TW201627877A

TW201627877A - 晶圓測試圖樣的損失率計算方法

Info

Publication number: TW201627877A
Application number: TW104102537A
Authority: TW
Inventors: 顏懷先
Original assignee: 華邦電子股份有限公司
Priority date: 2015-01-26
Filing date: 2015-01-26
Publication date: 2016-08-01
Also published as: TWI608364B

Abstract

一種晶圓測試圖樣的損失率計算方法。對晶圓圖中的所有測試結果類別包括的晶片進行分群，進而獲得多個晶片群組。基於各晶片群組包括的晶片，獲得各晶片群組的多個特徵值。將上述特徵值與模型資料庫進行比對，而獲得各晶片群組對應的測試圖樣。計算測試圖樣的損失率。

Description

晶圓測試圖樣的損失率計算方法

本發明是有關於一種晶圓測試圖樣的測試機制，且特別是有關於一種晶圓測試圖樣的損失率計算方法。

在半導體製程中，通常會使用晶圓允收測試(wafer acceptance test，WAT)來對晶圓進行電性檢測。WAT會產生許多的電性參數及數值，使用者可藉由這些電性參數及數值來評估受測晶圓的良率好壞，以及發現在半導體製程中可能發生的問題。而在半導體製程中，當發生受測晶圓為低良率的狀況時，有時並非是由單一事故原因所造成。在實務上，不同的事故原因會導致晶圓圖(wafer bin map)造成不同的測試圖樣(pattern)。因此，透過測試圖樣的損失率(Yield Loss)來追查異常狀況，通常可以有很好的效果。

然而，多數半導體廠判斷晶圓圖中的測試圖樣仍採用人工辨識，此舉不但耗費人力，而且還容易因人員檢視標準不一而造成判斷結果有偏差，且無法對測試圖樣的損失率(Yield Loss)作更精準的計算與分析。

本發明提供一種晶圓測試圖樣的損失率計算方法，能夠自動辨識晶圓圖中的多種測試圖樣，並自動計算出各個測試圖樣的損失率。

本發明的晶圓測試圖樣的損失率計算方法，利用電子裝置辨識晶圓圖中的測試圖樣。損失率計算方法包括下列步驟。自晶圓圖中，分別取出多個主測試結果類別。判斷各主測試結果類別在晶圓圖中所包括的子測試結果類別。依據上述子測試結果類別包括的多個晶片位於晶圓圖中的多個座標位置，對所有子測試結果類別包括的晶片進行一分群動作，進而獲得多個晶片群組，其中各晶片群組包括一個或多個子測試結果類別。基於各晶片群組包括的晶片，獲得各晶片群組的多個特徵值。將上述特徵值與模型資料庫進行比對，而獲得各晶片群組對應的測試圖樣。計算測試圖樣的損失率(Yield Loss)。

在本發明的一實施例中，在判斷各主測試結果類別在晶圓圖中所包括的子測試結果類別之前，還包括計算各主測試結果類別包括的晶片的數量，藉以在上述主測試結果類別中，過濾掉數量小於第一門檻值的類別，而保留數量大於或等於第一門檻值的類別。

在本發明的一實施例中，在判斷各主測試結果類別在晶圓圖中所包括的子測試結果類別的步驟中，包括：計算各子測試結果類別所包括的晶片在對應的主測試結果類別中所占的比例；在上述對應的子測試結果類別中，過濾掉比例小於第二門檻值的類別，而保留比例大於或等於第二門檻值的類別。

在本發明的一實施例中，在對所有子測試結果類別包括的晶片進行分群動作的步驟中，更包括：將無法被分群的晶片自子測試結果類別中濾除。

在本發明的一實施例中，晶圓測試圖樣的損失率計算方法更包括建立模型資料庫。上述建立模型資料庫的步驟包括：自多個已知的測試圖樣獲得各測試圖樣的多個參考特徵值；以及依據這些參考特徵值，建立每一個測試圖樣的模型。

在本發明的一實施例中，將上述特徵值與模型資料庫進行比對，而獲得各晶片群組對應的測試圖樣的步驟包括：計算各晶片群組的特徵值與參考特徵值之間的相似度，藉此獲得晶片群組對應的測試圖樣。

基於上述，本發明能夠自動辨識晶圓圖中的多種測試圖樣，進而更精確地計算出各個測試圖樣所造成的損失率，讓產品工程師能快速釐清異常產生的原因，減少異常晶片的產出。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

100‧‧‧電子裝置

110‧‧‧處理單元

120‧‧‧儲存單元

130‧‧‧晶圓圖資料庫

140‧‧‧模型資料庫

200‧‧‧晶圓

210~240‧‧‧檢測區域

31a、32a~32d、33a~33e、34e、35f‧‧‧測試圖樣

500、610~660‧‧‧晶圓圖

2P、VX、VI、DC_VF、DC_VF1、DC_VF2、DC_2P、FCN_SA、MGN_LEADPS、FCN_LDQ‧‧‧晶片分佈區域

EU‧‧‧曝光單元

P1‧‧‧晶片

S405~S430‧‧‧晶圓測試圖樣的損失率計算方法各步驟

圖1是依照本發明一實施例的電子裝置的方塊圖。

圖2是依照本發明一實施例的晶圓的示意圖。

圖3是依照本發明一實施例的測試圖樣的示意圖。

圖4是依照本發明一實施例的晶圓測試圖樣的損失率計算方法的流程圖。

圖5A~圖5B是依照本發明一實施例的過濾子測試結果類別的示意圖。

圖6A~圖6F是依照本發明一實施例的多種晶片分群規則說明的示意圖。

圖7是依照本發明一實施例的用以計算最大故障率的晶圓的示意圖。

目前半導體廠判斷晶圓圖中的測試圖樣仍採用人工辨識，而容易因人員檢視標準不一而造成判斷結果有偏差。為此，本發明提出一種晶圓測試圖樣的損失率計算方法，利用電子裝置來自動辨識晶圓圖所包括的所有測試圖樣，進而計算損失率。為了使本發明之內容更為明瞭，以下特舉實施例作為本發明確實能夠據以實施的範例。

圖1是依照本發明一實施例的電子裝置的方塊圖。請參照圖1，電子裝置100包括處理單元110以及儲存單元120。儲存單元120中包括晶圓圖資料庫130以及模型資料庫140。在此，處理單元110耦接至儲存單元120。處理單元110例如為中央處理單元(Central Processing Unit，CPU)、可程式化之微處理器(Microprocessor)、嵌入式控制晶片等。

而儲存單元120例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory，RAM)、唯讀記憶體(Read-Only Memory，ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合。儲存單元120中儲存有多個程式碼片段，上述程式碼片段在被安裝後，會由處理單元110來執行，以實現晶圓測試圖樣的辨識及損失率的計算。

晶圓圖資料庫130中包括多個晶圓在測試完成後所產生的晶圓圖。每張晶圓圖包括了在晶圓上的每一個晶片於經過測試後的測試結果以及各晶片相對於晶圓圖上的座標位置。測試結果記錄了各個晶片是否通過測試、未通過測試的主測試結果類別及其子測試結果類別。透過晶圓圖來呈現上述測試結果，使得相關人員可以初步了解晶圓的測試結果。

例如，假設主測試結果類別為三種(即，主測試結果類別DC、主測試結果類別FCN、主測試結果類別MGN)，而每一個主測試結果類別還可包括多個子測試結果類別。在晶圓圖中可依據測試結果而以不同的顯示效果來表示各晶片。例如，將通過測試的晶片以白色表示，未通過測試的晶片則依照其主測試結果類別來給予對應的顏色。例如，主測試結果類別DC的測試失敗晶片以藍色表示，主測試結果類別FCN的測試失敗晶片以綠色表示，主測試結果類別MGN的測試失敗晶片以紅色表示。

而基於上述測試結果，會在晶圓圖上產生測試圖樣。測試圖樣代表晶圓的瑕疵情形，即，晶圓中測試失敗的晶片分佈情形。模型資料庫140中則儲存了事先訓練好的多種測試圖樣的模型，以供後續進行測試圖樣辨識時來使用。而由於在一種測試條件下，可能在晶圓中的多個地方產生測試圖樣，因此為了便於進行辨識，將晶圓劃分成多個區域，以便於這些區域中找出多個測試圖樣。

舉例來說，圖2是依照本發明一實施例的晶圓的示意圖。圖3是依照本發明一實施例的測試圖樣的示意圖。在此，圖2、圖3僅為舉例說明，並不以此為限。

請參照圖2，在本實施例中，為了方便進行檢測，將晶圓200劃分為檢測區域210、220、230、240。檢測區域210為中心區域，檢測區域220為中間區域，檢測區域230為邊緣區域，檢測區域240為最外圍的末端邊緣區域。

在圖3中列出了多種測試失敗的晶片分佈情形，其是依據檢測區域210、220、230、240的不同所產生的測試失敗的測試圖樣，另外還列出沒有區域性、散列在整個晶圓200的晶片分佈情形。具體而言，圖樣類型大致可分為單點類型、多點類型、單環類型、多環類型、全環類型以及循環(repeat)類型六大類。而檢測區域210(中心區域)僅對應至1種圖樣類型，即單點類型，如測試圖樣31a所示。檢測區域220(中間區域)對應至4種圖樣類型，包括單點類型、多點類型、單環類型及多環類型，如測試圖樣32a、32b、32c、32d所示。檢測區域230(邊緣區域)對應至5種圖樣類型，包括單點類型、多點類型、單環類型、多環類型及全環類型，如測試圖樣33a、33b、33c、33d、33e所示。檢測區域240(末端邊緣區域)只對應至1種圖樣類型，即全環類型，如測試圖樣34e所示。而整個晶圓200則對應至不具區域性的循環類型，如測試圖樣35f所示。

圖4是依照本發明一實施例的晶圓測試圖樣的損失率計算方法的流程圖。請參照圖4，損失率計算方法可分為晶片選取(步驟S405~S415)、測試圖樣辨識(步驟S420~S425)以及損失率計算(步驟S430)三個部分。

在步驟S405中，處理單元110讀取晶圓圖資料庫130，以自一晶圓圖中分別取出多個主測試結果類別。接著，在步驟S410中，處理單元110判斷各主測試結果類別在晶圓圖中所包括的子測試結果類別。

在進行步驟S410之前，處理單元110可先計算各主測試結果類別包括的晶片(測試失敗的晶片)的數量，藉以在主測試結果類別中，過濾掉數量小於第一門檻值的類別，而保留(取出)數量大於或等於第一門檻值的類別。也就是說，若主測試結果類別所占的晶片數量不多，則不會在晶圓圖中形成測試圖樣，因此可忽略此一主測試結果類別。

舉例來說，以主測試結果類別DC、主測試結果類別FCN、主測試結果類別MGN為例，倘若晶圓圖中包括上述三種主測試結果類別，其中主測試結果類別MGN的晶片數量小於第一門檻值，則會將主測試結果類別MGN濾除，而只針對主測試結果類別DC與主測試結果類別FCN來進行後續動作。

另外，在步驟S410中，處理單元110還可以進一步依據各子測試結果類別的在對應的主測試結果類別中所占的晶片的比例來進行過濾的動作。即，處理單元110計算各子測試結果類別包括的晶片數量在對應的主測試結果類別的所有晶片數量中所占的比率，並且在這些子測試結果類別中，過濾掉比率小於第二門檻值(例如為25%)的類別，而保留(取出)比率大於或等於第二門檻值的類別。

舉例來說，圖5A及圖5B是依照本發明一實施例的過濾子測試結果類別的示意圖。圖5A所示的晶圓圖500顯示有主測試結果類別DC、主測試結果類別FCN、主測試結果類別MGN三者測試失敗的晶片分佈區域。在本實施例中，假設主測試結果類別FCN以及主測試結果類別MGN的晶片數量小於第一門檻值，則過濾掉主測試結果類別FCN以及主測試結果類別MGN的晶片，只取出主測試結果類別DC的晶片來進行後續動作，如圖5B所示。圖5B所示為在過濾掉主測試結果類別FCN以及主測試結果類別MGN的晶片之後，進一步濾除雜訊後的結果。

在此，假設主測試結果類別DC包括3個子測試結果類別，而圖5B所示為上述子測試結果類別在晶圓圖500的晶片分佈區域2P、VX、VI。並且，假設上述晶片分佈區域2P、VX、VI各自所包括的晶片數量在主測試結果類別DC所包括的晶片數量中所占的比例為50%、35%以及2%。例如，以[DC]2P(50%)、[DC]VX(35%)、[DC]VI(2%)表示。據此，處理單元110會將晶片分佈區域VI的晶片濾除，只保留晶片分佈區域2P、VX的晶片來進行後續動作。

接著，在步驟S415中，處理單元110依據每一個子測試結果類別包括的多個晶片位於晶圓圖中的座標位置，對所有子測試結果類別包括的晶片進行分群動作，進而獲得多個晶片群組(即，待辨識的圖樣)。例如，依據每一個子測試結果類別的晶片分佈區域之間的距離來決定是否要將兩個以上的晶片分佈區域分群至同一個晶片群組。在此，晶片群組會包括一個或多個子測試結果類別。即，進行分群動作後，可能會有兩個以上的子測試結果類別的晶片被合併至同一個晶片群組。

值得注意的是，倘若測試結果的晶片分佈區域為循環(repeat)類型，則不執行分群動作。例如，在步驟S410之後，處理單元110可以進一步去判斷晶片分佈區域是否為循環類型。若非循環類型，則處理單元110執行步驟S415。

底下舉例來說明晶片分群規則。圖6A~圖6F是依照本發明一實施例的多種晶片分群規則說明的示意圖。

參照圖6A，晶圓圖610中包括主測試結果類別DC的子測試結果類別VF的晶片分佈區域DC_VF、以及主測試結果類別FCN的子測試結果類別SA的晶片分佈區域FCN_SA。在此，基於晶片分佈區域DC_VF、FCN_SA兩者的晶片的座標位置而執行分群演算法後，判定兩者之間距離相距太遠，因此不將上述兩個晶片分佈區域DC_VF、FCN_SA分群為同一群組。並且，由於晶片分佈區域DC_VF、FCN_SA兩者的主測試結果類別不同，因此亦不對上述兩個晶片分佈區域DC_VF、FCN_SA進行合併。據此，自晶圓圖610可獲得兩個晶片群組G[DC_VF]、G[FCN_SA]。

參照圖6B，晶圓圖620中包括主測試結果類別DC的子測試結果類別VF、2P的晶片分佈區域DC_VF、DC_2P。在此，晶片分佈區域DC_VF、DC_2P兩者在執行分群演算法後並不會被分群在一起。並且，由於晶片分佈區域DC_VF、DC_2P兩者的子測試結果類別不同，因此亦不會對上述兩個晶片分佈區域進行合併。據此，自晶圓圖620可獲得兩個晶片群組G[DC_VF]、G[DC_2P]。

參照圖6C，晶圓圖630中包括主測試結果類別DC的子測試結果類別VF、2P的晶片分佈區域DC_VF、DC_2P。在此，基於晶片分佈區域DC_VF、DC_2P兩者的晶片的座標位置而執行分群演算法後，由於兩者的座標位置相近，因此將晶片分佈區域DC_VF、DC_2P分群至同一群組中。據此自晶圓圖630可獲得一個晶片群組G[DC_VF_2P]。

參照圖6D，晶圓圖640中包括主測試結果類別DC的子測試結果類別VF的晶片分佈區域DC_VF、以及主測試結果類別FCN的子測試結果類別SA的晶片分佈區域FCN_SA。在此，由於晶片分佈區域DC_VF、FCN_SA兩者的座標位置相近，因此在執行分群演算法後會被分群至同一群組。據此，自晶圓圖640可獲得一個晶片群組G[DC.VF_FCN.SA]。

參照圖6E，晶圓圖650中包括主測試結果類別MGN的子測試結果類別LEADPS的晶片分佈區域MGN_LEADPS、以及主測試結果類別FCN的子測試結果類別SA的晶片分佈區域FCN_SA。在此，由於晶片分佈區域MGN_LEADPS、FCN_SA兩者的座標位置相近，故，在執行分群演算法後會被分群至同一個群組。據此，自晶圓圖650可獲得一個晶片群組G[MGN.LEADPS_FCN.SA]。

參照圖6F，晶圓圖660中包括主測試結果類別DC的子測試結果類別VF的兩個晶片分佈區域DC_VF1、DC_VF2、子測試結果類別2P的晶片分佈區域DC_2P；主測試結果類別FCN的子測試結果類別SA、LDQ的晶片分佈區域FCN_SA、FCN_LDQ；主測試結果類別MGN的子測試結果類別LEADPA的晶片分佈區域MGN_LEADPA。

在圖6F中，雖然晶片分佈區域DC_VF1、DC_VF2在基於兩者的座標位置執行分群演算法後不會被分群在一起，然，由於晶片分佈區域DC_VF1、DC_VF2兩者屬於相同的子測試結果類別，因此這兩個晶片分佈區域DC_VF1、DC_VF2仍然會被分群至是同一個晶片群組G[DC_VF1_VF2]。另外，在執行分群演算法後，晶片分佈區域MGN_LEADPS、FCN_SA兩者被分群至同一個晶片群組G[MGN.LEADPS_FCN.SA]，以及晶片分佈區域DC_2P、FCN_LDQ兩者被分群至同一個晶片群組G[DC.2P_FCN.LDQ]。據此，自晶圓圖660可獲得三個晶片群組。

回到圖4，在步驟S420中，處理單元110基於晶片群組包括的多個晶片，獲得各晶片群組的多個特徵值。接著，在步驟S425中，處理單元110將這些特徵值與模型資料庫140進行比對，而獲得各晶片群組對應的測試圖樣。

而不同的檢測區域會使用不同的特徵值，請參照後述的表1。上述特徵值包括：晶片群組(待辨識的圖樣，下述簡稱群組A)中所包括的多個晶片至晶圓圓心距離的標準差F1、群組A的所有晶片至群組A的重心的標準差F2、群組A的重心至晶圓圓心的距離F3、群組A的晶片數量在整個晶圓中所占的百分比F4、群組A的各晶片至群組A的重心的距離平均值F5、群組A與相鄰檢測區域的晶片群組(下述簡稱群組B)重心的距離F6、群組A與相鄰檢測區域的群組B之間的晶片數量比例F7、群組A所占的區域比例F8、Hu不變矩F9、Log OR(優勢比，odds ration)值F10(用來估計空間資料群聚或隨機程度的指標)、最大故障(Max shot)率F11。

上述區域比例F8是指：在邊緣區域中群組A所佔的塊狀區域的比例。例如，將一片晶圓分為13塊狀區域，以圖2為例，最外圍的檢測區域230(即邊緣區域)劃分為8塊，中間的檢測區域220劃分為4塊，而中央的檢測區域210視為1塊。而區域比例F8的計算方式為：群組A在檢測區域230(即邊緣區域)的8塊中佔了幾塊。假設群組A在檢測區域230的8塊中佔了3塊，則區域比例為3/8。上述切割數量僅為舉例說明，可視情況進行變更。

上述最大故障率F11搭配圖7來進行說明。圖7是依照本發明一實施例的用以計算最大故障率的晶圓的示意圖。如圖7所示，一個晶圓包括多個曝光單元EU，一個曝光單元EU包括多個晶片。曝光單元EU裡面每個晶片都有一個代表位置，例如每一個曝光單元EU的最左上角的晶片P1的代表位置為(1,1)。以代表位置(1,1)為例，其最大故障率F11的計算方式為：N1/N2，其中N1為在每一個曝光單元EU的代表位置(1,1)的晶片為故障(即，測試失敗)的數量，N2為每一個曝光單元EU的代表位置(1,1)的晶片總數。

本實施例的模型資料庫140屬於監督式的機器學習(Supervised Machine Learning)，因此在執行本案的晶圓測試圖樣的損失率計算方法之前，先建立模型資料庫140。上述監督式的機器學習為其中一種分類手法，在其他實施例中亦可使用如神經網路(Neural Network)、支援向量機(Support Vector Machine，SVM)等分類手法，在此並不限制。在此，先針對各種檢測區域(例如上述檢測區域210~240)選取已知測試圖樣的訓練資料。並且，可進一步利用區域平均法來去除雜訊，進而擷取出各已知測試圖樣的參考特徵值。然後，依據這些參考特徵值，來建立各測試圖樣的模型。例如，利用下述式1來獲得各測試圖樣對應的模型。

在式1中，X代表一個特徵值，為該特徵值的平均值，W是由基因演算法決定的倍數權重值，R是由基因演算法決定的指數權重值，n為特徵值數量。

在訓練階段中，以測試圖樣31a為例，自多個已知的測試圖樣31a取出n個參考特徵值(例如，在上述F1~F11中任選n 個)。而X_i代表第i個參考特徵值，代表第i個參考特徵值的平均值。藉由基因演算法可獲得第i個參考特徵值對應的多組W_i與R_i。在透過多次的運算之後，找出一組最佳的W_i與R_i，藉以獲得最小的距離Dist。據此，測試圖樣31a的模型即建立完成。其他測試圖樣亦以此類推。也就是說，不同的測試圖樣，在計算距離Dist的式1中，W_i與R_i亦會不同。

