[发明专利]利用机器学习分类器提高半导体芯片良品率的方法

权利要求书

1.一种利用机器学习分类器提高半导体芯片良品率的方法，其特征在于，包括如下步骤：

S1、基于预设算法建立机器学习分类器；

S2、基于晶圆裸片的前期数据，建立训练数据集；

S3、使用所述训练数据集训练所述机器学习分类器，并使用训练后的机器学习分类器预测晶圆裸片的成品测试结果；

S4、基于所述成品测试结果对裸片进行品质分类，并按品质分类对裸片进行封装；

其中，若所述预设算法为随机降采样和集成算法，步骤S2具体包括：

S21a、选取预设数量的晶圆作为训练晶圆，从每片训练晶圆上选出所有CP测试合格但FT测试不合格的裸片组成不合格裸片样本集S_MIN；

S22a、在每片训练晶圆上选取n个不同区域采集CP测试和FT测试均合格的裸片组成合格裸片样本集其中1＜n＜100，每个区域的合格裸片采样数目和该训练晶圆上所有不合格裸片的样本数目保持一致；

S23a、使用每个区域的合格裸片样本集S_{MAJ_i}和不合格裸片样本集S_MIN组成n个合成数据集；

所述CP测试为封装前对芯片进行的性能及功能测试，FT测试为封装后的成品测试。

2.根据权利要求1所述的方法，其特征在于，若所述预设算法为随机有放回降采样和集成算法，步骤S2还包括：

S21b、选取预设数量的晶圆作为训练晶圆，从每片训练晶圆上选出所有CP测试合格但FT测试不合格的裸片组成不合格裸片样本集S_MIN；

S22b、在每片训练晶圆上选取n个不同区域采集CP测试和FT测试均合格的裸片组成样合格裸片本集其中1＜n＜100，每个区域的合格裸片采样数目和该训练晶圆上所有不合格裸片的样本数目保持一致；

S23b、从合格裸片样本集中有放回的随机采样n次，每次选取与不合格裸片样本集S_MIN中数目一样的样本，得到共n个新合格样本数据集；

S24b、分别使用每一个新合格样本数据集与不合格裸片样本集S_MIN组成n个合成数据集。

3.根据权利要求2所述的方法，其特征在于，步骤S3具体包括：

S31a、对n个合成数据集进行特征提取和特征工程，识别数据中影响FT测试结果的主要参数；

S32a、使用n个合成数据集分别进行机器学习训练，训练得到n个基分类器H_i；

S33a、综合所有基分类器H_i，得到每片训练晶圆的集成分类器，并基于所有训练晶圆的集成分类器确定最终的集成分类器或确定最终的FT预测结果。

4.根据权利要求1所述的方法，其特征在于，若所述预设算法为随机递减降采样和集成算法，步骤S2还包括：

S21c、选取预设数量的晶圆作为训练晶圆，从每片训练晶圆上选出所有CP测试合格但FT测试不合格的裸片组成不合格裸片样本集S_MIN；

S22c、在每片训练晶圆上选取n个不同区域采集CP测试和FT测试均合格的裸片组成合格裸片样本集其中1＜n＜100，每个区域的合格裸片采样数目和该训练晶圆上所有不合格裸片的样本数目保持一致；

S23c、从n个区域的合格裸片样本集中随机抽取一个与不合格裸片样本集S_MIN数目一样的子集，然后将该子集与不合格裸片样本集S_MIN合并组成一个合成数据集。

5.根据权利要求4所述的方法，其特征在于，步骤S3具体包括：

S31b、对合成数据集进行进行特征提取和特征工程，识别数据中影响FT测试结果的主要参数；

S32b、使用合成数据集进行机器学习训练，训练得到一个基分类器H_i；

S33b、从n个区域的合格裸片样本集中删除掉已被H_i正确分类的合格裸片样本；重复以上步骤，直到达到最大迭代次数，最终输出一个集成分类器；

S34b、基于所有训练晶圆的集成分类器确定最终的集成分类器或获取最终的测试结果。