CN114818393A - 半导体器件失效时刻预测方法、装置、设备及介质 - Google Patents
半导体器件失效时刻预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114818393A CN114818393A CN202210740098.9A CN202210740098A CN114818393A CN 114818393 A CN114818393 A CN 114818393A CN 202210740098 A CN202210740098 A CN 202210740098A CN 114818393 A CN114818393 A CN 114818393A
- Authority
- CN
- China
- Prior art keywords
- semiconductor device
- test data
- stage
- time
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本公开实施例公开了一种半导体器件失效时刻预测方法、装置、设备及介质。本公开实施例提供的半导体器件失效时刻预测方法,包括:获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;基于所述第一阶段测试数据和预先构建的差分整合移动平均自回归ARIMA模型得到所述半导体器件的第二阶段预测数据;基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。本公开实施例的技术方案解决了现有的HCI测试耗时过长,无法满足工业生产过程中产品数量大、工期紧的需求的技术问题,大幅缩短了半导体器件失效时刻的获取时长,降低了测试成本,提高了测试效率。
Description
技术领域
本公开涉及半导体器件测试技术领域,具体涉及一种半导体器件失效时刻预测方法、装置、设备及介质。
背景技术
随着半导体工艺,尤其是CMOS工艺进入纳米量级,器件的特征尺寸已经逼近了物理极限,此时,小尺寸器件的各种效应在理论建模过程中已经不能被忽视。作为器件可靠性研究热点的热载流子注入(Hot Carrier Injection,HCI)效应,对其损伤特性及相应损伤特性物理模型的研究已经相对成熟,该损伤特性物理模型是通过加速应力试验建立的一种经验模型。加速应力试验是研究半导体器件可靠性的一种测试方法,旨在缩短测试时间,它在控制失效机制相同的前提下,通过增加应力,加速器件退化过程,进而在短时间内获得器件失效率等信息,然后再外推出器件在正常工作状态下的特征参数和表征器件可靠度的信息。
然而,即便采用上述HCI加速应力试验也需要占用大量时间才能收集到足够的可靠性建模试验数据。以将0.18μm工艺下生产的1.8V NMOS器件的漏端饱和电流Idsatt作为试验的测试对象为例,现有HCI加速应力试验至少需要持续进行到所述漏端饱和电流Idsat的退化量偏离初始值10%,才能为所述损伤特性物理模型提供足够的试验数据。为满足上述要求,需要在分别对栅极和漏极施加VDS=-2.6V,VGS=1.4V的应力条件下持续超过10万秒。由于在工业生产过程中产品数量大、工期紧,现有HCI加速应力试验的测试时长无法满足实际生产需求。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种半导体器件失效时刻预测方法、装置、设备及介质。
第一方面,本公开实施例中提供了一种半导体器件失效时刻预测方法。
具体地,所述半导体器件失效时刻预测方法,包括:
获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;
基于所述第一阶段测试数据和预先构建的差分整合移动平均自回归ARIMA模型得到所述半导体器件的第二阶段预测数据;
基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。
根据本公开实施例,其中,所述半导体器件的静态参数为受热载流子效应影响整体单向平稳退化的参数。
根据本公开实施例,所述半导体器件的静态参数的第一阶段测试数据是对应时间区间为(0,t1]的测试数据,所述半导体器件的静态参数的第二阶段预测数据是对应时间区间为(t1,t2]的预测数据,其中,0为测试的起始时刻,t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻。
根据本公开实施例,所述基于所述第一阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据,包括:
确定所述第一阶段测试数据中,初始值的波动值小于第三预设阈值的时刻为t3,确定时间区间[t3,t1]对应的测试数据为所述半导体器件的静态参数的第三阶段测试数据;
基于所述第三阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据。
根据本公开实施例,其中,所述ARIMA模型采用以下方式构建:
获取第二半导体器件的静态参数测试数据;
对所述测试数据进行平稳性处理,得到平稳时间序列数据,以及所述ARIMA模型的阶数d;
获取所述平稳时间序列数据的自相关函数ACF和偏自相关函数PACF;
基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间;
分别遍历所述p和q的取值区间,得到所述ARIMA模型的赤池信息量AIC或贝叶斯信息量BIC;
基于所述AIC或BIC最小时对应的p和q,以及所述阶数d构建所述ARIMA模型。
根据本公开实施例,在构建所述ARIMA模型后,还包括:
获取所述第二半导体器件的静态参数的第三阶段测试数据和第二阶段测试数据,其中,所述第三阶段测试数据为对应时间区间为[t3,t1]的测试数据,所述第二阶段测试数据为对应时间区间为(t1,t2]的测试数据,所述t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,t3为所述第二半导体器件的静态参数的测试数据的初始值的波动值小于第三预设阈值的时刻;
基于所述第二半导体器件的第三阶段测试数据和所述ARIMA模型,得到所述第二半导体器件的第二阶段预测数据;
获取所述第二半导体器件的第二阶段测试数据与所述第二半导体器件的第二阶段预测数据之间的相关度;
确定所述相关度小于第四预设阈值时,更新所述时刻t1;
基于更新后的时间区间[t3,t1]得到所述第二半导体器件更新后的第三阶段测试数据,并基于所述更新后的第三阶段测试数据和所述ARIMA模型再次预测所述第二半导体器件的第二阶段预测数据,直至所述相关度大于等于所述第四预设阈值。
根据本公开实施例,所述基于所述半导体器件的第二阶段测试数据确定所述半导体器件的失效时刻,包括:
基于所述半导体器件的第二阶段测试数据确定所述半导体器件的静态参数的变化值达到第二预设阈值的时刻t2;
确定所述t2为所述半导体器件的失效时刻。
