製造業調查
Advantechline
 

單元識別搭配機器學習演算 晶圓檢測診斷更具成本和時間效益

單元辨別(cell-aware)診斷搭配機器學習演算法,更能準確地抓出存在良率損失根源的晶粒。法新社

單元辨別(cell-aware)診斷是一種新穎和有效的偵錯方式,能在電晶體層級進行診斷,繼而識別標準單元內的瑕疵,根據標準故障分析(failure analysis;FA),單元識別診斷藉由排除晶片內部可疑的缺陷,能有效率地提高診斷結果。

先進的技術節點具有更為複雜的結構層和製造過程,例如FinFET和多重曝光(multi-patterning)。但其副作用是在單元庫內的前端層會有更多瑕疵和系統良率問題。

利用FA可找出缺陷晶粒當中良率損失(yield loss)根源,但在FinFET進行故障分析的成本昂貴而且成功率低,因而需要新的解決方式。一般而言,當良率工程師使用奈米探針和穿透式電子顯微鏡(TEM),必須確信這些昂貴的技術能夠成功找到可以提高良率的缺陷,在此,重點將放在慎選最可能呈現主要良率損失的缺陷晶粒。

例如在數位邏輯IC中,可以針對一定數量缺陷晶粒進行掃描測試診斷,並將結果建構成一個瑕疵機制柏拉圖(Pareto)分析圖表,不過這些結果很可能含有一些可疑的假缺陷,因此需要降低不確定性和診斷雜音。

例如Mentor Graphics經過多年的研究開發出root-cause deconvolution技術(RCD),RCD是一種無監督(unsupervised)機器學習演算法,能於存在噪音的環境中,從音量診斷結果估算出缺陷柏拉圖表,這種方式成功地降低找出後端良率損失問題根源的成本和週期時間。利用RCD演算法,單元辨別診斷亦可用於先進製程的元件資料庫前端缺陷機制,並製作包含後端和前端單元內部物理缺陷機制的柏拉圖表。

類似這種更精確的根本原因分類方式,有助於更精準地選擇晶粒來進行錯誤分析,繼而降低整體良率分析的週期時間和成本。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: FinFET 晶圓檢測 智慧製造 機器學習