[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

说明书

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。

技术领域

本发明属于半导体技术领域，特别涉及一种晶圆级空间测量参数异常识别方法，可用于芯片的制作。

背景技术

在芯片的制造过程中，晶圆上不可避免的会产生缺陷。缺陷会导致芯片的测量参数表现为异常值。通常晶圆上芯片的测量参数存在两种异常，即全局异常和局部异常。全局异常是指与其余所有的测量参数数据值显着偏离的异常值，而局部异常是指同一晶片内的与近邻具有显着偏离的异常值。传统的异常识别方法基于所有数据服从的数学模型，然后建立相应的控制限，超出控制限的数据即为异常数据。此种方案只能识别全局异常，无法识别局部异常。

局部异常通常表现为可靠性隐患。可靠性隐患是指芯片往往表现为安全范围小，早期失效等现象。半导体制造中芯片性能参数随着空间变化是由于制造工艺的特点以及晶圆空间分布相关效应引起的。芯片电性能参数测试数据在同一晶片内服从空间分布。在某种意义上，同一晶片上彼此靠近的芯片将比远处芯片具有更相似的性能。缺陷的存在将导致当前重要参数的“突变”，而不是像良好芯片那样的逐渐变化。晶圆级空间测量参数数据具有相关性，由于工艺的稳定性，空间变化是平稳的。任何异常的空间变化，都有可能是由缺陷导致的。如果器件的参数值明显高于其近邻，即高频尖峰，则可能是缺陷导致的。相反，如果器件的参数值明显低于其近邻，即负尖峰，则也可能是缺陷导致。由于空间的连续性，异常峰具有更大几率由未知缺陷原因导致，更大几率为可靠性隐患。通过评估晶圆级空间测量参数的可靠性隐患并提前筛选，可以大大降低该批次的可靠性隐患和成本。

Sagar Sabade和D.M.H.Walker提出了一种改进的IDDQ界限设置的晶圆级空间分析方法，使用了近邻芯片信息，但是该方案基于测量参数数据服从对数正态分布的假设。Sebastian Siatkowski_等人[2016]提出了一种基于一致性检测的异常值识别方法，但该识别方法取决于晶圆到晶圆的统计变化，更倾向于识别异常中的系统性异常。David Shaw等人[2016]提出了一种位置平均方法用于从德州仪器(TI)使用的探针测试数据中筛选异常值，但是该方法需要对测量数据进行重复测试，并且对单个的局部异常识别不敏感。

上述方法对于晶圆级空间测量参数异常识别中的单个异常点的识别，识别效果均不理想。

发明内容

本发明的目的在于针对晶圆级空间测量参数异常识别的不足，提出一种基于LOF-KNN算法的晶圆级空间测量参数异常识别方法，以对晶圆级空间测量参数中的单个异常点进行准确的异常识别，从而提高半导体芯片的可靠性并降低成本。

为实现上述目的，本发明包括如下步骤：

(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x_ij，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，x_lq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；