JP7518180B2 - 寿命初期故障を起こしやすいダイの予測 - Google Patents

Description

本出願は、参照によってその全体が本願に組み込まれる、２０２０年３月３日に出願された“Ｍｏｄｅｌｉｎｇ Ｙｉｅｌｄ ｔｏ Ｐｒｅｄｉｃｔ Ｄｉｅ Ｓｕｓｃｅｐｔｉｂｌｅ ｔｏ Ｅａｒｌｙ Ｌｉｆｅｔｉｍｅ Ｆａｉｌｕｒｅ （ＥＬＦ）”と題された米国仮特許出願第６２／９８４，３３７号からの優先権を主張するものである。

本出願は、半導体製造プロセスに関し、特に、寿命初期故障を起こしやすいダイを予測するためのシステムおよび方法に関する。

現場での電子チップ故障にかかるコストは、実装および出荷の前にチップを廃棄する場合のコストと比べて非常に高い。故障を起こしやすいチップを識別する現在の方法は、不良の可能性があるチップを識別するヒューリスティクスおよび／または出荷前に故障を誘発する高費用のストレス試験（バーンインと呼ばれることが多い）を中心としている。

現場故障のダイレクトなモデル化は、概して現場故障の数が比較的少数であること、ならびに、製造元に返品され、元のロットおよびウェハに遡ることが可能な現場故障の数が更に少数であることにより、実際問題として極めて困難である。したがって、製品チェーンの初期に故障しやすいダイの大半を識別することが可能な方法は、非常に高い価値を持ち得る。これらの初期現場故障を、寿命初期故障またはＥＬＦと称することとする。

寿命初期故障を予測するためにダイレベルの歩留りをモデル化するためのプロセスを示すフローチャートである。 パラメトリック予測歩留りに対するパラメトリック歩留り予測のグラフである。 寿命初期故障の割合に対する損失したダイの割合のグラフである。 図１のプロセスの追加の詳細を示すフローチャートである。 パラメータグループをどのように識別するかを示す表である。

本開示は、半導体製造プロセスにおけるウェハ試験および選別ステップから得られたパラメトリックデータに主に基づいて寿命初期故障（ＥＬＦ）を起こしやすいダイを予測するためにダイレベルでの歩留りをモデル化するための方法およびシステムに関する。本明細書で説明されるモデル化歩留り方法は、既知の現場返品の数が限られている大きなデータセットにおいて著しく改善された予測能力を提供することが示されている。

パラメトリックデータと歩留りとの相関は、非線形性が高く、極めて多変量であるため、現在の半導体処理において、効果的なダイレベルの歩留りモデルは実現が非常に困難であることが示されている。この問題の見積もりは、ユーザがこれらの種類の相関を以前よりも良好にモデル化することを可能にした並行処理アーキテクチャの出現および機械学習アルゴリズムの進歩によって容易になった。機械学習の分野は、データから学習することが可能なシステムの構築および研究を伴う人工知能の部門である。これらの種類のアルゴリズムは、並行処理能力と共に、非常に大きなデータセットの処理を可能にし、多変量分析に非常に適している。

最新の機械学習技術は、最初に訓練データセットから複合非線形関係を学習し、入力パラメータ間の関係を適切に理解するために新たに取得されたデータによって更新されるアルゴリズムベースのソフトウェアモデルを構成するために用いられ得る。たとえば、ニューラルネットワークは機械学習モデルの実装例であり、ＸＧＢｏｏｓｔは、非常に複雑なツリーモデルに基づく別の機械学習モデルである。プロセッサベースのモデルは、デスクトップベース、すなわちスタンドアロン、またはネットワーク化システムの一部であってよく、好適には、最先端のハードウェアおよびプロセッサ性能（ＣＰＵ、ＲＡＭ、ＯＳなど）で実装するべきである。Ｐｙｔｈｏｎオブジェクト指向プログラミング言語は、機械言語モデルを符号化するために使用可能であり、プログラム命令セットは、コンピュータ可読媒体に格納され得る。

