CN114846341A - 用于良率损失检测的基于故障密度的聚类 - Google Patents
用于良率损失检测的基于故障密度的聚类 Download PDFInfo
- Publication number
- CN114846341A CN114846341A CN202080087253.0A CN202080087253A CN114846341A CN 114846341 A CN114846341 A CN 114846341A CN 202080087253 A CN202080087253 A CN 202080087253A CN 114846341 A CN114846341 A CN 114846341A
- Authority
- CN
- China
- Prior art keywords
- die
- failed
- dies
- wafer
- clusters
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
- G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/31718—Logistic aspects, e.g. binning, selection, sorting of devices under test, tester/handler interaction networks, Test management software, e.g. software for test statistics or test evaluation, yield analysis
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/31723—Hardware for routing the test signal within the device under test to the circuits to be tested, e.g. multiplexer for multiple core testing, accessing internal nodes
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/3185—Reconfiguring for testing, e.g. LSSD, partitioning
- G01R31/318505—Test of Modular systems, e.g. Wafers, MCM's
- G01R31/318511—Wafer Test
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
提供了一种用于故障管芯聚类的方法,包括从晶圆的晶圆图中提取(200)晶圆上的故障管芯的数据集,确定(201)用于对故障管芯进行聚类的密度参数,从故障管芯的数据集中去除(202)虚假故障以生成故障管芯的减小的数据集,通过执行具有密度参数的基于密度的带噪声应用空间聚类(DBSCAN)算法在减小的数据集中定位(204)故障管芯的聚类,以及对每个定位的聚类应用(206)保护带。
Description
背景技术
半导体晶圆通常在管芯封装之前测试是否有缺陷管芯。管芯缺陷可能由例如在应用于晶圆的光刻胶、光掩模和扩散操作期间引入的外来颗粒、微小划痕和/或瑕疵引起。电探针测试常用于定位有缺陷的管芯。晶圆的电探针测试的输出是晶圆图,晶圆图包括针对每个管芯,管芯是否通过测试的指示。故障管芯的聚类的近邻能够已经通过了电探针测试,但考虑到其与聚类的接近性,被认为存在潜在缺陷的可能性很高。对故障管芯的聚类执行保护带,其中围绕每个聚类的带中的这种相邻管芯各自被指示为包括在保护带中。
发明内容
本公开的实施例涉及基于故障密度的半导体晶圆上的故障管芯的聚类。在一个方面中,提供了一种用于故障管芯聚类的方法,该方法包括从晶圆的晶圆图中提取晶圆上的故障管芯的数据集,确定用于对故障管芯进行聚类的密度参数,从数据集中去除虚假故障以生成故障管芯的减小的数据集,通过执行具有密度参数的基于密度的带噪声应用空间聚类(DBSCAN)算法在减小的数据集中定位故障管芯的聚类,以及对每个定位的聚类应用保护带。
在一个方面,提供了一种***,该***包括存储用于故障管芯聚类的软件指令的非暂时性计算机可读介质,其中软件指令包括用于从晶圆的晶圆图中提取晶圆上的故障管芯的数据集,确定用于对故障管芯进行聚类的密度参数,从故障管芯的数据集中去除虚假故障以生成故障管芯的减小的数据集,通过执行具有密度参数的基于密度的带噪声应用空间聚类(DBSCAN)算法在减小的数据集中定位故障管芯的聚类,以及对每个定位的聚类应用保护带的软件指令,以及至少一个处理器,其耦合到非暂时性计算机可读介质以执行软件指令。
