JP5728839B2 - 故障診断方法、装置及びプログラム - Google Patents

故障診断方法、装置及びプログラム Download PDF

Info

Publication number
JP5728839B2
JP5728839B2 JP2010154215A JP2010154215A JP5728839B2 JP 5728839 B2 JP5728839 B2 JP 5728839B2 JP 2010154215 A JP2010154215 A JP 2010154215A JP 2010154215 A JP2010154215 A JP 2010154215A JP 5728839 B2 JP5728839 B2 JP 5728839B2
Authority
JP
Japan
Prior art keywords
failure
group
feature
information
list
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.)
Expired - Fee Related
Application number
JP2010154215A
Other languages
English (en)
Other versions
JP2012018012A (ja
Inventor
泉 新田
泉 新田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2010154215A priority Critical patent/JP5728839B2/ja
Priority to US13/067,246 priority patent/US20120010829A1/en
Publication of JP2012018012A publication Critical patent/JP2012018012A/ja
Application granted granted Critical
Publication of JP5728839B2 publication Critical patent/JP5728839B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Description

本発明は、半導体装置の故障診断方法、装置及びプログラムに関する。
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、半導体装置の設計及び／又は製造工程にフィードバックされ、出荷試験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必要がある。
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（例えば、非特許文献１）。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。一般的に、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。又、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を計算する。全ての種類の特徴について、上記の如き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。
この提案されている大量故障診断方法において、故障要因の絞り込みの精度を向上する観点からすると、回路情報を複数個のグループに分割する際のグループ分割数が多い方が望ましい。しかし、故障解析ツールから入力される故障レポート中の故障候補数が比較的少ない場合には、グループ分割数を多くすると故障候補を含まないグループ、或いは、故障候補数の少ないグループが多くなってしまい、統計的解析の精度が低下する要因となる。尚、故障候補数が比較的少ない場合とは、例えば数百万ネット分の回路情報のうち故障候補が数十ネットのような場合を言い、このような場合には故障候補のデータがノイズとみなされてしまう可能性がある。又、故障候補数が比較的少ない場合とは、実際の半導体装置内の故障が比較的少ない、半導体装置の製造プロセスの立ち上げ時期のため半導体装置の製造個数そのものが比較的少ない、例えば半導体装置の設計及び製造が別組織で行われるため製造業者側から入手できる半導体装置に関する故障情報に限りがある、等の理由に起因する。
一方、故障候補を含まないグループ、或いは、故障候補数の少ないグループを少なくするという観点からすると、回路情報を複数個のグループに分割する際のグループ分割数を少なくすることが望ましい。しかし、グループ分割数が少ないことは、統計的解析の対象となるサンプル数が少ないことを意味する。このことは、統計的解析精度の低下要因となる。
従来の故障診断方法では、半導体装置の故障レポートから得られる故障候補数が比較的少ない場合には、統計的解析の精度が低下してしまうという問題があった。
特開２００２−１５６４１８号公報 特開２００３−２８２６６５号公報
M. Sharma et al., "Efficiently Performing YieldEnhancements by Identifying Dominant Physical RootCause from Test Fail Data", International TestConference 2008, Paper 14.3, pp.1-9 http://www.kamishima.net/jp/clustering/ http://ja.wikipedia.org/wiki/決定木
そこで、１つの側面では、本発明は、統計的解析の精度の低下を抑制可能な故障診断方法、装置及びプログラムを提供することを目的とする。
故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う大量故障診断を行うコンピュータによる半導体装置の故障診断方法であって、前記コンピュータが、前記故障要因となる特徴の１種類の特徴を指標として、ネットリスト及びレイアウト情報を含む、前記半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、前記故障レポートから各グループの故障候補数をカウントして計算し、前記回路情報に含まれる前記レイアウト情報から各グループに属する部分回路の特徴量の総和を計算し、各グループの前記故障候補数と各グループの前記部分回路の前記特徴量の総和の計算結果を含む学習サンプルのリストを出力する第１の工程と、前記コンピュータが、前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力して記憶部に格納する第２の工程とを含み、前記第１の工程は、前記レイアウト情報及び前記故障レポートから、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、各グループＧ ｉｊ に属するネットｎ ｉｊｐ (p=1,…,P ij , P ij はグループＧ ｉｊ に属するネットの総数)の特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇ ｉｊ ）＝Σｖ（ｆｋ，ｎ ｉｊｐ ）を計算し、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆ ｉｊ 及び特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）の集合（セット）Ｓ ｉｊ ＝｛Ｆ ｉｊ ，ｓｕｍｆ１（Ｇ ｉｊ ），ｓｕｍｆ２（Ｇ ｉｊ ），．．．，ｓｕｍｆｋ（Ｇ ｉｊ ）｝を学習サンプルのリストに追加し、各グループの前記故障候補数を計算する際、異なるグループ間で同じ故障候補を重複して前記故障候補数のカウントに含めることを許容する故障診断方法が提供される。
