[发明专利]一种基于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

1.一种基于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，至少包括如下步骤：

采集晶圆裸片出厂后进行测试得到的前期测试数据，所述前期测试数据至少包括WAT数据和CP数据；

训练分类器，分类器训练过程中采用数据降采样和基于增量学习的集成算法，所述训练分类器具体包括如下步骤：将预设时间范围内晶圆裸片的测试数据按时间顺序分成若干个模块，所述测试数据至少包括CP数据和FT数据；在每个模块的训练晶圆上挑选所有不合格样品数据组成不合格样本集，并通过数据降采样方法挑选合格样本集，其中，不合格样本是指CP数据合格但FT数据不合格的样本，合格样本是指CP和FT数据都合格的样本，每次合格样本的采样数量与不合格样本的采样数量基本一致；将不合格样本集和合格样本集组成新的数据集进行机器学习训练，在得到新的数据集后，对新的数据集进行特征提取和特征工程，特征提取和特征工程至少包括对数据中影响FT结果的主要参数进行识别，然后训练出基分类器，综合所有的基分类器，得到模块集成分类器；对各模块集成分类器进行评估并根据评估结果赋予不同的权重，组成集成分类器；

成品测试预测，基于预测结果将不同规格的合格裸片封装形成不同规格的芯片产品。

2.根据权利要求1所述的方法，其特征在于，在得到不合格样本集之后，再通过采用随机或拉丁超立方抽样方法在训练晶圆上选取个不同区域采集合格裸片的样本，其中，。

3.根据权利要求2所述的方法，其特征在于，所述数据降采样方法采用随机降采样方法、有放回降采样方法或随机递减降采样方法。

4.根据权利要求3所述的方法，其特征在于，将合格样本集和不合格样本集组成新的数据集时，若所述数据降采样方法采用随机降采样方法，其具体为：

将训练晶圆每一个区域的合格样本集与不合格样本集共组成个新的数据集，其中，。

5.根据权利要求3所述的方法，其特征在于，将合格样本集和不合格样本集组成新的数据集时，若所述数据降采样方法采用有放回降采样方法，其具体为：

从训练晶圆n个区域的所有合格样本集中有放回的随机采样n次，每次选取与不合格样本集数量基本一致的样本，得到共个新合格样本集，其中，；

再分别将每一个新合格样本数据集与不合格样本集共组成个新的数据集。

6.根据权利要求3所述的方法，其特征在于，将合格样本集和不合格样本集组成新的数据集时，若所述数据降采样方法采用随机递减降采样方法，其具体为：

从训练晶圆n个区域的所有合格样本集中随机抽取一个与不合格样本集数量基本一致的子集，其中，；

再将上述子集与不合格样本集合并组成一个新的数据集。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述成品测试预测具体包括如下步骤：

对当前需要进行成品预测的晶圆裸片的前期测试数据进行数据预处理，所述预处理至少包括异常数据去除以及特征提取和特征工程；

然后将预处理后的数据输入训练好的集成分类器进行成品测试预测，根据预测结果将不同规格的合格裸片封装形成不同规格的芯片产品。

8.根据权利要求7所述的方法，其特征在于，特征提取和特征工程采用包括但不限于稳健线性回归、随机森林算法来确定这些参数对FT结果的影响程度。