在一个方面中,提供了一种用于故障管芯聚类的方法,该方法包括使用基于密度的带噪声应用空间聚类(DBSCAN)算法在晶圆的故障管芯的数据集中定位故障管芯的聚类,并且对每个定位的聚类应用保护带。
附图图示
图1是图示示例晶圆测试过程的流程图;
图2是用于故障管芯聚类和保护带的方法的流程图;
图3是用于确定故障管芯聚类的密度参数的方法的流程图;
图4A-图4C是示例晶圆图;
图5是示例用户界面;
图6是示例晶圆测试***的框图;以及
图7是可以在图6的晶圆测试***中使用的示例计算机***700的框图。
具体实施方式
下面结合附图对本公开的具体实施方式进行详细描述。为一致起见,各个图中的相同元件由相同的附图标记表示。
本公开的实施例提供用于自动检测半导体晶圆上的故障管芯的聚类的功能。聚类基于晶圆上的故障管芯的密度,使得晶圆上的低故障密度的区域中的故障管芯不被聚类,而高故障密度的区域中的故障管芯被聚类。这种聚类方法可以帮助最小化由于聚类检测而导致的晶圆上的管芯损失,因为在低故障密度的区域中的聚类可能会导致在这些聚类中包括原本好的管芯。此外,一些实施例提供检测到的聚类的自动保护带。
图1是图示根据一个或多个实施例的示例半导体晶圆测试过程的流程图。最初,使用诸如晶圆探测器的自动测试器件对晶圆进行电测试100。探针测试的输出是一组关于测试的信息,称为晶圆图。除了元数据,诸如很多晶圆、用于测试晶圆的步进模式、晶圆取向或旋转等,晶圆图还包括使用对应于晶圆的物理结构的坐标系的每个管芯的位置以及每个管芯的探针测试结果。基于探针测试结果,每个管芯都被分配到一个箱。可以使用任何合适的分箱方法。例如,箱1可以包括所有良好的第一级管芯,箱2可以包括所有良好的二级管芯,箱3可以包括所有塞式管芯,箱4可以包括所有坏或故障的管芯,以及箱5可以包括所有边缘坏的管芯。
然后执行统计异常值筛选102。一般而言,执行统计异常值筛选以识别通过电气测试但在统计上在操作期间处于高故障风险的异常管芯。用于统计异常值筛选的一些示例技术在题为“Method for Test Data-Driven Statistical Detection of OutlierSemiconductor Devices(用于异常半导体器件的测试数据驱动的统计检测的方法)”的美国专利号7,129,735、题为“Identification of Outlier Semiconductor Devices usingData-Driven Statistical Characterization(使用数据驱动的统计特征的异常半导体器件的识别)”的美国专利号7,494,829和题为“Semiconductor Outlier IdentificationUsing Serially-Combined Data Transform Processing Methodologies(使用序列组合的数据变换处理方法的半导体异常识别)”的美国专利号8,126,681中描述。
在统计异常值筛选之后,检测到103故障的管芯聚类并将保护带应用于聚类。本文参考图2和图3描述了用于聚类和保护带的示例方法。
然后对照统计良率和箱限制评估104晶圆。给定的管芯类型具有随时间推移的平均统计良率分布,该分布用于定义统计良率和箱限制,即针对管芯类型的晶圆的良率百分比。例如,如果平均良率是90%,而六σ百分比是80%,那么晶圆可能会经历进一步的仔细检查。
如果晶圆没有通过106评估,则执行统计良率和箱限制故障的人工审查,并且可以在释放晶圆用于进一步处理之前执行晶圆的进一步手动“上墨”110。尽管未具体示出,但如果故障足够高,则晶圆可能报废。手动“上墨”可以由用户在显示器件上查看晶圆图图像并手动标记要报废的每个管芯来执行。然后,在存储的晶圆图中将指示该手动标记,例如,通过将“已上墨”管芯的箱更改为报废箱。如果晶圆通过106,则释放晶圆以进行进一步处理。
图2是根据一个或多个实施例的用于故障的管芯聚类和保护带的方法的流程图。该方法识别晶圆上的故障管芯的数据集中的故障管芯的聚类,并自动在每个聚类周围应用保护带。使用众所周知的基于密度的聚类算法、基于密度的带噪声应用空间聚类(DBSCAN)来执行聚类识别。下面提供该算法的简要描述。更详细的描述可在例如Martin Ester等人的“A Density-Based Algorithm for Discovering Clusters in Large SpatialDatabases with Noise”,1996年8月2日-4日,美国俄勒冈州波特兰,第二届知识发现和数据挖掘国际会议论文集(Proceedings of the Second International Conference onKnowledge Discovery and Data Mining),第226-231页中发现,其通过引入并入本文。