故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う大量故障診断を行う半導体装置の故障診断装置であって、前記故障要因となる特徴のうち１種類の特徴を指標として、ネットリスト及びレイアウト情報を含む、前記半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、前記故障レポートから各グループの故障候補数をカウントして計算し、前記回路情報に含まれる前記レイアウト情報から各グループに属する部分回路の特徴量の総和を計算し、各グループの前記故障候補数と各グループの前記部分回路の前記特徴量の総和の計算結果を含む学習サンプルのリストを出力する第１の手段と、前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力する第２の手段とを備え、前記第１の手段は、前記レイアウト情報及び前記故障レポートから、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、各グループＧ ｉｊ に属するネットｎ ｉｊｐ (p=1,…,P ij , P ij はグループG ij に属するネットの総数)の特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇ ｉｊ ）＝Σｖ（ｆｋ，ｎ ｉｊｐ ）を計算する手段と、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆ ｉｊ 及び特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）の集合（セット）Ｓ ｉｊ ＝｛Ｆ ｉｊ ，ｓｕｍｆ１（Ｇ ｉｊ ），ｓｕｍｆ２（Ｇ ｉｊ ），．．．，ｓｕｍｆｋ（Ｇ ｉｊ ）｝を学習サンプルのリストに追加する手段を有し、各グループの前記故障候補数を計算する際、異なるグループ間で同じ故障候補を重複して前記故障候補数のカウントに含めることを許容する故障診断装置が提供される。
故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う半導体装置の大量故障診断をコンピュータに行わせるプログラムであって、前記故障要因となる特徴のうち１種類の特徴を指標として、ネットリスト及びレイアウト情報を含む、前記半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、前記故障レポートから各グループの故障候補数をカウントして計算し、前記回路情報に含まれる前記レイアウト情報から各グループに属する部分回路の特徴量の総和を計算し、各グループの前記故障候補数と各グループの前記部分回路の前記特徴量の総和の計算結果を含む学習サンプルのリストを出力する第１の手順と、前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力して記憶部に格納する第２の手順とを前記コンピュータに実行させ、前記第１の手順は、前記レイアウト情報及び前記故障レポートから、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、各グループＧ ｉｊ に属するネットｎ ｉｊｐ (p=1,…,P ij , P ij はグループＧ ｉｊ に属するネットの総数)の特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇ ｉｊ ）＝Σｖ（ｆｋ，ｎ ｉｊｐ ）を計算し、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆ ｉｊ 及び特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）の集合（セット）Ｓ ｉｊ ＝｛Ｆ ｉｊ ，ｓｕｍｆ１（Ｇ ｉｊ ），ｓｕｍｆ２（Ｇ ｉｊ ），．．．，ｓｕｍｆｋ（Ｇ ｉｊ ）｝を前記学習サンプルのリストに追加し、各グループの前記故障候補数を計算する際、異なるグループ間で同じ故障候補を重複して前記故障候補数のカウントに含めることを許容するプログラムが提供される。
統計的解析の精度の低下を抑制することができる。
半導体装置の製造工程を説明する図である。 故障解析、大量故障診断及び物理解析を説明するフローチャートである。 コンピュータシステムの一例を示すブロック図である。 本発明の一実施例における故障診断方法を説明するフローチャートである。 図４のステップＳ１１の処理の一例をより詳細に説明するフローチャートである。 故障レポートのデータ構造の一例を示す図である。 学習サンプルのリストの一例のデータ構造を示す図である。 ネットリストを特徴量について夫々３つのグループに分割した例を示す図である。 グループ分割により得られたグループに含まれるネットリストの例を示す図である。 ウエハ上のダイの領域を示す平面図である。 グループ分割をこの第２の例で行った場合に計算される故障発生数を説明する図である。 配線密度に応じたネットリストのグループ分割を説明する図である。 グループ分割により得られたグループに含まれる故障ネットリスト数及び故障ネットリストの例を示す図である。 図４のステップＳ１２の処理の一例をより詳細に説明するフローチャートである。 故障要因情報の一例を示す図である。 故障要因情報の他の例を示す図である。 図４のステップＳ１２の処理の他の例をより詳細に説明するフローチャートである。 故障要因情報の一例を示す図である。
開示の故障診断方法、装置及びプログラムでは、論理シミュレーション又は故障事象等を用いた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故障診断において、１種類の特徴を指標として半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、回路情報をＫ×Ｎ個のグループに分割する。各グループに属する部分回路の特徴量の総和を計算し、これらの計算結果を学習サンプルのリストとして出力する。各特徴の故障への寄与度は、学習サンプルのリストに基づいて学習処理を行うことで計算される。
以下に、開示の故障診断方法、装置及びプログラムの各実施例を図面と共に説明する。
先ず、ＬＳＩ回路等の半導体装置の設計、製造、試験及び解析を含む製造工程を、図１と共に説明する。図１は、半導体装置の製造工程を説明する図である。
半導体装置は設計工程１で設計され、ネットリスト及びレイアウト情報等の回路情報が生成される。製造工程２は、設計工程１で設計された半導体装置の回路情報に基づいて半導体装置を製造する。製造された半導体装置に対しては、出荷試験工程３で周知の出荷試験が行われる。出荷試験で故障が検出されなければ、半導体装置は良品として出荷される。一方、出荷試験で故障が検出された半導体装置の情報、或いは、良品として出荷された半導体装置のうち運用時等に不具合が発見されたクレーム品の情報は、故障解析工程４に渡される。故障解析工程４は、回路情報及びテスト情報に基づいて、周知の論理シミュレーション又は故障事象等を用いた故障解析ツールにより故障解析を行って故障候補を抽出し、故障レポート５を生成する。故障レポート５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（Open-Circuit）故障又はブリッジ（Bridge）故障といった故障のタイプが含まれても良い。
