TWI823816B - 良率評估方法及良率評估裝置 - Google Patents
良率評估方法及良率評估裝置 Download PDFInfo
- Publication number
- TWI823816B TWI823816B TW112117593A TW112117593A TWI823816B TW I823816 B TWI823816 B TW I823816B TW 112117593 A TW112117593 A TW 112117593A TW 112117593 A TW112117593 A TW 112117593A TW I823816 B TWI823816 B TW I823816B
- Authority
- TW
- Taiwan
- Prior art keywords
- information entropy
- yield
- relative information
- product
- parameters
- Prior art date
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 239000000047 product Substances 0.000 claims abstract description 132
- 238000012360 testing method Methods 0.000 claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000002950 deficient Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 14
- 239000004065 semiconductor Substances 0.000 claims abstract description 14
- 239000007795 chemical reaction product Substances 0.000 claims abstract description 11
- 238000004806 packaging method and process Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims 2
- 235000012431 wafers Nutrition 0.000 description 27
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 239000000523 sample Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 229940095676 wafer product Drugs 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000012190 activator Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一種良率評估方法及良率評估裝置。所述方法包括下列步驟:收集半導體產品製造過程中的晶圓製造資料、前段晶圓測試資料及後段產品良率資訊,從中選擇與良率相關的多個參數;計算使用各參數製造的多個樣品中的壞品相對於全域定機率壞品的相對資訊熵,用以建立一產品資訊熵計算器,其中全域定機率壞品代表良率不隨參數變化的壞品;以及收集當前產品的晶圓製造資料及前段晶圓測試資料並代入產品資訊熵計算器,以評估當前產品的良率。
Description
本揭露的實施例是有關於一種評估方法及裝置,且特別是有關於一種良率評估方法及良率評估裝置。
在半導體產業中,封裝測試成本佔晶片商整體生產成本很大的一部分。而出貨的產品中,又會因為其出貨產品規格不同,而有封裝測試成本上極大的差異。例如,相同密度的記憶體晶片產品,車規的封裝測試成本會比一般商規多出將近兩倍的成本。因此,若高規產品的良率不高,其封裝測試將會造成不小的營利損失。所以,在晶片完成前段製造與測試之後,產品工程負責人必須謹慎的將成品歸類至合適規格,才能適切地控管封裝測試成本。例如,將後段良率可能較低的晶片,送往較低規格的封裝測試,後段良率可能較高的產品則用高規格加以封裝測試,如此便可以達到較大的出貨量,並控制成本。