在DBSCAN中,聚类是点(例如,在数据空间中的管芯)的密集区域,例如,在故障管芯数据集中由密度较低的区域分隔的故障管芯的密集区。该算法基于“聚类”和“噪声”的直观概念。关键思想是对于聚类的每个点(例如管芯),点的给定半径内的邻域至少包括数据集中的最小数量的点。通常,DBSCAN发现并合并超过指定密度阈值的点的邻域以形成聚类。密度阈值由两个参数定义,邻域半径(eps)和邻域半径内的最小邻域数/点数(minPts)。参数minPts在本文中可以称为密度参数。给定这两个参数,DBSCAN执行“查找和合并”过程来定位聚类。任何未分配给聚类的点都被认为是噪声。
再次参考图2,最初从晶圆图中提取200故障管芯的数据集,并且为DBSCAN确定201密度参数minPts。参考图3描述了用于确定该参数的方法。接下来,处理202晶圆测试结果以识别“虚假故障”,并且从故障管芯的数据集中去除这种管芯。虚假故障是由于测试过程中的问题而不是制造诱导的缺陷而被分箱为故障的管芯。例如,在图4A的示例晶圆图中,箭头指示的管芯都是与测试相关的故障。从故障管芯的数据集中去除虚假故障有助于将聚类集中在真正的故障签名上,例如划痕或一团高密度故障管芯,并且可以最大限度地减少由于应用保护带而导致的管芯损失。在图4B的示例晶圆图中指示的圆圈区域指示实际故障签名的区域。
当管芯未通过一次测试或一系列测试时,默认假设是该管芯是坏的。然而,故障的原因可能是由于例如探针测试硬件的问题。例如,在同时测试多个管芯期间,探针尖端需要以正确的力和位置精度进行接触。单个探针的故障可能会导致一个或多个管芯看起来已经故障。用于识别虚假故障的技术是众所周知的,并且可以使用现在已知或将来开发的任何此类技术。
在检测到虚假故障并从故障管芯的数据集中去除之后,对故障管芯的数据集执行204DBSCAN以定位故障管芯的聚类。DBSCAN使用先前确定的密度参数minPts和eps=3执行。如前所述,参数eps定义了点周围邻域的半径。邻域的半径取决于邻域平面的自由度(DOF),因此eps=DOF+1。对于二维(2D)应用,例如在2D场中定义的探头布局,DOF=2和eps=3。
然后在定位的聚类周围应用206保护带。每个保护带的范围,即保护带的管芯宽度,可以是固定的,或者可以由用户指定。例如,对于较大的管芯尺寸,保护带可以是一个管芯宽或两个管芯宽,并且对于非常小的管芯尺寸可以显著增加。图4C图示了图4B的示例晶圆图的圆圈区域的保护带。形成保护带的边界良好管芯被保存为保护带数据集,该数据集包括在传递到晶圆处理的下一步骤的晶圆测试信息中。
然后定位208被故障管芯的聚类捕获的良好管芯的聚类。当定位故障管芯聚类并应用保护带时,在例如两个聚类之间或聚类与晶圆边缘之间能够捕获表面上良好的管芯的小区域。从质量的角度来看,这种管芯可能是范围小的,并且需要加以识别,以免它们被使用。为了定位这些区域,对晶圆上剩余的良好管芯的数据集执行DBSCAN,即通过晶圆探针测试识别的良好管芯减去用于保护带的良好管芯,以定位良好管芯聚类。对于DBSCAN的这种执行,eps=1和minPts=1以便定位好管芯的小聚类,因为良好管芯的较小聚类更有可能是被捕获的聚类。
使用阈值数量的管芯来识别被捕获管芯的聚类。该阈值可以是预定的和/或用户指定的。例如,阈值可以基于管芯的尺寸和晶圆上管芯的总数。例如,对于管芯尺寸非常大的器件,可以将阈值设置为最小值,而对于管芯尺寸非常小的器件,阈值可能会显著增加。例如,通过将它们指定为报废或将它们分配给保护带数据集,可以将经定位捕获的聚类中的管芯指示为质量有问题。
图3是根据一个或多个实施例的用于确定故障管芯的DBSCAN聚类的密度参数的方法的流程图。最初,对于故障管芯数据集中每个故障管芯计算300故障管芯邻域的计数。该计数是在管芯周围半径为3的邻域内的故障管芯数量的计数。半径为3的基本原理在此之前已解释过。
晶圆的低故障密度区域中的故障管芯也被检测并从故障管芯的数据集中去除302。例如,在半径为三内具有少于三个故障管芯邻域的管芯可被视为处于低密度区域。这些故障的管芯从数据集中去除,以便将聚类集中在更高密度的区域。
然后根据minPts=平均值-δ*StDev计算DBSCAN聚类的密度参数,即minPts。平均值是故障管芯数据集中每个故障管芯的平均故障管芯邻域数,StDev是故障管芯数据集相对于平均值的分散度的标准偏差或度量。Δ是用于区分晶圆密度的差异的经验确定的系数,因为与高密度晶圆相比,故障管芯的接近程度对低密度晶圆具有不同的影响。例如,对于具有多于2000个管芯的晶圆,Δ可以是1.5,而对于具有少于200个管芯的晶圆,Δ可以是1。
图5是可用于修改图2和图3的方法的操作的示例用户界面500。保护带数量字段502可用于指定要应用的保护带的范围或宽度。例如,在故障管芯的聚类周围的潜在受影响区域与管芯的大小成反比。因此,对于非常小的管芯,与较大管芯的保护带的宽度相比,保护带的宽度可以更大以覆盖所有潜在的范围小的管芯。到样品的好箱字段504可用于输入包括良好管芯的箱列表。筛选箱列表字段506可用于输入箱列表,该箱列表包括应考虑用于聚类和保护带的故障管芯。最大边缘聚类大小字段508可用于指定阈值数量的管芯用于识别被捕获管芯的聚类。处置类型字段510可用于定义保护带数据集中的管芯的箱类型。
图6是被配置为执行本文所述方法的示例晶圆测试***的框图。探针测试仪600执行晶圆的电探针测试并将得到的晶圆图存储在晶圆图数据库602中。晶圆测试分析器604是被配置为执行软件指令的计算机***,该软件指令执行图2和图3的方法以识别每个探针测试的晶圆上的故障管芯的聚类和对其进行保护带。晶圆测试分析器604从晶圆图数据库602、I中访问晶圆的晶圆图,以提取故障管芯的数据集,并在执行图2和图3的方法时,根据需要更新晶圆图数据库602中的晶圆图,例如,以指示管芯在保护带中。在一些实施例中,晶圆测试分析器604还被配置为提供诸如图5的用户界面以允许用户指定对方法的某些输入。
图7是可以用作图6的晶圆测试分析器604的示例计算机***700的框图。计算机***700包括耦合到一个或多个输入器件704(例如,鼠标、键盘等)和一个或多个输出器件(诸如显示屏708)的处理单元730。在一些实施例中,显示屏708可以是触摸屏,从而允许显示屏708也用作输入器件。处理单元730例如可以是台式计算机、工作站、膝上型计算机、平板机、为特定应用定制的专用单元、服务器等。显示屏708可以是任何合适的可视显示单元,例如计算机监视器、LED、LCD或等离子显示器、电视机、高清电视机或它们的组合。例如,显示屏708可以用于显示诸如图5的用户界面。
处理单元730包括处理器718、存储器714、存储器件716、视频适配器712和通过总线连接的I/O接口710。总线可以是任何类型的若干总线架构中的一种或多种,包括存储器总线或存储器控制器、***总线、视频总线等。处理器718可以是任何类型的电子数据处理器。例如,处理器718可以是来自英特尔公司的处理器、来自高级微设备公司(AdvancedMicro Devices,Inc.)的处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)等。存储器714(例如非暂时性计算机可读介质)可以是任何类型的***存储器,诸如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步DRAM(SDRAM)、只读存储器(ROM)、它们的组合等。此外,存储器714可以包括在启动时使用的ROM和用于执行程序时使用的用于数据存储的DRAM。
存储器件716(例如,非暂时性计算机可读介质)可以包括被配置为存储数据、程序和其他信息并使数据、程序和其他信息可经由总线访问的任何类型的存储器件。在一个或多个实施例中,存储器件716存储要由处理器718执行以执行本文描述的方法的实施例的软件指令。例如,存储器件716可以是硬盘驱动器、磁盘驱动器、光盘驱动器、固态驱动器等中的一种或多种。
视频适配器712和I/O接口710提供接口以将外部输入和输出器件耦合到处理单元730。处理单元730还包括网络接口724。网络接口724允许处理单元730经由网络(未示出)与远程单元通信。网络接口724可以为诸如以太网电缆等的有线链路或无线链路提供接口。计算机***700还可以包括未具体示出的其他部件。例如,计算机***700可以包括电源、电缆、主板、可移动存储介质、外壳等。
其他实施例
尽管已经针对有限数量的实施例描述了本公开内容,但是受益于本公开内容,本领域技术人员将理解可以设计出不脱离本文公开的范围的其他实施例。
例如,本文描述的实施例涉及晶圆的电探针测试。在一些实施例中,可以使用光学测试和/或可以使用电学和光学测试的组合。
在另一示例中,本文描述了在对故障管芯进行聚类之前,从故障管芯数据集中去除低故障密度区域中的故障管芯的实施例。在一些实施例中,可省略去除此类故障管芯,因为此类管芯在故障管芯数据集中的存在可能不会影响聚类过程,但可能会增加完成对故障管芯进行聚类的处理时间。
在另一示例中,本文描述了为每个晶圆计算密度参数minPts的实施例。在一些实施例中,可以使用用于指定密度参数的其他技术,例如,允许用户指定参数或使用不同的公式进行计算。
在另一示例中,本文描述了从故障管芯的数据集中去除所有虚假故障的实施例中。在一些实施例中,一些虚假故障可能不会被去除。
在另一示例中,本文描述了使用具有minPts=1和eps=1的DBSCAN来定位良好管芯的被捕获聚类的实施例。在其他实施例中,可以使用不同的minPts和/或eps值。
实施本文描述的方法的实施例的软件指令可以最初存储在非暂时性计算机可读介质中并且由一个或多个处理器加载和执行。在一些情况下,软件指令可以经由可移动的非暂时性计算机可读介质、经由来自另一个数字***上的非暂时性计算机可读介质的传输路径等分发。非暂时性计算机可读介质的示例包括诸如只读存储器器件之类的不可写存储介质、诸如磁盘、闪存、存储器之类的可写存储介质或其组合。
因此预期所附权利要求将涵盖落入本公开内容的真实范围内的实施例的任何此类修改。
Claims (20)
1.一种用于故障管芯聚类的方法,所述方法包括:
从晶圆的晶圆图中提取在所述晶圆上的故障管芯的数据集;
确定用于将所述故障管芯聚类的密度参数;
从所述故障管芯的数据集中去除虚假故障,以生成故障管芯的减小的数据集;
通过执行具有所述密度参数的基于密度的带噪声应用空间聚类算法即DBSCAN算法,在所述减小的数据集中定位故障管芯的聚类;以及
对每个定位的聚类应用保护带。
2.根据权利要求1所述的方法,其进一步包括在定位聚类之前从所述减小的数据集中去除所述晶圆的低故障密度区域中的故障管芯,其中当所述管芯在半径为三内具有少于三个故障管芯邻域时,故障管芯处于低故障密度区域中。
3.根据权利要求1所述的方法,其进一步包括定位捕获的良好管芯的聚类并指示捕获的管芯质量有问题。
4.根据权利要求3所述的方法,其中定位捕获的良好管芯的聚类进一步包括:
使用minPts=1且eps=1的所述DBSCAN算法在所述晶圆上的良好管芯数据集中定位良好管芯的聚类,其中所述良好管芯数据集不包括在应用于故障管芯的经定位的聚类的所述保护带中的任何良好管芯;以及
使用阈值数量的管芯在所述良好管芯的聚类中识别捕获的良好管芯的聚类。
5.根据权利要求4所述的方法,其中所述阈值由用户指定。
6.根据权利要求1所述的方法,其中确定密度参数进一步包括:
为所述故障管芯数据集中的每个故障管芯计算在半径为3的邻域内的故障管芯邻域的计数;以及
基于故障管芯邻域的平均计数、故障管芯邻域的计数的标准偏差以及表示所述晶圆的相对密度的系数来计算所述密度参数。
7.根据权利要求1所述的方法,其中应用保护带进一步包括使用用户指定的用于所述保护带的宽度。
8.根据权利要求1所述的方法,其中应用保护带进一步包括将所述保护带中的每个管芯的箱改变为用户指定的箱。
9.根据权利要求1所述的方法,其中所述晶圆图是通过所述晶圆的电探针测试生成。
10.一种***,其包括:
存储用于故障管芯聚类的软件指令的非暂时性计算机可读介质,其中所述软件指令包括用于以下操作的软件指令:
从晶圆的晶圆图中提取在所述晶圆上的故障管芯的数据集;
确定用于将所述故障管芯聚类的密度参数;
从所述故障管芯的数据集中去除虚假故障以生成故障管芯的减小的数据集;
通过使用所述密度参数执行基于密度的带噪声应用空间聚类算法即DBSCAN算法,在所述减小的数据集中定位故障管芯的聚类;以及
对每个定位的聚类应用保护带;以及
至少一个处理器,其耦合到所述非暂时性计算机可读介质以执行所述软件指令。
11.根据权利要求10所述的***,其中所述软件指令进一步包括用于在定位故障管芯的聚类之前从所述减小的数据集中去除所述晶圆的低故障密度区域中的故障管芯的软件指令,其中当所述管芯在半径为三内具有少于三个故障管芯邻域时,故障管芯位于低故障密度区域中。
12.根据权利要求10所述的***,其中所述软件指令还包括用于定位捕获的良好管芯的聚类并指示所捕获的管芯质量有问题的软件指令。
13.根据权利要求12所述的***,其中用于定位捕获的良好管芯的聚类的所述软件指令进一步包括用于以下操作的软件指令:
使用minPts=1和eps=1的所述DBSCAN算法在所述晶圆上的良好管芯的数据集中定位良好管芯的聚类,其中所述良好管芯的数据集不包括应用于故障管芯的定位的聚类的所述保护带中的任何良好管芯;并且
使用阈值数量的管芯识别所述良好管芯的聚类中的被捕获良好管芯的聚类。
14.根据权利要求10所述的***,其中用于确定密度参数的所述软件指令进一步包括用于操作的软件指令:
为所述故障管芯数据集中的每个故障管芯计算在半径为3的邻域内的故障管芯邻域的计数;并且
基于故障管芯邻域的平均计数、故障管芯邻域的计数的标准偏差以及表示所述晶圆的相对密度的系数来计算所述密度参数。
15.根据权利要求10所述的***,其中所述晶圆图通过所述晶圆的电探针测试生成。
16.一种用于故障管芯聚类的方法,所述方法包括:
通过执行基于密度的带噪声应用空间聚类算法即DBSCAN算法,在晶圆的故障管芯的数据集中定位故障管芯的聚类;以及
对每个定位的聚类应用保护带。
17.根据权利要求16所述的方法,其进一步包括在定位聚类之前从所述故障管芯的数据集中去除至少一些虚假故障。
18.根据权利要求16所述的方法,其进一步包括在定位聚类之前从所述故障管芯的数据集中去除所述晶圆的低故障密度区域中的故障管芯,其中当所述管芯在半径为三内具有少于三个故障管芯邻域时,故障管芯处于低故障密度区域中。