大量故障診断工程６は、回路情報、故障レポート５及び故障要因となる特徴に基づいて、統計的解析を行う大量故障診断を行うことで故障要因を絞り込む。ここで、故障要因となる特徴は、半導体装置内の配線長、ビア数、配線密度、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。物理解析工程８は、絞り込まれた故障要因の故障候補を含む故障要因情報７に基づいて、電子顕微鏡等を用いた周知の物理解析を行って実際の半導体装置上の故障であるか否かを調べて故障原因を特定する。特定された故障原因は、設計工程１及び／又は製造工程２にフィードバックされ、出荷試験工程４で検出される故障を減少させるための設計及び／又はプロセスに変更が加えられる。
設計工程１、製造工程２、出荷試験工程３、故障解析工程４、及び物理解析工程８の処理は、夫々周知の手順により実行可能であるため、その詳細な説明は省略する。
図２は、故障解析、大量故障診断及び物理解析を説明するフローチャートである。図２の処理は、故障解析工程４、大量故障診断工程６及び物理解析工程８で実行される。図２において、ステップＳ１，Ｓ２は故障解析工程４で実行され、ステップＳ３，Ｓ４は大量故障診断工程６で実行され、ステップＳ５，Ｓ６は物理解析工程８で実行される。
ステップＳ１では、出荷試験工程３の出荷試験に用いられたテスト情報と、出荷試験の対象となった半導体装置の回路情報とが、故障解析工程４を実行するコンピュータに入力される。テスト情報は、この例では半導体装置に入力されるテストパターンのデータである。又、回路情報は、この例ではネットリスト（ｎ１，ｎ２，．．．，ｎＮ）、レイアウト情報、及び特徴ｆｉ（ｉ＝１，．．．，Ｋ）を含む。ステップＳ２では、故障解析工程４を実行するコンピュータが入力されたテスト情報及び回路情報に基づいて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を行って故障候補を抽出し、故障候補となるネット又は入出力ピンの情報を含む故障レポート５を生成して出力する。出力された故障レポート５は、例えば故障解析工程４を実行するコンピュータ内に設けられた、或いは、このコンピュータに外部接続された記憶部に格納される。
ステップＳ３では、大量故障診断工程６を実行するコンピュータがネットリストを指定された特徴でＮ個のグループに分割すると共に、故障レポート５から各グループの故障候補数を計算し、レイアウト情報から各グループの特徴の特徴量を計算して、学習サンプルとして出力する。ステップＳ４では、大量故障診断工程６を実行するコンピュータが学習サンプルを入力として学習処理を行い、各特徴の故障への寄与度を計算すると共に、寄与度の比較的高い特徴を故障要因情報７として出力する。ステップＳ３，Ｓ４により、統計的解析処理が実行され、学習サンプル及び故障要因情報７は記憶部に格納されても良い。故障解析工程４を実行するコンピュータと、大量故障診断工程６を実行するコンピュータは、同じコンピュータで形成しても良い。
ステップＳ５では、故障レポート５に記述された故障候補のうち、故障要因となる特徴を有する故障候補に対して物理解析処理を施して、実際の半導体装置上の故障であるか否かを判断する。ステップＳ６では、物理解析処理により特定された故障箇所の情報を出力し、設計工程１及び／又は製造工程２にこの情報をフィードバックする。物理解析処理により特定された故障箇所の情報は、記憶部に格納されても良い。
本発明の一実施例において、故障診断装置は、メモリ等の記憶部及びＣＰＵ等のプロセッサを有する周知の汎用コンピュータ又はコンピュータシステムにより形成可能である。この場合、記憶部には、プロセッサ（コンピュータ）に少なくとも故障診断方法（又は、故障診断処理）の手順を実行させて故障診断装置の各手段として機能させるか、或いは、故障診断装置の各機能を実現させるプログラム（又は、故障診断プログラム）が格納される。このプログラムは、適切なコンピュータ読み取り可能な記憶媒体に格納しても良い。又、故障診断プログラムは、大量故障診断工程６の処理を実行するものであるが、設計工程１、出荷試験工程３、及び故障解析工程４のうち少なくとも１つの工程の処理を実行するプログラムに含まれていても良い。
図３は、コンピュータシステムの一例を示すブロック図である。図３に示すコンピュータシステム１０は、ＣＰＵ１１、記憶部１２、入力装置１３、及び表示装置１４がバス１５により接続された構成を有する。ＣＰＵ１１は、記憶部１２に格納されたプログラムを実行することによりコンピュータシステム１０全体を制御する。記憶部１２は、半導体記憶装置、磁気記録媒体、光記録媒体、光磁気記録媒体等で形成可能であり、上記のプログラム及び各種データを格納すると共に、ＣＰＵ１１が実行する演算の中間結果及び演算結果等を一時的に格納する一時メモリとしても機能する。記憶部１２は複数の記憶装置で形成されていても良い。又、プログラムは、コンピュータシステム１０にネットワークを介して接続された外部装置（図示せず）から記憶部１２にインストールされても良い。コンピュータシステム１０がネットワーク等を介して外部装置と通信する場合には、ネットワーク及びバス１５に接続されたインタフェース部（図示せず）を更に設ければ良いことは言うまでもない。入力装置１３は、キーボード等により形成可能である。表示装置１４は、オペレータに入力装置１３からの入力を促すメッセージ、及び統計的解析により得られる故障要因情報７等を表示する。入力装置１３及び表示装置１４、タッチパネルのように入力装置と表示装置の両方の機能を有する入出力装置で形成しても良い。
図４は、本発明の一実施例における故障診断方法を説明するフローチャートである。図４の手順は、ＣＰＵ１１が記憶部１２に格納されたプログラムを実行することにより実行される。この例では、統計的解析処理は、故障レポート５と、ネットリスト及びレイアウト情報を含む回路情報９と、故障要因となる特徴のリスト５０を入力とする。故障要因となる特徴の情報が故障要因となる特徴のリスト５０により指定されない場合は、プログラムに組み込まれた故障要因となる特徴のリストを使用すれば良い。故障レポート５及び回路情報９及び故障要因となる特徴のリスト５０は、故障解析工程４からコンピュータシステム１０に直接入力されても、故障解析工程４によりコンピュータシステム１０の記憶部１２に一旦格納されてからＣＰＵ１１が記憶部１２から読み出すようにしても良い。又、統計的解析処理は、絞り込まれた故障要因の故障候補を含み、故障への寄与度が比較的高い特徴のランキングを示す故障要因情報７を出力とする。
ステップＳ１１では、故障要因となる特徴のリスト５０のうち１種類の特徴を指標として半導体装置の回路情報９をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、回路情報９をＫ×Ｎ個のグループに分割する。又、ステップＳ１１では、故障レポート５から生成された各グループの故障候補数を計算すると共に、回路情報９及び故障レポート５から各グループに属する部分回路の特徴量の総和を計算し、これらの計算結果を学習サンプルのリストとして出力する。異なるグループ間では、同じ故障候補を重複して故障候補数のカウントに含めることが許容される。学習サンプルのリストは、記憶部１２に格納されても良い。
一般的に、ランダムなグループ分割を複数回行う手法はあるが、このような手法によると、類似したグループが複数個作成されてしまう可能性が比較的高い。一方、故障要因となる１種類の特徴を指標としてグループ分割を行う場合、グループ間で特徴量の分布が異なるように分割される可能性が高い。更に、複数種類の特徴についてグループ分割を行うことで、傾向の異なるグループを多く生成することが可能となり、統計的解析の精度向上を図ることが可能となる。従って、Ｎの値を比較的小さく設定し、且つ、Ｋの値を比較的大きく設定してステップＳ１１の如きグループ分割を行うことで、故障候補数が比較的少ない場合の統計的解析の精度の低下を防止することができる。