圖1為習知決定產品封裝規格的基本流程,包括晶圓產品製造12、前段晶圓測試14、後段良率評估16以及封裝測試18。
封裝測試18又可區分為高規格封裝測試182及低規格封裝測試184。後段良率評估16是根據晶圓產品製造12、前段晶圓測試14所得的製造資料和測試資料,決定產品是進行高規格封裝測試182或低規格封裝測試184。在這個階段,早期的方法是透過該領域的專家162介入,根據其專業知識對產品做出判斷。近年來,許多公司導入機器學習輔助系統164,如深度神經網路(Deep Neural Networks,DNN)、隨機森林(Random Forest)等,做輔助判斷,以增加效率,並改善人為判斷所可能造成的缺失。雖然機器學習可以處理大量且複雜的數據,然而,因為其複雜的數學模型,往往會有一些無可避免的缺點。
例如,類神經網路可根據線性代數中的非線性泛涵疊加擬合(Non-linear Functionals superposition)來合成複雜的良率函數,其因為需要利用多層且深度的網路模型來達成最佳擬合,所以結果常常是一個複雜到讓人無法解釋的數據組合,此將大幅降低其使用上的彈性。例如,使用者在未來收集資料的時候,若出現資訊漏缺或者測試改變,使用者並無法將模型解構,挑選合理的數據帶入模型之中。面對此狀況,使用者往往必須重新訓練模型。
本發明提供一種良率評估方法及裝置,通過建立資訊熵計算器,並用以評估產品良率及封裝策略,可使產品出貨量增加,
並減少生產成本。
本發明的實施例提供一種良率評估方法,適用於具有處理器的電子裝置。所述方法包括下列步驟:收集半導體產品製造過程中的晶圓製造資料、前段晶圓測試資料及後段產品良率資訊,從中選擇與良率相關的多個參數;計算使用各參數製造的多個樣品中的壞品相對於全域定機率壞品的相對資訊熵,用以建立一產品資訊熵計算器,其中全域定機率壞品代表良率不隨參數變化的壞品;以及收集當前產品的晶圓製造資料及前段晶圓測試資料並代入產品資訊熵計算器,以評估當前產品的良率。
本發明的實施例提供一種良率評估裝置,其包括連接裝置、儲存裝置及處理器。連接裝置用以連接與半導體產品製造及測試相關的多個機台。儲存裝置用以儲存電腦程式。處理器耦接連接裝置及儲存裝置,經配置以載入並執行電腦程式以使用連接裝置自機台收集半導體產品製造過程中的晶圓製造資料、前段晶圓測試資料及後段產品良率資訊,從中選擇與良率相關的多個參數,計算使用各參數製造的多個樣品中的壞品相對於全域定機率壞品的相對資訊熵,用以建立一產品資訊熵計算器,其中全域定機率壞品代表良率不隨參數變化的壞品,以及使用連接裝置自機台收集當前產品的晶圓製造資料及前段晶圓測試資料並代入產品資訊熵計算器,以評估當前產品的良率。
基於上述,本發明的良率評估方法及裝置,將原先複雜模型使用所建構的產品資訊熵計算器取代,原本擬合所需要的任
意變數部分,則使用固定的變量取代。藉此,可讓使用者在使用該方法時,能夠更清楚地掌握其模型與其所產生的結果,並利用此結果訂定封裝策略。
12:晶圓產品製造
14:前段晶圓測試
16:後段良率評估
162:專家
164:機器學習輔助系統
18:封裝測試
182:高規格封裝測試
184:低規格封裝測試
20:參數
22:類神經網路
24:資訊熵計算器
30:良率評估裝置
32:連接裝置
34:儲存裝置
36:處理器
52:第一組資料
522:晶圓製造資料
524:前段晶圓測試資料
54:第二組資料
542:後段產品良率資訊
56:資料清洗與前處理
58:資訊熵計算器建立
62、64:關係圖
82:分佈圖
84:變化關係圖
92:權重表
94:樣品權重表
p1~pn:區域
S402~S406、S702~S718:步驟
圖1為習知決定產品封裝規格的基本流程。
圖2是根據本發明實施例所繪示的良率評估方式的比較圖。
圖3是根據本發明實施例所繪示的良率評估裝置的方塊圖。
圖4是根據本發明實施例所繪示的良率評估方法的流程圖。
圖5是根據本發明實施例所繪示的建立資訊熵計算器的示意圖。
圖6A至圖6C是根據本發明實施例所繪示的計算資訊熵的範例。
圖7是根據本發明實施例所繪示的建立資訊熵計算器的方法流程圖。
圖8A和圖8B是根據本發明實施例所繪示的計算權重的範例。