19.根据权利要求16所述的方法,其进一步包括基于所述故障管芯的数据集中的每个故障管芯的故障管芯邻域的计数来确定用于DBSCAN的密度参数。
20.根据权利要求16所述的方法,其进一步包括使用DBSCAN定位捕获的良好管芯的聚类并且指示捕获的管芯质量有问题。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962948371P | 2019-12-16 | 2019-12-16 | |
US62/948,371 | 2019-12-16 | ||
US17/096,898 | 2020-11-12 | ||
US17/096,898 US20210181253A1 (en) | 2019-12-16 | 2020-11-12 | Fail Density-Based Clustering for Yield Loss Detection |
PCT/US2020/064792 WO2021126740A1 (en) | 2019-12-16 | 2020-12-14 | Fail density-based clustering for yield loss detection |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114846341A true CN114846341A (zh) | 2022-08-02 |
Family
ID=76317818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080087253.0A Pending CN114846341A (zh) | 2019-12-16 | 2020-12-14 | 用于良率损失检测的基于故障密度的聚类 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210181253A1 (zh) |
CN (1) | CN114846341A (zh) |
WO (1) | WO2021126740A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917305A (zh) * | 2021-10-13 | 2022-01-11 | 海光信息技术股份有限公司 | 一种测试方法、测试***、电子设备和可读存储介质 |
CN116702304B (zh) * | 2023-08-08 | 2023-10-20 | 中建五局第三建设有限公司 | 一种基于无监督学习的基坑设计方案分组方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6281908B1 (en) * | 1999-04-15 | 2001-08-28 | Lexmark International, Inc. | Alignment system and method of compensating for skewed printing in an ink jet printer |
US7607757B2 (en) * | 2004-05-27 | 2009-10-27 | Silverbrook Research Pty Ltd | Printer controller for supplying dot data to at least one printhead module having faulty nozzle |
US7338144B2 (en) * | 2005-09-29 | 2008-03-04 | Xerox Corporation | Ink jet printer having print head with partial nozzle redundancy |
JP2007141943A (ja) * | 2005-11-15 | 2007-06-07 | Matsushita Electric Ind Co Ltd | クリティカルエリア算出方法及び歩留まり算出方法 |
US7866779B2 (en) * | 2007-11-16 | 2011-01-11 | Hewlett-Packard Development Company, L.P. | Defective nozzle replacement in a printer |
US9772372B2 (en) * | 2014-01-30 | 2017-09-26 | Texas Instruments Incorporated | Kill die subroutine at probe for reducing parametric failing devices at package test |
US10902576B2 (en) * | 2016-08-12 | 2021-01-26 | Texas Instruments Incorporated | System and method for electronic die inking after automatic visual defect inspection |
US11263496B2 (en) * | 2019-02-25 | 2022-03-01 | D2S, Inc. | Methods and systems to classify features in electronic designs |
-
2020
- 2020-11-12 US US17/096,898 patent/US20210181253A1/en active Pending
- 2020-12-14 WO PCT/US2020/064792 patent/WO2021126740A1/en active Application Filing
- 2020-12-14 CN CN202080087253.0A patent/CN114846341A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021126740A1 (en) | 2021-06-24 |
US20210181253A1 (en) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI469235B (zh) | 決定實際缺陷是潛在系統性缺陷或潛在隨機缺陷之由電腦實施之方法 | |
JP4014379B2 (ja) | 欠陥レビュー装置及び方法 | |
US9418199B2 (en) | Method and apparatus for extracting systematic defects | |
JP5460662B2 (ja) | 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法 | |
US10223492B1 (en) | Based device risk assessment | |
US7760929B2 (en) | Grouping systematic defects with feedback from electrical inspection | |
US9201022B2 (en) | Extraction of systematic defects | |
US20110001820A1 (en) | System for creating an inspection recipe, system for reviewing defects, method for creating an inspection recipe and method for reviewing defects | |
KR20180095715A (ko) | 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선 | |
JP2009010405A (ja) | 局所的外れ値の検出のための方法および装置 | |
JP5907649B2 (ja) | データ解析のための方法および装置 | |
US11688052B2 (en) | Computer assisted weak pattern detection and quantification system | |
CN114846341A (zh) | 用于良率损失检测的基于故障密度的聚类 | |
US10191112B2 (en) | Early development of a database of fail signatures for systematic defects in integrated circuit (IC) chips | |
CN109085466B (zh) | 光罩静电释放缺陷检测方法 | |
JP4146655B2 (ja) | 欠陥源候補抽出プログラム | |
JP7422893B2 (ja) | 検査対象欠陥パターンの優先順位付け装置、順位付け方法及び記憶媒体 | |
JP2004165395A (ja) | 検査データ解析プログラムと検査方法 | |
WO2023167795A1 (en) | System and method to weight defects with co-located modeled faults | |
JPH1187454A (ja) | 半導体検査システムおよび半導体製造方法 |
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 |