之後，在執行晶圓測試圖樣的損失率計算方法時，依據步驟S405~S415獲得晶圓圖中的晶片群組(即，待辨識的圖樣)。之後，取出晶片群組的特徵值，並且將這些特徵值代入至各個測試圖樣對應的模型，計算每一晶片群組與測試圖樣之間的相似度 (如上述距離Dist)，以找出與晶片群組相似度高的測試圖樣。

以測試圖樣31a、32a~32d、33a~33e、34e為例，其分別具有不同的模型，而將上述特徵值分別代入各模型，而可獲得11個距離Dist。據此，自11個距離Dist中取出最小值，進而可獲得晶片群組對應的測試圖樣。以圖6A~圖6F而言，各晶片群組對應的測試圖樣可整理為如後述表2所示。

最後，在步驟S430中，處理單元110便可計算出各測試圖樣的損失率。以晶圓圖660而言，處理單元110可計算出三個測試圖樣的損失率。

綜上所述，利用監督式的機器學習來建構模型資料庫，藉此可由電子裝置來自動辨識晶圓圖中所包括的測試圖樣，並且由電子裝置來精準計算各個測試圖樣的損失率，以取代現有的人工辨識圖樣以及人工給定權重(例如權重1~5)的方式，進而可提高辨識率以及減少處理時間。另外，在上述實施例中對測試結果類別的晶片做適度的分群，據此可獲得更適當的測試圖樣。此外，一般辨識系統只能辨識單一測試圖樣，而透過上述實施例，可於一張晶圓圖中辨識出多個測試圖樣，對於後續的統計上，可以協助使用者更瞭解晶圓瑕疵的問題所在。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

S405~S430‧‧‧晶圓測試圖樣的損失率計算方法各步驟

Claims

一種晶圓測試圖樣的損失率計算方法，利用一電子裝置辨識一晶圓圖中的測試圖樣進而計算該損失率，該損失率計算方法包括：自該晶圓圖中，分別取出多個主測試結果類別；判斷每一該些主測試結果類別在該晶圓圖中所包括的一或多個子測試結果類別；依據上述子測試結果類別包括的多個晶片位於該晶圓圖中的多個座標位置，對所有上述子測試結果類別包括的該些晶片進行一分群動作，進而獲得多個晶片群組，其中每一該些晶片群組包括一個或多個上述子測試結果類別；基於每一該些晶片群組包括的該些晶片，獲得每一該些晶片群組的多個特徵值；將該些特徵值與一模型資料庫進行比對，而獲得該些晶片群組各自對應的該測試圖樣；以及計算該測試圖樣的一損失率。
如申請專利範圍第1項所述的晶圓測試圖樣的損失率計算方法，其中在判斷每一該些主測試結果類別在該晶圓圖中所包括的上述子測試結果類別的步驟之前，更包括：計算該些主測試結果類別包括的該些晶片的數量，藉以在該些主測試結果類別中，過濾掉該數量小於一第一門檻值的類別，而保留該數量大於或等於該第一門檻值的類別。
如申請專利範圍第1項所述的晶圓測試圖樣的損失率計算方法，其中判斷每一該些主測試結果類別在該晶圓圖中所包括的上述子測試結果類別的步驟中包括：計算每一上述子測試結果類別所包括的該些晶片在對應的一個上述主測試結果類別中所占的一比例；以及在上述子測試結果類別中，過濾掉該比例小於一第二門檻值的類別，而保留該比例大於或等於該第二門檻值的類別。
如申請專利範圍第1項所述的晶圓測試圖樣的損失率計算方法，其中在對所有上述子測試結果類別包括的該些晶片進行該分群動作的步驟中，更包括：將無法被分群的該些晶片其中一個或多個自上述子測試結果類別中濾除。
如申請專利範圍第1項所述的晶圓測試圖樣的損失率計算方法，更包括建立該模型資料庫，包括：自多個已知的上述測試圖樣獲得每一上述測試圖樣的多個參考特徵值；以及依據該些參考特徵值，建立每一上述測試圖樣的模型。
如申請專利範圍第5項所述的晶圓測試圖樣的損失率計算方法，其中將該些特徵值與該模型資料庫進行比對，而獲得該些晶片群組各自對應的該測試圖樣的步驟包括：計算每一上述晶片群組的該些特徵值與該些參考特徵值之間的相似度，藉此獲得該些晶片群組各自對應的該測試圖樣。