成形加工は、典型的な半導体製造プロセスにおける主要な工程であり、ここで、一定期間（たとえば数か月）にわたる複数の工程および様々な処理技術によって、たとえばシリコンなどの半導体基板の単一片またはウェハ上に多数の集積回路が形成される。成形加工の後、ウェハは試験および選別される。最初に、たとえばＶ_ｔまたは他の電圧または電流レベルがウェハ全体で範囲内であること、または接触抵抗や他の電気特性が仕様の範囲内であることを確認するために、ウェハのスクライブラインに形成された小さな構造セットが試験され得る。実装のために顧客設備に出荷されるウェハの場合、スクライブライン構造試験は、一般にウェハに関する顧客基準を満たす必要がある。

スクライブライン構造を試験した後、かつウェハを個々のダイにダイシングする前、ダイ上に形成された各集積回路は、様々な追加の試験を受ける。機能試験は一般に、回路プローブを用いて個々の回路に試験パターンを適用することを含み、予想されるデジタル出力が検出された場合、その回路は合格であり、そうでない場合、その回路は欠陥である。他の試験は本質的にパラメトリックであり、たとえばリング共振器周波数、特定のサイズのトランジスタに関する電流／電圧値などのパラメトリック試験への応答として数値が取得される。一般に、パラメトリック数値が閾値よりも大きい、または小さい場合、チップが機能する場合でも、そのチップはパラメトリック値によって存続不可能および欠陥と見なされる。試験手順に落第した回路は廃棄（またはウェハのダイシング時に廃棄するためにマーク）され、その回路の状態がマークまたは識別、たとえばウェハマップを表すファイルに格納され得る。しかし、本発明のモデル化方法は、より効果的な予測の生成において、合格か落第かにかかわらず全てのダイに関するウェハ選別試験データを利用し得る。ウェハ試験および選別後、ウェハは個々の回路またはダイにダイシングされ、ウェハ試験／選別に合格した各ダイが実装される。

本明細書では、ウェハ選別プロセスステップからのパラメトリック試験データに焦点を当てるが、任意のモデル化ステップにおいて他の利用可能なデータが用いられてよく、この技術は、故障しやすいダイを識別するためのスキームを改善するために、スクライブライン構造からのデータ、成形加工からのフロントエンドデータ、または実装／出荷からのバックエンドデータを含むように容易に拡大される。

ここで図１を参照すると、寿命初期故障を起こしやすいダイを予測するために歩留りをモデル化するための簡略化されたプロセス１００が示される。ステップ１０２において、第１の機械学習モデルは、グループ内の全てのダイが通過した試験において特定のダイに同時に現れるパラメータのグループ化において、全てのダイからの全データに（少なくとも最初は）基づいて各ダイの歩留りを予測する、すなわち特定のダイが良好である可能性を決定するように構成される。第１のモデルへの入力は、ダイの位置、ウェハ選別パラメトリック値、および他の任意の（たとえば製造または実装工程からの）利用可能なデータである。第１のモデルは、入力データを分析し、歩留り予測においてどの入力が重要であるかを決定し、その後、重要度の高い入力データのみに基づいて各ダイのパラメトリック歩留り予測（ＰＹ）のためのモデルをファイナライズし、ステップ１０３において、結果として生じる予測ＰＹを格納する。

ステップ１０４において、第２の機械学習モデルは、ダイの位置のみに基づいて各ダイの歩留りを予測するように構成される。その結果が、各ダイの基準歩留り（ＲＹ）である。一般に、エッジに近い位置は欠陥ダイを生じる可能性が高く、中心に近い位置は概して合格のダイを生じやすい。ステップ１０６において、パラメトリック歩留り予測ＰＹから基準歩留り予測ＲＹが差し引かれ、その結果が、パラメトリック歩留りデルタ（ΔＰＹ）である。

