲＡＭ等の記憶装置に一時保管される。

以上の実施例を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）
故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータを格納する第１データ格納部に格納されている前記第１のデータと予め定められた算出式とから、前記特徴と前記第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納するステップと、
前記第２データ格納部に格納されている、前記特徴と前記第１のグループとの組み合わせ毎の第１の故障数期待値と、前記第１データ格納部に格納されている前記第１のグループ毎の第１の実故障数とから、各前記特徴について、前記第１のグループに渡る前記第１の故障数期待値の分布と前記第１のグループに渡る前記第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納するステップと、
を、コンピュータに実行させるためのプログラム。

（付記２）
前記第１データ格納部は、さらに、
故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じプロセスを用いて製造された第３の半導体装置とについての分類要素の第２のグループ毎に当該第２のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第２のデータを格納しており、
前記第１データ格納部に格納されている前記第２のデータと前記予め定められた算出式とから、前記特徴と前記第２のグループとの組み合わせ毎に第２の故障数期待値を算出し、前記第２データ格納部に格納するステップと、
前記第２データ格納部に格納されている、前記特徴と前記第２のグループとの組み合わせ毎の第２の故障数期待値と、前記第１データ格納部に格納されている前記第２のグループ毎の第２の実故障数とから、各前記特徴について、前記第２のグループに渡る前記第２の故障数期待値の分布と前記第２のグループに渡る前記第２の実故障数の分布との類似度を表す第２の指標値を算出し、前記第３データ格納部に格納するステップと、
を、さらに前記コンピュータに事項させるための付記１記載のプログラム。

（付記３）
前記第１データ格納部は、さらに、
前記第１の半導体装置についての分類要素の第３のグループ毎に当該第３のグループにおいて発生した実故障数又は実故障率と故障要因となる各特徴についての特徴量とを含む第３のデータを格納しており、
前記第３データ格納部に格納されている前記第１の指標値のうち予め定められた第１の条件を満たす第１の指標値についての特徴を特定し、当該特定された特徴についての重みを１に設定し且つ当該特定された特徴以外の特徴についての重みを１よりも小さい値に設定した上で前記第１データ格納部に格納されている前記第３のデータに対して回帰分析を実施して各前記特徴を変数として故障発生確率を算出するための第１の回帰式を算出し、当該第１の回帰式のデータを第４データ格納部に格納するステップと、
前記第３データ格納部に格納されている前記第２の指標値のうち予め定められた第２の条件を満たす第２の指標値についての特徴を特定し、当該特定された特徴についての重みを１に設定し且つ当該特定された特徴以外の特徴についての重みを０に設定した上で前記第１データ格納部に格納されている前記第３のデータに対して回帰分析を実施して各前記特徴を変数として故障発生確率を算出するための第２の回帰式を算出し、当該第２の回帰式のデータを前記第４データ格納部に格納するステップと、
各前記特徴について重みを１に設定した上で前記第１データ格納部に格納されている前記第３のデータに対して回帰分析を実施して各前記特徴を変数として故障発生確率を算出するための第３の回帰式を算出し、当該第３の回帰式のデータを前記第４データ格納部に格納するステップと、
前記第４データ格納部に格納されている前記第１の回帰式と前記第２の回帰式と前記第３の回帰式とのうち、前記第１データ格納部に格納されている前記第３のデータとの適合度が最も高い回帰式を特定するステップと、
をさらに前記コンピュータに実行させるための付記２記載のプログラム。

（付記４）
特定された前記回帰式に従って、前記第１データ格納部に格納されている前記第３のデータにおける各前記第３のグループについて故障発生率の予測値を算出し、当該故障発生確率の予測値が上位所定数の第３のグループを特定するステップと、
前記第３のデータにおける、前記上位所定数の第３のグループのデータを用いて、各前記特徴について、特定された前記回帰式における、当該特徴についての項の値の総和を算出するステップと、
算出された前記総和に基づき各前記特徴を降順にソートするステップと、
をさらに前記コンピュータに実行させるための付記３記載のプログラム。

（付記５）
故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータを格納する第１データ格納部に格納されている前記第１のデータと予め定められた算出式とから、前記特徴と前記第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納するステップと、
前記第２データ格納部に格納されている、前記特徴と前記第１のグループとの組み合わせ毎の第１の故障数期待値と、前記第１データ格納部に格納されている前記第１のグループ毎の第１の実故障数とから、各前記特徴について、前記第１のグループに渡る前記第１の故障数期待値の分布と前記第１のグループに渡る前記第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納するステップと、
を含み、コンピュータにより実行される故障診断支援方法。

（付記６）
故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータとを格納する第１データ格納部と、
前記第１データ格納部に格納されている前記第１のデータと予め定められた算出式とから、前記特徴と前記第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納し、前記第２データ格納部に格納されている、前記特徴と前記第１のグループとの組み合わせ毎の第１の故障数期待値と、前記第１データ格納部に格納されている前記第１のグループ毎の第１の実故障数とから、各前記特徴について、前記第１のグループに渡る前記第１の故障数期待値の分布と前記第１のグループに渡る前記第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納する算出部と、
を有する故障診断支援装置。

１０１ 入力部
１０２ 第１データ格納部
１０３ 学習データ生成部
１０４ 有用度算出部
１０５ 第２データ格納部
１０６ 第３データ格納部
１０７ モデル式生成部
１０８ 第４データ格納部
１０９ 重要度処理部
１１０ 第５データ格納部
１１１ 出力処理部
１１２ 出力装置

Claims (6)