第二方面,本公开实施例中提供了一种半导体器件失效时刻预测装置。
具体地,所述半导体器件失效时刻预测装置,包括:
第一获取单元,被配置为获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;
预测单元,被配置为基于所述第一阶段测试数据和预先构建的ARIMA模型得到所述半导体器件的第二阶段预测数据;
确定单元,被配置为基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。
根据本公开实施例,其中,所述半导体器件的静态参数为受热载流子效应影响整体单向平稳退化的参数。
根据本公开实施例,所述半导体器件的静态参数的第一阶段测试数据是对应时间区间为(0,t1]的测试数据,所述半导体器件的静态参数的第二阶段预测数据是对应时间区间为(t1,t2]的预测数据,其中,0为测试的起始时刻,t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻。
根据本公开实施例,所述基于所述第一阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据,包括:
确定所述第一阶段测试数据中,初始值的波动值小于第三预设阈值的时刻为t3,确定时间区间[t3,t1]对应的测试数据为所述半导体器件的静态参数的第三阶段测试数据;
基于所述第三阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据。
根据本公开实施例,其中,所述ARIMA模型采用以下方式构建:
获取第二半导体器件的静态参数测试数据;
对所述测试数据进行平稳性处理,得到平稳时间序列数据,以及所述ARIMA模型的阶数d;
获取所述平稳时间序列数据的自相关函数ACF和偏自相关函数PACF;
基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间;
分别遍历所述p和q的取值区间,得到所述ARIMA模型的AIC或BIC;
基于所述AIC或BIC最小时对应的p和q,以及所述阶数d构建所述ARIMA模型。
根据本公开实施例,在构建所述ARIMA模型后,还包括:
获取所述第二半导体器件的静态参数的第三阶段测试数据和第二阶段测试数据,其中,所述第三阶段测试数据为对应时间区间为[t3,t1]的测试数据,所述第二阶段测试数据为对应时间区间为(t1,t2]的测试数据,所述t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,t3为所述第二半导体器件的静态参数的测试数据的初始值的波动值小于第三预设阈值的时刻;
基于所述第二半导体器件的第三阶段测试数据和所述ARIMA模型,得到所述第二半导体器件的第二阶段预测数据;
获取所述第二半导体器件的第二阶段测试数据与所述第二半导体器件的第二阶段预测数据之间的相关度;
确定所述相关度小于第四预设阈值时,更新所述时刻t1;
基于更新后的时间区间[t3,t1]得到所述第二半导体器件更新后的第三阶段测试数据,并基于所述更新后的第三阶段测试数据和所述ARIMA模型再次预测所述第二半导体器件的第二阶段预测数据,直至所述相关度大于等于所述第四预设阈值。
根据本公开实施例,所述基于所述半导体器件的第二阶段测试数据确定所述半导体器件的失效时刻,包括:
基于所述半导体器件的第二阶段测试数据确定所述半导体器件的静态参数的变化值达到第二预设阈值的时刻t2;
确定所述t2为所述半导体器件的失效时刻。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现所述半导体器件失效时刻预测方法。
第四方面,本公开实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现所述半导体器件失效时刻预测方法。
根据本公开实施例提供的技术方案,通过基于半导体器件的静态参数的第一阶段测试数据和预先构建的ARIMA模型得到所述半导体器件的第二阶段预测数据,并基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻,解决了现有的HCI测试耗时过长,无法满足工业生产过程中产品数量大、工期紧的需求的技术问题,大幅缩短了半导体器件失效时刻的获取时长,降低了测试成本,提高了测试效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中。
图1示出根据本公开实施例的半导体器件失效时刻预测方法的流程图。
图2示出根据本公开实施例的半导体器件失效时刻预测装置的结构框图。
图3A-3E示出根据本公开实施例的根据NMOS的漏饱和电流构建ARIMA模型的方法的示意图。
图4示出根据本公开的实施例的电子设备的结构框图。
图5示出适于用来实现根据本公开实施例的方法的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如前所述,现有技术中,常采用HCI加速应力试验来获取构建半导体器件的损伤特性物理模型的相关数据,而采用HCI加速应力试验需要占用大量时间才能收集到足够的可靠性建模试验数据。由于在工业生产过程中产品数量大、工期紧,现有HCI加速应力试验的测试时长无法满足实际生产需求。
鉴于此,本公开实施例提供了一种半导体器件失效时刻预测方法,通过基于半导体器件的静态参数的第一阶段测试数据和预先构建的差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA模型)得到所述半导体器件的第二阶段预测数据,并基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻,解决了现有的HCI测试耗时过长,无法满足工业生产过程中产品数量大、工期紧的需求的技术问题,大幅缩短了半导体器件失效时刻的获取时长,降低了测试成本,提高了测试效率。
图1示出根据本公开实施例的半导体器件失效时刻预测方法的流程图。如图1所示,所述半导体器件失效时刻预测方法包括步骤S101 - S103:
在步骤S101中,获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;
在步骤S102中,基于所述第一阶段测试数据和预先构建的差分整合移动平均自回归ARIMA模型得到所述半导体器件的第二阶段预测数据;
在步骤S103中,基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。
在本公开实施例中,所述半导体器件为静态参数受热载流子效应影响会发生漂移或者退化,最终影响器件可靠性的半导体器件,包括但不限于N型金属氧化物半导体(N-Metal Oxide Semiconductor,NMOS)、P型金属氧化物半导体(P-Metal OxideSemiconductor,PMOS)、互补金属氧化物半导体(Complementary Metal OxideSemiconductor,CMOS)。在本公开实施例中,所述半导体器件的静态参数可以是,受热载流子效应影响整体单向平稳退化的参数,包括但不限于半导体器件的漏饱和电流Idsat、阈值电压Vth、跨导Gm。