ステップＳ１２では、学習サンプルのリストに基づいて周知の学習処理を行うことで、各特徴の故障への寄与度を計算すると共に、寄与度の比較的高い特徴のランキングを計算して、絞り込まれた故障要因を含み故障への寄与度が比較的高い特徴のランキングを示す故障要因情報７を出力する。学習処理は、例えばサポートベクターマシン（ＳＶＭ：Support Vector Machine）の如き手法を利用可能である。又、学習処理は、ステップＳ１１で生成したグループのうち、故障発生数の予測値と実測値との適合度が所定値以上になるようなサンプルの集合を抽出することにより、故障候補の抽出精度の向上を図り、統計的解析の精度を向上するようにしても良い。故障要因情報７は、記憶部１２に格納されても良い。
図５は、図４のステップＳ１１の処理の一例をより詳細に説明するフローチャートである。図５において、ステップＳ２１では、故障レポート５と、ネットリスト（ｎ１，ｎ２，．．．，ｎＮ）及びレイアウト情報を含む回路情報９と、故障要因となる特徴のリスト５０を形成する特徴ｆｉ（ｉ＝１，．．．，Ｋ）とが、例えば記憶部１２から読み出される等して入力される。故障レポート５は、例えば図６に示す如きデータ構造を有する。図６は、故障レポート５のデータ構造の一例を示す図である。図６は、故障候補のネットリストのＩＤ（又、ネットＩＤ）、故障候補のダイ座標（ｘ，ｙ）、及び故障のタイプを含む故障レポート５を示すが、後述するステップＳ２３でネットリストを分割するか、或いは、ダイを分割するかに応じて、故障候補のネットリストのネットＩＤ及び故障候補のダイ座標（ｘ，ｙ）の一方のみを故障レポート５に含めるようにしても良い。ダイとは、複数の半導体装置が形成されたウエハを切断することで得られる各半導体装置が形成されたウエハ部分であり、ダイの情報は回路情報９に含まれていても良い。例えば、図６の例では、故障候補のネットリストのネットＩＤが「１０」、或いは、故障候補のダイ座標（ｘ，ｙ）が（５，８）の故障タイプが「オープン（Open-Circuit）」である。
ステップＳ２２では、未選択の特徴ｆｉを選択する。ステップＳ２３では、ネットリスト（ｎ１，ｎ２，．．．，ｎＮ）又はダイを特徴ｆｉに従ってＮ個のグループＧｉ１，．．．，ＧｉＮに等分割する。ステップＳ２４では、故障レポート５から、各グループＧｉｊ（ｊ＝１，．．．，Ｎ）の故障発生数Ｆｉｊ（ｊ＝１，．．．，Ｎ）を計算する。ステップＳ２５では、レイアウト情報及び故障レポート５から、各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、各グループＧｉｊに属するネットｎｉｊｐ（ｐ＝１,．．．，Ｐij，ＰｉｊはグループＧｉｊに属するネットの数）の特徴量ｖ（ｆｋ，ｎｉｊｐ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇｉｊ）＝Σｖp=1…Pij（ｆｋ，ｎｉｊｐ）を計算する。ステップＳ２６では、各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆｉｊ及び特徴量ｖ（ｆｋ，ｎｉｊｐ）の集合（セット）Ｓｉｊ＝｛Ｆｉｊ，ｓｕｍ（ｆ１（Ｇｉｊ），ｓｕｍ（ｆ２（Ｇｉｊ），．．．，ｓｕｍ（ｆｋ（Ｇｉｊ）｝を学習サンプルのリストに追加する。
ステップＳ２７では、全ての特徴ｆｉを選択済みであるか否かを判定し、判定結果がＮＯであると処理はステップＳ２２へ戻る。一方、ステップＳ２７の判定結果がＹＥＳであると、ステップＳ２８では、学習サンプルのリスト｛Ｓｉｊ｝を出力する。図７は、学習サンプルのリスト｛Ｓｉｊ｝の一例のデータ構造を示す図である。
図７は、サンプルを識別するためのサンプルＩＤＳｉｊに対し、故障数及び各グループＧｉｊ内の各ネットの特徴量の総和Ｖ（ｆｉ）を含むリストを示す。例えば、特徴ｆ１，ｆ２，ｆ３，ｆ４があり特徴数Ｋ＝４であり、且つ、回路情報９を複数個のグループに分割する際のグループ分割数Ｎ＝５の場合、特徴ｆ１で分割したグループに属するネットがｎ１１，ｎ１２，ｎ１３であれば、各ネットｎ１１，ｎ１２，ｎ１３の特徴ｆ１に関する特徴量が夫々「３０」，「４０」，「３０」であれば、サンプルＳ１２のＶ（ｆ１）はＶ（ｆ１）＝３０＋４０＋３０＝１００となる。尚、図７に示す故障数は、図４のステップＳ１２において学習処理を行う際のターゲット値に相当する。図７のリストは、例えば記憶部１２に格納される。
次に、図５のステップＳ２３におけるグループ分割の例を、図８〜図１３と共に説明する。
グループ分割の第１の例では、回路情報９のネットリストを特徴量の大きさでソートして分割し、このような分割を複数の特徴について繰り返す周知の手順が実行される。図８は、ネットリストＮ１〜Ｎ１０を特徴量Ｆ１，Ｆ２について夫々３つのグループに分割した例を示す図である。図８において、例えばネットリストＮ３の特徴量Ｆ１は「５６００」であり、特徴量Ｆ２は「０．２」である。又、図９は、グループ分割により得られたグループＧ１１〜Ｇ１３，Ｇ２１〜Ｇ２３に含まれるネットリストのネットＩＤの例を示す図である。図９は、各特徴量Ｆ１，Ｆ２について３つのグループを特徴量の昇順にソートした例を示す。図９において、例えばグループＧ１１に含まれるネットリストのネットＩＤは「Ｎ２，Ｎ３，Ｎ７，Ｎ９」であり、この場合は図５のステップＳ２４が図９の情報に基づいて各グループＧ１１〜Ｇ１３，Ｇ２１〜Ｇ２３の故障発生数を計算する。図８のネットリストに関連する特徴量Ｆ１，Ｆ２のデータ、及び図９のグループに関連するネットリストのネットＩＤのデータは、例えば記憶部１２に格納される。
グループ分割の第２の例では、ウエハ上の位置に応じたダイのグループ分割を複数回行う。図１０は、ウエハ上のダイの領域を示す平面図である。図１０において、（ａ）はウエハ１００の中心からの距離に応じてウェハ１００をグループＧａ１〜Ｇａ４に４分割した例、（ｂ）はウエハ１００のｘ座標に応じてウエハ１００をグループＧｂ１〜Ｇｂ４に４分割した例、（ｃ）はウエハ１００のｙ座標に応じてウエハ１００をグループＧｃ１〜Ｇｃ４に４分割した例を示す。又図１０において梨地で示すｄ１〜ｄ５は、故障ダイのＩＤを示す。この例では、ウエハ１００の４分割を図１０の（ａ）〜（ｃ）の３通りの方法で行うので、グループ分割数は４×３＝１２である。
図１１は、グループ分割をこの第２の例で行った場合に図５のステップＳ２４で計算される故障発生数を説明する図である。図１１において、グループ分割により得られた各グループに対して、故障ダイの数が故障発生数として計算され、故障ダイのＩＤが関連して例えば記憶部１２に格納される。図１１において、例えばグループＧｂ３の故障ダイの数は「１」であり、故障ダイのＩＤは「ｄ４」である。
グループ分割の第３の例では、配線密度に応じたネットリストのグループ分割を複数回行う。配線密度は、回路情報９に含まれており、レイアウト情報に含まれていても良い。例えば半導体装置の配線層数が５層であり、ネットリストを配線密度に応じて４グループにグループ分割し、このような分割を配線層数分、即ち、５層分行うことで、グループ分割数は４×５＝２０となる。
図１２は、半導体装置の配線密度に応じたネットリストのグループ分割を説明する図である。図１２は、説明の便宜上、任意の１つの配線層のグループ分割の一例を示し、グループＧｗ１〜Ｇｗ４はこの任意の１つの配線層におけるグループ分割により得られたものである。又、ここでは一例としてネットリストのネットＩＤＮ１〜Ｎ４が故障ネットリストであるものとする。図１３は、任意の１つの配線層におけるグループ分割により得られたグループＧｗ１〜Ｇｗ４に含まれる故障ネットリスト数及び故障ネットリストのネットＩＤの例を示す図である。例えば、グループＧａ３に含まれる故障ネットリスト数は「２」であり、故障ネットリストのネットＩＤは「Ｎ３，Ｎ４」である。
