[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

说明书

本发明公开一种利用机器学习分类器提高半导体芯片良品率的方法，利用机器学习分类器，通过对封装前晶圆裸片(die)的前期数据进行分析来预测封装后晶圆裸片的成品测试(Final Test,FT)结果，然后根据预测的FT结果对晶圆裸片进行品质分类，最后按裸片品质分类进行封装。该方法能够有效提高晶圆裸片封装前品质分类的准确性，从而提高封装后半导体芯片的良品率。

技术领域

本发明涉及半导体芯片产品开发/制造领域，尤其涉及一种利用机器学习算法提高晶圆裸片在品质分类阶段的准确性，从而提高封装后芯片良品率的方法。

背景技术

半导体芯片产品(例如存储芯片、SOC芯片等)的晶圆从开始制造到向客户发货的过程中需要经过一系列的各类测试，如图1(100)所示主要包括：(1)步骤102，在制造完成后进行的晶圆接受测试(Wafer Acceptance Test,WAT)，主要对专门的测试图形(Test Key)的测试，通过电参数来检验各步制造工艺是否正常和稳定；(2)步骤104，封装前对芯片进行的性能及功能测试(Circuit Probe,CP)，主要是按品质分类进行不同级别的测试，划片封装前把不合格的祼片(die)挑出来，以减少封装和芯片成品测试成本；(3)步骤106，封装后的成品测试(Final Test,FT)，主要是进一步对芯片的各项性能/功能/可靠性进行全面的测试，确保芯片的出货品质。

尽管封装时会根据CP测试结果将裸片按品质规格封装在一起，但部分CP测试合格的裸片可能在封装后会出现FT测试结果不合格，从而造成封装后的芯片不合格或品质降级，不仅浪费同一芯片中其他的合格裸片而且同时降低芯片良品率。裸片的失效几率与封装芯片失效几率之间的相互关系可以表示为：P_芯片失效＝1-(1-P_裸片失效)^S≈SP_裸片失效，其中S表示每颗封装芯片中的裸片数目。由此可见，随着封装芯片中裸片数目的增多，每颗裸片的失效几率对于整个封装芯片的失效几率有重要的影响作用。

机器学习算法由于可以寻找多变量之间的关联，在半导体领域正在引起越来越多的重视，例如可以运用于快速寻找前期测试数据与产品良率之间的关联，从而进行有效的良品率预测等。一般来讲，机器学习针对已有的数据进行训练，根据机器学习算法自动学习规则，构建出相应的机器学习模型，并利用模型对新的输入数据进行运算，得到输出结果。已知的机器学习模型包括但不限于：(i)稳健线性回归算法,例如随机抽样一致算法,哈勃回归,或者泰尔－森估算等；(ii)树形算法,例如分类与回归树，随机森林,极限随机树,梯度提升树,或者交替模型树等；(iii)各类神经网络,例如人工神经网络,受限玻尔兹曼机，深度学习网络等；(iv)基于内核的方法，例如支持向量机和核岭回归等；(v)基于邻域的方法，例如K最近邻等。

如果在晶圆裸片封装前添加品质分类器(如图2所示)，通过使用裸片的前期数据(包括WAT、CP等测试数据和其它数据)对其成品测试(FT)的结果进行预测，并根据FT预测结果对其进行更准确的品质分类，然后再将合格的裸片进行封装，这样可以提高封装芯片的良品率。目前存在的预测方法一般基于单变量分析，例如利用马可夫模型，根据测试过程中发现的缺陷来预测裸片的失效几率。随着测试变量的增多，多变量分析对于裸片的失效几率分析显得十分必要，例如常见的判别分析等方法，但这类分析方法对于各变量之间的关联缺乏足够的考虑。所以使用这些方法对于预测裸片的失效几率具有一定的局限性。另一方面，通常在出厂的晶圆上不合格裸片所占的比例比较小，所以不合格与合格裸片的数据集存在极大的不平衡性，使用这样的数据集会对机器学习模型训练的准确性带来很大影响。

发明内容

基于上述背景，本发明提出了一种利用机器学习分类器提高半导体芯片良品率的方法，在分类器训练过程中采用数据降采样和集成方法来解决前述问题。集成方法主要有两层算法层次架构。底层的算法叫做基学习器(base learner),例如提升、二元决策树、支持向量机等。上层算法主要通过对这些基学习器做巧妙的处理，使其模型近似相对独立。目前广泛使用的上层算法主要有：投票(bagging)、提升(boosting)和随机森林(randomforest)等。