在本公开实施例中,半导体器件的静态参数的测试数据可以是,利用HCI加速应力试验或其他方式测试得到的数据,所述测试数据为时间序列数据,具体地,所述测试数据可以是所述半导体器件的静态参数或静态参数的变化量随时间变化的数据。
在本公开实施例中,所述半导体器件的静态参数的第一阶段测试数据可以是,对应时间区间为(0,t1]的测试数据,所述半导体器件的静态参数的第二阶段预测数据是对应时间区间为(t1,t2]的预测数据,其中,0为测试的起始时刻,t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,所述第一预设阈值在训练所述ARIMA模型时确定,用于获取能够得到足够精度的第二阶段预测数据的最少第一阶段预测数据,在本公开的一些实施例中,所述第一预设阈值可以是4%-6%,优选4.5%,5%,5.5%,所述第二预设阈值可以是半导体器件失效时对应的静态参数的退化量,通常取10%。
在本公开实施例中,所述ARIMA模型采用以下方式构建:获取第二半导体器件的静态参数测试数据;对所述测试数据进行平稳性处理,得到平稳时间序列数据,以及所述ARIMA模型的阶数d;获取所述平稳时间序列数据的自相关函数(AutocorrelationFunction,ACF)和偏自相关函数(Partial Autocorrelation Function,PACF);基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间;分别遍历所述p和q的取值区间,得到所述ARIMA模型的赤池信息量(AkaikeInformation Criterion,AIC)或贝叶斯信息量(Bayesian Information Criterion,BIC);基于所述AIC或BIC最小时对应的p和q,以及所述阶数d构建所述ARIMA模型。
具体地,构建所述ARIMA模型时,首先需要获取与待预测的所述半导体器件具有相同类型的第二半导体器件的静态参数测试数据,所述相同类型是指,若所述半导体器件为金属氧化物半导体MOS器件,则所述第二半导体器件也为MOS器件。所述第二半导体器件的静态参数测试数据同样是利用HCI加速应力试验或其他方式测试得到的数据,其也为时间序列数据,且包括从初始时刻至所述第二半导体器件失效时刻的全部测试数据。其中,所述第二半导体器件失效时刻同样可以通过所述第二半导体器件静态参数的变化值达到所述第二预设阈值的时刻t2来确定。
在获取所述第二半导体器件的静态参数测试数据后,可以首先对所述测试参数进行预处理,所述预处理包括异常值剔除、插值和/或重采样。其中,所述异常值剔除是指,经HCI加速应力试验等方式测试获得的静态参数测试数据,通常在初始部分变化剧烈即初始值的波动值较大,这将对后续的预测带来较大干扰,因此需要将这部分数值剔除。具体地,可以通过对所述测试数据进行一阶差分后,确定所述一阶差分序列中数值小于第三预设阈值的时刻t3,丢弃(0,t3)时间段对应的数据,即可实现所述异常值剔除,在本公开的一个实施方式中,所述第三预设阈值可以是0.1%-0.2%。所述插值是指,由于HCI加速应力试验采用非等时间间隔的方式采集采样数据,因此,所述静态参数测试数据中,静态参数的经时变化曲线可能是非等时间间隔变化的,由于ARIMA模型处理的是等时间间隔采样数据,因此需要对所述静态参数测试数据进行插值处理,将其转换为等时间间隔采样数据,在本公开的一个实施方式中,所述插值可以采用线性插值法。同时,如果在构建ARIMA模型时需要的数据时间间隔与插值后的所述测试数据的时间间隔不同,还可以对所述插值后的测试数据进行重采样。
在完成上述测试数据的预处理后,再对所述测试数据进行平稳性处理,所述平稳性处理采用以下方式实现:首先对测试数据的原始序列采用单位根检验法(AugmentedDickey-Fuller test,ADF)进行检验,若ADF检验的统计值小于第一检验临界值,例如1%,则认为数据是平稳的;否则对所述测试数据的原始序列进行一阶差分,然后对得到的一阶差分序列再次进行ADF检验,若再次ADF检验的统计值小于所述第一检验临界值则认为数据是平稳的;否则对所述测试数据的原始序列进行二阶差分,然后对得到的二阶差分序列第三次进行ADF检验,若第三次ADF检验的统计值小于所述第一检验临界值则认为数据是平稳的;否则认为所述测试数据不可用,重新获取测试数据。采用上述步骤对所述测试数据完成平稳性处理后,即可得到所述测试数据的平稳序列D,所述平稳序列D为所述测试数据的原始序列、所述测试数据的一阶差分序列或所述测试数据的二阶差分序列。同时,根据获得所述平稳序列D的差分次数,即可确定所述ARIMA模型的阶数d,若所述平稳序列D为所述测试数据的原始序列,则所述阶数d=0;若所述平稳序列D为所述测试数据的一阶差分序列,则所述阶数d=1;若所述平稳序列D为所述测试数据的二阶差分序列,则所述阶数d=2。
在获取所述平稳序列D后,可以首先绘制所述平稳序列D的自相关函数ACF曲线和偏自相关函数PACF曲线,然后基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间。具体地,可以确定所述PACF曲线的最大滞后点前后N个点对应的数值为p的取值区间,确定所述ACF曲线的最大滞后点前后N个点对应的数值为q的取值区间,也可以采用其他方法,此处不做限制,其中,N为正整数。在确定了所述p和q的取值区间后,分别遍历所述p和q的取值区间,得到所述ARIMA模型的AIC值或BIC值,确定所述AIC值或BIC值最小时对应的p和q为所述ARIMA模型的p、q取值,基于所述p、q和d即可构建所述ARIMA模型。
在本公开实施例中,在构建所述ARIMA模型后,还可以对所述ARIMA模型进行验证调整,所述验证调整步骤包括:获取所述第二半导体器件的静态参数的第三阶段测试数据和第二阶段测试数据,其中,所述第三阶段测试数据为对应时间区间为[t3,t1]的测试数据,所述第二阶段测试数据为对应时间区间为(t1,t2]的测试数据,所述t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,t3为所述第二半导体器件的静态参数的测试数据的初始值的波动值小于第三预设阈值的时刻;基于所述第二半导体器件的第三阶段测试数据和所述ARIMA模型,得到所述第二半导体器件的第二阶段预测数据;获取所述第二半导体器件的第二阶段测试数据与所述第二半导体器件的第二阶段预测数据之间的相关度;确定所述相关度小于第四预设阈值时,更新所述时刻t1;基于更新后的时间区间[t3,t1]得到所述第二半导体器件更新后的第三阶段测试数据,并基于所述更新后的第三阶段测试数据和所述ARIMA模型再次预测所述第二半导体器件的第二阶段预测数据,直至所述相关度大于等于所述第四预设阈值。在本公开的一个实施方式中,所述第四预设阈值可以是95%-98%。
