TW202329279A - 用於重建晶圓上半導體元件的位置之方法及裝置 - Google Patents

Abstract

本發明係關於一種用於判定一指派規則，以便組合來自同一半導體器件之不同測試之測試結果的方法，其中考慮在生產該些半導體器件時之一良率損失。該方法包含以下步驟：（S23）擬合諸如一線性回歸模型之一模型，從而使用該模型來預測測試資料；（S24）基於該些預測來計算一成本矩陣；（S25）將匈牙利方法應用於該成本矩陣以獲得一新指派規則，且將此等步驟重複多次。

Description

用於重建晶圓上半導體元件的位置之方法及裝置

本發明係關於一種用於重建半導體元件在晶圓上之位置之方法，該些半導體元件安裝於該晶圓上，此後該些半導體元件自該晶圓中被切掉，且本發明係關於一種經組態以執行該方法之裝置。

在半導體元件（尤其係PowerMOS）之封裝過程中，半導體元件至其原始晶圓及其在晶圓上之原始位置的可追溯性會損失。具體言之，此意謂：一旦晶圓已被切割或分割（將半導體元件與晶圓分離之方法）及封裝，就不再可擷取各半導體元件在晶圓上之位置。封裝過程提供者能夠至少提供在最終測試（=在封裝之後的半導體元件之測試過程）中之鬆散半導體元件與在晶圓級測試（在封裝之前的測試）中之晶圓上之半導體元件之間的粗略匹配。然而，此仍導致數千個半導體元件無法被指派至多個晶圓。由於此基本上為組合問題，故該問題之解決方案之複雜度係階乘的，此係由於存在以正確次序配置半導體元件之 n階乘的不同方式，其中 n為半導體元件之數目。

對於ASIC半導體元件，存在此組合問題之解決方案。出於此目的，在晶圓級測試期間將唯一識別符儲存於ASIC半導體元件之記憶體中，此使得能夠在封裝之後將最終測試指派至晶圓級測試。然而，歸因於不存在記憶體，此對於諸如PowerMOS之半導體元件係不可能的。

在匹配最終測試與晶圓級測試時之另一挑戰為，在晶圓級測試之後揀選掉個別半導體元件，且此處亦會損失關於哪一特定半導體元件已被揀選掉之資訊。因此，組合問題係複雜的，此係因為現在針對最終測試結果存在更多潛在相關聯的晶圓級測試，且亦必須決定哪一晶圓級測試不具有對應最終測試結果。

本發明之優勢

具有獨立技術方案1之特徵的本發明具有以下優勢：其使得能夠在取決於晶圓級測試之結果的半導體元件、與取決於最終測試之結果的經封裝半導體元件之間判定一潛在指派，而不需要回顧性添加的元資料，諸如唯一識別符或類似者。

本發明亦具有考慮可在製造期間發生之良率損失的優勢。此允許並非全部半導體元件被指派至測試。基於良率損失及結果之指派，可獲得額外可追溯性資訊，此使得有可能估計在晶圓上之哪些位置處發生良率損失。取決於此情形，可啟用較佳過程控制（例如有缺陷部分之根本原因分析）。

本發明之其他態樣為同輩份請求項之標的。有利的延伸為附屬請求項之標的。

在第一態樣中，本發明係關於一種用於判定指派規則之方法，尤其係電腦實施方法，在各狀況下，指派規則將來自第二變數之第二集合之一個變數指，派至來自第一變數之第一集合之複數個變數。第一集合相比於第二集合包含較多變數。指派規則可以一對一方式將第二變數指派至複數個第一變數，亦即藉由指派規則將一個第二變數之最大值指派至第一變數，且較佳地亦藉由指派規則將一個第一變數之最大值指派至第二變數。換言之，指派規則經組態以將第二變數指派至第一變數之子集。較佳地，第一變數之子集中的變數之數目等於第二集合中的變數之數目。接下來，指派規則將第一變數指派至各第二變數，其中因為第一集合相比於第二集合具有較多變數，所以一些第一變數不被指派至任何第二變數。然而，亦可設想使子集小於第二集合。