圖9A和圖9B是根據本發明實施例所繪示的權重表。
本發明實施例針對傳統使用機器學習的良率評估方法的
主要缺點做出了改進。利用資訊熵的定義,輔以極限梯度提升(Extreme Gradient Boost,XGBOOST)模型,可以得出一個較具解釋性的結果,此結果可以讓使用者在應用上有較多彈性。如每個變數之間的獨立性,可以讓使用者在未來收集資料時,有更多的選擇與變化性,且在模型檢視或除錯方面,都可以得到一定程度的改善。
請參照圖2,目前業界的主流機器學習方式是使用類神經網路(Neural Network)22,其主要是透過線性代數(Linear Algebra)的方法,將各個參數20(包括參數F1~Fn)輸入活化器(Activator)做非線性轉換(non-linear transformation),再透過優化器(Optimizer)的條件優化,最後將原本各個參數所構成的泛涵(Functionals)疊合成複雜的良率函數Y。其過程中,需要設定係數bi、bj,並使用大量的任意變數權重(random variables for weights)Wi、Wj,透過不斷優化的過程,來完成最佳擬合的結果。
雖說類神經網路22可以利用產生大量任意變數(random variables)與優化的過程,達到擬合複雜良率函數之目的。但是,其也因為引入過多且複雜的變數,而讓使用者無法真正解釋與了解最後得出的結果。
針對此問題,本發明實施例把原先使用類神經網路22等複雜結構的模型方法,改由資料科學中的資訊熵所建構出來的資訊熵計算器24,來取代原先透過不斷優化以達成良率函數擬合的複雜模型。而原本擬合所需要的任意變數部分,則由固定的變量
來取代。此方式可以讓使用者在使用該方法的時候,能夠更清楚地掌握其模型與其所產生的結果,並利用此結果訂定期封裝策略。
本實施例的資訊熵計算器24在計算參數與樣品良率表現時,每個參數(例如Fn)均是分開獨立計算其相對於良率表現時的資訊熵值E。因此在使用上多了許多的彈性,若新產品的參數與模型建構時所用的參數有所不同時,可以利用一個簡易的篩選器加以處理輸入的參數即可,不需要再重新建構模型。
此外,透過資訊熵計算器24之方式,將可以大幅減少訓練時,所需收集的資料量。在小樣本的狀況之下,依然可以透過參數之間的資訊熵的變化關係,來建構一個篩選模型。
請參考圖3,本實施例的良率評估裝置30例如是具有運算能力的檔案伺服器、資料庫伺服器、應用程式伺服器、工作站或個人電腦等電子裝置。在一些實施例中,良率評估裝置30通過連接裝置32與半導體產品製造及測試相關的機台連接,在其他實施例中,良率評估裝置30可整合於上述機台中,用以進行良率評估,在此不設限。良率評估裝置30包括連接裝置32、儲存裝置34及處理器36,各元件的功能分述如下:連接裝置32例如是用以與半導體產品的製造機台、測試機台等外部裝置連接並傳輸資料的任意的有線或無線的介面裝置。對於有線方式而言,連接裝置可以是通用序列匯流排(USB)、RS232、通用非同步接收器/傳送器(UART)、內部整合電路(I2C)
或序列周邊介面(SPI),但不限於此。對於無線方式而言,連接裝置可以是支援無線保真(Wi-Fi)、RFID、藍芽、紅外線、近場通訊(NFC)或裝置對裝置(D2D)等通訊協定的裝置,亦不限於此。在一些實施例中,連接裝置32例如是支援乙太網路(Ethernet)等有線網路連結的網路卡或是支援電機和電子工程師協會IEEE 802.11n/b/g等無線通訊標準的無線網路卡,其可透過有線或無線方式連結網路並與上述機台連線以擷取資料。
儲存裝置34例如是任意型式的固定式或可移動式隨機存取記憶體(RAM)、唯讀記憶體(ROM)、快閃記憶體(Flash memory)、硬碟等記錄媒體,而用以儲存可由處理器36執行的電腦程式以及由連接裝置32擷取的資料。在一些實施例中,儲存裝置34可儲存由處理器36所建立的產品資訊熵計算器的相關資料(如權重表),但本實施例不限於此。
處理器36例如是中央處理單元,或是其他可程式化之一般用途或特殊用途的微處理器、微控制器、數位訊號處理器、可程式化控制器、特殊應用積體電路、可程式化邏輯裝置或其他類似裝置或這些裝置的組合,本發明不在此限制。在本實施例中,處理器36可從儲存裝置34載入電腦程式,以執行本發明實施例的良率評估方法。
請同時參照圖3及圖4,本實施例的方法適用於圖3所示的良率評估裝置30。
在步驟S402中,良率評估裝置30的處理器36利用連接
裝置32連接與半導體產品製造及測試相關的多個機台,以自所述機台收集半導體產品製造過程中的晶圓製造資料、前段晶圓測試資料及後段產品良率資訊,並從中選擇與良率相關的多個參數。
所述的晶圓製造資料例如是晶圓接受測試(Wafer Acceptance Test,WAT)資料,或是裝置臨界尺寸(critical dimension)、曝光位移(exposure shifting)等在線製程資料(inline process data)。所述前段晶圓測試資料例如是包括每個物品的良率(yield)和故障率在內的晶片測試(Chip Probe)結果,或是直流(DC)測試資料。本實施例不限制上述資料的種類及數目。
此外,所述機台例如是半導體產品的製造機台或測試機台,亦或是儲存有晶圓製造資料、前段晶圓測試資料、後段產品良率資訊的資料庫的機台,本實施例亦不限制機台的種類及數目。
詳細而言,本發明實施例的良率評估方法主要分成兩階段,分別為建立資訊熵計算器階段與挑選策略方法導入之後的生產流程。在建立資訊熵計算器階段的初期,選定並收集某一參考週期的產品資訊,其包含晶圓製造資料、前段晶圓測試資料與後段產品良率資訊,並根據此些資料,建構該產品的資訊熵計算器。
請參照圖5,本實施例係先收集資料。所收集的資料在此會分成兩組,第一組資料52是包含晶圓製造資料522與前段晶圓測試資料524的模型參數(作為特徵參數);第二組資料54則為後段測試的產品良率資訊542(作為標籤參數)。然後,對所收集
到的資料,先做資料清洗(Data Clean)與前處理(Pre-treatment)56,其中包括根據領域專家提供的產品資訊,先做出一些基本的假設,並根據這些假設,將收集到的資料投射(project)到假設的數學空間之中,以利接下來資訊熵計算器建立之運算。待所有資料處理並投射至假設的數學空間之後,即展開資訊熵計算器之建立58。
回到圖4的流程,在步驟S404中,處理器36計算使用各參數製造的多個樣品中的壞品相對於全域定機率壞品的相對資訊熵,用以建立產品資訊熵計算器。其中,全域定機率壞品代表良率不隨所述參數變化的壞品。
圖6A至圖6C是根據本發明實施例所繪示的計算資訊熵的範例。請先參照圖6A,首先,選取某一個參數,並繪製良率對上該參數的關係圖62,再將其按照大小順序分隔n個區域(編號分別為p1~pn),最後則選取用以區分好壞品的區分標準p0,其上則稱之為好品,反之則為壞品。在實際操作中,可選取m個標準,分別用以計算資訊熵,其中m為正整數。
請參照圖6B,本實施例另定義一個良率不隨某參數變化的情況,並繪製良率對上該參數的關係圖64。
在定義完「好壞品」之後,本實施例即分別計算各個「分區壞品」對上「全域定機率壞品」的相對資訊熵值,例如圖6C所示,計算關係圖62中區域p1的壞品對上關係圖64中區域p1的全域定機率壞品的相對資訊熵值。藉此,可以得到該參數於各區
域中良率表現的相對資訊熵值。此相對資訊熵值可表示「參數對於良率表現的不穩定(uncertainty)或意外程度(surprise)之強弱」。相對資訊熵值Entropy的計算公式如下:Entropy=-(pn-p0)log(p0)。
其中,pn為上述的「分區壞品」,p0為上述的「全域定機率壞品」。若此相對資訊熵值Entropy越大,則代表樣本的分佈越不像「不變比例的行為」。也就是,長得越像不變比例行為,則越覺得意外。
在配合上,本實施例可根據產品資訊對資料的假設,給予該參數一個相對的權重,來描述該參數與良率之關係。最後,依循上述程序,依序計算出所有參數與良率表現之關係,並記錄於儲存裝置34中,此即完成了該產品的資訊熵計算器的建立。
請參照圖7,本實施例說明圖4中步驟S404的詳細流程。
在步驟S702中,由處理器36從與良率相關的多個參數中選擇一個參數。
在步驟S704中,由處理器36從多個區分標準中選擇一個區分標準。在一些實施例中,處理器36例如是針對良率範圍,每隔一預定數值或比率設定一個區分標準,並從中選擇用以計算相對資訊熵的區分標準。例如,處理器36可分別選擇良率最大值的20%、40%、60%、80%作為區分標準。
在步驟S706中,由處理器36將使用參數製造的樣品的良率分佈分隔為多個區域。其中,處理器36例如是每隔一預定數