パラメトリック歩留り予測ＰＹとパラメトリック歩留りデルタΔＰＹとの関係性の分析および評価により、ステップ１１０において、許容可能な損失閾値を確立するための顧客のための行動計画、すなわち、寿命初期故障に関するモデル化歩留り予測に基づいて、ステップ１１２において更なる処理から取り除くことを顧客が受け入れるダイの割合が導かれ得る。したがって、ダイ歩留りを予測するためのモデル化歩留りアプローチは、従来の方法よりも効果的に故障を起こしやすいダイを識別することが証明されている。また、現場での初期故障の可能性が高いダイを実装前に取り除くことにより、全体歩留りおよびコストパフォーマンスが高くなる。

たとえば、図２は、記号２０１で示される１２，０００より多い数のダイに関するウェハ選別および試験パラメトリックデータの実際のサンプリングに関して、ｘ軸上にパラメトリック歩留り予測ＰＹを、ｙ軸上にパラメトリック歩留りデルタΔＰＹを示すグラフィカルプロット２００である。現場返品と識別されたダイは、記号２０９で示される。

本明細書で説明する改善された方法に従う実際のデータのサンプリングにより、７７個のダイは、低いＰＹおよび負のΔＰＹを示すプロット２００の象限２１０に位置する試験結果を出した。また、象限２１０において試験された不良ダイの８つの現場返品があり、これは、象限２１０において試験されたダイの１０．４％以上が不良であり、はるかに大きい数値結果であることを示した。現場で故障するダイが全て返品されてはいないと考えられるため、象限２１０における不良ダイの実際の割合は、より高いと考えられる。１４４個のダイは、低いＰＹおよび正のΔＰＹを示すプロット２００の象限２２０に位置する結果を出した。これらのダイのうち、３つが不良ダイの現場返品であり、２．１％の欠陥率であり、これもまた大きな数字であった。

１１，９４６個のダイは、高いＰＹおよび正のΔＰＹを示すプロット２００の象限２３０に位置する結果を出した。３４個のダイが現場返品であり、０．３％の欠陥率であった。最後に、１５０個のダイは、高いＰＹおよび負のΔＰＹを示すプロット２００の象限２４０に位置する試験結果を出した。この象限において１つのダイのみが現場返品であり、０．７％の故障率であった。

図２から明らかであるように、モデル化歩留り方法が低いＰＹかつ大きな負のΔＰＹを示す場合、ダイの寿命初期故障をもたらす処理である可能性が最も高くなる。ただし、低いＰＹまたは大きな負のΔＰＹのいずれかであっても、寿命初期故障の確率の増加が示され得る。また、一部の欠陥は実装の問題点またはランダム欠陥に起因するため、多くの寿命初期故障が予測不可能であることも認識すべきである。

図３のグラフィカルプロット３００は、直線３１０で示される、外れ値を識別して歩留りを予測するための従来の方法と、直線３２０で示される、寿命初期故障を予測するためのモデル化歩留り方法との比較を示す。ｘ軸は、現場返品を減少させるために犠牲になる良好ダイの割合を示し、ｙ軸は、予測方法によって既知となる寿命初期故障の割合を示す。したがって、グラフ３００は、このデータセットに関するモデル化歩留りアプローチにより、寿命初期故障を識別する能力が１０％以上改善するという、顕著かつ価値のある改善を示す。

そのような情報が与えられると、顧客は、ダイ故障の危険性をどの程度許容可能であるかに関して選択することができる。たとえば、高信頼性の用途（たとえば航空電子工学など）を持つ顧客は、現場故障に関して非常に低い許容差を有するが、原価意識の高い顧客は、故障に関して高い許容差を有し得る。

ここで図４を参照すると、ダイレベルでのモデル化歩留り予測のためのより詳細なプロセスフロー４００が示される。ステップ４０２において、各ダイ関連パラメータに関する上限が推定される。各独自ダイ設計に関して何千ものそのようなパラメータが存在し得るが、各パラメータは、ダイが常に故障する値を有し、それらの限界値が第１に考慮される。一般に、顧客が、自身のパラメータリストに関するデータ、および各パラメータの閾値または顧客限界値を提供する。ただし、モデル化を目的とする場合、顧客データに依存せず各パラメータの限界値または閾値が決定される方が効果的である。たとえば、１つの実施形態において、顧客データのレビューから、任意のダイがもたらす最大値として上限が取られるが、それより大きな全ての値が一貫してダイを落第させることになる。ステップ４０４において、各ダイに関するパラメータは、推定限界値に基づいて閾値と比較され、ステップ４０６において任意のダイが任意のパラメータに関して閾値を超過する場合、更なる処理を回避するために、ステップ４０８において、そのダイは取り除かれ、または取り除くためにマークされる。

