基于邻域信息的细粒度在线适应性测试

为了解决晶圆测试成本过高的问题,在适应性测试领域已经提出了一些基于空间相关性的质量预测方案。但这些方案大多为了降低成本而牺牲了过多的预测准确度。针对这一问题,提出了一种细粒度质量预测方法。该方法利用故障晶粒邻域率对空间相关性模型预测后的晶粒进行分类,针对不同类型的晶粒选择不同的测试集。此外,在进行晶粒测试集选择前还引入了空间验证步骤,这能够保证整个方案的测试质量。实验结果表明,本方法相较于间接测试方法,平均测试逃逸率降低了83%,平均测试项节省率提升了14%;相较于动态部分平均测试方法,平均测试逃逸率降低了81%,平均测试项节省率提升了17%。

低测试逃逸的晶圆级适应性测试方法

为了降低集成电路中测试成本,提高测试质量,该文提出一种低测试逃逸率的晶圆级适应性测试方法。该方法根据历史测试数据中测试项检测故障晶粒的有效性筛选测试集,降低待测晶圆的测试成本。同时,分析晶粒邻域参数波动程度,将存在波动晶粒的参数差异进行放大并建模,提高该类晶粒质量预测模型的分类准确率;无波动的晶粒使用有效测试集建模的方法进行质量预测,减少测试逃逸的风险。根据实际晶圆生产数据的实验结果表明,该方法可以明显降低晶圆的测试项成本40.13%,并保持较低的测试逃逸率0.0091%。