运用诊断驱动的良率分析克服系统性良率限制成分

图1：不同半导体公司将会侧重良率学习的不同方面。

思考以下几个问题：

• 良率问题是否曾拖延您的产品发布或发卖进度？

• 1%的良率提升是否会对您的利润产生重大影响？

• 涌现良率问题时，您是否希望晶圆代工厂供应更快的相应？

• 您是否在同类工艺中创造了不同的良率？

如果以上任何问题的答案是肯定的， 那么本文所述的诊断驱动的良率 剖析方法可能会对您有所帮助。

诊断驱动的良率剖析 (DDYA) 是一种适宜数字半导体器件的方法，它利用生产测试结果、批量扫描诊断和统计剖析，在进行失落效剖析之前确定导致良率丢失的缘故原由。
此方法可以将创造根本缘故原由的韶光缩短75~90%， 并且能找出利用其他方法无法创造的系统性良率限定成分。
本文将先容如何利用Tessent Diagnosis和Tessent YieldInsight软件产品成功实现DDYA的过程。

诊断在良率剖析中的浸染

扫描诊断可利用设计描述、扫描测试图形以及测试仪供应的失落效数据来创造“疑点”，即在数字测试期 间最有可能导致失落效的毛病。

扫描诊断过去用于毛病定位。
在图2所示的良率学习背景下，一旦创造一些毛病器件反响出良率问题，就会立即通过诊断来确定这些器件最有可能涌现的毛病位置。
然后再通过电气和物理故障隔离进一步细化这些可能的位置，之后再进行构造剖析。
DDYA 则代表了另一种方法。
此方法不仅仅将诊断用于毛病定位，还用于确定底层的根本缘故原由以及批次中的最佳物理失落效剖析(PFA)候选工具（例如一片晶圆或一个LOT晶圆）。
DDYA方法有几大上风：

• 在进行PFA之前确定并分离可疑的根本缘故原由

• 提高PFA的干系性和成功率

• 缩短PFA的周期

• 将创造根本缘故原由的总体韶光缩短75%~90%

• 创造之前隐蔽的良率限定成分，即高量产制造中末了的1%~2%良率

要将DDYA付诸现实，须要支配两个关键组件：

• 诊断须要天生对良率学习故意义的数据类型

• 诊断结果剖析必须充分考虑诊断结果的暗昧性

下面，我们将深入磋商各个元器件。

图2：传统的良率学习方法与Mentor的诊断驱动的良率剖析(DDYA)方法。

用于良率剖析用场的诊断

将诊断用于传统流程中的失落效剖析时，紧张目标是定位特定芯片上导致失落效的毛病。
用于良率剖析时，单单获取精确的毛病位置还远远不足。
如果经诊断，晶圆上的所有失落效芯片在不同的位置（即不同的网络中）存在毛病，那么许多芯片仍可能由于相同的毛病机理或根本缘故原由而失落效。
为确定这一共同的根本缘故原由，我们须要理解这些不同毛病位置的共同之处。
为此，我们可以利用诊断结果中包含的位置属性。
这些属性包括单元类型、物理器件层、过孔类型和临界区域。
图3即显示了这一差异。

图3：在良率学习中，通过扫描诊断确定的位置属性每每比位置本身更有代价。

Tessent Diagnosis可通过版图感知的诊断化解上述寻衅[2-3]。
与仅仅基于纯逻辑设计解释（网表）的诊断比较，版图感知的诊断提高了诊断分辨率，并供应了额外的毛病分类。
以下是版图感知的诊断如何供应更详细结果的一些示例：

