[发明专利]基于LOF-KNN算法的晶圆级空间测量参数异常识别方法

摘要

本发明公开了一种基于LOF‑KNN算法的晶圆级空间测量参数异常识别方法，主要解决现有异常识别方法无法准确识别晶圆级空间测量参数中单个数据的可靠性隐患异常问题。其实施方案是：1、采集样本；2、根据K最近邻KNN算法，获得样本的空间变化统计量；3、根据局部异常因子LOF算法，获得样本的局部离群因子；4、获得局部离群因子的上控制限；5、对待检测数据的异常状态进行判断，将待检测数据的局部离群因子与上控制线比较，根据待测数据的局部离群因子是否超过控制限来判断待测数据是否为异常数据。本发明可准确识别晶圆级空间测量参数中单个数据的异常状况，且稳定性好、应用范围广，可用于芯片的制作。

主权项

1.一种基于LOF‑KNN算法的晶圆级空间测量参数异常识别方法，其特征在于，包括如下：(1)采集样本：1a)观察晶圆，得到晶圆上芯片划分的行数m和列数n；1b)对晶圆上每个芯片的电压、电流这些特征参数进行测量，记第i行第j列的芯片的测量数据为xij，其中i＝1,2,3,4…m,j＝1,2,3….n；(2)根据K最近邻KNN算法，获得第i行第j列芯片测量数据为x_ij的空间变化统计量其中，l是行数，q是列数，xlq是第l行第q列芯片测量数据，l＝i‑1,i,i+1，q＝j‑1,j,j+1；(3)根据局部异常因子LOF算法，获得空间变化统计量为的局部离群因子LOF_ij：其中，是第l行第q列芯片的空间变化统计量；(4)获得局部离群因子LOFij的上控制限U：令数据集合L是第i行第j列芯片的局部异常因子LOFij值的数据集合，选取分位点α，得到上控制限U：U＝L1‑α其中，0＜α＜1，L1‑α是数据集合L的1‑α分位点的值；(5)判断第i行第j列的芯片是否异常：将第i行第j列芯片的局部异常因子LOFij与上控制限U进行比较：如果LOFij≤U，则表示第i行第j列的芯片正常；如果LOFij＞U，则表示第i行第j列的芯片异常。