TWI431706B - 辨識晶圓圖樣式的方法與電腦程式產品 - Google Patents

Description

辨識晶圓圖樣式的方法與電腦程式產品

本發明係有關於一種辨識晶圓圖(Wafer Bin Map)樣式(Pattern)的方法與電腦程式產品，特別是有關於一種利用資料探勘方式之辨識晶圓圖樣式的方法與電腦程式產品。

在積體電路(Integrated Circuits; IC)的製作過程中，於其製程的不同階段皆會進行產品的測試步驟，並同時利用精密的分析儀器在整個製程中作有關於品質管制的各項檢驗，藉以確保製程良率及晶圓品質能夠達到最佳水準，並檢測積體電路在製造過程中所發生的瑕疵。然後，找出造成產品產生瑕疵的原因，以進一步地確保產品品質符合標準，達到提升製程良率的目的。因此，在積體電路的製造過程中，測試實為提升積體電路元件之良率，並建立有效之資料以供工程分析使用的重要步驟。

以測試之進行時機來區分，積體電路產品之測試主要可分成晶片針測(Chip Probe)與成品測試兩階段。其中，晶片針測步驟係在晶圓形式時執行，藉以在封裝前先區分晶片的良莠，以避免不必要的浪費。晶片針測步驟係針對晶片作電性功能上的測試，使積體電路在進入構裝前可先行過濾出電性功能不良的晶片，以避免對不 良品增加製造成本。晶圓上之晶片經晶片針測後，會被賦予一分類值(Bin Value)，藉由分類值來表示晶片狀態，而形成晶圓圖(Wafer Bin Map)。

請參照第1圖，其繪示晶圓圖的示意圖，其中晶圓圖10被分為複數個晶片區20(如第1圖中的小格)。每一晶片區20皆標示有被針測的結果，並用不同的剖面線標示其分類值，此些分類值係分別以一或多個分類代表值來表示。例如：分類代表值有BIN1、BIN2和BIN3，其中BIN3代表可用的良好晶片；BIN1及BIN2則分別代表不同異常狀態的缺陷晶片。一般由特定分類值(可由一或多個BIN值的組合)的分佈情況，可判斷出晶圓的缺陷是否存在特定的樣式。經由多片存在相同特定樣式的晶圓，再加上製程的紀錄，便可推導出造成此結果之製程原因。如第1圖所示，分類代表值BIN2的分佈狀況含有一特定樣式。

目前，晶圓廠對於晶圓圖的分析，仍需仰賴工程師以人工目視的方式來判斷晶圓圖的缺陷樣式。然而，此種人工目視的方式會因人為主觀因素及對圖形辨識能力的差距，造成判斷結果的不一致與故障原因分類的人為偏差，因而無法快速地排除製程的問題。

