提高产量的下一步措施

尽管设备尺寸越来越小，系统缺陷越来越多，数据量越来越大，竞争压力也越来越大，但芯片制造商正在大力开发新的工具和方法，以更快地实现足够的产量。

无论3nm工艺正在升级，还是28nm工艺正在调整，重点都是降低缺陷。挑战在于快速确定可以提高产量的指标，而这些指标需要从设计一直跟踪到测试。新的解决方案包括应用监测数据来减少下游测试，优化偏移策略，以及依赖软件来管理产量问题。

在产量提高和工艺控制之间有相互作用。

“是的，在过程控制方面有了新的进展。但更近期的挑战是，如何监控终端产品质量上的创新．“在线工厂控制足以进行过程监控，但如果你对2片晶圆进行采样，每个晶圆有13个站点，这是否足以理解为什么100万个晶圆中有3个失败?”晶圆厂可能没有充分利用功能(使用宽松的设计规则)。另一种选择是使用筛查技术，清除任何可疑的设备。但这样你就丢掉了潜在的好材料。谁来承担这笔费用呢?还有其他选择，比如在系统中建立冗余，这对于自动驾驶汽车和制动系统来说可能是必要的。”

收益率是极其复杂的。它可以根据设计，生产批次，甚至使用领域而变化。在一个应用程序中被认为可接受的设备可能与另一个应用程序中的相同设备有很大的不同。设计越复杂，需要分析的数据就越多。

“人们真正关注的是端到端的系统级产量，因为客户淹没在从设备、故障分析、从设计到包装的数据中，”该公司产品管理总监马特•诺尔斯(Matt Knowles)表示西门子EDA的Tessent组。“产量并不是一个产品工程问题。这是一个数据管理问题。我看到一个巨大的宏观转变，转向软件供应商，那些做分析和机器学习的人，试图填补一些空白。”

为了在设计和测试之间执行数据分析，或者更雄心勃勃的端到端数据分析，使用芯片传感和监控的可追溯性是必不可少的。“像汽车和数据中心这样的行业都有芯片，他们需要追踪整个供应链的完整历史，”英特尔首席架构师和研究员耶凡特·佐里安说Synopsys对此．“过去，只有少数芯片公司使用唯一id来追踪高端芯片。然而，如今，越来越多的现场运营公司需要对其芯片进行硅生命周期管理(SLM)，以了解它们发生了什么，从制造到现场，跟踪质量、产量、RAS，包括老化等。这就需要在芯片设计中集成传感器、监控器和片上SLM高速公路。我们在数据中心和汽车芯片上看到了这一点，因为它们通常是由这些公司直接设计的。”

为监控、测试而设计
在3nm及以上，解决系统缺陷和参数变化变得越来越具有挑战性。“在这些先进节点上，公差基本上正在消失，”at公司的CTO Andrzej Strojwas说PDF的解决方案．“由于领先的无晶圆厂公司喜欢尽早设计以获得新技术，因此代工公司会发布pdk或精细化pdk，以覆盖角落的情况。但即便如此，SPICE参数中的假设与实际布局中的实际设备性能之间也存在不匹配。因此，代工厂正在发布为制造而设计的规则。”

Strojwas概述了如何在新产品的先进soc上执行逻辑诊断。“从逻辑上讲，问题是如何根据扫描链信息的处理找到缺陷的位置，”他说。“我们采用产品晶圆，以金属1为例，在衬垫上添加掩模和路由，然后对所有晶体管特性进行大规模并行测试。”

这个过程会自动显示几个参数异常值，这些异常值可能对产量至关重要，也可能不是。然后，平台决定哪些对设备至关重要。有些问题需要重新定位或光学接近校正(OPC)，有些不会影响产量或可靠性，而另一些则需要掩膜树脂。

西门子的Knowles补充说:“我们听说，在批量生产中存在基于模式的系统性缺陷。”“有些人认为模式复杂性会变得更好EUV，而且确实持续了一分钟。所以不是经过四模式，现在你到了单一模式，但它很快就会回到双重模式。”他指出，工程师们正在通过在生产中进行更多的批量诊断来解决这些缺陷问题。

