本文將說明批量診斷結果與DFM熱點相關聯如何成為一種高效率的手段，以找到設計中的“問題區域”，為制造與設計團隊提供通行令讓他們可以減少系統性瑕疵。

批量良品率診斷(VYD)
芯片良品率的提高是納米級半導體公司面臨的最大挑戰之一，它對整個電子工業的經濟影響關系重大。
業內過去一直在使用三種傳統方法以提高良品率。線路內檢查與電氣測量是過去用于識別與提高良品率的兩種最主要手段。第三種提高良品率的手段是使用ATE中收集到的故障數據。這種提高良品率的方法可以有非常高的效率，因為，（1）通過單個掃描鏈可以測試數百萬門；（2）可以將邏輯診斷結果與實際設計與布局數據相關聯。本文將會解釋基于這第三種技術的VYD，在其中分析大量的ATE數據，以尋找納米設備的系統性缺陷行為。

圖1 良品率學習系統流程

1 良品率學習系統流程
圖1展示了一個良品率學習系統流程的實例。分析是通過收集盡可能多的有效數據進行的，其數據庫來自：
(1)包含制造條件等的生產數據，以及監控數據與設計數據；

(2)VYD核心引擎。
VYD核心引擎中的DB包括wafer lot、芯片名和坐標、已找到位置的線網名、線網形狀、單元類型以及顯示各診斷預報最高分的故障模型。制造DB包含測試條件、制造執行系統（MES）、物理故障分析（PFA）和將電氣診斷（位圖、邏輯線網診斷預報）與線路內PLY數據重疊的電氣測試處理限定良品率（ETPLY）。
批量良品率診斷可以針對典型故障樣本迅速執行診斷仿真，以識別和區分最常見的故障類型與位置。VYD能夠透徹地鑒別最關鍵的良品率問題，讓設計與制造人員能夠及時解決良品率損失問題。批量良品率診斷需要大量特定功能，包括故障數據分析、并行運行時間支持、無故障終止、自動故障挑選以及一個數據提取編程界面。

圖2 VYD引擎流程

2 VYD引擎流程
圖2顯示了核心診斷引擎的VYD流程。批量診斷作為VYD系統的一部分，能夠迅速分析大量的器件故障，通過單元類型、IP模塊、線網、金屬層或測試序列等識別常見的故障模式。VYD為多個wafer lots中的單種設備類型挑選并分析數量龐大的（有時是成百上千個）典型故障。收集了批量診斷的大量有效數據后，測試與診斷過程按照下面三個步驟展開。第一步是從測試者中收集數據。我們可以獲取通過或者失敗的信息，其中顯示了wafer lots級別中芯片的各種趨勢，并附有測試者狀況。測試者可以在幾乎所有ATE都支持的STDF中對其進行格式化。第二步是對故障集進行分析，其中包含故障樣式數量，以及從測試者日志中提取的故障位置。大量的故障集顯示了掃描鏈、故障類型和FF單元類型的趨勢。第三步是分析累積診斷的“診斷預報”報告。診斷引擎會建立一個“診斷預報”報告，根據與ATE觀測到的故障行為的匹配程度，對內部節點與故障機理進行排列。此外，各引擎會將“診斷預報”列表寫入到診斷數據庫。對得出的數據進行繪制，確認是否存在統計上的相關趨勢。

分析中可以含有判斷是否有特定的元件類型或臨界結構造成巨大良品率損失的報告。
特定故障集的診斷預報結果被分為三種類型（TFSP、TFSF和TFSP），如圖3所示。瑕疵的可能性使用以下數學方程式計算。
Score=(TFSF/(TFSP+TFSP +TPSF/10))*100??????????????? (1)
(Cadence制定的邏輯診斷分數計算)
分數顯示為100，表示診斷預報結果與故障仿真和故障集（如TFSP和TFSP為空）的結果完全一致。
確認了良品率限制因素后，代表良品率限制因素的故障盤片就會被確認，這樣就可以讓故障分析（FA）設備顯示單個盤片上準確的物理故障位置/結構。

圖3 診斷預報分值計算公式

該流程中的最后一個步驟是進行精確診斷，其目標是VYD發現的最重要的故障。在診斷預報未能達到物理故障分析（PFA）能夠執行的高分值的情況下，故障集將會重新生成，診斷仿真將會采用更復雜的故障模型運行。

VYD分析
VYD分析的要點是如何從故障集和診斷預報中提取引人注意的要點。大量的故障集與wafer lots可以分析掃描鏈錯誤率、雙穩態多諧振蕩器、頂層錯誤雙穩態多諧振蕩器、錯誤圖樣分析、常見故障類型以及初始錯誤樣式等。大量的診斷預報可以分析單元類型以及高分值的線網名。

圖4 故障掃描鏈總結

1 故障集分析：掃描鏈
對ATE上出問題的掃描鏈的故障集進行分析，發現故障的原因。圖4顯示了掃描鏈，根據芯片的盤片樣本數值，其故障數最高。

根據批量分析的結果，可以看到在所有盤片中有3條掃描鏈在ATE的測試中至少發生了3次故障。由于盤片樣本總數很少，這個結果還不夠有說服力，還無法指出特定的系統行為或原因所在。如果在這里能夠提高樣本數量，那么分析的結果將會為我們指出更精確的系統故障行為。