因此，需要發展出一種辨識晶圓圖樣式的方法與電腦程式產品，藉以有效地判斷出晶圓圖所示之缺陷分佈 樣式。

本發明之一方面為提供一種辨識晶圓圖樣式的方法與電腦程式產品，藉以有效地判斷出晶圓圖所示之缺陷分佈樣式，來避免人工誤判的情形，並節省人力與時間。

根據本發明之實施例，提供一種辨識晶圓圖樣式的方法。在此方法中，首先，提供複數個歷史晶圓圖，並定義複數個參考樣式於例如一樣式庫(Pattern Library)中，其中每一個歷史晶圓圖係被分為複數個第一晶片區，此些第一晶片區經一測試步驟(例如：針測步驟)後分別標示有複數個第一分類值，每一個第一分類值係選自複數個分類代表值中之至少一者，此些分類代表值係代表不同的測試結果；而每一個參考樣式係對應至至少一個歷史晶圓圖，每一個參考樣式具有一分類測試值(Bin Test Value; BTV)，此分類測試值係由參考樣式所對應至歷史晶圓圖上不同的第一分類值組合而成。然後，進行分群步驟和第一特徵萃取步驟，其中分群步驟將具有分別與至少一個第一預設分類測試值相同之分類測試值的參考樣式歸類為同一群，而獲得至少一個樣式群組，其中每一個樣式群組具有參考樣式中之至少一個第一參考樣式，每一個第一參考樣式係對應至歷史晶圓圖之至少一個第一晶圓圖；第一特徵萃取步驟係計算每一個第一晶圓圖之第一晶片區中與第一預設分類測試值相同之第一分類值的數目，而獲得每一個第一晶圓圖的一第一特徵向量。接著，根據每一個樣式群組所對應之 第一參考樣式、以及每一個樣式群組所對應之第一特徵向量，進行一第一資料探勘步驟，以獲得每一個樣式群組之一第一分類器，其中第一資料探勘步驟係根據一第一演算法，第一演算法選自由一類神經網路(Neural Network)演算法、一決策樹(Decision Tree)演算法或一支向機(Support vector machines)演算法所組成之一族群。

在完成每一個樣式群組之第一分類器後，提供待辨識之一第二晶圓圖，其中第二晶圓圖係由複數個第二晶片區所組成，第二晶片區經該測試步驟後分別標示有複數個第二分類值，每一個第二分類值係選自前述之分類代表值中之至少一者。接著，由第二晶圓圖之第二分類值，組合出一第二預設分類測試值，以搜尋第二晶圓圖之第二預設分類測試值的分佈樣式。然後，進行第二特徵萃取步驟，以計算第二晶片區中與第二預設分類測試值相同之第二分類值的數目，而獲得第二晶圓圖的一第二特徵向量。接著，自每一個樣式群組之第一分類器中，選取出其分類測試值與第二預設分類測試值相同之第二分類器，其中第二分類器具有參考樣式中之至少一個第二參考樣式。然後，輸入第二特徵向量至第二分類器，以判斷出第二晶圓圖係屬於第二參考樣式中之一者。

在又一實施例中，在第一特徵萃取步驟中，先將每一個第一晶圓圖的第一晶片區分為複數個第一區塊；再數算出每一個第一區塊之第一晶片區中分別與第一預設 分類測試值相同之第一分類值的數目後除以此第一區塊之第一晶片區的數目，而獲得針對每一個第一預設分類測試值之每一個第一晶圓圖的第一特徵向量。在第二特徵萃取步驟，先將第二晶圓圖的第二晶片區分為複數個第二區塊，其中第二區塊的數目等於第一區塊的數目；再數算出每一個第二區塊之第二晶片區中與第二預設分類測試值相同之第二分類值的數目後除以此第二區塊之第二晶片區的數目，而獲得第二晶圓圖的第二特徵向量。

在又一實施例中，第二參考樣式的數目是至少三個，而辨識晶圓圖樣式的方法更至少包括：根據第二參考樣式中之一者與其對應之第一特徵向量、以及第二參考樣式之其餘者的聯集與其對應之第一特徵向量，進行第二資料探勘步驟，以獲得第二分類器之複數個子分類器，其中第二資料探勘步驟係根據第二演算法，第二演算法選自由類神經網路演算法、決策樹演算法和支向機演算法所組成之一族群。

在又一實施例中，第二演算法係與第一演算法相同。

根據本發明之實施例，提供一種內儲用於辨識晶圓圖樣式程式之電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成上述之辨識晶圓圖樣式的方法。

因此，應用本發明之實施例，可有效地判斷出晶圓圖所示之缺陷分佈樣式，因而避免人工誤判的情形，並大幅地節省人力與時間。

本發明主要是利用資料探勘的分類分群方式，並以經前人判斷確認無誤的歷史晶圓圖資料做為樣式庫的訓練基礎，來產生自動分類分群的分類器。透過此些分類器，可自動並有效率的判斷待辨識晶圓圖中是否存在特定的樣式。