集合可被理解為個別變數之組合形式。較佳地，第一集合及第二集合為不具有共同變數之不同集合。較佳地，將索引指派至第一集合及第二集合之變數中之各者。第一集合及第二集合之全部索引可被解譯為索引集合，因此作為集合，該索引集合的元素連續地為第一集合或第二集合之變數編索引。指派規則接著將來自第二索引集合之索引指派至第一索引集合。指派規則因此描述哪一第一變數屬於哪一第二變數，且較佳地亦描述哪一第二變數屬於哪一第一變數。指派規則可為清單或表或類似者。

該方法藉由初始化指派規則並提供第一集合及第二集合而開始，其中第一集合相比於第二集合含有較多變數。初始指派規則可被隨機地選擇或被選擇為恆等映射。較佳地，指派規則被初始化為使得指派規則在其指派中考慮全部第二變數，亦即僅將與第二變數一樣多的第一變數指派至第二變數，或將第一變數指派至全部第二變數。其他初始指派規則有可能作為替代方案，例如預定義的、已經部分正確的指派。

此後隨機地選擇第一變數之數目，所選擇之第一變數之數目至少等於第一集合具有之變數比第二集合具有之變數多出的數目。當步驟由電腦執行時，隨機選擇可由偽隨機產生器執行。換言之，一般而言，在不偏好第一變數中之任一者的情況下執行隨機選擇。然而，亦可設想以較高機率選擇某些變數，此係因為例如此等變數表示相對於第一集合中之剩餘變數之異常。

此後重複地執行步驟 a ）至 e ），如下文所解釋。可將重複執行指定數目次最大重複，或可定義中止準則，其中若符合中止準則，則中止重複。舉例而言，中止準則為指派規則之最小修改。

a ）創建一資料集，該資料集含有第一變數，而沒有含有根據指派規則被指派的當前選擇之第一變數及其各別第二變數。當前選擇之變數為先前經選擇以執行步驟 a ）至 e ）之第一變數，或在第一次執行此等步驟時，當前選擇之變數為隨機選擇之第一變數。

資料集亦可被稱為訓練資料集，其中經指派之第二變數為第一變數之所謂的「標籤」。應注意，此步驟可為任選的，此係由於使用此資料集之後續步驟基本上僅需要第一變數與第二變數之間的當前指派規則之資訊，其可由資料集提供或由當前指派規則提供。當前指派規則為針對步驟 a ）至 e ）之當前重複而存在的指派規則，亦即已在創建資料集之最近版本時使用的指派規則。

b ）訓練機器學習系統，使得機器學習系統依據第一變數而判定資料集之經指派之第二變數。訓練程序可被理解為意謂調整機器學習系統之參數，使得運用其判定的機器學習系統之預測儘可能接近資料集之第二變數（「標籤」）。可相對於成本函數執行最佳化。成本函數較佳地特性化機器學習系統之輸出與標籤之間的數學差。較佳地使用梯度下降方法來執行最佳化。機器學習系統可為決策樹、神經網路、支援向量機或類似者中之一個或複數個。可執行訓練直至機器學習系統在訓練期間之任何進一步改良係可忽略的，亦即滿足第二中止準則。

c ）計算成本矩陣，其中成本矩陣中之項目根據指派規則而特性化機器學習系統之預測與第二變數之間的距離，尤其係特性化機器學習系統之預測與第二集合之全部變數之間的距離。可運用 L ₂ 範數來判定距離。亦可設想其他距離量度。成本矩陣可被結構化為使得列及行各自被指派至第一變數，或被指派至取決於第一變數的機器學習系統之預測，及第二變數，其中項目特性化列及行之各別經指派變數之間的距離。

d ）取決於成本矩陣而最佳化指派規則，使得指派規則基於成本矩陣項目而產生最小總成本。總成本為根據當前指派規則執行第一集合之變數自成本矩陣至第二集合之指派所需的成本矩陣項目之總和。換言之，在根據指派規則選自成本矩陣之項目上最佳化（尤其係最小化）該總和。應注意，根據指派規則選擇項目，使得根據指派規則選擇的成本矩陣之各別行及列之項目為指派至第一變數及第二變數之項目，其根據指派規則指派至彼此。

e ）選擇根據經最佳化指派規則未被指派至第二變數中之一者的第一變數。所選擇之第一變數較佳地儲存於清單中，每當再次執行步驟 a ）至 e ）時就更新該清單。

在步驟 d ）之最後重複中判定之指派規則為最終指派規則，其在一任選步驟中輸出。可同樣輸出在步驟 e ）之最後重複中選擇之第一變數，例如以便判定哪些第一變數不具有對應第二變數。

變數可為純量或向量，諸如時間序列，尤其係由感測器獲取，或間接判定之感測器資料。較佳地，第一變數及第二變數為來自一次量測、或來自複數次不同量測之一個或複數個量測結果，該些量測中之各者已在複數個物件中之一者上執行。換言之，將各變數指派至該物件中之一者。在創建資料集之步驟中，僅複數個量測結果中之可預定數目個量測結果可用於第二變數。指派規則可指定哪些第一變數及第二變數為同一物件之量測結果。特別較佳地，在一個時間點執行針對第一變數的物件之至少一次量測，且在第二時間點執行針對第二變數之量測，第二時間點係在第一時間點之後。可在物件已經受修改或更改之後定義第二時間點。不同量測結果之數目之差可為當量測物件時的物件之損失，例如藉由揀選掉。

提出在給定成本矩陣上使用成本最小化演算法來最佳化指派規則。舉例而言，使用應用於成本矩陣之匈牙利方法（Hungarian method）的最佳化係可能的。匈牙利方法（亦被稱為庫恩-芒克雷斯（Kuhn-Munkres）演算法）為用於解決加權映射問題之演算法。替代地，可使用成本最小化演算法之貪婪實施方案。

亦提出機器學習系統為回歸模型，其依據第一變數及回歸模型之參數而判定第二變數，其中在訓練期間調整回歸模型之參數。

回歸用以模型化應變數（常常亦為反應變數）與一個或多個自變數（常常亦被稱為解釋變數）之間的關係。回歸能夠參數化更複雜的函數，使得根據一特定數學準則而最佳地表示此資料。舉例而言，常見的最小平方法計算唯一直線（或超平面），其最小化真資料與此線（或超平面）之間的偏差的平方的總和，亦即殘差平方的總和。

亦提出第一變數及第二變數在產品根據不同生產過程步驟之生產期間特性化產品。舉例而言，第二時間點在此處可為已完成製造過程步驟時之時間。產品可為在製造設施中生產之任何產品。較佳地，在製造產品時，例如若不再有可能將產品自塊狀材料（例如螺釘）直接指派至生產批次，則至先前過程步驟之可追溯性會損失（所謂的「塊狀材料」）。可設想第一變數特性化元件（尤其係零件），且第二變數特性化最終產品，其中指派規則描述哪一元件已被處理以生產哪一產品，或哪一元件已安裝於哪一產品中。此情形之實例為產品中之元件是否可不再被非破壞性地移除以便讀出序號。就本發明而言，則有可能藉助於對產品進行量測來指派元件之生產批次。兩個集合中之不同變數之數目之差可為生產中之良率損失。

第一變數及第二變數可為產品、元件等之量測/測試結果或其他屬性。第一變數及第二變數通常例如歸因於製造容許度而彼此稍微不同，但描述產品、元件等之相同量測/屬性。

亦提出第一變數為晶圓上之半導體元件部件的第一測試結果或量測結果，且第二變數為在半導體元件部件已自晶圓中被切掉之後的第二測試結果或量測結果。半導體元件部件可為已生長於晶圓上之電元件之部分，例如積體電路之電晶體群組。測試結果亦可與整個半導體元件相關。線性回歸已被證明為在為機器學習系統尋找最佳指派規則方面特別有效。此係基於線性關係，其在此狀況下為針對測試結果之指派的合理假設。線性回歸為回歸之特殊狀況。在線性回歸中，假設一線性函數。其僅使用應變數為回歸係數（但未必為自變數）之線性組合的關係。