在本公开实施例中,在完成所述ARIMA模型的构建后,可以首先获取所述半导体器件的静态参数的第一阶段测试数据,然后基于所述第一阶段测试数据和构建的所述ARIMA模型预测所述半导体器件的第二阶段预测数据。其中,所述基于所述第一阶段测试数据和构建的所述ARIMA模型预测所述半导体器件的第二阶段预测数据,包括:确定所述第一阶段测试数据中,初始值的波动值小于第三预设阈值的时刻为t3,确定时间区间[t3,t1]对应的测试数据为所述半导体器件的静态参数的第三阶段测试数据;基于所述第三阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据。具体地,由于所述时刻t1和t3均为前述ARIMA模型构建时已经确定的时刻,因此,仅需要对所述半导体器件进行t1时长的测试,选取时间区间[t3,t1]对应的测试数据输入所述ARIMA模型,即可预测得到所述半导体器件时间区间(t1,t2]对应的预测数据。
在本公开实施例中,所述基于所述半导体器件的第二阶段测试数据确定所述半导体器件的失效时刻,可以包括:基于所述半导体器件的第二阶段测试数据确定所述半导体器件的静态参数的变化值达到第二预设阈值的时刻t2;确定所述t2为所述半导体器件的失效时刻。在本公开的一些实施方式中,在确定所述半导体器件的失效时刻之后,还可以基于所述失效时刻预测所述半导体器件的剩余寿命及其置信区间。
根据本公开实施例提供的技术方案,通过基于半导体器件的静态参数的第一阶段测试数据和预先构建的ARIMA模型得到所述半导体器件的第二阶段预测数据,并基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻,解决了现有的HCI测试耗时过长,无法满足工业生产过程中产品数量大、工期紧的需求的技术问题,大幅缩短了半导体器件失效时刻的获取时长,降低了测试成本,提高了测试效率。
图2示出根据本公开实施例的半导体器件失效时刻预测装置的结构框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图2所示,所述半导体器件失效时刻预测装置200包括:
第一获取单元201,被配置为获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;
预测单元202,被配置为基于所述第一阶段测试数据和预先构建的ARIMA模型得到所述半导体器件的第二阶段预测数据;
确定单元203,被配置为基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。
在本公开实施例中,所述半导体器件为静态参数受热载流子效应影响会发生漂移或者退化,最终影响器件可靠性的半导体器件,包括但不限于N型金属氧化物半导体(N-Metal Oxide Semiconductor,NMOS)、P型金属氧化物半导体(P-Metal OxideSemiconductor,PMOS)、互补金属氧化物半导体(Complementary Metal OxideSemiconductor,CMOS)。在本公开实施例中,所述半导体器件的静态参数可以是,受热载流子效应影响整体单向平稳退化的参数,包括但不限于半导体器件的漏饱和电流Idsat、阈值电压Vth、跨导Gm。
在本公开实施例中,半导体器件的静态参数的测试数据可以是,利用HCI加速应力试验或其他方式测试得到的数据,所述测试数据为时间序列数据,具体地,所述测试数据可以是所述半导体器件的静态参数或静态参数的变化量随时间变化的数据。
在本公开实施例中,所述半导体器件的静态参数的第一阶段测试数据可以是,对应时间区间为(0,t1]的测试数据,所述半导体器件的静态参数的第二阶段预测数据是对应时间区间为(t1,t2]的预测数据,其中,0为测试的起始时刻,t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,所述第一预设阈值在训练所述ARIMA模型时确定,用于获取能够得到足够精度的第二阶段预测数据的最少第一阶段预测数据,在本公开的一些实施例中,所述第一预设阈值可以是4%-6%,优选4.5%,5%,5.5%,所述第二预设阈值可以是半导体器件失效时对应的静态参数的退化量,通常取10%。
在本公开实施例中,所述ARIMA模型采用以下方式构建:获取第二半导体器件的静态参数测试数据;对所述测试数据进行平稳性处理,得到平稳时间序列数据,以及所述ARIMA模型的阶数d;获取所述平稳时间序列数据的自相关函数(AutocorrelationFunction,ACF)和偏自相关函数(Partial Autocorrelation Function,PACF);基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间;分别遍历所述p和q的取值区间,得到所述ARIMA模型的赤池信息量(AkaikeInformation Criterion,AIC)或贝叶斯信息量(Bayesian Information Criterion,BIC);基于所述AIC或BIC最小时对应的p和q,以及所述阶数d构建所述ARIMA模型。
具体地,构建所述ARIMA模型时,首先需要获取与待预测的所述半导体器件具有相同类型的第二半导体器件的静态参数测试数据,所述相同类型是指,若所述半导体器件为金属氧化物半导体MOS器件,则所述第二半导体器件也为MOS器件。所述第二半导体器件的静态参数测试数据同样是利用HCI加速应力试验或其他方式测试得到的数据,其也为时间序列数据,且包括从初始时刻至所述第二半导体器件失效时刻的全部测试数据。其中,所述第二半导体器件失效时刻同样可以通过所述第二半导体器件静态参数的变化值达到所述第二预设阈值的时刻t2来确定。
在获取所述第二半导体器件的静态参数测试数据后,可以首先对所述测试参数进行预处理,所述预处理包括异常值剔除、插值和/或重采样。其中,所述异常值剔除是指,经HCI加速应力试验等方式测试获得的静态参数测试数据,通常在初始部分变化剧烈即初始值的波动值较大,这将对后续的预测带来较大干扰,因此需要将这部分数值剔除。具体地,可以通过对所述测试数据进行一阶差分后,确定所述一阶差分序列中数值小于第三预设阈值的时刻t3,丢弃(0,t3)时间段对应的数据,即可实现所述异常值剔除,在本公开的一个实施方式中,所述第三预设阈值可以是0.1%-0.2%。所述插值是指,由于HCI加速应力试验采用非等时间间隔的方式采集采样数据,因此,所述静态参数测试数据中,静态参数的经时变化曲线可能是非等时间间隔变化的,由于ARIMA模型处理的是等时间间隔采样数据,因此需要对所述静态参数测试数据进行插值处理,将其转换为等时间间隔采样数据,在本公开的一个实施方式中,所述插值可以采用线性插值法。同时,如果在构建ARIMA模型时需要的数据时间间隔与插值后的所述测试数据的时间间隔不同,还可以对所述插值后的测试数据进行重采样。