次に、ステップ４１０において、試験結果において常に同時に現れるパラメータのグループが識別される。具体的には、パラメータグループは、合格ダイのグループの全てが、ウェハ選別および試験手順の結果として同じパラメータに関する試験値を有するものである。パラメータグループは、非排他的であってよい。

たとえば、ここで図５を参照すると、表５００は、パラメータグループの識別を示す例を提供する。第１列５０１は、ウェハ試験／選別の結果に従ってダイが分類されたビンを羅列する。第２列５０２は、試験Ａ１～Ａ４およびＢ１～Ｂ３を含む、行われた特定のパラメトリック試験を羅列する。列５０３～５０６は、その行の各試験に関してパラメータデータ値が出たかを示す。試験Ａ１のパラメータは、ダイ２、ダイ３、およびダイ４に存在し、第１のパラメータグループを形成することが分かる。また、試験Ａ２～Ａ４のパラメータは、ダイ１およびダイ２に存在し、第２のパラメータグループを形成することが分かる。最後に、試験Ｂ１～Ｂ３のパラメータは、ダイ２およびダイ３に存在し、第３のパラメータグループを形成する。

図４に戻ると、パラメータグループが識別されると、識別された各パラメータグループに関する歩留り予測を決定するためのクロス検証モデルとして、ステップ４１２において、第１の機械学習モデルが構築される。１つの実施形態において、第１のモデルは、各パラメータグループに関して、そのパラメータグループ内の全てのパラメータの値を示す全てのダイからのデータを用いて実行する。ステップ４１４において、第１のモデルからの歩留り予測は、パラメータグループ内の各ダイに関して格納および保存される。

ステップ４１６において、特定のダイが属する全てのパラメータグループにわたる歩留り予測が、たとえば統計関数として結合される。１つの実施形態において、ダイに関する全ての歩留り予測の平均が取られ、ステップ４１８において、パラメトリック歩留り予測ＰＹとして格納および保存される。

ステップ４２０において、基準歩留り予測のために、第２の機械学習モデルが構築される。その結果は、ウェハ上のダイの位置のみに基づいて個々のダイに関して歩留り予測を計算することによって決定される。１つの実施形態において、より滑らかなモデル化結果を提供するために極座標が用いられる。

パラメトリック歩留り予測デルタΔＰＹは、ステップ４２２において、パラメトリック歩留り予測ＰＹ（ステップ４１８）から基準歩留り予測ＰＹ（ステップ４２０）を差し引くことによって計算される。負のデルタは、基準歩留り予測がパラメトリック歩留り予測よりも大きいことを意味するため、望ましくない。

ステップ４２４において、全ての予測が決定された後、ウェハ選別試験に落第した任意のダイは廃棄され、その結果、分析される残りのダイが限定される。ウェハ選別試験に落第するダイは、出荷されることも実装されることもないので、寿命初期故障にはなり得ない。

ステップ４２６において、パラメトリック歩留り予測ＰＹは最低から最高まで選別され、ステップ４２８において、各ダイの適用可能な予測歩留りＰＹのパーセンタイル値が計算される。同様に、ステップ４３０において、パラメトリック歩留り予測デルタΔＰＹが最低から最高まで選別され、ステップ４３２において、各ダイの適用可能なパーセンタイル値ΔＰＹが計算される。ステップ４３４において、この結合パーセンタイル値情報を評価することにより、ステップ４３６において、許容可能な損失の目標値を確立することができ、ステップ４３８において、寿命初期故障を予測された目標領域（複数も可）内のダイが更なる処理から取り除かれる。一般に、ＰＹパーセンタイル値およびΔＰＹパーセンタイル値の最小値は、ダイが寿命初期故障を起こす可能性の最初の指標である。したがって、顧客は、何らかの損失レベルに関する自身の許容差を確立し、ＰＹパーセンタイル値基準および／またはΔＰＹパーセンタイル値基準を満たす、寿命初期故障の可能性を有する選択されたダイを取り除くための方針を確立する。

上記説明は、本明細書で説明される技術を当業者が製造および利用することを可能にするように意図されているが、当業者は、この説明が限定的なものではないことを理解し、本明細書で説明される特定の実施形態、方法、および例の変形例、組み合わせ、および均等物の存在も認識する。

Claims (15)

1. 方法であって、
   第１の機械学習モデルを用いて、第１の識別されたパラメータグループ内の第１の複数のダイの各々に関する第１の歩留り値を予測することであって、前記第１の機械学習モデルは、半導体ウェハのパラメトリック試験から得られたデータ値を用いて前記第１の歩留り値を予測するように構成され、前記第１の複数のダイは前記半導体ウェハの上に形成され、前記第１の複数のダイの各々は、前記第１の識別されたパラメータグループ内の複数のパラメータの各々に関するデータ値を有することと、
   前記第１の歩留り値の各々を前記第１の複数のダイのそれぞれのダイに割り当てることと、
   前記第１の複数のダイの対応するダイの位置を用いてそれぞれの第２の歩留り値を予測するように構成された第２の機械学習モデルを用いて、前記第１のパラメータグループ内の第１の複数のダイの各々に関する第２の歩留り値を予測することと、
   それぞれの予測された第１の歩留り値からそれぞれの予測された第２の歩留り値を差し引くことによって、前記第１の複数のダイの各々に関する予測デルタを決定することと、
   前記それぞれの予測された第１の歩留り値とそれぞれの予測デルタとの間の関係性に基づいて、許容可能なダイ損失の閾値を確立することと、
   前記許容可能なダイ損失の閾値に従って、前記第１の複数のダイの一部を更なる処理から取り除くことと、
   を備える、方法。
2. 追加の複数のダイに関する第１の歩留り値を予測することであって、各追加の複数のダイは、複数のそれぞれのパラメータグループのうち１つに組織され、前記追加の複数のダイの各々は、前記それぞれのパラメータグループの各々における複数のパラメータの各々に関するデータ値を有することと、
   各ダイの位置を用いて、それぞれのパラメータグループにおける追加の複数のダイの各々に関する第２の歩留り値を予測することと、
   を更に備える、請求項１に記載の方法。
3. 複数のパラメータグループを識別することであって、各識別されたパラメータグループは、前記識別されたパラメータグループ内の複数のパラメータの各々に関するデータ値を各々有するそれぞれの複数のダイを含むことと、
   各パラメータグループ内のそれぞれの複数のダイの各々に関する第１の歩留り値を予測することと、
   各ダイの位置を用いて、各識別されたパラメータグループ内のそれぞれの複数のダイの各々に関する第２の歩留り値を予測することと、
   を更に備える、請求項１に記載の方法。
4. 前記複数のパラメータの各々に関してそれぞれ上限を推定することと、
   各ダイに関して、前記複数のパラメータの各々をそれぞれの上限と比較することと、
   前記それぞれの上限を超過するパラメータを有するダイを取り除くことと、
   を更に備える、請求項１に記載の方法。
5. 前記閾値を確立するために、前記それぞれの予測された第１の歩留り値と前記それぞれの予測デルタとの間の関係性を評価すること
   を更に備える、請求項１に記載の方法。
6. 前記予測された第１の歩留り値を最低から最高まで選別することと、
   前記第１の複数のダイの各々に関連する予測された第１の歩留り値の歩留りパーセンタイル値を計算することと、
   前記予測デルタを最低から最高まで選別することと、
   前記第１の複数のダイの各々に関連するそれぞれの予測デルタのデルタパーセンタイル値を計算することと、
   前記歩留りパーセンタイル値と前記デルタパーセンタイル値との間の最小パーセンタイル値を識別することと、
   前記最小パーセンタイル値を前記閾値として選択することと、
   を更に備える、請求項５に記載の方法。
7. 前記予測された第１の歩留り値が定義された限界値より小さいとき、かつ、前記予測デルタが負の値であるときの条件に関する許容可能なダイ損失の閾値を設定すること
   を更に備える、請求項５に記載の方法。
8. 前記予測された第１の歩留り値が定義された限界値より小さいとき、かつ、前記予測デルタが正の値であるときの条件に関する許容可能なダイ損失の閾値を設定すること
   を更に備える、請求項５に記載の方法。
9. 前記第１の機械学習モデルは更に、前記半導体ウェハの成形加工処理から得られたデータを用いて構成される、請求項１に記載の方法。
10. 前記第１の機械学習モデルは更に、前記半導体ウェハの実装から得られたデータを用いて構成される、請求項１に記載の方法。
11. 方法であって、
    第１の複数の独自ダイを半導体ウェハ上に加工するように構成された半導体プロセスから得られた複数のデータ値を受け取ることと、
    合格ダイに関する試験結果内に常に存在するデータ値のサブセットを識別することと、
    前記データ値のサブセットに基づいて形成された第１の複数の独自ダイの各々１つに関する第１の歩留り値を予測することと、
    前記第１の複数の独自ダイの各々１つの位置に基づいて、前記第１の複数の独自ダイの各々１つに関する第２の歩留り値を予測することと、
    複数のそれぞれの予測デルタを得るために、それぞれの予測された第１の歩留り値からそれぞれの予測された第２の歩留り値を差し引くことと、
    前記それぞれの予測された第１の歩留り値と前記それぞれの予測デルタとの間の関係性に基づいて、許容可能なダイ損失の閾値を確立することと、
    前記閾値を超過する、前記第１の複数の独自ダイのいずれかを更なる処理から取り除くことと、
    を備える、方法。
12. 低い予測された第１の歩留り又は大きな負の予測デルタを回避するために前記閾値を確立すること
    を更に備える、請求項１１に記載の方法。
13. 低い予測された第１の歩留り及び大きな負の予測デルタを回避するために前記閾値を確立すること
    を更に備える、請求項１１に記載の方法。
14. 前記データ値のサブセットの各々に関して上限を推定することと、
    各ダイに関して、前記データ値のサブセットの各々をそれぞれの上限と比較することと、
    前記それぞれの上限を超過するデータ値を有する任意のダイを取り除くことと、
    を更に備える、請求項１１に記載の方法。
15. 少なくとも１つのプロセッサを備える予測モデルであって、前記少なくとも１つのプロセッサは、
    第１の機械学習モデルを用いて、第１の識別されたパラメータグループ内の第１の複数のダイの各々に関する第１の歩留り値を予測することであって、前記第１の機械学習モデルは、半導体ウェハのパラメトリック試験から得られたデータ値を用いて前記第１の歩留り値を予測するように構成され、前記第１の複数のダイは前記半導体ウェハの上に形成され、前記第１の複数のダイの各々は、前記第１の識別されたパラメータグループ内の複数のパラメータの各々に関するデータ値を有することと、
    前記第１の歩留り値の各々を前記第１の複数のダイのそれぞれのダイに割り当てることと、
    前記第１の複数のダイの対応するダイの位置を用いてそれぞれの第２の歩留り値を予測するように構成された第２の機械学習モデルを用いて、前記第１のパラメータグループ内の第１の複数のダイの各々に関する第２の歩留り値を予測することと、
    それぞれの予測された第１の歩留り値からそれぞれの予測された第２の歩留り値を差し引くことによって、前記第１の複数のダイの各々に関する予測デルタを決定することと、
    前記それぞれの予測された第１の歩留り値とそれぞれの予測デルタとの間の関係性に基づいて、許容可能なダイ損失の閾値を確立することと、
    前記許容可能なダイ損失の閾値に従って、前記第１の複数のダイの一部を更なる処理から取り除くことと、
    を行うように構成される、予測モデル。