尚、ネットリスト及び配線密度等の回路情報９又はダイのグループ分割を行う方法は上記第１〜第３の例に限定されず、K-means手法に代表されるクラスタリング（Clustering，例えば、非特許文献２）を用いる手法又は決定木（Decision Tree，例えば、非特許文献３）を用いる手法等を採用することも可能である。グループ分割にクラスタリング又は決定木を用いる手法を採用すると、傾向の強いものを同じグループにまとめることになる。
図１４は、図４のステップＳ１２の処理の一例をより詳細に説明するフローチャートである。図１４において、ステップＳ３１では、図４のステップＳ１１で生成された学習サンプルのリスト｛Ｓｉｊ｝＝（Ｓ１１，Ｓ１２，．．．，ＳＫＮ）を入力する。学習サンプルのリスト｛Ｓｉｊ｝＝（Ｓ１１，Ｓ１２，．．．，ＳＫＮ）は、例えば記憶部１２から読み出して入力する。ステップＳ３２では、周知の学習処理を行い、各サンプルＳｉｊの故障発生数の予測値ｐｉｊを例えばＳＶＭの如き手法を用いて計算する。ステップＳ３３では、未選択の特徴ｆｉ（ｉ＝１，．．．，Ｋ）を選択する。
ステップＳ３４では、特徴ｆｉで分割されたサンプルＳｉ１，．．．，ＳｉＮについて、故障発生数の予測値ｐｉｊと故障発生数の実測値ｒｉｊとの平均二乗誤差（ＭＳＥ：Mean Square Error）ＭＳＥｉ＝Σ（ｐｉｊ−ｒｉｊ）２を計算し、ＭＳＥｉを特徴ｆｉの故障への寄与度とする。故障発生数の実測値ｒｉｊは、例えば図７の故障数に相当する。ステップＳ３５では、全ての特徴ｆｉの故障への寄与度を計算済みであるか否かを判定し、判定結果がＮＯであると処理はステップＳ３３へ戻る。
一方、ステップＳ３５の判定結果がＹＥＳであると、ステップＳ３６では、例えば寄与度の降順に特徴をソートして一定値以上の比較的高い寄与度を有する特徴のみを出力することで、故障要因となる特徴を絞り込む。ステップＳ３７では、絞り込まれた故障要因である特徴を含み、ステップＳ３６でのソートにより故障への寄与度が比較的高い特徴のランキングを示す故障要因情報７を出力する。出力される故障要因情報７の出力形式は特に限定されない。出力された故障要因情報７は、例えば記憶部１２に格納される。
図１５は、ステップＳ３７で出力される故障要因情報７の一例を示す図である。図１５の故障要因情報７は、特徴ｆ１〜ｆ６の故障への寄与度を表形式で出力する場合を示す。図１５の表からは、例えば特徴ｆ１の故障への寄与度は「０．００５」であることがわかる。尚、図１５では特徴ｆ１〜ｆ６の順に記述されているが、寄与度の降順に記述しても良いことは言うまでもない。
図１６は、ステップＳ３７で出力される故障要因情報７の他の例を示す図である。図１６の故障要因情報７は、特徴ｆ１〜ｆ６の故障への寄与度をグラフ形式で出力する場合を示す。図１７のグラフからは、例えば特徴ｆ１の故障への寄与度は「０．００５」であることがわかる。尚、図１６では特徴ｆ１〜ｆ６の順に棒グラフが示されているが、寄与度の降順に棒グラフを示しても良いことは言うまでもない。
図１７は、図４のステップＳ１２の処理の他の例をより詳細に説明するフローチャートである。図１７において、ステップＳ４１では、図４のステップＳ１１で生成された学習サンプルのリスト｛Ｓｉｊ｝＝（Ｓ１１，Ｓ１２，．．．，ＳＫＮ）を入力する。学習サンプルのリスト｛Ｓｉｊ｝＝（Ｓ１１，Ｓ１２，．．．，ＳＫＮ）は、例えば記憶部１２から読み出して入力する。ステップＳ４２では、選択する２以上の特徴の組み合わせ（ｆｌ１，ｆｌ２，．．．，ｆｌｍ）を生成する（ｍ＜Ｋ）。例えば、遺伝アルゴリズム（ＧＡ：Genetic Algorithm）等を用いることにより、最適な２以上の特徴の組み合わせ（ｆｌ１，ｆｌ２，．．．，ｆｌｍ）を生成することができる。ステップＳ４３では、生成した特徴の組み合わせ（ｆｌ１，ｆｌ２，．．．，ｆｌｍ）で分割したサンプルの集合ＳＩをＳＩ＝｛Ｓｉｊ，ｉ＝ｌ１，ｌ２，．．．，ｌｍ、ｊ＝１，．．．，Ｎ｝から算出する。
ステップＳ４４では、周知の学習処理を行い、各サンプルＳｉｊの故障発生数の予測値ｐｉｊを例えばＳＶＭの如き手法を用いて計算すると共に、故障発生数の予測値ｐｉｊと故障発生数の実測値ｒmｊとの平均二乗誤差（ＭＳＥ）ＡＩ＝Σ（ｐｉｊ−ｒmｊ）２を計算し、ＡＩをサンプルの集合ＳＩの適合度とする。適合度ＡＩは、サンプルの集合ＳＩの故障への寄与度に相当し、適合度ＡＩが高い程故障への寄与度が高い。ステップＳ４５では、適合度ＡＩが予め設定されている所定値を有する適合度Ａ０以上であるか否かを判定し、判定結果がＮＯであると処理はステップＳ４２へ戻る。
一方、ステップＳ４５の判定結果がＹＥＳであると、ステップＳ４６では、所定値（適合度Ａ０）以上の比較的高い適合度ＡＩを有するサンプルの集合ＳＩのみを出力することで、故障要因となる特徴を絞り込む。つまり、ステップＳ４６では、絞り込まれた故障要因である特徴の組み合わせを含み、適合度ＡＩが所定値以上であることから故障への寄与度が比較的高い特徴の組み合わせのランキングを示す故障要因情報７を出力する。出力される故障要因情報７の出力形式は特に限定されない。出力された故障要因情報７は、例えば記憶部１２に格納される。このように、図４のステップＳ１１で生成したグループのうち、故障発生数の予測値と実測値との適合度ＡＩが所定値以上になるようなグループの集合ＳＩを抽出することで、故障候補の抽出精度を向上して統計的解析の精度を更に向上することができる。
図１８は、ステップＳ４６で出力される故障要因情報７の一例を示す図である。図１８の故障要因情報７は、特徴の組み合わせｆｌ１，．．．の故障への寄与度を適合度ＡＩとして表形式で出力する場合を示す。図１８の表からは、例えば特徴の組み合わせｆｌ１の故障への寄与度は「０．０１５」であることがわかる。尚、故障要因情報７は、グラフ形式で出力しても良いことは言うまでもない。又、図１８では特徴の組み合わせｆｌ１，．．．の順に記述されているが、適合度ＡＩの降順に記述しても良いことは言うまでもない。
上記実施例によれば、故障解析工程４が出力する故障レポート５から得られる故障数が比較的少ない場合であっても、大量故障診断工程６の統計的解析による故障要因の絞込みを行い、故障候補を高精度に抽出することが可能となり、統計的解析の精度低下を防止することができる。
以上の実施例を含む実施形態に関し、更に以下の付記を開示する。
（付記１）
故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う故障診断を行うコンピュータによる半導体装置の故障診断方法であって、
前記故障要因となる特徴の１種類の特徴を指標として前記半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、各グループに属する部分回路の特徴量の総和を計算した計算結果を含む学習サンプルのリストを出力する第１の工程と、
前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力して記憶部に格納する第２の工程と
を前記コンピュータに実行させる、故障診断方法。
（付記２）
前記第２の工程は、前記Ｋ×Ｎ個のグループのうち、故障発生数の予測値と実測値との適合度が所定値以上になるような前記学習サンプルの集合を抽出して前記故障要因情報として出力する、付記１記載の故障診断方法。
（付記３）
前記第２の工程は、
選択する２以上の特徴の組み合わせを生成し、
前記特徴の組み合わせで分割したサンプルの集合を算出し、