值或比率,將良率分佈中的參數範圍分隔為多個區域(如圖6A所示)。
在步驟S708中,由處理器36依照選定的區分標準將各區域中的樣品區分為良品及壞品,並分別計算壞品相對於全域定機率壞品的相對資訊熵。
在步驟S708中,由處理器36根據所計算的各區域的相對資訊熵,對所選定的參數給予一權重。詳細而言,對於權重的給予,本實施例只針對「具方向性變化行為的參數」才給予較高的權重。舉例來說,若參數值越大,資訊熵值越小,即可判定該參數具方向性變化行為,而給予權重;若參數值越小,資訊熵值越小,即可判定該參數具方向性變化行為,而給予權重。需注意的是,若資訊熵值出現負值,由於其在定義上無意義,故將被設為零而不考慮。
舉例來說,圖8A和圖8B是根據本發明實施例所繪示的計算權重的範例。其中,圖8A繪示經由圖6A至圖6C的範例所計算的相對資訊熵的分佈圖82,其中包括針對n個區域所計算的相對資訊熵Ep1~Epn。圖8B則繪示相對資訊熵的變化關係圖84,本實施例即根據此變化關係圖84對參數給予權重。
針對分佈圖82中的相對資訊熵Ep1~Epn,本實施例先將數值為負數的相對資訊熵設為零,此時並未對參數給予權重。
針對資訊熵值隨著參數增加方向而減小的情況,本實施例將比較相鄰區域的相對資訊熵Ep(n-1)和Ep(n)。其中,若當前
區域的相對資訊熵Ep(n)大於前一區域的相對資訊熵Ep(n-1),將當前區域的相對資訊熵Ep(n)設為前一區域的相對資訊熵Ep(n-1),即Ep(n)=Ep(n-1),並增加給予參數的權重;以及若當前區域的相對資訊熵Ep(n)不大於前一區域的相對資訊熵Ep(n-1),維持當前區域的相對資訊熵Ep(n)。
另一方面,針對資訊熵值隨著參數減少方向而增大的情況,本實施例亦比較相鄰區域的相對資訊熵Ep(n-1)和Ep(n)。其中,若當前區域的相對資訊熵Ep(n)小於前一區域的相對資訊熵Ep(n-1),將當前區域的相對資訊熵Ep(n)設為前一區域的相對資訊熵Ep(n-1),即Ep(n)=Ep(n-1),並增加給予參數的權重;以及若當前區域的相對資訊熵Ep(n)不小於前一區域的相對資訊熵Ep(n-1),維持當前區域的相對資訊熵Ep(n)。
通過上述方法,即可獲得針對所選定的參數使用所選定的區分標準所算出的相對資訊熵以及對該參數所給予的權重。
接著,在步驟S712中,由處理器36判斷是否所有的區分標準已使用。若仍有區分標準未使用,則回到步驟S704,重新選擇區分標準,並重複步驟S706~S710,以獲得使用不同區分標準所算出的相對資訊熵以及對參數所給予的權重。
在步驟S712中,若判定所有的區分標準已使用,則進入步驟S714,由處理器36將所計算各參數的相對資訊熵及權重記錄於儲存裝置34中。其中,處理器36例如是以表格的形式記錄上述的相對資訊熵及權重。
在步驟S714中,由處理器36判斷是否所有參數已計算過相對資訊熵及權重。若仍有參數未計算,則回到步驟S702,重新選擇參數,並重複步驟S704~S714,以獲得針對不同參數所給予的權重。
在步驟S716中,若判定所有參數已計算,則進入步驟S718,由處理器36利用所計算各參數的相對資訊熵及權重建立產品資訊熵計算器。其中,處理器36例如會將針對各參數使用不同區分標準所計算的權重疊加,作為給予該參數的權重。
回到圖4的流程,在產品資訊熵計算器建立之後,在步驟S406中,由處理器36收集當前產品的晶圓製造資料及前段晶圓測試資料並代入產品資訊熵計算器,以評估當前產品的良率。其中,處理器36例如是針對製造當前產品所使用的多個參數,計算與這些參數相對應的權重的總和,作為評估當前產品的良率的分數。之後,處理器36即可根據該良率的分數決定當前產品適用的封測規格。
詳細而言,於此階段,本實施例會收集目標批產品的製造資料與前段的測試資料,並將其代入先前建立好的產品資訊熵計算器,計算各個產品的相對應權重分數,並產出產品封測規格的挑選策略。而根據該挑選策略,即可進行封測成本管控。
舉例來說,針對良率分數較高(例如,超過預定閾值)的產品,可將其送往高規格加封裝測試;而針對良率分數較低(例如,低於預定閾值)的產品,可將其送往低規格加封裝測試。藉
此,可使該產品的出貨量增加,並減少生產成本。