传统上，位置仅限于门级（网表）位置，例如网络或门。
利用版图感知的诊断时，疑点位置常日是一个毛病边界框，即两个网络之间的桥接，网络的开路区段，或某一个单元。

• 如果失落效的缘故原由是两个网络之间的逻辑桥接，则仅当这两个网络处在物理版图空间的毗邻位置时，才将此桥接视为有效的疑点。

• 支配桥接（仅在两个干系网络的个中一个上不雅观察到逻辑失落效）和开路将被明确分离。
这是通过剖析与受开路／桥接影响的可疑工具相邻的网络来实现的。

• 开路位置将被收窄至网络区段。
这是通过剖析多路扇出网络的所有吸收器来实现的。

图4显示了一个经诊断包含开路毛病的网络。
工具可通过不雅观察多路扇出网络中正常和失落效的吸收器，将疑点位置收窄至总体网络的一个小区段。

图4：利用拓扑剖析识别开路网络区段。

用于良率剖析用场时，如何在报告中利用版图信息尤为引人关注。
如图5所示，对付失落效芯片，版图感知的诊断报告了精确至x、y和层等物理位置，以及逻辑位置及分类。
在此示例中，可疑毛病是一个包含metal4、metal5和三种不同类型过孔的网络区段中的一处开路。
为其他失落效芯片天生类似的信息后，可以对此信息进行剖析和处理，以确定尤为引人关注的特色。

图5：版图感知的诊断报告。

除了版图感知的诊断外，其他高等诊断技能也有益于良率剖析。
由于多达50%的毛病可能位于单元内部。
单元内部诊断可确保明确地分离互连中的毛病（“后端毛病”）与单元内部的毛病（“前端毛病”）。
单元感知的诊断是一种将此观点延伸至单元内部更深层次的新方法。
接下来我们将详细谈论此方法。

10~30% 的逻辑失落效是由于扫描链毛病所致。
利用高等链诊断可以识别扫描链毛病和链功能复合毛病。
延迟毛病常日占总毛病数量的1~5%。
通过全速诊断可以明确识别延迟毛病和时序缺点。

Tessent Diagnosis供应了一套全面的诊断功能，可针对每项失落效供应50多种不同属性。
这些属性范围广泛，包括失落效的扫描链和图形到毛病分类和受影响的标准单元等等，为Tessent YieldInsight所实行的统计剖析奠定了根本。

除了精确和故意义的诊断结果之外，此背景下的另一项主要诊断哀求是，运行诊断时必须将测试本钱受到的影响降至最低。
对付PFA或测试启动等运用，常日会在少数几个器件上进行诊断。
为了能够在良率剖析中有效地利用诊断，须要进行常规根本上的诊断并增加诊断器件的数量。
这就意味着，必须在存在扫描测试压缩的情形下对生产测试图形运行诊断，并且将测试韶光受到的影响降至最低。
Tessent Diagnosis会直接对基于压缩模式的Tessent TestKompress图形以及Tessent FastScan图形的测试结果进行诊断[8]。

单元感知的诊断

目前为止的诊断方法已经供应了互连级别的逻辑毛病和版图感知毛病的检测方法。
这些毛病位于制造工艺的后道工序(BEOL)部分。
在较新的工艺技能，尤其是包含 FinFET 晶体管设计的工艺技能中，晶体管级别的前道工序(FEOL)毛病构成了当代半导系统编制造商面临的紧张系统性良率寻衅。
单元感知的诊断供应了一种全新的有效方法，通过实行晶体管级别的诊断来识别标准单元内的毛病。
它利用衍生自仿照仿真的故障模型，并利用与传统诊断相同的失落效数据网络和诊断流程。
Tessent Diagnosis供应的单元感知的诊断是单元感知的测试领域10多年来研究成果的结晶，并且在开拓过程中还与无晶圆厂半导系统编制造商、晶圆代 工厂和集成设备制造商展开了广泛的互助。
利用单元感知的诊断可以缩短PFA韶光并显著提高诊断分辨率。
有关详细谈论，请参阅白皮书]。

剖析和理解诊断结果

批量诊断用于良率剖析的代价终极取决于如何利用诊断结果[9-16]。
提高诊断结果的实用性面临的个中一个紧张寻衅是将有代价的信息与滋扰信息进行区分。
为此，Tessent YieldInsight 采取了各种剖析方法。

区域剖析

一组诊断数据可能揭示，与一种特定类型的“与”门干系的毛病数量多于其他任何逻辑门。
不过，这并不虞味着存在与此特定“与”门干系的系统性问题。
如果它是设计中最常见的门类型，则可以预见，它在任何剖析中涌现的几率都很高。
另一方面，如果您在全体晶圆上看到毛病明显呈现随机分布，而在晶 圆中央却涌现高度集中的与该特定“与”门类型干系的毛病，则表明存在系统性问题。
这是由于此特定 毛病的分布与总体毛病的分布明显不同。

