WPS
活动+
 

单元识别搭配机器学习演算 晶圆检测诊断更具成本和时间效益

单元辨别(cell-aware)诊断搭配机器学习算法,更能准确地抓出存在良率损失根源的晶粒。法新社

单元辨别(cell-aware)诊断是一种新颖和有效的侦错方式,能在晶体管层级进行诊断,继而识别标准单元内的瑕疵,根据标准故障分析(failure analysis;FA),单元识别诊断藉由排除芯片内部可疑的缺陷,能有效率地提高诊断结果。

先进的技术节点具有更为复杂的结构层和制造过程,例如FinFET和多重曝光(multi-patterning)。但其副作用是在单元库内的前端层会有更多瑕疵和系统良率问题。

利用FA可找出缺陷晶粒当中良率损失(yield loss)根源,但在FinFET进行故障分析的成本昂贵而且成功率低,因而需要新的解决方式。一般而言,当良率工程师使用纳米探针和穿透式电子显微镜(TEM),必须确信这些昂贵的技术能够成功找到可以提高良率的缺陷,在此,重点将放在慎选最可能呈现主要良率损失的缺陷晶粒。

例如在数码逻辑IC中,可以针对一定数量缺陷晶粒进行扫描测试诊断,并将结果建构成一个瑕疵机制柏拉图(Pareto)分析图表,不过这些结果很可能含有一些可疑的假缺陷,因此需要降低不确定性和诊断杂音。

例如Mentor Graphics经过多年的研究开发出root-cause deconvolution技术(RCD),RCD是一种无监督(unsupervised)机器学习算法,能于存在噪音的环境中,从音量诊断结果估算出缺陷柏拉图表,这种方式成功地降低找出后端良率损失问题根源的成本和周期时间。利用RCD算法,单元辨别诊断亦可用于先进制程的元件资料库前端缺陷机制,并制作包含后端和前端单元内部物理缺陷机制的柏拉图表。

类似这种更精确的根本原因分类方式,有助于更精准地选择晶粒来进行错误分析,继而降低整体良率分析的周期时间和成本。

更多关键字报导: FinFET 晶圆检测 智能制造 机器学习