請參照第2圖，其係繪示根據本發明之實施例之辨識晶圓圖樣之方法的流程示意圖。在本實施例中，首先，提供複數個歷史晶圓圖(步驟100)，並定義複數個參考樣式(步驟110)於例如一樣式庫40中。類似如第1圖所示之晶圓圖10，每一張歷史晶圓圖係被分為複數個晶片區，此些晶片區經測試步驟(例如：針測步驟)後分別標示有複數個分類值，每一張歷史晶圓圖之晶片區所標示的分類值係由分類代表值(例如BIN1、BIN2和BIN3等)其中至少一者組合而成。在步驟110中，使用者定義各種分類代表值分佈樣式為參考樣式。如表一所示，本實施例之一參考樣式的定義包含有：此參考樣式係由哪些特定的分類值所組成(一或多個特定的分類代表值；即所謂的「分類測試值」)、此參考樣式的名稱、以及具有此參考樣式的歷史晶圓圖(即對應此參考樣式的歷史晶圓圖)等，以建立樣式庫40，來供後續建立分類器使用。

然後，進行分群步驟120和特徵萃取步驟130，其中可先進行分群步驟120、再進行特徵萃取步驟130；先進行特徵萃取步驟130、再進行分群步驟120；或同時進行分群步驟120和特徵萃取步驟130。如表二所示，其中稱分群後之參考樣式為「第一參考樣式」；分群後之歷史晶圓圖為「第一晶圓圖」。分群步驟120係將具有分別與預設分類測試值BIN1、BIN2和BIN2+BIN3相同之分類測試值的參考樣式歸類為同一群，而獲得至少一個樣式群組G₁ 、G₂ 和G₃ ，其中樣式群組G₁ 具有第一參考樣式P₁ 和P₄ ，樣式群組G₂ 具有第一參考樣式P₂ 、P₅ 和P₇ ，樣式群組G₃ 具有第一參考樣式P₃ 和P₆ ；第一參考樣式P₁ 和P₄ 係分別對應至第一晶圓圖W₁ 、W₂ 、W₃ 和W₄ 、W₅ 、W₆ ；第一參考樣式P₂ 、P₅ 和P₇ 係分別對應至第一晶圓圖W₂ 、W₅ 和W₇ ；第一參考樣式P₃ 和P₆ 係分別對應至第一晶圓圖W₃ 和W₆ 。當然，每一個樣式群組G₁ 、G₂ 和G₃ 中之第一參考樣式均具有相同的分類測試值(BTV)，即預設分類測試值之一者。

表二

請參照第3圖，其係繪示用以說明本發明之實施例之特徵萃取步驟130的示意圖。在特徵萃取步驟130中，首先將每一張第一晶圓圖的晶片區分為複數個區塊50。接著，數算出每一個區塊50中之晶片區分別與預設分類測試值BIN1、BIN2和BIN2+BIN3相同之分類值的數目後除以此區塊之晶片區的數目，而獲得針對每一個預設分類測試值之每一張第一晶圓圖的一特徵向量。舉例而言，先將一張第一晶圓圖分成N×M個區塊，其中區塊A係由K×K個晶片區所構成，此時設定預設分類測試值為BIN1，以決定要取晶圓圖上BIN1組合的特徵向量。接著，計算區塊A之各晶片區所標示之分類值與BIN1相同的數目N(即BIN1出現的次數)，再除以區塊A之晶片區的數目K×K，因而獲得區塊A之特徵值為N/(K×K)。在計算出晶圓圖之所有區塊50的特徵值後，便可獲得針對預設分類測試值BIN1之一晶圓圖的特徵向量(長度為N×M)，如表三所示：

其中例如：3:1代表在區塊3中，其BIN1的組合所佔的比例為1。對每一個樣式群組G₁ 、G₂ 和G₃ 而言，其分別具有分類測試值BIN1、BIN2和BIN2+BIN3，故 可以分類測試值BIN1、BIN2和BIN2+BIN3為預設分類測試值，分別對樣式群組G₁ 、_G2 和G₃ 內之第一晶圓圖萃取特徵向量。對一樣式群組的特徵向量格式係如表四所示：

