GeirEide擁有美國加州大學圣塔巴巴拉分校的電氣和計算機工程學士與碩士學位，現任明導硅測試解決方案部門產品營銷經理。

前言、背景

半導體良率取決于許多因素。如果您的設備使用領先的工藝生產，您可能與代工廠不辭辛勞地密切合作以確保工藝和產品良率有一定程度的相應提升。不過，如果您的集成電路應用面向成熟節點進行了優化，良率可能就不會讓你徹夜難眠了 -- 除非發生意外。

對于醫療和汽車市場所用設備，您需要仔細尋找一切可能影響品質或者可靠性的問題。我們通常親切地稱為“百分之一”的集成電路產品是指那些已經生產了足夠長時間、產量足夠高，因此從產品生產成本的角度來看，值得想辦法找出最后1%的良率損失。

全文要點

隨著良率挑戰數量的增加，許多無晶圓廠半導體公司采用了新技術，如診斷驅動的良率分析（diagnosis-driven yield analysis，DDYA），該技術可以快速找到良率損失的根本原因，有效區分面向設計和面向工藝的良率損失問題。例如，Freescale使用1300個failing die的診斷分析結果在幾周內將成熟良率提高了1.5%。診斷分析技術取得的新進步使 DDYA 比以往更具價值。

DDYA 有兩個主要構成元素。首先，使用掃描診斷軟件分析生產測試失敗情況，根據設計描述、掃描測試圖和測試儀故障數據找到缺陷位置和類別（圖1）。

圖1.基于布局考量的掃描診斷識別數字半導體設備的缺陷位置和類別

DDYA 的第二部分是統計分析，能使大量故障設備的診斷結果變得可執行。基于診斷數據的良率分析的主要難題是處理結果中的含糊性。例如，測試儀上的缺陷行為可以通過多個位置的缺陷得以解釋。其次，通常被稱作“懷疑對象”的每個診斷結果都可能含有與缺陷相關的多個根本原因。

欲消除診斷結果中的噪聲（含糊性），并確定大量故障設備中的潛在根本原因，您可以采用根本原因反卷積 （root cause deconvolution，RCD）技術。該技術基于貝葉斯概率分析，這是機器學習應用中一種著名的分析法。

RCD 運用了設計統計，包括每個金屬層每個網段的關鍵區域，以及每個單元類型的測試單元數。該技術使用統計模型來計算觀測一組針對既定缺陷分布診斷結果的可能性。該模型用于確定既定診斷結果組合的最可能的缺陷分布。圖2展示常見的 RCD 分析流程。

圖2：RCD確定根本原因分布和每個根本原因最可能帶來故障的設備。

基于布局考量的診斷在制造測試失敗的die上執行（1）。每個診斷結果都包含一組可能對故障做出解釋的根本原因。如果我們對所有根本原因進行匯總并計算出每個根本原因所導致故障的die的數量，就能得到包含真正根本原因以及噪聲的一張圖表（2）。RCD 接著消除這一噪聲并確認潛在的根本原因分布（3）。用戶從該分布中能聚焦最值得注意的潛在根本原因，或者之前沒有發現的一個根本原因。RCD 順著根本原因分布為每個診斷懷疑對象的根本原因分配一個概率值（4）。這意味著用戶可以輕松確定最可能代表特定根本原因的物理die，并使用這個die進行故障分析 （FA）。在對failing die的 RCD 結果與原始分析報告進行比較時，我們看到 RCD 除去了幾項最初的根本原因，從而有效提高了對單個結果的決斷（5）。在這個特別的案例中，原始報告包含了一個failing die的七項可能的根本原因，RCD 則將這些縮減為一個結果。布局快照體現了 RCD 之前和之后的缺陷邊界框（6）。

在分析某一組不合格產品的數據時，如單個晶圓或單個批次的晶圓，RCD 的重要性尤為明顯。事實證明，這項技術也可用于長期良率的監測。可以通過比較多個批次產品，甚至多個設備的 RCD 缺陷分布，來確定缺陷的趨勢和變化。GLOBALFOUNDRIES 最近發表的一份文件指出：“為了最大限度地發揮 RCD 的作用，需要精心準備分析群體。通過將不同時間和設計的 RCD 結果不斷積累，可以以最小代價得到有效的良率分析。”

總之，運用RCD的DDYA可以快速、低成本地通過測試數據來確定造成一組設備存在缺陷的根本原因。用這一方法可以搜捕出成熟工藝中1%良率損失的原因，由于測試數據是現成的，因此為無晶圓廠半導體公司的良率和故障分析工藝提供了重要的價值。