在完成上述测试数据的预处理后,再对所述测试数据进行平稳性处理,所述平稳性处理采用以下方式实现:首先对测试数据的原始序列采用单位根检验法(AugmentedDickey-Fuller test,ADF)进行检验,若ADF检验的统计值小于第一检验临界值,例如1%,则认为数据是平稳的;否则对所述测试数据的原始序列进行一阶差分,然后对得到的一阶差分序列再次进行ADF检验,若再次ADF检验的统计值小于所述第一检验临界值则认为数据是平稳的;否则对所述测试数据的原始序列进行二阶差分,然后对得到的二阶差分序列第三次进行ADF检验,若第三次ADF检验的统计值小于所述第一检验临界值则认为数据是平稳的;否则认为所述测试数据不可用,重新获取测试数据。采用上述步骤对所述测试数据完成平稳性处理后,即可得到所述测试数据的平稳序列D,所述平稳序列D为所述测试数据的原始序列、所述测试数据的一阶差分序列或所述测试数据的二阶差分序列。同时,根据获得所述平稳序列D的差分次数,即可确定所述ARIMA模型的阶数d,若所述平稳序列D为所述测试数据的原始序列,则d=0;若所述平稳序列D为所述测试数据的一阶差分序列,则d=1;若所述平稳序列D为所述测试数据的二阶差分序列,则d=2。
在获取所述平稳序列D后,可以首先绘制所述平稳序列D的自相关函数ACF曲线和偏自相关函数PACF曲线,然后基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间。具体地,可以确定所述PACF曲线的最大滞后点前后N个点对应的数值为p的取值区间,确定所述ACF曲线的最大滞后点前后N个点对应的数值为q的取值区间,也可以采用其他方法,此处不做限制,其中,N为正整数。在确定了所述p和q的取值区间后,分别遍历所述p和q的取值区间,得到所述ARIMA模型的AIC值或BIC值,确定所述AIC值或BIC值最小时对应的p和q为所述ARIMA模型的p、q取值,基于所述p、q和d即可构建所述ARIMA模型。
在本公开实施例中,在构建所述ARIMA模型后,还可以对所述ARIMA模型进行验证调整,所述验证调整步骤包括:获取所述第二半导体器件的静态参数的第三阶段测试数据和第二阶段测试数据,其中,所述第三阶段测试数据为对应时间区间为[t3,t1]的测试数据,所述第二阶段测试数据为对应时间区间为(t1,t2]的测试数据,所述t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,t3为所述第二半导体器件的静态参数的测试数据的初始值的波动值小于第三预设阈值的时刻;基于所述第二半导体器件的第三阶段测试数据和所述ARIMA模型,得到所述第二半导体器件的第二阶段预测数据;获取所述第二半导体器件的第二阶段测试数据与所述第二半导体器件的第二阶段预测数据之间的相关度;确定所述相关度小于第四预设阈值时,更新所述时刻t1;基于更新后的时间区间[t3,t1]得到所述第二半导体器件更新后的第三阶段测试数据,并基于所述更新后的第三阶段测试数据和所述ARIMA模型再次预测所述第二半导体器件的第二阶段预测数据,直至所述相关度大于等于所述第四预设阈值。在本公开的一个实施方式中,所述第四预设阈值可以是95%-98%。
在本公开实施例中,在完成所述ARIMA模型的构建后,可以首先获取所述半导体器件的静态参数的第一阶段测试数据,然后基于所述第一阶段测试数据和构建的所述ARIMA模型预测所述半导体器件的第二阶段预测数据。其中,所述基于所述第一阶段测试数据和构建的所述ARIMA模型预测所述半导体器件的第二阶段预测数据,包括:确定所述第一阶段测试数据中,初始值的波动值小于第三预设阈值的时刻为t3,确定时间区间[t3,t1]对应的测试数据为所述半导体器件的静态参数的第三阶段测试数据;基于所述第三阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据。具体地,由于所述时刻t1和t3均为前述ARIMA模型构建时已经确定的时刻,因此,仅需要对所述半导体器件进行t1时长的测试,选取时间区间[t3,t1]对应的测试数据输入所述ARIMA模型,即可预测得到所述半导体器件时间区间(t1,t2]对应的预测数据。
在本公开实施例中,所述基于所述半导体器件的第二阶段测试数据确定所述半导体器件的失效时刻,可以包括:基于所述半导体器件的第二阶段测试数据确定所述半导体器件的静态参数的变化值达到第二预设阈值的时刻t2;确定所述t2为所述半导体器件的失效时刻。在本公开的一些实施方式中,在确定所述半导体器件的失效时刻之后,还可以基于所述失效时刻预测所述半导体器件的剩余寿命及其置信区间。
根据本公开实施例提供的技术方案,通过基于半导体器件的静态参数的第一阶段测试数据和预先构建的ARIMA模型得到所述半导体器件的第二阶段预测数据,并基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻,解决了现有的HCI测试耗时过长,无法满足工业生产过程中产品数量大、工期紧的需求的技术问题,大幅缩短了半导体器件失效时刻的获取时长,降低了测试成本,提高了测试效率。
图3A-3E示出根据本公开实施例的根据NMOS的漏饱和电流构建ARIMA模型的方法的示意图。
如图3A所示,首先获取所述NMOS的漏饱和电流Idsat的HCI加速应力试验测试数据,根据所述测试数据绘制得到Idsat的经时变化曲线。如图3B所述,对所述Idsat测试数据进行一阶差分处理,得到所述Idsat的一阶差分曲线,基于所述一阶差分曲线完成剔除异常值处理,然后进行上述插值、重采样和平稳性处理,以得到ARIMA模型的参数d,再对平稳性处理后的数据绘制ACF和PACF曲线,进而确定所述ARIMA模型的参数p和q,至此获得初步构建好的ARIMA模型。接下来,首先选取合适的t1得到第三阶段测试数据,如图3C所示,该t1时刻可以是对应的所述NMOS的漏饱和电流Idsat的变化值达到5.5%的时刻,基于所述第三阶段测试数据和所述初步构建好的ARIMA模型,得到对应的第二阶段预测数据,此时由于所述第二阶段预测数据和第二阶段测试数据之间的相关度不满足预设阈值的要求,因此调整所述t1至如图3D所示的对应的所述NMOS的漏饱和电流Idsat的变化值达到6%的时刻,基于所述调整后的第三阶段测试数据和所述初步构建好的ARIMA模型,再次得到对应的第二阶段预测数据,此时由于所述第二阶段预测数据和第二阶段测试数据之间的相关度仍然不满足预设阈值的要求,因此再次所述t1至如图3E所示的对应的所述NMOS的漏饱和电流Idsat的变化值达到5%的时刻,基于所述调整后的第三阶段测试数据和所述初步构建好的ARIMA模型,再次得到对应的第二阶段预测数据,此时所述第二阶段预测数据和第二阶段测试数据之间的相关度满足预设阈值的要求,因此确定所述t1为所述NMOS的漏饱和电流Idsat的变化值达到5%的时刻。至此,所述ARIMA模型以及基于所述ARIMA模型进行预测时所需的测试数据取值区间[t3,t1]均确定,可以利用该测试数据取值区间首先对待预测MOS管的漏饱和电流Idsat进行部分时间的HCI加速应力试验测试,然后基于所述ARIMA模型预测得到该待预测MOS管的漏饱和电流Idsat的第二阶段预测数据,进而得到该待预测MOS管的漏饱和电流Idsat的失效时刻。
本公开还公开了一种电子设备,图4示出根据本公开的实施例的电子设备的结构框图。
如图4所示,所述电子设备400包括存储器401和处理器402,其中,存储器401用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器402执行以实现根据本公开的实施例的方法。
在本公开实施例中,所述半导体器件失效时刻预测方法包括:
获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;
基于所述第一阶段测试数据和预先构建的差分整合移动平均自回归ARIMA模型得到所述半导体器件的第二阶段预测数据;
基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。
在本公开实施例中,所述半导体器件的静态参数的第一阶段测试数据是对应时间区间为(0,t1]的测试数据,所述半导体器件的静态参数的第二阶段预测数据是对应时间区间为(t1,t2]的预测数据,其中,0为测试的起始时刻,t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻。
在本公开实施例中,所述基于所述第一阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据,包括:确定所述第一阶段测试数据中,初始值的波动值小于第三预设阈值的时刻为t3,确定时间区间[t3,t1]对应的测试数据为所述半导体器件的静态参数的第三阶段测试数据;基于所述第三阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据。
在本公开实施例中,所述ARIMA模型采用以下方式构建:获取第二半导体器件的静态参数测试数据;对所述测试数据进行平稳性处理,得到平稳时间序列数据,以及所述ARIMA模型的阶数d;获取所述平稳时间序列数据的自相关函数ACF和偏自相关函数PACF;基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间;分别遍历所述p和q的取值区间,得到所述ARIMA模型的赤池信息量AIC或贝叶斯信息量BIC;基于所述AIC或BIC最小时对应的p和q,以及所述阶数d构建所述ARIMA模型。
在本公开实施例中,在构建所述ARIMA模型后,还包括:获取所述第二半导体器件的静态参数的第三阶段测试数据和第二阶段测试数据,其中,所述第三阶段测试数据为对应时间区间为[t3,t1]的测试数据,所述第二阶段测试数据为对应时间区间为(t1,t2]的测试数据,所述t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,t3为所述第二半导体器件的静态参数的测试数据的初始值的波动值小于第三预设阈值的时刻;基于所述第二半导体器件的第三阶段测试数据和所述ARIMA模型,得到所述第二半导体器件的第二阶段预测数据;获取所述第二半导体器件的第二阶段测试数据与所述第二半导体器件的第二阶段预测数据之间的相关度;确定所述相关度小于第四预设阈值时,更新所述时刻t1;基于更新后的时间区间[t3,t1]得到所述第二半导体器件更新后的第三阶段测试数据,并基于所述更新后的第三阶段测试数据和所述ARIMA模型再次预测所述第二半导体器件的第二阶段预测数据,直至所述相关度大于等于所述第四预设阈值。
在本公开实施例中,所述基于所述半导体器件的第二阶段测试数据确定所述半导体器件的失效时刻,包括:基于所述半导体器件的第二阶段测试数据确定所述半导体器件的静态参数的变化值达到第二预设阈值的时刻t2;确定所述t2为所述半导体器件的失效时刻。
根据本公开实施例提供的技术方案,通过基于半导体器件的静态参数的第一阶段测试数据和预先构建的ARIMA模型得到所述半导体器件的第二阶段预测数据,并基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻,解决了现有的HCI测试耗时过长,无法满足工业生产过程中产品数量大、工期紧的需求的技术问题,大幅缩短了半导体器件失效时刻的获取时长,降低了测试成本,提高了测试效率。
图5示出适于用来实现根据本公开实施例的方法的计算机***的结构示意图。
如图5所示,计算机***500包括处理单元501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行上述实施例中的各种处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。处理单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。其中,所述处理单元501可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括计算机指令,该计算机指令被处理器执行时实现上文所述的方法步骤。在这样的实施例中,该计算机程序产品可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机***中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种半导体器件失效时刻预测方法,包括:
获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;
基于所述第一阶段测试数据和预先构建的差分整合移动平均自回归ARIMA模型得到所述半导体器件的第二阶段预测数据;
基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。
2.根据权利要求1所述的方法,其中,所述半导体器件的静态参数为受热载流子效应影响整体单向平稳退化的参数。
3.根据权利要求1所述的方法,所述半导体器件的静态参数的第一阶段测试数据是对应时间区间为(0,t1]的测试数据,所述半导体器件的静态参数的第二阶段预测数据是对应时间区间为(t1,t2]的预测数据,其中,0为测试的起始时刻,t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻。
4.根据权利要求3所述的方法,所述基于所述第一阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据,包括:
确定所述第一阶段测试数据中,初始值的波动值小于第三预设阈值的时刻为t3,确定时间区间[t3,t1]对应的测试数据为所述半导体器件的静态参数的第三阶段测试数据;
基于所述第三阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据。
5.根据权利要求1-4中任一项所述的方法,其中,所述ARIMA模型采用以下方式构建:
获取第二半导体器件的静态参数测试数据;