亦提出第一測試結果為晶圓級測試結果，且第二測試結果為最終測試結果。較佳地，相比於晶圓級測試結果，存在較少的最終測試結果。測試為例如電壓測試及/或接觸測試。

亦提出在複數個不同晶圓上生產半導體元件部件。此係因為已展示該方法甚至能夠在合理計算時間內橫越數個晶圓尋找正確指派規則。

亦提出指派規則用以判定哪一第二測試結果屬於哪一第一測試結果，且接著取決於相關聯之第一測試結果而判定半導體元件配置於晶圓內之哪一位置處。此允許位置重建，此首次使得有可能自半導體生產之最後生產過程步驟，唯一地追溯半導體元件至先前處理步驟。亦可針對根據經最佳化指派規則未指派至第二變數中之一者的所選擇之第一變數，執行相同程序，以便追溯哪些半導體元件被揀選掉或移除。因此，可修改製造過程步驟，使得不再必須挑選掉在晶圓上之對應位置處的隨後生產之半導體元件。

在其他方面，本發明係關於一種裝置及一種電腦程式，其中之各者經組態以執行上述方法；且本發明係關於一種機器可讀取儲存媒體，其上儲存有此電腦程式。

在半導體元件或半導體器件之封裝過程中，會損失元件至其原始晶圓及其在晶圓上之原始位置的可追溯性。在已切掉半導體元件部件之後，個別半導體元件有時可混合在一起，此意謂在未對元件進行唯一標記的情況下，會損失元件在晶圓上之位置。此示意性地展示於圖1中。晶圓10各自具有複數個半導體元件或半導體器件11。在此階段時，各半導體器件11在晶圓10上具有已知位置。典型地，半導體器件11在此階段時經受複數次測試，其亦被稱為晶圓級測試。接著將晶圓10切割成數個部分，使得半導體器件11彼此分離。切割可使用鋸12或藉由雷射來執行。最後，切割至應有大小之半導體器件被封裝，例如安裝於微控制器13中。此則為最新階段，其中已損失關於最初定位有半導體器件之晶圓10及位於晶圓10內之哪一位置的資訊。典型地，具有半導體器件11之微控制器13再次經受複數次測試，亦被稱為最終測試。然而，由於歸因於將晶圓10切割成數個部分而發生混合，故不易於明確地判定一微控制器13之一給定半導體器件11被配置於哪一晶圓10上，及哪一晶圓級測試對應於哪一最終測試，亦即其為同一半導體器件之測試結果。半導體器件可為微電子模組，諸如積體電路（在下文中亦被稱為晶片）、感測器等。

本發明之一個目標係在半導體生產過程中恢復在封裝過程之後的可追溯性。此類指派實現其他益處，諸如較佳過程控制或最終晶片屬性之早期預測。另外，在最終測試中以晶片級量測之偏差的根本原因分析，可延伸至晶圓生產過程。此又使得能夠更加深入地理解該些過程且產生較佳過程控制，並因此產生經改良品質。

提出由以下各者之交替序列組成的指派演算法：最佳化回歸參數（當自晶圓級測試回歸至最終測試資料時），接著最佳化測試夥伴之指派。最終測試晶片之當前指派作為「回歸標籤」用於各反覆中。

本發明亦使用成本最小化演算法，其可在指定成本矩陣下判定最佳一對一指派。為了建構合適成本矩陣，藉由計算經訓練回歸因子之最終測試預測與回歸標籤之間的合適距離量度（例如 L ₂ 範數）來應用回歸誤差。基於此成本矩陣，演算法重新配置在最終測試中的晶片以便最小化回歸損失。可取決於資料之特性（例如針對線性相依性之線性回歸）而自由地選擇回歸因子或回歸模型。

圖2展示指派規則之方法的示意性流程圖20，其用於判定將最終測試之測試結果映射至對應晶圓級測試結果。

在該方法完成時，應獲得一指派規則，其將晶圓級測試之相關聯測試結果指派至最終測試。因此，此規則描述源自同一半導體元件之相關聯測試結果。

方法在步驟S21a處開始。此步驟初始化指派規則。在此步驟中亦提供晶圓級測試（Wafer-Level Test；WLT）及最終測試（Final Test；FT）之測試結果。歸因於良率損失，相比於WLT測試結果，可存在較少的FT測試結果。

在步驟S21a之後為步驟S21b。在此步驟中，判定良率損失，其為例如WLT之測試結果對FT之測試結果的比率的結果。基於良率損失隨機地選擇WLT測試結果之子集。舉例而言，子集對應於損失的半導體元件之量。

此後為步驟S22。在此步驟中，創建含有根據指派規則指派之WLT測試結果及其各別FT測試結果的一訓練資料集，其中自WLT測試結果中移除來自步驟S21b之所選擇子集。

應注意，對於此具體實例，選擇測試結果之移除，使得訓練資料集具有相等數目個WLT及FT測試結果。然而，亦可設想添加而非移除FT測試結果。可例如使用試探來執行添加。

在步驟S22已完成之後，接著進行步驟S23。在此步驟中，取決於晶圓級測試（WLT），訓練回歸因子 f，使得回歸因子根據訓練資料集來判定分別指派之最終測試： f( WLT) = FT。回歸因子 f可為線性回歸模型。以已知方式來訓練回歸因子，例如藉由調整回歸因子 f之參數來最小化訓練資料集上之回歸誤差。

一旦已訓練回歸因子，就接著進行步驟S24。在此步驟中創建一成本矩陣。將列及行各自指派至晶圓級測試及最終測試。成本矩陣中之項目係藉助於回歸預測之間的 L ₂ 範數而自訓練資料判定，此取決於各別系列之對應WFT測試結果及各別行之對應FT測試結果，且儲存於成本矩陣中。由於測試結果之數目為不同大小，故成本矩陣具有矩形形狀。

在步驟S24已完成之後，在步驟S25中接著進行指派規則之最佳化。藉由將匈牙利方法應用於成本矩陣來執行最佳化，以便獲得基於成本矩陣之經改良指派規則。

接下來進行步驟S26，其中選擇根據經最佳化指派規則未被指派至第二變數中之一者的第一變數。此等所選擇之第一變數接著形成未被指派至對應FT測試結果之第一變數之子集。

若不符合中止準則，則再次執行步驟S22至S25。應注意，當重複步驟S22時，現在自訓練資料集內移除已在緊接在前的步驟S26中之重複中選擇之子集。中止準則可為指定數目次最大重複。

若符合中止準則，則終止方法且可輸出指派規則。

在步驟S25之後的一任選步驟中，使用指派規則來重建半導體元件11在晶圓10上之位置。指派規則可用以自FT測試結果開始反向地判定WLT測試結果。由於WLT測試結果之儲存通常另外包括晶圓內已執行各別測試之位置，故因此有可能準確地重建在晶圓上生產對應半導體器件之處。因此，亦可重建半導體元件之位置，該些半導體元件的WFT測試結果根據指派規則未被指派至FT測試結果。換言之，識別在WLT測試之後被揀選掉之彼等半導體元件及其各別位置。

可設想，取決於步驟S25及/或步驟26之後的位置重建，可啟動控制信號以控制實體系統，諸如電腦控制機器，諸如製造機器，尤其係用於晶圓之處理機器。舉例而言，若FT測試結果不是最佳的，則控制信號可相應地調整先前生產步驟以稍後獲得較佳FT測試結果。

圖3展示用於執行根據圖2之方法之裝置30的示意圖。

裝置包含提供如步驟S22中所描述之訓練資料集的提供器51。接著將訓練資料饋送至回歸因子52，其使用此資料來判定輸出變數。將輸出變數及訓練資料饋送至評估器53，其使用輸出變數及訓練資料來判定回歸因子52之經更新參數，該些經更新參數被傳送至參數記憶體P，其中該些經更新參數替換當前參數。評估器53經組態以執行步驟S23。

由裝置30執行之步驟可被實施為機器可讀取儲存媒體54上之電腦程式且由處理器55執行。

術語「電腦」涵蓋用於處理可預定義計算規則之任何器件。此等計算規則可以軟體之形式提供，或以硬體之形式提供，或以軟體及硬體之混合形式提供。

10:晶圓 11:半導體器件 12:鋸 13:微控制器 20:流程圖 30:裝置 51:提供器 52:回歸因子 53:評估器 54:機器可讀取儲存媒體 55:處理器 S21a:步驟 S21b:步驟 S22:步驟 S23:步驟 S24:步驟 S25:步驟 S26:步驟 P:參數記憶體

在下文中，參考隨附圖式更詳細地描述例示性具體實例。在圖式中： [圖1]展示封裝過程之示意圖； [圖2]展示本發明之流程圖之例示性具體實例； [圖3]展示訓練裝置之示意圖。

20:流程圖

S21a:步驟

S21b:步驟

S22:步驟

S23:步驟

S24:步驟

S25:步驟

S26:步驟

Claims (13)

1. 一種用於判定一指派規則之方法，該指派規則將來自第二變數之一第二集合的第二變數指派至來自第一變數之一第一集合的複數個第一變數，該方法包含以下步驟： 初始化（S21a）該指派規則並提供（S21a）該第一集合及該第二集合，其中該第一集合相比於該第二集合含有較多變數； 隨機地選擇（S21b）第一變數之一數目，其中所選擇之第一變數之該數目至少等於該第一集合具有之變數比該第二集合具有之變數多出的數目； 重複步驟a）至d）之執行： a）訓練（S23）一機器學習系統，使得該機器學習系統依據沒有該些所選擇之第一變數的該第一集合之該些第一變數，判定根據該指派規則指派之該些第二變數； b）計算（S24）一成本矩陣，其中成本矩陣項目依據該第一集合之該些第一變數及該第二集合之該些第二變數，特性化該機器學習系統之之預測之間的距離； c）基於該成本矩陣而最佳化（S25）該指派規則，使得根據該指派規則的該些第一變數至該些第二變數之該指派，基於該成本矩陣中之該些項目而產生最小總成本；及 d）選擇（S26）根據該經最佳化指派規則未指派至該些第二變數中之一者的該些第一變數。
2. 如請求項1之方法，其中該指派規則之該最佳化（S25）係藉助於一匈牙利演算法或一貪婪實施方案而執行。
3. 如請求項2之方法，其中該成本矩陣之行及列之一數目等於該些第一變數及該些第二變數之該數目，其中當判定（S24）該成本矩陣時，分別判定用於全部第一變數之該機器學習系統之該些預測、至用於全部第二變數之該機器學習系統之該些預測之間的該些距離。
4. 如請求項1至3中任一項之方法，其中該機器學習系統為一回歸模型（53），其依據該些第一變數及該回歸模型（53）之參數而判定該些第二變數。
5. 如請求項1至3中任一項之方法，其中該些第一變數及該些第二變數在產品根據不同生產過程步驟之生產期間特性化該些產品，其中該指派規則特性化該第一集合及該第二集合之哪些該些變數特性化一相同產品，其中該隨機選擇（S21b）中之隨機選擇之第一變數、或該選擇（S26）中之所選擇之第一變數的數目對應於生產中之一良率損失。
6. 如請求項1至3中任一項之方法，其中該些第一變數為一晶圓上之半導體元件部件的第一測試結果，且該些第二變數為在該些半導體元件部件已自該晶圓中被切掉之後的該些半導體元件部件之第二測試結果，其中該指派規則特性化哪些第一測試結果及第二測試結果源自同一半導體元件部件。
7. 如請求項6之方法，其中該些第一測試結果為晶圓級測試結果且該些第二測試結果為最終測試結果。
8. 如請求項1至3中任一項之方法，其中該些半導體元件部件係在複數個不同晶圓上生產。
9. 如請求項6之方法，其中該指派規則用以判定哪一第二測試結果屬於哪一第一測試結果，且接著取決於該相關聯之第一測試結果，判定該半導體器件配置於一晶圓內之哪一位置處、及不存在第二測試結果之該些半導體器件配置於哪一位置處。
10. 如請求項6之方法，其中該些半導體元件部件為功率MOSFET。
11. 一種裝置（30），其經組態以執行如請求項1至10中任一項之方法。
12. 一種電腦程式產品，其包含在由一電腦執行該程式期間使該電腦執行如請求項1至10中任一項之方法的命令。
13. 一種機器可讀取儲存媒體，其上儲存有如請求項12之電腦程式產品。