Tessent YieldInsight实行这一类型的特性剖析，将Tessent Diagnosis供应的所有特性的实际结果与预期分布进行比较。
它对8个区域类型的50多个特性自动进行剖析，并呈现在剖析信息显示板中。
此信息显示板明确指示了值得调查的特性，以及预期分布与实际分布之间的差异程度。
这样一来，Tessent YieldInsight便可帮助找出失落效诊断数据中指向系统性问题的图形。

一旦疑惑特定的特色（例如特定的标准单元类型）将影响到良率，便可实行额外的特色剖析，以理解各个别系性问题的影响，并选择用于PFA的器件。
与特定特性干系的器件将被分离，以便能够清楚地不雅观察此问题的影响。
通过分离出这部分器件，可以对剩余的物料进行额外剖析，进而帮助识别其他问题。

例如，假定共计1,000个失落效芯片。
这些芯片中有150个被创造存在与单一过孔干系的开路毛病。
在剩余物估中，有70个芯片被创造在某个标准单元的不同例化中存在毛病。
通过识别多种系统性问题，则有可能在进行任何PFA之前确定优先办理的问题。

一旦确定某个特定问题，便可基于诊断结果选择用于PFA的器件。
通过选择具有单一疑点、高诊断分数和较小的物理搜索面积的器件，可以最大限度提高PFA的成功率。

肃清诊断噪声 – 根本缘故原由反卷积

在某些情形下，由于滋扰信息，很难确定特定问题是否为诊断数据。
根本缘故原由反卷积(RCD) 是Tessent Diagnosis和YieldInsight产品供应的一项统计增强技能，也是增强诊断分辨率的下一步骤。
它的事理是，通过将多 份版图感知的诊断报告放在一起进行剖析，来确定最有可能阐明这组诊断结果的底层毛病分布（根本缘故原由分布）。
然后将结果反向标注到单独的诊断疑点。

如图6所示，版图感知的诊断指向某个区段，而RCD可以隔离该区段内的特定根本缘故原由。
这样一来，便可提高PFA的干系性和成功率，并将PFA的周期从几个月大幅缩短至几天。
RCD还能实现“虚拟FA”，此功能可在实行任何失落效剖析之前确定一组失落效器件的毛病分布。
有关RCD的详细谈论，请参阅白皮书[18]。

图6：根本缘故原由反卷积可以隔离区段中的特定根本缘故原由。

将DDYA与设计数据剖析相结合

办理设计流程诱发的系统性毛病是无晶圆厂半导体公司可采取的直接提高良率的几种方法中的一种。
因此，有必要履行一种方法来明确地分离设计和流程干系的良率限定成分。
在DFM感知的良率剖析流程中，目标是确定可制造性设计(DFM)规则，为实际设计流程诱发的系统性毛病供应最佳描述。
这种方法存在一些寻衅。
首先，毛病位置与DFM违规之间的干系性不一定意味着DFM违规便是导致毛病的实际缘故原由。
而且，只管真实的失落效机理可能与设计干系，但不一定就能通过现有的DFM规则进行建模。

图7显示了Tessent YieldInsight中采取的DFM感知的良率剖析方法。
版图感知的诊断奠定了此方法的根本。
每项版图感知的诊断结果都与Calibre YieldAnalyzer的关键特色剖析(CFA)结果干系联。
如果某个可疑毛病部分或完备处在与DFM规则违规相同的层和位置，则可以认为此疑点与该DFM规则干系联。

图7：DFM 感知的良率剖析流程。

Tessent YieldInsight 将DFM规则视为特性，并且利用此白皮书中之前先容的相同特性和区域剖析方法来确定系统性良率丢失是否由DFM违规所致，以及确定最敏感的DFM规则。
在较高层面，可通过此流程识别三个类别的系统性毛病：