其中左邊第一行代表第一參考樣式的編號，每一列代表一張第一晶圓圖的特徵向量。

在本實施例中，前述之預設分類測試值可由分類代表值(例如BIN1、BIN2和BIN3等)的組合中選定，亦可由出現在參考樣式之分類測試值的組合中選定。

請繼續參照第2圖。接著，進行資料探勘步驟140，以根據每一個樣式群組所對應之第一參考樣式、以及每一個樣式群組所對應之第一晶圓圖的特徵向量，來獲得每一個樣式群組之一第一分類器，其中資料探勘步驟140 係根據一演算法，此演算法可為例如：類神經網路演算法、決策樹演算法或支向機演算法等，但本發明並不在此限。以下以支向機演算法來說明本實施例：

請參照第4圖，其係繪示本發明之實施例之使用支向機演算之法資料探勘步驟140的示意圖。如第4圖所示，對於一樣式群組中之多個參考樣式P₁ 、P₄ 所對應之晶圓圖的特徵向量，可將其看成散佈於空間中的資料點。支向機演算法即希望可以在這空間中找出一個超平面(Hyper-plan)，且此超平面要可以將資料點分成兩群，將分類超平面(Classification Hyper-plan；如實線所示)定義為WX-B=0。根據幾何知識，可知道W向量垂直於分類超平面，加入位移b的目的是要增加間隔。如果沒有b的話、則超平面將一定通過原點，會限制了這個方法的靈活性。由於本實施例要求最大間隔，因此需要知道支持向量以及與最佳超平面平行並離支持向量最近的超平面，這些平行超平面可由下面的方程式來表示：w．x-b =1, w．x-b =-1.　　　(1)

透過上述步驟，可找出區隔參考樣式P₁ 、P₄ 的超平面。然後，針對每一個樣式群組，重複上述步驟，即可找出每一個樣式群組的分類器(以下稱為「第一分類器」)，用以區隔此樣式群組中的(第一)參考樣式。

以上所述之支向機演算法的使用方式僅係用以舉例說明。至於類神經網路演算法、決策樹演算法或其他支向機演算法等的使用，係本發明所屬領域中具有通常知識者所熟知，故不在此贅述。

請繼續參照第2圖。在完成每一個樣式群組之第一分類器後，便可將這些第一分類器整合至一模型中，以準備提供辨識晶圓圖樣式的服務，其中每一個第一分類器具有分類測試值(BTV)。在提供辨識晶圓圖樣式的服務時，首先提供待辨識之晶圓圖(以下稱為「第二晶圓圖」)(步驟150)，其中第二晶圓圖亦係由複數個晶片區所組成，此些晶片區經測試步驟後分別標示有複數個分類值，每一個分類值係選自前述之分類代表值中之至少一者。接著，由出現在第二晶圓圖的分類值種類，組合出一預設分類測試值(例如：BIN1)(步驟160)，以搜尋第二晶圓圖之預設分類測試值的分佈樣式。然後，進行特徵萃取步驟170，以計算第二晶圓圖的晶片區中與此預設分類測試值相同之分類值的數目，即第二晶圓圖的晶片區中出現此預設分類測試值的次數，而獲得第二晶圓圖的一特徵向量。與特徵萃取步驟130相類似，在特徵萃取步驟170中，先將第二晶圓圖的晶片區分為複數個區塊，其中此些區塊的數目等於第一晶圓圖的區塊數目。接著，數算出第二晶圓圖之每一個區塊之晶片區中與此預設分類測試值相同之分類值的數目後除以此區塊之晶片區的數目，而獲得第二晶圓圖的特徵向量。