对所述测试数据进行平稳性处理,得到平稳时间序列数据,以及所述ARIMA模型的阶数d;
获取所述平稳时间序列数据的自相关函数ACF和偏自相关函数PACF;
基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间;
分别遍历所述p和q的取值区间,得到所述ARIMA模型的赤池信息量AIC或贝叶斯信息量BIC;
基于所述AIC或BIC最小时对应的p和q,以及所述阶数d构建所述ARIMA模型。
6.根据权利要求5所述的方法,在构建所述ARIMA模型后,还包括:
获取所述第二半导体器件的静态参数的第三阶段测试数据和第二阶段测试数据,其中,所述第三阶段测试数据为对应时间区间为[t3,t1]的测试数据,所述第二阶段测试数据为对应时间区间为(t1,t2]的测试数据,所述t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,t3为所述第二半导体器件的静态参数的测试数据的初始值的波动值小于第三预设阈值的时刻;
基于所述第二半导体器件的第三阶段测试数据和所述ARIMA模型,得到所述第二半导体器件的第二阶段预测数据;
获取所述第二半导体器件的第二阶段测试数据与所述第二半导体器件的第二阶段预测数据之间的相关度;
确定所述相关度小于第四预设阈值时,更新所述时刻t1;
基于更新后的时间区间[t3,t1]得到所述第二半导体器件更新后的第三阶段测试数据,并基于所述更新后的第三阶段测试数据和所述ARIMA模型再次预测所述第二半导体器件的第二阶段预测数据,直至所述相关度大于等于所述第四预设阈值。
7.根据权利要求1所述的方法,所述基于所述半导体器件的第二阶段测试数据确定所述半导体器件的失效时刻,包括:
基于所述半导体器件的第二阶段测试数据确定所述半导体器件的静态参数的变化值达到第二预设阈值的时刻t2;
确定所述t2为所述半导体器件的失效时刻。
8.一种半导体器件失效时刻预测装置,包括:
第一获取单元,被配置为获取所述半导体器件的静态参数的第一阶段测试数据,其中,所述测试数据为时间序列数据;
预测单元,被配置为基于所述第一阶段测试数据和预先构建的ARIMA模型得到所述半导体器件的第二阶段预测数据;
确定单元,被配置为基于所述半导体器件的第二阶段预测数据确定所述半导体器件的失效时刻。
9.根据权利要求8所述的装置,其中,所述半导体器件的静态参数为受热载流子效应影响整体单向平稳退化的参数。
10.根据权利要求8所述的装置,所述半导体器件的静态参数的第一阶段测试数据是对应时间区间为(0,t1]的测试数据,所述半导体器件的静态参数的第二阶段预测数据是对应时间区间为(t1,t2]的预测数据,其中,0为测试的起始时刻,t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻。
11.根据权利要求10所述的装置,所述基于所述第一阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据,包括:
确定所述第一阶段测试数据中,初始值的波动值小于第三预设阈值的时刻为t3,确定时间区间[t3,t1]对应的测试数据为所述半导体器件的静态参数的第三阶段测试数据;
基于所述第三阶段测试数据和预先构建的ARIMA模型预测所述半导体器件的第二阶段预测数据。
12.根据权利要求8-11中任一项所述的装置,其中,所述ARIMA模型采用以下方式构建:
获取第二半导体器件的静态参数测试数据;
对所述测试数据进行平稳性处理,得到平稳时间序列数据,以及所述ARIMA模型的阶数d;
获取所述平稳时间序列数据的自相关函数ACF和偏自相关函数PACF;
基于所述ACF和PACF的截尾和/或拖尾情况,确定所述ARIMA模型的自回归项数p和滑动平均项数q的取值区间;
分别遍历所述p和q的取值区间,得到所述ARIMA模型的AIC或BIC;
基于所述AIC或BIC最小时对应的p和q,以及所述阶数d构建所述ARIMA模型。
13.根据权利要求12所述的装置,在构建所述ARIMA模型后,还包括:
获取所述第二半导体器件的静态参数的第三阶段测试数据和第二阶段测试数据,其中,所述第三阶段测试数据为对应时间区间为[t3,t1]的测试数据,所述第二阶段测试数据为对应时间区间为(t1,t2]的测试数据,所述t1为所述静态参数的变化值达到第一预设阈值的时刻,t2为所述静态参数的变化值达到第二预设阈值的时刻,t3为所述第二半导体器件的静态参数的测试数据的初始值的波动值小于第三预设阈值的时刻;
基于所述第二半导体器件的第三阶段测试数据和所述ARIMA模型,得到所述第二半导体器件的第二阶段预测数据;
获取所述第二半导体器件的第二阶段测试数据与所述第二半导体器件的第二阶段预测数据之间的相关度;
确定所述相关度小于第四预设阈值时,更新所述时刻t1;
基于更新后的时间区间[t3,t1]得到所述第二半导体器件更新后的第三阶段测试数据,并基于所述更新后的第三阶段测试数据和所述ARIMA模型再次预测所述第二半导体器件的第二阶段预测数据,直至所述相关度大于等于所述第四预设阈值。
14.根据权利要求8所述的装置,所述基于所述半导体器件的第二阶段测试数据确定所述半导体器件的失效时刻,包括:
基于所述半导体器件的第二阶段测试数据确定所述半导体器件的静态参数的变化值达到第二预设阈值的时刻t2;
确定所述t2为所述半导体器件的失效时刻。
15.一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7中任一项所述的方法步骤。
16.一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现权利要求1-7中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740098.9A CN114818393B (zh) | 2022-06-28 | 2022-06-28 | 半导体器件失效时刻预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740098.9A CN114818393B (zh) | 2022-06-28 | 2022-06-28 | 半导体器件失效时刻预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818393A true CN114818393A (zh) | 2022-07-29 |
CN114818393B CN114818393B (zh) | 2023-04-14 |
Family