•与现有的CFA规则干系联的系统性毛病。
此流程将会识别对系统性毛病最敏感的DFM规则。

•被疑惑对CFA敏感，但与现有规则无关联的系统性毛病。
基于初始剖析结果，用户可能会疑惑根本缘故原由与设计有关，但它与现有的所有DFM规则都不匹配。
基于此假设，可以创建更多规则并确定这些规则存在的违规。
然后将这些新的违规反馈回Tessent YieldInsight 并进行剖析。
这样，无需实行任何PFA便可对假设进行测试。

•设计无关（流程干系）的系统性毛病。

支配诊断驱动的良率剖析流程

DDYA的基本哀求是供应设计、测试图形和测试仪失落效数据。
通过遵照一些基本准则，可实现有效的流程，并将测试韶光受到的影响降至最低。

例如，大多数半导体公司结合利用固定测试图形和全速测试图形。
大多数毛病可能无法通过这两组测试图形，但诊断两者所需的事情量却存在明显的差别，个中全速图形常日比固定图形更为繁芜且耗时更久。

要诊断失落效的扫描链，须要的失落效数据相对较多，由于诊断同时须要链测试和一些扫描图形的数据。
这对付批量诊断而言可能不太现实。
值得把稳的是，一些器件中可能存在一种特定的毛病机理，不仅会导致功能性电路失落效，还会导致其他器件的扫描链自身失落效。
因此，重点对扫描功能性失落效网络数据并进行剖析可能是一种比较切实可行的办理方案，而且有助于办理链失落效的根本缘故原由。

传统不雅观点认为，诊断结果的质量取决于可用的失落效数据量。
实验表明，每个芯片可利用256个失落效周期完成有效的扫描功能性诊断[8-9]。

所需的最小芯片数量取决于须要剖析的问题类型[17]。
例如，与识别隐蔽的良率限定成分比较，非常剖析 具有不同的哀求。
作为打算范例，假设某个已知的系统性特性造成了5%的良率丢失。
要得到具有统计显著性的样本，您可能至少须要25个具有此特性的芯片。
因此须要在500个芯片(25/0.05)上网络数据。

诊断驱动的良率剖析的实际运用

以下示例先容了如何利用Tessent YieldInsight来识别系统性良率问题并选择用于失落效剖析的器件。
此示例基于对200个晶圆(8 LOT)的1,115 个失落效芯片进行Tessent Diagnosis版图感知的诊断后得出的结果。
图8显示了所有失落效芯片的堆叠晶圆图，它表明全体晶圆上的毛病分布彷佛是随机的。
图8中的条形图表明，每个晶圆的失落效芯片数量也相称随机。
难点在于确定数据中是否隐蔽了任何系统性问题。

图8：Tessent YieldInsight 针对所有失落效芯片天生的堆叠晶圆图和每个晶圆的失落效芯片。

Tessent YieldInsight 采取多种方法实现数据探索和可视化显示。
在这类情形下，如果初始结果未反响出任何明显的信息，图9所示的剖析信息显示板则可供应很好的入手点。
Tessent YieldInsight自动对八种不同区域类型的50项失落效和诊断特性实行剖析。
区域是数据资料的不同部分，例如芯片或不同晶圆的不同部分。

图9：Tessent YieldInsight中的剖析信息显示板。

例如，该剖析会自动指示晶圆中央是否存在高度集中的桥接毛病。
剖析信息显示板中的颜色从白色（极低）到黄色（中等）和赤色（极高），指示了存在系统性特性的概率。

在标记了多个特性的情形下，可以从名为“Suspect type: fail probability（疑点类型：失落效概率）”的特性入手。
此特性描述了特定毛病类型导致失落效的概率。
图10所示的帕累托图表明，个中最共通的毛病机理是，此物估中最紧张的毛病机理是开路。
进行标准化处理后，1,115 个失落效芯片中约有427个是由于开路毛病所致。
但这有可能只是由于临界区域所致。