1. 故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータを格納する第１データ格納部に格納されている前記第１のデータと予め定められた算出式とから、前記特徴と前記第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納するステップと、
   前記第２データ格納部に格納されている、前記特徴と前記第１のグループとの組み合わせ毎の第１の故障数期待値と、前記第１データ格納部に格納されている前記第１のグループ毎の第１の実故障数とから、各前記特徴について、前記第１のグループに渡る前記第１の故障数期待値の分布と前記第１のグループに渡る前記第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納するステップと、
   を、コンピュータに実行させるためのプログラム。
2. 前記第１データ格納部は、さらに、
   故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じプロセスを用いて製造された第３の半導体装置とについての分類要素の第２のグループ毎に当該第２のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第２のデータを格納しており、
   前記第１データ格納部に格納されている前記第２のデータと前記予め定められた算出式とから、前記特徴と前記第２のグループとの組み合わせ毎に第２の故障数期待値を算出し、前記第２データ格納部に格納するステップと、
   前記第２データ格納部に格納されている、前記特徴と前記第２のグループとの組み合わせ毎の第２の故障数期待値と、前記第１データ格納部に格納されている前記第２のグループ毎の第２の実故障数とから、各前記特徴について、前記第２のグループに渡る前記第２の故障数期待値の分布と前記第２のグループに渡る前記第２の実故障数の分布との類似度を表す第２の指標値を算出し、前記第３データ格納部に格納するステップと、
   を、さらに前記コンピュータに事項させるための請求項１記載のプログラム。
3. 前記第１データ格納部は、さらに、
   前記第１の半導体装置についての分類要素の第３のグループ毎に当該第３のグループにおいて発生した実故障数又は実故障率と故障要因となる各特徴についての特徴量とを含む第３のデータを格納しており、
   前記第３データ格納部に格納されている前記第１の指標値のうち予め定められた第１の条件を満たす第１の指標値についての特徴を特定し、当該特定された特徴についての重みを１に設定し且つ当該特定された特徴以外の特徴についての重みを１よりも小さい値に設定した上で前記第１データ格納部に格納されている前記第３のデータに対して回帰分析を実施して各前記特徴を変数として故障発生確率を算出するための第１の回帰式を算出し、当該第１の回帰式のデータを第４データ格納部に格納するステップと、
   前記第３データ格納部に格納されている前記第２の指標値のうち予め定められた第２の条件を満たす第２の指標値についての特徴を特定し、当該特定された特徴についての重みを１に設定し且つ当該特定された特徴以外の特徴についての重みを０に設定した上で前記第１データ格納部に格納されている前記第３のデータに対して回帰分析を実施して各前記特徴を変数として故障発生確率を算出するための第２の回帰式を算出し、当該第２の回帰式のデータを前記第４データ格納部に格納するステップと、
   各前記特徴について重みを１に設定した上で前記第１データ格納部に格納されている前記第３のデータに対して回帰分析を実施して各前記特徴を変数として故障発生確率を算出するための第３の回帰式を算出し、当該第３の回帰式のデータを前記第４データ格納部に格納するステップと、
   前記第４データ格納部に格納されている前記第１の回帰式と前記第２の回帰式と前記第３の回帰式とのうち、前記第１データ格納部に格納されている前記第３のデータとの適合度が最も高い回帰式を特定するステップと、
   をさらに前記コンピュータに実行させるための請求項２記載のプログラム。
4. 特定された前記回帰式に従って、前記第１データ格納部に格納されている前記第３のデータにおける各前記第３のグループについて故障発生率の予測値を算出し、当該故障発生確率の予測値が上位所定数の第３のグループを特定するステップと、
   前記第３のデータにおける、前記上位所定数の第３のグループのデータを用いて、各前記特徴について、特定された前記回帰式における、当該特徴についての項の値の総和を算出するステップと、
   算出された前記総和に基づき各前記特徴を降順にソートするステップと、
   をさらに前記コンピュータに実行させるための請求項３記載のプログラム。
5. 故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータを格納する第１データ格納部に格納されている前記第１のデータと予め定められた算出式とから、前記特徴と前記第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納するステップと、
   前記第２データ格納部に格納されている、前記特徴と前記第１のグループとの組み合わせ毎の第１の故障数期待値と、前記第１データ格納部に格納されている前記第１のグループ毎の第１の実故障数とから、各前記特徴について、前記第１のグループに渡る前記第１の故障数期待値の分布と前記第１のグループに渡る前記第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納するステップと、
   を含み、コンピュータにより実行される故障診断支援方法。
6. 故障について検討すべき第１の半導体装置と当該第１の半導体装置と同じ回路を実装した第２の半導体装置とについての分類要素の第１のグループ毎に当該第１のグループにおいて発生した実故障数と故障要因となる各特徴についての特徴量とを含む第１のデータとを格納する第１データ格納部と、
   前記第１データ格納部に格納されている前記第１のデータと予め定められた算出式とから、前記特徴と前記第１のグループとの組み合わせ毎に第１の故障数期待値を算出し、第２データ格納部に格納し、前記第２データ格納部に格納されている、前記特徴と前記第１のグループとの組み合わせ毎の第１の故障数期待値と、前記第１データ格納部に格納されている前記第１のグループ毎の第１の実故障数とから、各前記特徴について、前記第１のグループに渡る前記第１の故障数期待値の分布と前記第１のグループに渡る前記第１の実故障数の分布との類似度を表す第１の指標値を算出し、第３データ格納部に格納する算出部と、
   を有する故障診断支援装置。

Images