ID=82522323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210740098.9A Active CN114818393B (zh) | 2022-06-28 | 2022-06-28 | 半导体器件失效时刻预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818393B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180248939A1 (en) * | 2017-02-27 | 2018-08-30 | University Of Electronic Science And Technology Of China | Energy-saving deployment method of virtual cdn |
CN110276491A (zh) * | 2019-06-24 | 2019-09-24 | 重庆锐云科技有限公司 | 粉丝预测管理方法、装置、计算机设备及存储介质 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN113591989A (zh) * | 2021-07-30 | 2021-11-02 | 珠海格力电器股份有限公司 | 一种永磁同步电机剩余寿命预测方法、装置及存储介质 |
CN113987932A (zh) * | 2021-10-26 | 2022-01-28 | 电子科技大学 | 一种基于时间序列模型的mosfet寿命预测方法 |
CN114462259A (zh) * | 2022-04-13 | 2022-05-10 | 长安新能源南京研究院有限公司 | 基于soc的电池剩余寿命预测方法、***、汽车及介质 |
-
2022
- 2022-06-28 CN CN202210740098.9A patent/CN114818393B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180248939A1 (en) * | 2017-02-27 | 2018-08-30 | University Of Electronic Science And Technology Of China | Energy-saving deployment method of virtual cdn |
CN110276491A (zh) * | 2019-06-24 | 2019-09-24 | 重庆锐云科技有限公司 | 粉丝预测管理方法、装置、计算机设备及存储介质 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN113591989A (zh) * | 2021-07-30 | 2021-11-02 | 珠海格力电器股份有限公司 | 一种永磁同步电机剩余寿命预测方法、装置及存储介质 |
CN113987932A (zh) * | 2021-10-26 | 2022-01-28 | 电子科技大学 | 一种基于时间序列模型的mosfet寿命预测方法 |
CN114462259A (zh) * | 2022-04-13 | 2022-05-10 | 长安新能源南京研究院有限公司 | 基于soc的电池剩余寿命预测方法、***、汽车及介质 |
Non-Patent Citations (1)
Title |
---|
任占勇: "《数字化研制环境下的可靠性工程技术 基于产品数字样机的可靠性设计与分析》", 31 August 2015 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114818393B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11902114B2 (en) | System and method for predicting and reducing subscriber churn | |
US20160146709A1 (en) | System for preparing time series data for failure prediction | |
KR102468316B1 (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN115128427B (zh) | Mos器件寿命预测方法、装置、电子设备、介质及程序产品 | |
CN114818393B (zh) | 半导体器件失效时刻预测方法、装置、设备及介质 | |
US10728104B2 (en) | Time-dependent network embedding | |
JP2012244897A (ja) | 短期電力負荷を予測する方法及び装置 | |
Sellappan et al. | Evaluation of risk priority number (RPN) in design failure modes and effects analysis (DFMEA) using factor analysis | |
WO2013128972A1 (ja) | 動作判定装置、動作判定システムおよび動作判定方法 | |
CN113268403B (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
CN113407327A (zh) | 一种建模任务和数据分析的方法、装置、电子设备及*** | |
CN111582488A (zh) | 一种事件推演方法及装置 | |
EP1672578A1 (en) | Method and system for analyzing the risk of a project | |
CN116701031A (zh) | 一种微服务***中的根因模型训练方法、分析方法及装置 | |
CN110851333B (zh) | 根分区的监控方法、装置和监控服务器 | |
AU2024203343A1 (en) | Maintenance plan assistance method and maintenance plan assistance device | |
Weiß | The combined INAR (p) models for time series of counts | |
CN113508343A (zh) | 更新工业模型的数据的方法和装置 | |
CN111241159B (zh) | 确定任务执行时间的方法及装置 | |
CN111815204B (zh) | 风险评估方法、装置以及*** | |
JP6982404B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN114819398A (zh) | 基于灰色马尔可夫链的北斗卫星钟差序列组合预测方法 | |
CN113065028A (zh) | 时间序列数据的特征衍生方法、装置及电子设备 | |
CN113052398A (zh) | 一种基于变分模态分解的用电量预测方法及其*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |