[发明专利]基于机器学习的芯片性能参数测试方法和装置

说明书

本说明书实施例提供了一种基于机器学习的芯片性能参数测试方法和装置。该方法的一具体实施方式包括：控制测试机台对同一批次的晶圆进行采样，其中，上述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，上述第一采样密度小于上述第二采样密度；使用预设的机器学习模型对上述第一测试用数据进行处理，生成第一测试参数；使用预定拟合曲线方法对上述第二测试用数据进行处理，生成第二测试参数；基于上述第一测试参数和上述第二测试参数，完成上述同一批次的晶圆上的芯片的电学性能参数测试。

技术领域

本说明书实施例涉及半导体集成电路制造领域，尤其涉及一种基于机器学习的芯片性能参数测试方法和装置。

背景技术

在半导体集成电路生产过程中，晶圆上芯片的最终良率测试包含芯片电路的一系列电学性能参数测试。其中，有些参数的测试是通过调整不同的测试条件得到一系列测试值，再采用拟合曲线计算得到结果，例如，开启电压的测试。在这些参数的测试过程中，为了保证拟合结果的精确度，要求采样密度尽可能高。然而，过高的采用密度又会导致测试机台的高占用率，进而影响生产效率。基于此，如何实现既能保证测试结果的精确度又能保证生产效率，具有重要的现实意义和价值。

发明内容

本说明书的实施例描述了一种基于机器学习的芯片性能参数测试方法和装置，本方法设置产线上的部分测试机台按第一采样密度采集测试用数据，而第一采样密度小于基于拟合曲线方法进行测试参数计算时所需要的第二采样密度，并使用预训练的机器学习模型对按第一采样密度采集的测试用数据进行处理，得到测试参数。由此，可以降低产线上部分测试机台的采样密度，提高生产效率。同时，由于机器学习模型是基于产线上的历史数据预先训练得到的，因此，可以保证机器学习模型所生成测试参数的准确性。从而实现了既能保证测试结果的精确度又能保证生产效率。

根据第一方面，提供了一种基于机器学习的芯片性能参数测试方法，包括：控制测试机台对同一批次的晶圆进行采样，其中，上述测试机台被设置为，第一部分机台按照第一采样密度采集晶圆上芯片的第一测试用数据，第二部分机台按照第二采样密度采集晶圆上芯片的第二测试用数据，上述第一采样密度小于上述第二采样密度；使用预设的机器学习模型对上述第一测试用数据进行处理，生成第一测试参数；使用预定拟合曲线方法对上述第二测试用数据进行处理，生成第二测试参数；基于上述第一测试参数和上述第二测试参数，完成上述同一批次的晶圆上的芯片的电学性能参数测试。

在一个实施例中，上述方法还包括：使用上述第一测试参数和上述第二测试参数，制作双线趋势图；将上述双线趋势图进行显示。

在一个实施例中，上述机器学习模型是通过以下方式训练得到的：获取产线上的测试机台按上述第二采样密度采集的历史测试用数据；针对上述历史测试用数据使用上述预定拟合曲线方法，生成历史测试参数；对上述历史测试用数据进行采样，得到采样后测试用数据，其中，上述采样后测试用数据的采样密度与上述第一采样密度相同；将上述采样后测试用数据作为输入，将上述历史测试参数作为期望输出，训练得到上述机器学习模型。

在一个实施例中，上述方法还包括：响应于确定使用上述机器学习模型处理数据的总时长未超过预设时长阈值，以及满足预设的模型校准条件，重新控制产线上的测试机台以上述第二采样密度采集测试用数据；基于产线上的测试机台采集的测试用数据，以及对应生成的测试参数，生成第一校准样本集；使用上述第一校准样本集对上述机器学习模型进行再次训练。

在一个实施例中，上述方法还包括：响应于确定使用上述机器学习模型处理数据的总时长超过预设时长阈值，以及满足预设的模型校准条件，基于上述第二测试用数据和第二测试参数，生成第二校准样本集；使用上述第二校准样本集对上述机器学习模型进行再次训练。

在一个实施例中，上述模型校准条件包括以下之一：距离上一次模型校准的时间间隔达到预设时间间隔，上述机器学习模型处理晶圆的个数超过预设的个数阈值。