圖5 掃描鏈分析結果

圖5描述了所有邏輯故障數據集的批量邏輯診斷分析結果。
如上圖5所示，掃描鏈48與掃描鏈54在大多數時候都會出現問題。這些故障行為只有在特定故障盤片上可以看到。稍微加以分析就會發現，所有故障都是發生在掃描鏈35中的bit 613上。這就為我們指出了一個系統性錯誤。在進行診斷之前分析故障數據，就可以縮短執行診斷所需的處理時間。

2 診斷預報分析:單元類型
圖6顯示了診斷預報分析的案例分析。圖表是從大量故障與較低比率的設計中整理出來的。因此最左端的條代表的單元類型是單元模型中最有可能出現的瑕疵。

圖6 單元類型分析結果

精確診斷技術
在新技術的低良品率階段或初期階段，故障芯片通常會包括多個瑕疵或更復雜的瑕疵。這會導致在診斷仿真中出現低分值，即便是提前進行了劃分，想要找到低良品率的原因更加困難。
對于這種情況，精確診斷有一些解決方案。其他診斷功能比如SLAT分析、版圖的額外故障推舉或者診斷硬件和高級劃分技術都是十分有效的。工程師有時會采用其他劃分技術以鍛煉測試條件或樣式生成的靈活性。

批量分析與DFM連接：探測有缺陷位置的更高精確性
隨著工藝技術的縮小，診斷系統故障的難度越來越高。這種現象的一個原因是造成納米故障的原因沒那么容易使用固定故障模型預測。例如，橋接故障(bridging failures)或者金屬線或金屬和聚乙烯之間的短路就是會導致芯片上的兩條不同線路通電的瑕疵。橋接故障通常是由于生產過程中摻入了雜質粒子，或者因為印刷錯誤的光刻所導致。

提高故障診斷精確度的可制造性設計（DFM）的備選方案是使用DFM工具分析物理設計，以確認最有可能與橋接瑕疵有關的成對的線網。尋找物理上與其他線網臨近的線網就可以確認。這種分析的進行方式是使用DFM關鍵區域分析（CAA）工具對“關鍵區域”進行計算。成對線網之間的面積被定義為關鍵區域，其中極小的一部分就有可能造成兩個線網之間的橋接。知道了關鍵區域之后，成對線網可以按照關鍵區域分類，關鍵區域最大的前N個線網可以用來建立實用的橋接故障模型，使用于診斷中。
可以采用的另外一種方法是使用一個設計規則檢查器（DRC）找出只有單個導孔的線網。可以對這些線網做標記，建立一個開放故障模型模仿未填充或者缺少的導孔。如果診斷出存在導孔問題，在診斷中使用這種模型最有可能獲得更高的診斷預報分值。

最后一種方法是同時使用DFM與診斷，如圖7所示。在這種情況下，熱點來自以下來源：
①來自光刻仿真器的光刻熱點。
②光學臨近校正(OPC)熱點
③來自CMP仿真器的化學機械拋光(CMP)熱點
④CAA熱點
⑤版面中的連通性熱點，例如：關鍵時序路徑
⑥Cadence Encounter Diagnostics輸出的診斷預報線網
⑦物理驗證系統(PVS)-DRC熱點與標記
將熱點位置（X,Y）與診斷診斷預報位置相關聯，可以用于計算診斷預報分值，就像公式(1)說明的一樣。這可以讓位置與光刻熱點相同的診斷預報線網比起與熱點隔離的診斷預報分值更高。其理論依據是光刻熱點造成故障的可能性高于遠離光刻熱點的診斷預報。

圖7 Design to Silicon瑕疵分析

這種對診斷診斷預報與熱點的關聯可以被看到，并連接到版面中的相應位置，幫助驅動PFA設備。

數據累計
將特定單元類型或版面布局故障率的歷史數據累積起來，即堆疊導孔M3到M5與對應的熱點可以從批量診斷結果中剝離，將其規格化并分析，讓高良品率損失的情況得以反饋給設計團隊，以修改設計庫，限制他們的使用，或者降到最低，在設計驗證中對其進行標記。

此外，根據錯誤的關鍵范圍（CD）造成的大量診斷預報與熱點關聯的位置，還可以自動產生CD-SEM處方。有了這個處方再加上歷史數據，可以實現及早預防。

結束語
隨著EDA工具的進化，診斷仿真被不斷改進，從而能夠比五年前更快地偵測納米設備中復雜的瑕疵位置。加上批量良品率診斷，這種方法學變得更為實用，通過從多個wafer和wafer lots中收集測試結果，找出系統性瑕疵的常見原因。
為了解決不可見瑕疵與細微的設備與金屬變化這個越來越大的問題，診斷預報可以與熱點和設計信息相關聯，有助于更為一目了然地指引PFA流程，并限制需要在PFA中探索的面積——只要檢查與熱點高度關聯的線網片段即可。

最后，診斷預報與熱點的相關因素也可以使用于診斷預報計算器，以提高診斷工具計分的精確性。配合診斷與DFM能夠找到系統性良品率損失最細微原因的所在位置。