统计增强提高了扫描测试诊断结果,可以把失败的测试周期变成有价值的数据。
扫描测试诊断是一个基于软件的方法建立本地化的缺陷导致数字半导体器件故障。使用结构测试模式(如生成)和设计描述、诊断失败的测试周期变成有价值的数据。到底这些数据的价值取决于诊断结果的质量。结果指向一小群网作为潜在缺陷位置可能是一个好的起点物理失效分析(PFA)客户返回。然而,它可能不足以确定到底是什么导致了PFA之前未能发生。
在本文中,我们探讨一个统计增强过程称为根源反褶积(RCD)可以用来增强扫描测试诊断结果和更好地识别潜在的根本原因。
诊断结果的质量测量精度和分辨率。精度测量诊断结果是否包含实际的缺陷。解决措施的面积位置或位置被怀疑。传统逻辑仅诊断识别的逻辑网(s)涉嫌导致测试失败。layout-aware诊断的出现提高了分辨率的网段和提供了一个更好的能力区分不同的缺陷类型,如桥梁和打开。不过,在诊断结果有歧义。一般来说,约80%的诊断结果包含多个可疑地点或解释的失败。每个解释都可以被解释为多个根源。例如,根据诊断、故障观察一个设备可以由两个特定网之间的桥梁。这两个网可以在五金属层的视线内。 That means that there are five potential root causes (a bridge in in route_1, a bridge in route_2, etc.) that could explain this diagnosis result.
RCD的下一步诊断分辨率增强。这是一个统计增强的过程,通过分析多个layout-aware诊断报告一起来识别潜在的缺陷分布(根本原因分布),最有可能解释这组诊断结果。RCD不依赖于铸造/过程数据或其他数据需要超出layout-aware诊断。RCD过程设计和测试模式提取统计等关键区域每层每测试网段的,通过计算每个网段测试层的。除了识别潜在的缺陷分布,结果也back-annotated个体诊断怀疑。layout-aware诊断仅指向一个段,RCD可以分离出特定的根源部分,如图1所示。该技术有两个基本的假设。首先,RCD假设根源实例是随机分布的。因此RCD分析的先决条件过滤出诊断结果与系统的位置。另一种假设RCD是有一个潜在的根本原因分布。 It is therefore recommended to analyze devices from different process conditions separately.
RCD一直在探索的实践方面发表的一些文章。在[1],RCD应用的早期阶段28 nm收益率坡道估计问题的根源分布数很多。RCD发现成品率损失是由metal4和metal6短裤,证实了PFA。在制造业解决这些缺陷后,再次使用RCD确认过程变化的影响。在[2],RCD被用来检查和发现defectivity趋势和差异在设计和IP。在一个例子中,静态泄漏的根源在20 nm芯片测试通过比较发现了RCD在两个种群较低和高静态泄漏。在第二个例子中,两个版本的相同的设计在同一晶圆生产不同的收益率。RCD透露,低收益的设计有一个额外的机制没有找到高产设计失败。
与产量损失的能力确定根本原因失败数据,RCD大幅增加了PFA相关性和成功率,减少了PFA周期时间从几个月到天。RCD还支持“虚拟PFA”,确定缺陷分布人口之前失败的设备进行失效分析。这是几乎不可能了王智立公司在过去。RCD结果可以很容易地添加到现有产量监测流和系统。
引用
1。b . Benware出版社。”,Determining a Failure Root Cause Distribution From a Population of Layout-Aware Scan Diagnosis Results”, IEEE Design & Test of Computers, 01/2012.
2。y,出版社。”,利用反褶积分析逻辑根源产生增加”,ISTFA, 2013年。
图1:Layout-aware诊断提高扫描诊断决议一个网段。根源反褶积(RCD)利用统计增强识别潜在的根本原因,通过缺陷在这个例子中开放。
盖尔·艾德女士获得了电气和计算机工程的加州大学圣芭芭拉,是产品营销经理在硅测试导师图形解决方案集团公司,8005年西南对于鸟群集体采访,位于俄勒冈州威尔逊维尔美国或97070;ph值。:503-685-7943;电子邮件:(电子邮件保护)。
|
|
|
|
|
|
|
|
[…]获得清晰(半导体工程)[…]