前記学習処理を行い各サンプルの故障発生数の予測値を計算すると共に、故障発生数の予測値と故障発生数の実測値との平均二乗誤差を計算して前記サンプルの集合の適合度を得る、付記２記載の故障診断方法。
（付記４）
前記第１の工程は、
前記半導体装置のレイアウト情報及び前記故障レポートから、各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、各グループＧｉｊに属するネットｎｉｊｐ(p=1,…,Pij, PijはグループＧｉｊに属するネットの総数)の特徴量ｖ（ｆｋ，ｎｉｊｐ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇｉｊ）＝Σｖ（ｆｋ，ｎｉｊｐ）を計算し、
各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆｉｊ及び特徴量ｖ（ｆｋ，ｎｉｊｐ）の集合（セット）Ｓｉｊ＝｛Ｆｉｊ，ｓｕｍ（ｆ１（Ｇｉｊ），ｓｕｍ（ｆ２（Ｇｉｊ），．．．，ｓｕｍ（ｆｋ（Ｇｉｊ）｝を学習サンプルのリストに追加する、付記１乃至３のいずれか１項記載の故障診断方法。
（付記５）
前記第１の工程は、
前記回路情報のネットリストを特徴量の大きさでソートして分割し、この分割を複数の特徴について繰り返す手順と、
前記半導体装置が形成されるウエハ上の位置に応じたダイのグループ分割を複数回行う手順と、
前記半導体装置の配線密度に応じたネットリストのグループ分割を複数回行う手順
のうちいずれか１つの手順を実行する、付記１乃至４のいずれか１項記載の故障診断方法。
（付記６）
故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う故障診断を行う半導体装置の故障診断装置であって、
前記故障要因となる特徴のうち１種類の特徴を指標として前記回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、各グループに属する部分回路の特徴量の総和を計算した計算結果を含む学習サンプルのリストを出力する第１の手段と、
前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力する第２の手段とを備えた、故障診断装置。
（付記７）
前記第２の手段は、前記Ｋ×Ｎ個のグループのうち、故障発生数の予測値と実測値との適合度が所定値以上になるような前記学習サンプルの集合を抽出して前記前記故障要因情報として出力する、付記６記載の故障診断装置。
（付記８）
前記第２の手段は、
選択する２以上の特徴の組み合わせを生成する手段と、
前記特徴の組み合わせで分割したサンプルの集合を算出する手段と、
前記学習処理を行い各サンプルの故障発生数の予測値を計算すると共に、故障発生数の予測値と故障発生数の実測値との平均二乗誤差を計算して前記サンプルの集合の適合度を得る手段を有する、付記７記載の故障診断装置。
（付記９）
前記第１の手段は、
前記半導体装置のレイアウト情報及び前記故障レポートから、各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、各グループＧｉｊに属するネットｎｉｊｐ(p=1,…,Pij, PijはグループGijに属するネットの総数)の特徴量ｖ（ｆｋ，ｎｉｊｐ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇｉｊ）＝Σｖ（ｆｋ，ｎｉｊｐ）を計算する手段と、
各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆｉｊ及び特徴量ｖ（ｆｋ，ｎｉｊｐ）の集合（セット）Ｓｉｊ＝｛Ｆｉｊ，ｓｕｍ（ｆ１（Ｇｉｊ），ｓｕｍ（ｆ２（Ｇｉｊ），．．．，ｓｕｍ（ｆｋ（Ｇｉｊ）｝を学習サンプルのリストに追加する手段を有する、付記６乃至８のいずれか１項記載の故障診断装置。
（付記１０）
前記第１の手段は、
前記回路情報のネットリストを特徴量の大きさでソートして分割し、この分割を複数の特徴について繰り返す処理と、
前記半導体装置が形成されるウエハ上の位置に応じたダイのグループ分割を複数回行う処理と、
前記半導体装置の配線密度に応じたネットリストのグループ分割を複数回行う処理
のうちいずれか１つの処理を実行する、付記６乃至９のいずれか１項記載の故障診断装置。
（付記１１）
故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う半導体装置の故障診断をコンピュータに行わせるプログラムであって、
前記故障要因となる特徴のうち１種類の特徴を指標として前記回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、各グループに属する部分回路の特徴量の総和を計算した計算結果を含む学習サンプルのリストを出力する第１の手順と、
前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力して記憶部格納する第２の手順と
を前記コンピュータに実行させる、プログラム。
（付記１２）
前記第２の手順は、前記Ｋ×Ｎ個のグループのうち、故障発生数の予測値と実測値との適合度が所定値以上になるような前記学習サンプルの集合を抽出して前記前記故障要因情報として出力する、付記１１記載のプログラム。
（付記１３）
前記第２の手順は、
選択する２以上の特徴の組み合わせを生成し、
前記特徴の組み合わせで分割したサンプルの集合を算出し、
前記学習処理を行い各サンプルの故障発生数の予測値を計算すると共に、故障発生数の予測値と故障発生数の実測値との平均二乗誤差を計算して前記サンプルの集合の適合度を得る、付記１２記載のプログラム。
（付記１４）
前記第１の手順は、
前記半導体装置のレイアウト情報及び前記故障レポートから、各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、各グループＧｉｊに属するネットｎｉｊｐ(p=1,…,Pij, PijはグループＧｉｊに属するネットの総数)の特徴量ｖ（ｆｋ，ｎｉｊｐ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇｉｊ）＝Σｖ（ｆｋ，ｎｉｊｐ）を計算し、
各グループＧｉｊ（ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆｉｊ及び特徴量ｖ（ｆｋ，ｎｉｊｐ）の集合（セット）Ｓｉｊ＝｛Ｆｉｊ，ｓｕｍ（ｆ１（Ｇｉｊ），ｓｕｍ（ｆ２（Ｇｉｊ），．．．，ｓｕｍ（ｆｋ（Ｇｉｊ）｝を学習サンプルのリストに追加する、付記１１乃至１３のいずれか１項記載のプログラム。
（付記１５）
前記第１の手順は、
前記回路情報のネットリストを特徴量の大きさでソートして分割し、この分割を複数の特徴について繰り返す手順と、
前記半導体装置が形成されるウエハ上の位置に応じたダイのグループ分割を複数回行う手順と、
前記半導体装置の配線密度に応じたネットリストのグループ分割を複数回行う手順
のうちいずれか１つの手順を実行する、付記１１乃至１４のいずれか１項記載のプログラム。
（付記１６）
前記故障診断は、大量故障診断（Volume Diagnosis）である、付記１１乃至１４のいずれか１項記載のプログラム。
（付記１７）
付記１１乃至１６のいずれか１項記載のプログラムを格納した、コンピュータ読み取り可能な記憶媒体。
以上、開示の故障診断方法、装置及びプログラムを実施例により説明したが、本発明は上記実施例に限定されるものではなく、本発明の範囲内で種々の変形及び改良が可能であることは言うまでもない。
１０ コンピュータシステム
１１ ＣＰＵ
１２ 記憶部
１３ 入力装置
１４ 表示装置
１５ バス