接著，進行步驟180，以自前述之每一個樣式群組之第一分類器中，選取出其分類測試值(BTV)與步驟160之預設分類測試值相同的分類器(以下稱為「第二分類器」)，其中第二分類器具有至少一個參考樣式(以下稱為「第二參考樣式」)。然後，輸入第二晶圓圖的特徵向量至第二分類器(步驟190)，以判斷出針對步驟160之預設分類測試值，第二晶圓圖係屬於第二參考樣式中之哪一者。在完成一種預設分類測試值後，可再回到步驟160，以組合出另一種預設分類測試值，再進行步驟170至步驟190，以判斷出針對此另一種預設分類測試值，第二晶圓圖係屬於參考樣式中之哪一者。

在又一實施例中，當第二分類器之第二參考樣式的數目是至少三個時，為了可以分辨出未被辨認過的樣式(即不屬於參考樣式之任一種)，本實施例提供一個複合型分類機制，以根據第二參考樣式中之一者與其對應之第一特徵向量、以及第二參考樣式之其餘者的聯集與其對應之第一特徵向量，進行另一資料探勘步驟，以獲得第二分類器之複數個子分類器，其中此資料探勘步驟所使用的演算法可為例如：類神經網路演算法、決策樹演算法或支向機演算法，其中此演算法可與步驟140之演算法相同。以下以一例子來說明本機制：

假設分類器A有3種不同的的參考樣式，分別為P₁₁ 、P₁₂ 、P₁₃ 。經由分類器A可得知某片晶圓之晶圓圖具有哪一種參考樣式的特質。此時，再額外建立三個子 分類器子分類器1、子分類器2和子分類器3，其中子分類器1歸類為由兩種參考樣式P₁₁ 以及P_n (即P₁₂ 和P₁₃ 的聯集)所建立；子分類器2歸類為由兩種參考樣式P₁₂ 以及P_m (P₁₁ 和P₁₃ 的聯集)所建立；子分類器3歸類為由兩種參考樣式P₁₃ 以及P_k (P₁₁ 和_P12 的聯集)所建立。經由子分類器1，可以得知此片晶圓之晶圓圖是否有P₁₁ ；經由子分類器2，可以得知此片晶圓之晶圓圖是否有P₁₂ ；經由子分類器3得知此片晶圓之晶圓圖是否有P₁₃ 。經由分類器A所得知之晶圓圖所具有的參考樣式，應與經由子分類器1、2和3所得知之參考樣式相同，否則可推論為此片晶圓之晶圓圖具有未被辨認過的樣式，應交給工程師進行人工辨識。此外，當第二晶圓圖被辨識成功後，第二晶圓圖與其樣式的資料可被加入至樣式庫中，而成為新的訓練基礎。

