基于WOA-SVM的混合式晶圆允收测试关键特征参数选择方法

晶圆允收测试(Wafer Acceptance Test,WAT)是晶圆制造的核心工艺过程,对该过程中的关键测试参数进行识别有助于提升晶圆良率预测准确性,从而改善企业生产效率、控制生产成本。针对WAT参数维度高、影响晶圆良率的关键特征参数不明显、参数之间存在复杂关联关系等特点,提出一种过滤式结合封装式的混合式特征选择方法。首先,构建基于皮尔逊相关系数法(PCCs)的过滤式特征选择方法对高维原始WAT特征参数数据进行初筛处理,以降低WAT特征参数维度;其次,设计基于鲸鱼优化算法与支持向量机(WOA-SVM)的封装式特征选择方法对关键特征参数组合进行优化,实现关键特征参数不显著、参数复杂关联环境下的关键特征有效提取。基于某晶圆制造企业实际生产数据对提出的WAT关键特征参数选择方法进行验证,结果表明提出的方法是有效的。

基于混合式特征选择模型的晶圆允收测试关键参数识别方法

晶圆允收测试是晶圆加工过程的关键环节,对其中的关键测试参数进行准确分析识别有助于准确预测晶圆良率、及时发现工艺缺陷。针对测试参数维度高、数据冗余性强、关键特征不显著的特点,以最小化晶圆允收测试参数量和晶圆良率预测误差为目标,提出了过滤式与封装式相结合的混合式特征选择方法。在过滤式预筛选中,通过互信息度量各参数与晶圆良率的相关性,以及各参数之间冗余性,并根据最大相关、最小冗余准则,缩小候选参数规模;在封装式精选中,以遗传算法实现候选参数的编码、寻优,根据神经网络的晶圆良率预测误差进行适应度函数评价,进一步精选关键特征。最后,采用标准数据集和实例数据对所提方法进行了有效性验证。

基于CNN-LSTM的晶圆良率预测

晶圆良率是衡量半导体制造系统加工能力的关键指标,对其精准预测有利于排查晶圆制程工艺缺陷、提高晶圆生产率、控制企业生产成本。基于晶圆允收测试(wafer acceptance test,WAT)大数据,提出了基于卷积神经网络和长短期记忆网络(convolutional neural networks and long short-term memory,CNN-LSTM)的晶圆良率预测方法。该方法对WAT数据进行缺失、异常与归一化预处理;构建CNN模型对复杂WAT参数的关键特征进行识别;考虑相邻晶圆间的时序相关性,设计长短期记忆网络进行回归分析,从而实现晶圆良率的准确预测。以某工厂晶圆允收测试过程中采集的实际生产数据进行实验,并与其他传统晶圆良率预测方法的结果进行对比分析,从而验证所提方法的有效性。

基于改进粒子群算法的晶圆良率优化

晶圆良率是衡量晶圆产品质量的重要指标,实现其稳定优化能够有效控制生产成本。针对晶圆良率影响因素众多、数据量庞大等特点,以晶圆允收测试为依据,设计了基于改进粒子群算法的晶圆良率优化方法。该方法在晶圆允收测试数据预处理与关键参数提取基础上,建立评价粒子适应度的晶圆良率预测模型,设计迭代自适应的粒子群惯性因子与加速因子,以及基于模拟退火的局部搜索机制,实现最小调整成本下的晶圆良率最大化目标。在某晶圆制造车间算例实验中,通过对比分析验证了所提方法的有效性。

一种在芯片测试阶段进行产品规格区分的方法

介绍了逻辑电路IC芯片的两项重要参数(性能和功耗)与芯片的通用电源短路测试参数之间的强相关性。从而在IC芯片的量产阶段,利用晶圆测试阶段的通用电源短路参数进行分类的方法,来区分出不同性能和功耗规格要求的产品。在此基础上,根据通用电源短路参数的不同分类,在芯片内部的电熔丝里烧录不同的电压标识,使得芯片可以在系统上启动BIOS时通过读取该电压标识来决定运行芯片的电压大小,从而有助于优化产品的性能与功耗分布,进而提高产品的规格。

一种基于随机森林的可寻址WAT良率诊断方法

WAT(Wafer Acceptance Test,晶圆允收测试)是晶圆在完成制造后必须通过的一项电学测试.本文提出了一种基于随机森林的良率诊断方法,使用随机森林算法对来自可寻址WAT的测试数据建立分类模型,并从中提取关键规则.提取出的规则集合可以帮助分析人员快速、准确地对生产中导致低良率的根本原因进行定位、分析,对于良率提升有着重要意义.在真实可寻址WAT测试数据集上应用本文提出的方法,得到的规则集合在分类性能上较基于决策树的方法有着更好的表现.