Claims (5)

  1. 故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う半導体装置の大量故障診断をコンピュータに行わせるプログラムであって、
    前記故障要因となる特徴のうち１種類の特徴を指標として、ネットリスト及びレイアウト情報を含む、前記半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、前記故障レポートから各グループの故障候補数をカウントして計算し、前記回路情報に含まれる前記レイアウト情報から各グループに属する部分回路の特徴量の総和を計算し、各グループの前記故障候補数と各グループの前記部分回路の前記特徴量の総和の計算結果を含む学習サンプルのリストを出力する第１の手順と、
    前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力して記憶部に格納する第２の手順と
    を前記コンピュータに実行させ、
    前記第１の手順は、
    前記レイアウト情報及び前記故障レポートから、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、各グループＧ ｉｊ に属するネットｎ ｉｊｐ (p=1,…,P ij , P ij はグループＧ ｉｊ に属するネットの総数)の特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇ ｉｊ ）＝Σｖ（ｆｋ，ｎ ｉｊｐ ）を計算し、
    各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆ ｉｊ 及び特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）の集合（セット）Ｓ ｉｊ ＝｛Ｆ ｉｊ ，ｓｕｍｆ１（Ｇ ｉｊ ），ｓｕｍｆ２（Ｇ ｉｊ ），．．．，ｓｕｍｆｋ（Ｇ ｉｊ ）｝を前記学習サンプルのリストに追加し、
    各グループの前記故障候補数を計算する際、異なるグループ間で同じ故障候補を重複して前記故障候補数のカウントに含めることを許容する、プログラム。
  2. 前記第２の手順は、前記Ｋ×Ｎ個のグループのうち、故障発生数の予測値と実測値との適合度が所定値以上になるような前記学習サンプルの集合を抽出して前記故障要因情報として出力する、請求項１記載のプログラム。
  3. 前記第１の手順は、
    前記回路情報に含まれる前記ネットリストを特徴量の大きさでソートして分割し、この分割を複数の特徴について繰り返す手順と、
    前記半導体装置が形成されるウエハ上の位置に応じたダイのグループ分割を複数回行う手順と、
    前記半導体装置の配線密度に応じた前記ネットリストのグループ分割を複数回行う手順
    のうちいずれか１つの手順を実行する、請求項１又は２記載のプログラム。
  4. 故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う大量故障診断を行う半導体装置の故障診断装置であって、
    前記故障要因となる特徴のうち１種類の特徴を指標として、ネットリスト及びレイアウト情報を含む、前記半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、前記故障レポートから各グループの故障候補数をカウントして計算し、前記回路情報に含まれる前記レイアウト情報から各グループに属する部分回路の特徴量の総和を計算し、各グループの前記故障候補数と各グループの前記部分回路の前記特徴量の総和の計算結果を含む学習サンプルのリストを出力する第１の手段と、
    前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力する第２の手段とを備え、
    前記第１の手段は、
    前記レイアウト情報及び前記故障レポートから、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、各グループＧ ｉｊ に属するネットｎ ｉｊｐ (p=1,…,P ij , P ij はグループG ij に属するネットの総数)の特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇ ｉｊ ）＝Σｖ（ｆｋ，ｎ ｉｊｐ ）を計算する手段と、
    各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆ ｉｊ 及び特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）の集合（セット）Ｓ ｉｊ ＝｛Ｆ ｉｊ ，ｓｕｍｆ１（Ｇ ｉｊ ），ｓｕｍｆ２（Ｇ ｉｊ ），．．．，ｓｕｍｆｋ（Ｇ ｉｊ ）｝を学習サンプルのリストに追加する手段を有し、
    各グループの前記故障候補数を計算する際、異なるグループ間で同じ故障候補を重複して前記故障候補数のカウントに含めることを許容する、故障診断装置。
  5. 故障候補となるネット又は入出力ピンの情報を含む故障レポートと故障要因となる特徴とに基づいて統計的解析を行う大量故障診断を行うコンピュータによる半導体装置の故障診断方法であって、
    前記コンピュータが、前記故障要因となる特徴の１種類の特徴を指標として、ネットリスト及びレイアウト情報を含む、前記半導体装置の回路情報をＮ個（Ｎは２以上の自然数）のグループに分割する処理を、Ｋ種類（Ｋは２以上の自然数）の特徴について行うことで、前記回路情報をＫ×Ｎ個のグループに分割すると共に、前記故障レポートから各グループの故障候補数をカウントして計算し、前記回路情報に含まれる前記レイアウト情報から各グループに属する部分回路の特徴量の総和を計算し、各グループの前記故障候補数と各グループの前記部分回路の前記特徴量の総和の計算結果を含む学習サンプルのリストを出力する第１の工程と、
    前記コンピュータが、前記学習サンプルのリストに基づいて学習処理を行うことで各特徴の故障への寄与度を計算すると共に、前記寄与度が一定値以上の特徴のランキングを計算して、故障要因を含み前記特徴のランキングを示す故障要因情報を出力して記憶部に格納する第２の工程と
    を含み、
    前記第１の工程は、
    前記レイアウト情報及び前記故障レポートから、各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、各グループＧ ｉｊ に属するネットｎ ｉｊｐ (p=1,…,P ij , P ij はグループＧ ｉｊ に属するネットの総数)の特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）（ｋ＝１，．．．，Ｋ）の総和ｓｕｍｆｋ（Ｇ ｉｊ ）＝Σｖ（ｆｋ，ｎ ｉｊｐ ）を計算し、
    各グループＧ ｉｊ （ｊ＝１，．．．，Ｎ）について、計算された故障発生数Ｆ ｉｊ 及び特徴量ｖ（ｆｋ，ｎ ｉｊｐ ）の集合（セット）Ｓ ｉｊ ＝｛Ｆ ｉｊ ，ｓｕｍｆ１（Ｇ ｉｊ ），ｓｕｍｆ２（Ｇ ｉｊ ），．．．，ｓｕｍｆｋ（Ｇ ｉｊ ）｝を学習サンプルのリストに追加し、
    各グループの前記故障候補数を計算する際、異なるグループ間で同じ故障候補を重複して前記故障候補数のカウントに含めることを許容する、故障診断方法。
JP2010154215A 2010-07-06 2010-07-06 故障診断方法、装置及びプログラム Expired - Fee Related JP5728839B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2010154215A JP5728839B2 (ja) 2010-07-06 2010-07-06 故障診断方法、装置及びプログラム
US13/067,246 US20120010829A1 (en) 2010-07-06 2011-05-18 Fault diagnosis method, fault diagnosis apparatus, and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010154215A JP5728839B2 (ja) 2010-07-06 2010-07-06 故障診断方法、装置及びプログラム