PDF Solutions总裁兼首席执行官John Kibarian表示:“为了实现更快的产量学习和新产品的推出，我们的客户一直在要求在半导体产品生命周期的不同平台之间进行更紧密的集成，包括EDA、制造分析和测试操作。”

在联合产品中，PDF的Fire数据和布局模式分析与Siemens YieldInsight在Exensio分析平台相结合，可以更好地监测系统的产量损失(见图1)。Strojwas表示:“该平台可以识别出产量损失的位置，然后执行数据处理，以确定芯片中哪里存在最高概率的缺陷。”“例如，在他们识别出可疑问题后，我们将这些信息带回Exensio，并尝试与内联缺陷检查数据相关联。但真正新颖的部分，除了识别随机缺陷(即短路和打开)之外，它还识别了最脆弱的布局模式。根本原因卷积实际上提高了寻找真正故障位置的准确性，达到90%。”

图1:分析成品率、试验和设计数据的工艺流程。来源:PDF

高置信缺陷帕累托，然后确认的根本原因物理失效分析(PFA)使用聚焦离子束(FIB)横截面和SEM成像。这种缺陷隔离的闭环方法优于传统的故障隔离，传统的故障隔离可能需要数周时间，并导致晶圆厂的生产力显著损失。

在芯片上监控的内容可以进行物理或结构分类，例如PVT，然后使用先进的片上代理进行参数分类proteanTecs．该公司利用基于芯片遥测技术的“深度数据分析”，使用在测试和任务模式下运行的多维代理，来监测由于老化和制造过程中未发现的潜在缺陷而导致的性能下降。此外，这些监控器可用于操作、环境和应用分析，测量硬件上的工作量和软件压力，以及高级包中互连的可靠性。

测试设计(DFT)活动是供应链管理中跟踪的一部分。Synopsys公司硅生命周期管理高级员工产品营销经理Guy Cortez表示:“在设计阶段，越来越多的嵌入式监控器被用于监控硅内部的关键环境条件，如工艺、电压和温度。”“在生产过程中从这些监控器收集到的有价值的数据分析可以帮助改善性能和功率等操作指标，不仅在设备制造期间，而且在设备在现场使用时也可以。”

来自这些监控器的数据能够有针对性地提高产量，Cortez补充道。“监控数据的使用越来越多，特别是在整个制造过程中硅器件的质量筛选过程中，从而实现了更高质量的器件。针对离群点检测和逃逸预防的传统质量分析方法，如地理空间技术(如好-死-坏邻域、故障集群和z轴部分平均测试(ZPAT)以及单变量参数分析(如动态部分平均测试(DPAT))，都是可靠的技术，并且至今仍在大量使用。但是现在，随着监控器数据的出现变得更加容易获得，将这些有价值的数据与其他参数数据(如Vdd消耗测试)关联起来，与传统方法相比，您可以更准确地识别真正的异常值，因为监控器数据本质上可以更准确地表示硅内部发生的情况。”

更好地使用内联监视器数据
工程师们提高产量的一种方法是更有效地利用在线检测数据。例如，对于汽车芯片，关键层可能接受100%的检查。然后，生成的缺陷图可以根据失效潜力进行排序，这可以用来决定何时需要进行下游测试，例如加速温度和电压应力(老化)。

KLA和NXP最近合作了一个项目，使用内联检测数据来确定微处理器和模拟产品的最佳压力测试(老化)。使用内联零件平均测试(I-PAT)方法，除极少数设备外，所有设备都可以消除老化以消除潜在可靠性故障的必要性。对50,000个微控制器和76,000个高压模拟产品的案例研究表明，缺陷导向压力测试的早期生产实施“使我们能够在压力/测试覆盖率、可靠性和成本之间实现最佳权衡”，NXP研究员Chen He和John Robinson，高级首席科学家心理契约．“只有缺陷较高的模具才会受到额外的BI应力，从而降低成本，减少与老化相关的过度应力风险。”