圖9A和圖9B是根據本發明實施例所繪示的權重表。其中,圖9A的權重表92繪示經由圖7的流程所計算的各參數(包括參數1~n)的權重,在權重表92中,由上往下代表參數增加方向上各區域的權重。根據此權重表92,即可找到各個樣品的各個參數所對應的權重,而得到圖9B的樣品權重表94。其中,通過將各個樣品(包括樣品A~n)的各個參數的權重加總,可獲得總權重,此總權重即可作為評估該樣品級別(rank)的參考值。
綜上所述,在本發明實施例的良率評估方法及裝置中,由於在計算參數與樣品良率表現時,每個參數均是分開獨立計算其相對於良率表現時的資訊熵值,因此在使用上多了許多彈性。若新產品的參數與模型建構時所用的參數有所不同時,可以利用簡易的篩選器加以處理輸入的參數,不需要再重新建構模型。而透過資訊熵計算器之方式,將可大幅減少訓練時所需收集的資料量。透過資訊熵計算器的篩選動作,可將有變異的參數排除而不列入權重計算,從而得到一組合適的權重分數與挑選策略,進而達到控制封測成本之目的。
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。
S402~S406:步驟
Claims (18)
- 一種良率評估方法,適用於具有處理器的電子裝置,所述方法包括下列步驟:收集半導體產品製造過程中的晶圓製造資料、前段晶圓測試資料及後段產品良率資訊,從中選擇與良率相關的多個參數;計算使用各所述參數製造的多個樣品中的壞品相對於全域定機率壞品的相對資訊熵,用以建立一產品資訊熵計算器,其中所述全域定機率壞品代表良率不隨所述參數變化的壞品;以及收集當前產品的所述晶圓製造資料及所述前段晶圓測試資料並代入所述產品資訊熵計算器,以評估所述當前產品的良率,其中建立所述產品資訊熵計算器的步驟包括:針對各所述參數,將使用所述參數製造的所述樣品的良率分佈分隔為多個區域;依照至少一區分標準將各所述區域中的所述樣品區分為良品及壞品,並分別計算所述壞品相對於所述全域定機率壞品的所述相對資訊熵;根據所計算的各所述區域的所述相對資訊熵,給予所述參數一權重;以及利用所計算各所述參數的所述相對資訊熵及所述權重建立所述產品資訊熵計算器。
- 如請求項1所述的方法,其中根據所計算的各所述區域的所述相對資訊熵,給予所述參數所述權重的步驟包括: 將數值為負數的所述相對資訊熵設為零。
- 如請求項2所述的方法,其中根據所計算的各所述區域的所述相對資訊熵,給予所述參數所述權重的步驟更包括:比較相鄰的所述區域的所述相對資訊熵;若所述區域中的當前區域的相對資訊熵大於前一區域的相對資訊熵,將所述當前區域的相對資訊熵設為所述前一區域的相對資訊熵,並增加給予所述參數的所述權重;以及若所述區域中的所述當前區域的相對資訊熵不大於所述前一區域的相對資訊熵,維持所述當前區域的相對資訊熵。
- 如請求項2所述的方法,其中根據所計算的各所述區域的所述相對資訊熵,給予所述參數所述權重的步驟更包括:比較相鄰的所述區域的所述相對資訊熵;若所述區域中的當前區域的相對資訊熵小於前一區域的相對資訊熵,將所述當前區域的相對資訊熵設為所述前一區域的相對資訊熵,並增加給予所述參數的所述權重;以及若所述區域中的所述當前區域的相對資訊熵不小於所述前一區域的相對資訊熵,維持所述當前區域的相對資訊熵。
- 如請求項1所述的方法,其中根據所計算的各所述區域的所述相對資訊熵,給予所述參數所述權重的步驟包括:疊加使用不同的所述區分標準所計算的所述權重,作為給予所述參數的所述權重。
- 如請求項1所述的方法,其中針對各所述參數,將使用所述參數製造的所述樣品的良率分佈分隔為多個區域的步驟包括:依照預定數值或比率將所述良率分佈分隔為所述多個區域。
- 如請求項1所述的方法,其中評估所述當前產品的良率的步驟包括:針對製造所述當前產品所使用的多個製造參數,計算與所述製造參數相對應的所述權重的總和,作為評估所述當前產品的所述良率的分數。
- 如請求項1所述的方法,其中在收集半導體產品製造過程中的所述晶圓製造資料、所述前段晶圓測試資料及所述後段產品良率資訊的步驟之後,更包括:對所收集的所述晶圓製造資料、所述前段晶圓測試資料及所述後段產品良率資訊進行資料清洗(Data Clean)及前處理(pre-treatment),並將處理後的資料投射到假設的數學空間。
- 如請求項1所述的方法,其中在評估所述當前產品的良率的步驟之後,所述方法更包括:根據所述良率決定所述當前產品適用的封測規格。
- 一種良率評估裝置,包括:連接裝置,連接與半導體產品製造及測試相關的多個機台;儲存裝置,儲存電腦程式;以及處理器,耦接所述連接裝置及所述儲存裝置,經配置以載入 並執行所述電腦程式以:使用所述連接裝置自所述機台收集所述半導體產品製造過程中的晶圓製造資料、前段晶圓測試資料及後段產品良率資訊,從中選擇與良率相關的多個參數;計算使用各所述參數製造的多個樣品中的壞品相對於全域定機率壞品的相對資訊熵,用以建立一產品資訊熵計算器,其中所述全域定機率壞品代表良率不隨所述參數變化的壞品;以及使用所述連接裝置自所述機台收集當前產品的所述晶圓製造資料及所述前段晶圓測試資料並代入所述產品資訊熵計算器,以評估所述當前產品的良率,其中所述處理器包括:針對各所述參數,將使用所述參數製造的所述樣品的良率分佈分隔為多個區域;依照至少一區分標準將各所述區域中的所述樣品區分為良品及壞品,並分別計算所述壞品相對於所述全域定機率壞品的所述相對資訊熵;根據所計算的各所述區域的所述相對資訊熵,給予所述參數一權重;以及利用所計算各所述參數的所述相對資訊熵及所述權重建立所述產品資訊熵計算器。
- 如請求項10所述的良率評估裝置,其中所述處理器包括將數值為負數的所述相對資訊熵設為零。
- 如請求項11所述的良率評估裝置,其中所述處理器更比較相鄰的所述區域的所述相對資訊熵,其中若所述區域中的當前區域的相對資訊熵大於前一區域的相對資訊熵,將所述當前區域的相對資訊熵設為所述前一區域的相對資訊熵,並增加給予所述參數的所述權重,以及若所述區域中的所述當前區域的相對資訊熵不大於所述前一區域的相對資訊熵,維持所述當前區域的相對資訊熵。
- 如請求項11所述的良率評估裝置,其中所述處理器更比較相鄰的所述區域的所述相對資訊熵,其中若所述區域中的當前區域的相對資訊熵小於前一區域的相對資訊熵,將所述當前區域的相對資訊熵設為所述前一區域的相對資訊熵,並增加給予所述參數的所述權重,以及若所述區域中的所述當前區域的相對資訊熵不小於所述前一區域的相對資訊熵,維持所述當前區域的相對資訊熵。
- 如請求項10所述的良率評估裝置,其中所述處理器包括疊加使用不同的所述區分標準所計算的所述權重,作為給予所述參數的所述權重。
- 如請求項10所述的良率評估裝置,其中所述處理器包括依照預定數值或比率將所述良率分佈分隔為所述多個區域。
- 如請求項10所述的良率評估裝置,其中所述處理器包括針對製造所述當前產品所使用的多個製造參數,計算與所 述製造參數相對應的所述權重的總和,作為評估所述當前產品的所述良率的分數。
- 如請求項10所述的良率評估裝置,其中所述處理器更對所收集的所述晶圓製造資料、所述前段晶圓測試資料及所述後段產品良率資訊進行資料清洗及前處理,並將處理後的資料投射到假設的數學空間。
- 如請求項10所述的良率評估裝置,其中所述處理器更根據所述良率決定所述當前產品適用的封測規格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112117593A TWI823816B (zh) | 2023-05-11 | 2023-05-11 | 良率評估方法及良率評估裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112117593A TWI823816B (zh) | 2023-05-11 | 2023-05-11 | 良率評估方法及良率評估裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWI823816B true TWI823816B (zh) | 2023-11-21 |
Family
ID=89722879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112117593A TWI823816B (zh) | 2023-05-11 | 2023-05-11 | 良率評估方法及良率評估裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI823816B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052999A (zh) * | 2020-09-10 | 2020-12-08 | 中国环境科学研究院 | 一种基于熵权topsis模型的页岩气开发生态承载力评价方法 |
CN114240908A (zh) * | 2021-12-21 | 2022-03-25 | 浙大城市学院 | 一种仅采用良品图像的产品外观缺陷检测方法 |
CN114418980A (zh) * | 2022-01-10 | 2022-04-29 | 惠州中科先进制造有限公司 | 印刷线路板缺陷识别的深度学习方法、系统、设备及介质 |
-
2023
- 2023-05-11 TW TW112117593A patent/TWI823816B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052999A (zh) * | 2020-09-10 | 2020-12-08 | 中国环境科学研究院 | 一种基于熵权topsis模型的页岩气开发生态承载力评价方法 |
CN114240908A (zh) * | 2021-12-21 | 2022-03-25 | 浙大城市学院 | 一种仅采用良品图像的产品外观缺陷检测方法 |
CN114418980A (zh) * | 2022-01-10 | 2022-04-29 | 惠州中科先进制造有限公司 | 印刷线路板缺陷识别的深度学习方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115268406B (zh) | 一种单片机芯片测试方法、系统、计算机设备及存储介质 | |
Batool et al. | Convolutional neural network for imbalanced data classification of silicon wafer defects | |
CN107168995A (zh) | 一种数据处理方法及服务器 | |
WO2019176989A1 (ja) | 検査システム、識別システム、及び学習データ生成装置 | |
CN112990479B (zh) | 利用机器学习分类器提高半导体芯片良品率的方法 | |
CN115860592B (zh) | 一种石膏砌块的质量检测评估方法及系统 | |
CN111338950A (zh) | 一种基于谱聚类的软件缺陷特征选择方法 | |
CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及系统 | |
CN110929218A (zh) | 一种差异最小化随机分组方法及系统 | |
CN111738086B (zh) | 用于点云分割的构图方法、系统及点云分割系统、装置 | |
CN110162379A (zh) | 虚拟机迁移方法、装置和计算机设备 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
TWI823816B (zh) | 良率評估方法及良率評估裝置 | |
US20190041202A1 (en) | Inspection-guided critical site selection for critical dimension measurement | |
CN108320112A (zh) | 一种确定设备健康状态的方法及装置 | |
CN111259964A (zh) | 一种不平衡数据集的过采样方法 | |
CN114626886A (zh) | 一种调查问卷数据分析方法及系统 | |
CN113761026A (zh) | 基于条件互信息的特征选择方法、装置、设备和存储介质 | |
CN116721071B (zh) | 一种基于弱监督的工业产品表面缺陷检测方法及装置 | |
CN117009303B (zh) | 一种芯片视觉测试数据的存储方法 | |
CN116203891A (zh) | 一种基于plc的自动化控制决策优化方法及系统 | |
CN111652384B (zh) | 一种数据量分布的平衡方法及数据处理方法 | |
CN114429188A (zh) | 超参数搜索方法、系统、终端设备及存储介质 | |
TW202147144A (zh) | 分層建模之方法及系統 | |
CN113112166A (zh) | 基于灰色模糊层次分析的设备状态变量选择方法及设备 |