本實施例之辨識晶圓圖樣式的方法可使用例如電腦程式產品的型式來實施，當電腦載入此電腦程式產品並執行後，即可完成上述之辨識晶圓圖樣式的方法。

由上述本實施例可知，本發明可有效地判斷出晶圓圖所示之缺陷分佈樣式，因而避免人工誤判的情形，並大幅地節省人力與時間。

雖然本發明已以較佳實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

10‧‧‧晶圓圖

20‧‧‧晶片區

40‧‧‧樣式庫

50‧‧‧區塊

100‧‧‧提供歷史晶圓圖

110‧‧‧定義參考樣式

120‧‧‧分群步驟

130‧‧‧特徵萃取步驟

140‧‧‧資料探勘步驟

150‧‧‧提供待辨識之晶圓圖

160‧‧‧組合出預設分類測試值

170‧‧‧特徵萃取步驟

180‧‧‧選取分類器

190‧‧‧輸入特徵向量至分類器

A‧‧‧區塊

BIN1、BIN2、BIN3‧‧‧分類代表值

N、M‧‧‧個數

P₁ 、P₄ ‧‧‧參考樣式

為了更完整了解本發明及其優點，請參照上述敘述並配合下列之圖式，其中：第1圖係繪示晶圓圖的示意圖。

第2圖係繪示係繪示根據本發明之實施例之辨識晶圓圖樣之方法的流程示意圖。

第3圖係繪示係繪示用以說明本發明之實施例之特徵萃取步驟的示意圖。

第4圖係繪示本發明之實施例之使用支向機演算之法資料探勘步驟的示意圖。

100‧‧‧提供歷史晶圓圖

110‧‧‧定義參考樣式

120‧‧‧分群步驟

130‧‧‧特徵萃取步驟

140‧‧‧資料探勘步驟

150‧‧‧提供待辨識之晶圓圖

160‧‧‧組合出預設分類測試值

170‧‧‧特徵萃取步驟

180‧‧‧選取分類器

190‧‧‧輸入特徵向量至分類器

Claims (15)