图2:对边缘模、非易失性内存修复模、参数边缘离值模以及I-PAT分数高的模进行老化测试。资料来源:IEEE ITC

而不是依赖于晶圆和批量采样，所有的模具都使用KLA 8系列明场/暗场检测仪进行表征。使用机器学习训练算法，根据特定层、晶圆位置、缺陷类型、缺陷尺寸、极性等，对每个缺陷进行分类和加权。He说:“I-PAT分数被用作每个模具缺陷的领先指标，这将帮助我们确定什么是最佳的后续压力测试，以达到目标质量水平，并在成本和质量之间保持良好的平衡。”I-PAT评分汇总了来自所有层的缺陷数据，从而产生了特定于模具的可靠性指标。

图3:将缺陷从高到低的微控制器模具分为高风险(报废)，需要进行老化应力测试(1%的模具)和低风险(99%，没有老化)。资料来源:IEEE ITC

分数从低到高的分布，以及晶圆的位置，提供了哪些模具将接受老化的选择规则(见图2)。使用失效分析验证了I-PAT分数高的模具。晶圆探头和封装器件测试有助于区分高可靠性风险类别(报废候选)和中等风险(应进行老化测试)-称为异常值阈值。当I-PAT分数显著下降时，所有较低类别的芯片都不需要老化(99%的芯片在微控制器中)。重要的是，微控制器的异常值阈值为10，而高压模拟设备的异常值阈值为100，因此它是特定于产品的。测试不良率与I-PAT分数之间的良好相关性为该方法提供了进一步的信心。

NXP/KLA团队发现，某些压力测试最能发现特定的缺陷类型，例如金属层缺陷对升高的电压和电流测试(Iddq测试)的响应。该团队补充说，像I-PAT这样的方法越来越多地被汽车工程委员会(AEC)和OEM全球标准文件推荐用于汽车设备。

下一代晶体管和互连
英特尔最近宣布将在其20A (2nm)节点上集成纳米片晶体管和后台电源传输。台积电和三星Too将进行这些转变，这两者都将实现未来的扩展，但也会带来收益挑战。“栅极全能晶体管和后置电源分配绝对是必要的。此外，采用背面电源还有其他原因，比如在背面安装去耦电容器。”

但是这种新方法也有缺点。西门子的Knowles说:“有了背面电源，现在你就无法接触到晶圆背面，这对于FA和调试中的电气故障隔离非常有用。”“这两个变化确实对很多收益率学习流程造成了影响。”

在最近的FA会议上，一家领先的无晶圆厂公司的发言人告诉观众，未来的故障分析将主要在ATE上进行。诺尔斯说:“这是一个重大声明。“他基本上是说，物理技术将面临巨大挑战，基于应用，它们的使用将变得脆弱。因此，对于最先进的节点，越来越强调上游工作，让设计师在这些系统中进行更多的测试设计、诊断设计和产量设计，然后利用ATE平台应用刺激模式、自适应测试等来调试问题。”

结论
Knowles说:“我们看到人们在使用机器学习的数据分析来处理故障数据方面变得更加积极主动。”他预计这一趋势将持续下去，因为领先的原始设备制造商会定期处理更大量的故障数据。虽然在工艺工具上使用传感器曾被认为是一种很大程度上的额外费用，但今天看来，产量波动的高风险证明了工程、传感器和分析投资的合理性。这些努力，加上更多的DFT，正在实现更快的收益率增长。

参考文献

[1] A. Meixner，“汽车芯片制造商挖到10ppb”，半导体工程，2022年3月8日，https://新利体育下载注册www.es-frst.com/auto-chipmakers-dig-down-to-10ppb/．

[2] C. He等，“基于在线检测结果的缺陷导向应力测试”，2022 IEEE国际测试会议，doi: 10.1109/ITC50671.2022.00050。

有关的故事

汽车芯片制造商将价格降至10ppb
将质量缺陷控制在10个十亿分之一，就是要发现和预测集成电路的细微行为。

端到端分析何时何地有效
通过利用更多数据来提高产量、可靠性和成本。

组合不同类型Fab数据的巨大回报
但充分利用这些数据仍然存在技术、物理和业务障碍。