Publications (2)

Publication Number Publication Date
JP2012018012A JP2012018012A (ja) 2012-01-26
JP5728839B2 true JP5728839B2 (ja) 2015-06-03

Family

ID=45439184

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010154215A Expired - Fee Related JP5728839B2 (ja) 2010-07-06 2010-07-06 故障診断方法、装置及びプログラム

Country Status (2)

Country Link
US (1) US20120010829A1 (ja)
JP (1) JP5728839B2 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8707111B2 (en) * 2011-02-09 2014-04-22 Ebay Inc. High-volume distributed script error handling
US10409850B2 (en) * 2011-03-02 2019-09-10 T-Mobile Usa, Inc. Preconfigured media file uploading and sharing
TWI463334B (zh) 2012-07-20 2014-12-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
CN103426125A (zh) * 2013-08-05 2013-12-04 国家电网公司 生产管理系统变压器台账智能核查系统
CN104182617B (zh) * 2014-07-30 2017-04-12 电子科技大学 基于内禀波形匹配的端点效应抑制方法
KR102589004B1 (ko) * 2018-06-18 2023-10-16 삼성전자주식회사 반도체 불량 분석 장치 및 그것의 불량 분석 방법
KR20240001593A (ko) * 2022-06-27 2024-01-03 주식회사 한화 인공 신경망을 이용하여 챔버의 상태를 예측하는 방법 및 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4706167A (en) * 1983-11-10 1987-11-10 Telemark Co., Inc. Circuit wiring disposed on solder mask coating
JP2001274209A (ja) * 2000-03-28 2001-10-05 Toshiba Corp 半導体検査装置、半導体欠陥解析装置、半導体設計データ修正装置、半導体検査方法、半導体欠陥解析方法、半導体設計データ修正方法およびコンピュータ読み取り可能な記録媒体
TW200622275A (en) * 2004-09-06 2006-07-01 Mentor Graphics Corp Integrated circuit yield and quality analysis methods and systems
JP4597155B2 (ja) * 2007-03-12 2010-12-15 株式会社日立ハイテクノロジーズ データ処理装置、およびデータ処理方法
CN102027475A (zh) * 2008-02-21 2011-04-20 明导公司 通过对扫描诊断结果的统计学分析确定成品率突发异常的原因

Also Published As

Publication number Publication date
US20120010829A1 (en) 2012-01-12
JP2012018012A (ja) 2012-01-26

Similar Documents

Publication Publication Date Title
JP5728839B2 (ja) 故障診断方法、装置及びプログラム
JP4955559B2 (ja) 集積回路の歩留り及び品質の分析の方法及びシステム
KR102402673B1 (ko) Beol의 공정 변이를 고려하여 집적 회로를 설계하기 위한 컴퓨터 구현 방법 및 컴퓨팅 시스템
US11475187B2 (en) Augmented reliability models for design and manufacturing
JP4881332B2 (ja) 半導体集積回路のテスト品質評価装置、および半導体集積回路のテスト品質評価方法
Tam et al. To DFM or not to DFM?
US7765444B2 (en) Failure diagnosis for logic circuits
JP5614297B2 (ja) 指標算出プログラム及び方法並びに設計支援装置
US8418009B2 (en) Delay fault testing computer product, apparatus, and method
JP5129720B2 (ja) 故障解析容易化設計を行うための回路設計装置
US20120239347A1 (en) Failure diagnosis support technique
US8448031B2 (en) Computer product and apparatus for failure diagnosis support
JP6070337B2 (ja) 物理故障解析プログラム、物理故障解析方法および物理故障解析装置
US20170344669A1 (en) Method for verifying error of digital circuit
JP2023010734A (ja) 温度条件の評価方法
US20100077364A1 (en) Method and apparatus for designing an integrated circuit
Raman et al. Automating design for yield: Silicon learning to predictive models and design optimization
JP5181484B2 (ja) 歩留まり監視システム及び歩留まり監視方法
JP6102565B2 (ja) 解析装置、方法及びプログラム
JP2015169588A (ja) 故障解析プログラム、故障解析方法、および故障解析装置
US8886487B2 (en) Bridge fault removal apparatus, bridge fault removal method, and computer readable medium comprising computer program code for removing bridge fault
JP5601046B2 (ja) 故障解析装置
CN111782695A (zh) Mpw多产品联测的数据处理方法、存储介质及计算机设备
Bastani et al. Feature-ranking methodology to diagnose design-silicon timing mismatch
JP2013130553A (ja) 故障解析装置、故障解析方法、および故障解析プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20130507

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20130925

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20131008

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20131204

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20140805

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140924

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20150310

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150323

R150 Certificate of patent or registration of utility model

Ref document number: 5728839

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees