基于晶圆图数据的集成电路缺陷空间聚合监测方法

集成电路（IC）制造是一个高度精密且成本高昂的工艺流程，涉及到数百个步骤，周期可达12周。在这个过程中，批量生产的方式使得每个晶片（晶圆）承载多个芯片。为了确保产品质量，探针测试是关键环节，通过这个过程，每个芯片被标记为良品或缺陷。传统质量控制方法主要依赖于批次级别的统计数据，如吞吐量和良品率，这些指标在缺陷随机分布的情况下相对有效。 然而，实际生产中，缺陷往往并非随机出现，而是呈现出空间聚类的现象。这可能是由于特定机器的问题，或者是某个工艺步骤未达到要求导致的。为了捕捉这种空间关联性，本文提出了一种新的方法，即使用联合统计和马尔可夫随机场（Markov Random Field, MRF）来分析晶圆图数据。这种方法不仅关注整个批次的性能，还能在芯片图级别监测异常，检测到诸如粒子相关缺陷（由单个机器引起）和过程相关缺陷（源于工艺流程）等模式。 在研究中，作者开发了一系列统计特性，这些特性是在模拟的零和替代场景中设计的，旨在识别出那些潜在的空间随机性和系统模式。通过对探针测试结果进行这样的分析，可以揭示出制造过程中可能存在的深层次问题，如局部过热导致的死芯片、机器振动引发的颗粒污染以及故障步进器引起的缺陷模式。 图1展示了三个不同批次的探针测试数据实例，通过观察缺陷的分布模式，可以直观地理解这种方法如何帮助质量改进和过程控制。例如，通过检测到边缘的温度不均可能导致的缺陷簇，制造商可以针对性地优化热处理工艺；而发现的网格状缺陷可能是由于步进器问题，这将促使对设备维护的关注和改进。 这篇文章的重要贡献在于引入了一种更为细致入微的缺陷检测方法，它能够利用晶圆图数据的局部信息，提高质量控制的精确性和效率，从而帮助集成电路制造商更有效地追踪和解决潜在的问题，降低不良品率，提升生产效益。