1. 一種辨識晶圓圖樣式的方法，至少包括：提供複數個歷史晶圓圖(Wafer Bin Maps)並定義複數個參考樣式，其中每一該些歷史晶圓圖係被分為複數個第一晶片區，該些第一晶片區經一測試步驟後分別標示有複數個第一分類值(Bin Values)，每一該些第一分類值係選自複數個分類代表值中之至少一者，該些分類代表值係代表不同的測試結果，而每一該些參考樣式係對應至該些歷史晶圓圖中之至少一者，每一該些參考樣式具有一分類測試值(Bin Test Value；BTV)，該分類測試值係由該些歷史晶圓圖中之該至少一者上不同的第一分類值組合而成；進行一分群步驟和一第一特徵萃取步驟，其中該分群步驟係將具有分別與至少一第一預設分類測試值相同之分類測試值的參考樣式歸類為同一群，而獲得至少一樣式群組，其中每一該至少一樣式群組具有該些參考樣式之至少一第一參考樣式，每一該至少一第一參考樣式係對應至該些歷史晶圓圖之至少一第一晶圓圖；該第一特徵萃取步驟係計算每一該至少一第一晶圓圖之第一晶片區中與該至少一第一預設分類測試值相同之第一分類值的數目，而獲得每一該至少一第一晶圓圖的一第一特徵向量；根據每一該些樣式群組所對應之該至少一第一參考 樣式、以及每一該些樣式群組所對應之第一晶圓圖的第一特徵向量，進行一第一資料探勘步驟，以獲得每一該些樣式群組之一第一分類器，其中該第一資料探勘步驟係根據一第一演算法，該第一演算法選自由一類神經網路(Neural Network)演算法、一決策樹(Decision Tree)演算法或一支向機(Support vector machines)演算法所組成之一族群；提供一第二晶圓圖，其中該第二晶圓圖係由複數個第二晶片區所組成，該些第二晶片區經該測試步驟後分別標示有複數個第二分類值，每一該些第二分類值係選自該些分類代表值中之至少一者；由該第二晶圓圖之該些第二分類值，組合出一第二預設分類測試值；進行一第二特徵萃取步驟，以計算該些第二晶片區中與該第二預設分類測試值相同之第二分類值的數目，而獲得該第二晶圓圖的一第二特徵向量；自每一該些樣式群組之該第一分類器中，選取出其分類測試值與該第二預設分類測試值相同之一第二分類器，其中該第二分類器具有該些參考樣式之至少三第二參考樣式；以及輸入該第二特徵向量至該第二分類器，以判斷出該第二晶圓圖係屬於該些第二參考樣式中之一者。
2. 如申請專利範圍第1項所述之辨識晶圓圖樣式的方 法，其中該第一特徵萃取步驟至少包括：將每一該至少一第一晶圓圖的該些第一晶片區分為複數個第一區塊；以及數算出每一該些第一區塊之第一晶片區中分別與該至少一第一預設分類測試值相同之第一分類值的數目後除以該每一該些第一區塊之第一晶片區的數目，而獲得針對每一該至少一第一預設分類測試值之每一該至少一第一晶圓圖的該第一特徵向量；該第二特徵萃取步驟，至少包括：將該第二晶圓圖的該些第二晶片區分為複數個第二區塊，其中該些第二區塊的數目等於該些第一區塊的數目；以及數算出每一該些第二區塊之第二晶片區中與該第二預設分類測試值相同之第二分類值的數目後除以該每一該些第二區塊之該些第二晶片區的數目，而獲得該第二晶圓圖的該第二特徵向量。
3. 如申請專利範圍第2項所述之辨識晶圓圖樣式的方法，更至少包括：根據該些第二參考樣式中之一者與其對應之第一特徵向量、以及該些第二參考樣式之其餘者的聯集與其對應之第一特徵向量，進行一第二資料探勘步驟，以獲得 該第二分類器之複數個子分類器，其中該第二資料探勘步驟係根據一第二演算法，該第二演算法選自由一類神經網路演算法、一決策樹演算法或一支向機演算法所組成之一族群。
4. 如申請專利範圍第3項所述之辨識晶圓圖樣式的方法，其中該第二演算法與該第一演算法相同。
5. 如申請專利範圍第1項所述之辨識晶圓圖樣式的方法，更至少包括：由該第二晶圓圖之該些第二分類值，組合出一第三預設分類測試值；進行一第三特徵萃取步驟，以計算該些第二區塊之第二晶片區中與該第三預設分類測試值相同之第二分類值的數目，而獲得該第二晶圓圖的一第三特徵向量；自每一該些樣式群組之該第一分類器中，選取出其分類測試值與該第三預設分類測試值相同之一第三分類器，其中該第三分類器具有該些參考樣式之至少一第三參考樣式；以及輸入該第三特徵向量至該第三分類器，以判斷出該第二晶圓圖係屬於該至少一第三參考樣式中之一者。
6. 如申請專利範圍第5項所述之辨識晶圓圖樣式的方法，該第三特徵萃取步驟至少包括： 將該第二晶圓圖的該些第二晶片區分為複數個第二區塊，其中該些第二區塊的數目等於該些第一區塊的數目；以及數算出每一該些第二區塊之第二晶片區中與該第三預設分類測試值相同之第二分類值的數目後除以該每一該些第二區塊之該些第二晶片區的數目，而獲得該第二晶圓圖的該第三特徵向量。
7. 如申請專利範圍第5項所述之辨識晶圓圖樣式的方法，其中該至少一第三參考樣式的數目是至少三個。
8. 如申請專利範圍第7項所述之辨識晶圓圖樣式的方法，更至少包括：根據該些第三參考樣式中之一者與其對應之第一特徵向量、以及該些第三參考樣式之其餘者的聯集與其對應之第一特徵向量，進行一第三資料探勘步驟，以獲得該第三分類器之複數個子分類器，其中該第三資料探勘步驟係根據一第三演算法，該第三演算法選自由一類神經網路演算法、一決策樹演算法和一支向機演算法所組成之一族群。
9. 如申請專利範圍第8項所述之辨識晶圓圖樣式的方法，其中該第三演算法與該第一演算法相同。
10. 如申請專利範圍第1項所述之辨識晶圓圖樣式的方法，更至少包括：由該些分類代表值組合出該至少一第一預設分類測試值。
11. 如申請專利範圍第1項所述之辨識晶圓圖樣式的方法，更至少包括：由每一該些參考樣式之該分類測試值組合出該至少一第一預設分類測試值。
12. 如申請專利範圍第1項所述之辨識晶圓圖樣式的方法，其中該些參考樣式係被定義於一樣式庫(Pattern Library)中。
13. 如申請專利範圍第1項所述之辨識晶圓圖樣式的方法，其中該測試步驟為一針測(Probe Testing)步驟。
14. 如申請專利範圍第1項所述之辨識晶圓圖樣式的方法，更至少包括：將該第二晶圓圖與其所屬之該些第二參考樣式之該者加入至該些參考樣式中。
15. 一種內儲用於辨識晶圓圖樣式程式之電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成如 申請專利範圍第1項所述之辨識晶圓圖樣式的方法。