图10：疑点类型的帕累托概率图。

更令人感兴趣的是，双向桥接对应的条形显示为赤色。
在此案例中，区域类型为径向区域(R)。
赤色表示晶圆的径向区域存在意外的桥接毛病分布。

图11显示了经诊断由于双向桥接导致失落效的芯片的晶圆图，它表明晶圆中间存在高度集中的失落效芯片。
在此案例中，晶圆图被划分成五个径向区域，每个区域半径等值递增。

图11：显示经诊断包含双向桥接毛病的芯片的晶圆图和累积相对频率图表。
中心区域为区域1。
较粗的条形显示了实际分布。
较细的条形显示了实际分布与预期分布之间的偏差。

图11中晶圆图右侧图表内的条形显示了五个径向区域各自的失落效概率。
与晶圆图自身反响的信息相似，代表最里面区域（区域1）的条形数值最高。
较细的绿色条形显示了实际分布与预期分布之间的偏差。
预期分布基于总体毛病分布和双向桥接的总数量。
各区域的预期数量不同是由于每个区域内的总体失落效芯片数量存在一定的变革。

在我们的剖析流程中，下一步是深入研究桥接毛病的位置。
在对这一子组的失落效芯片进行筛选后，图12中 的帕累托图显示了五个不同金属层中经诊断包含桥接毛病的芯片数量。

图12：显示不同层的桥接毛病分布的帕累托图。

“route_3”中的桥接毛病遵照的图形与我们刚刚看到的双向桥接图形相似。
因此，调查应重点关注包含“route_3”中的双向桥接的器件。

为了进一步确定最适宜进行PFA的器件，可以基于诊断结果缩鄙吝件组。
图13显示了选择过程，该过程选择了具有单个疑点和最高诊断分数的器件。

图13：筛选具有一种诊断症状和最高诊断分数的器件。

须要调查的芯片组现在缩小至68个芯片。
这些芯片全部表现为可能存在系统性问题，并且具有明确的诊 断结果。
如果对个中一个器件实行PFA，成功的机会很高。
此外，结果很有可能是干系的，而非指向不相 关的随机毛病。
在Tessent YieldInsight中，可以查看包含毛病区域的逻辑位置和物理位置的详细诊断报告，如图14所示。

图14：在Tessent YieldInsight中查看毛病区域并天生报告。

范例剖析流程的下一步是筛选出表明存在此问题的器件，然后对剩余的芯片组重复实行剖析。
这样就能识别多种系统性问题，并将每个问题对应的失落效器件进行分离。

DFM 感知的良率剖析的实际运用

在此示例中，Tessent YieldInsight被用于确定DFM干系的良率丢失。
此示例基于对1,200个失落效芯片进行Tessent Diagnosis版图感知的诊断后得出的结果。
从“结果数据库”（RDB，Calibre的交流格式）导入DFM剖析结果。
如图15所示，此案例中的Tessent YieldInsight信息显示板明确指示，存在与个中一个DFM规则干系的区域敏感型毛病。

图15：Tessent YieldInsight 信息显示板指示存在DFM干系的系统良率丢失。

如图16所示，规则“metal_cross_edge_route1”显示了最强的区域灵敏度。

图16：显示失落效芯片数量的帕累托图，个中的芯片毛病位置经诊断与DFM违规干系联。

图17所示的晶圆图中的芯片经诊断，包含与DFM违规“metal_cross_edge_route1”干系的毛病。
此类失落效器件的区域灵敏度表明，存在与此特定DFM规则干系的系统性毛病。

图17：器件的堆叠晶圆图，个中的器件具有经诊断与DFM违规“metalcroseeedgeroute1”干系联的毛病。

结束语

通过将Tessent Diagnosis的高精度批量扫描诊断与Tessent YieldInsight的可视化显示和统计剖析相结合，可实现有效的良率剖析流程。
运用基于批量扫描诊断结果（该结果结合了设计版图和失落效数据）的良率剖析，而不是纯挚依赖制造工艺数据，可以将创造良率丢失根本缘故原由的周期韶光缩短75~90%。
随着设计繁芜度的不断增加以及工艺技能的持续进步，RCD的统计降噪有助于减少诊断噪声，而单元感知的诊断则可检测晶体管级别的毛病。
DFM感知的良率剖析为此方法供应了补充，用于分离设计干系的和流程干系的良率限定成分。

本文来自《电子工程专辑》2018年2月刊，版权所有，回绝转载