使用診斷驅動的良率分析克服系統性良率限制因素

在每個製造節點引入新的缺陷機理時，容易受設計影響的缺陷在數量和複雜性方面呈現出大幅增加的明 顯趨勢。這意味著，在引入新的製造工藝時，除了最初存在的低良率問題之外，即使隨著工藝的逐漸成 熟，不同設計之間的變化仍會不斷導致良率挑戰。對您影響最大的良率挑戰可能取決於貴公司所生產的 半導體產品類型。如圖1 所示，一些高端消費類產品嚴重依賴極短的市場窗口，這種情況下，量產時間至關重要。對於長期製造的產品而言，獲取最後的1~2% 的成熟良率可能意味著盈利水平的大幅提升。

圖1：不同半導體公司將會側重良率學習的不同方面。

思考以下幾個問題：

? 良率問題是否曾拖延您的產品發布或銷售進度？

? 1%的良率提升是否會對您的利潤產生重大影響？

? 出現良率問題時，您是否希望晶圓代工廠提供更快的響應？

? 您是否在同類工藝中發現了不同的良率？

如果以上任何問題的答案是肯定的， 那麼本文所述的診斷驅動的良率 分析方法可能會對您有所幫助。

診斷驅動的良率分析 (DDYA) 是一種適合數字半導體器件的方法，它利用生產測試結果、批量掃描診斷和統計分析，在進行失效分析之前確定導致良率損失的原因。此方法可以將發現根本原因的時間縮短75~90%， 並且能找出使用其他方法無法發現的系統性良率限制因素。本文將介紹如何使用Tessent Diagnosis和Tessent YieldInsight軟體產品成功實現DDYA的過程。

掃描診斷可利用設計描述、掃描測試圖形以及測試儀提供的失效數據來發現「疑點」，即在數字測試期 間最有可能導致失效的缺陷。

掃描診斷過去用於缺陷定位。在圖2所示的良率學習背景下，一旦發現一些缺陷器件反映出良率問題，就會立即通過診斷來確定這些器件最有可能出現的缺陷位置。然後再通過電氣和物理故障隔離進一步細化這些可能的位置，之後再進行結構分析。DDYA 則代表了另一種方法。此方法不僅僅將診斷用於缺陷定位，還用於確定底層的根本原因以及批次中的最佳物理失效分析(PFA)候選對象（例如一片晶圓或一個LOT晶圓）。DDYA方法有幾大優勢：

? 在進行PFA之前確定並分離可疑的根本原因

? 提高PFA的相關性和成功率

? 縮短PFA的周期

? 將發現根本原因的總體時間縮短75%~90%

? 發現之前隱藏的良率限制因素，即高量產製造中最後的1%~2%良率

要將DDYA付諸現實，需要部署兩個關鍵組件：

? 診斷需要生成對良率學習有意義的數據類型

? 診斷結果分析必須充分考慮診斷結果的含糊性

下面，我們將深入探討各個元器件。

圖2：傳統的良率學習方法與Mentor的診斷驅動的良率分析(DDYA)方法。

將診斷用於傳統流程中的失效分析時，主要目標是定位特定晶元上導致失效的缺陷。用於良率分析時，單單獲取精確的缺陷位置還遠遠不夠。如果經診斷，晶圓上的所有失效晶元在不同的位置（即不同的網路中）存在缺陷，那麼許多晶元仍可能由於相同的缺陷機理或根本原因而失效。為確定這一共同的根本原因，我們需要了解這些不同缺陷位置的共同之處。為此，我們可以使用診斷結果中包含的位置屬性。這些屬性包括單元類型、物理器件層、過孔類型和臨界區域。圖3即顯示了這一差異。

圖3：在良率學習中，通過掃描診斷確定的位置屬性往往比位置本身更有價值。

Tessent Diagnosis可通過版圖感知的診斷化解上述挑戰[2-3]。與僅僅基於純邏輯設計說明（網表）的診斷相比，版圖感知的診斷提高了診斷解析度，並提供了額外的缺陷分類。以下是版圖感知的診斷如何提供更詳細結果的一些示例：

傳統上，位置僅限於門級（網表）位置，例如網路或門。使用版圖感知的診斷時，疑點位置通常是一個缺陷邊界框，即兩個網路之間的橋接，網路的開路區段，或某一個單元。

? 如果失效的原因是兩個網路之間的邏輯橋接，則僅當這兩個網路處在物理版圖空間的毗鄰位置時，才將此橋接視為有效的疑點。

? 支配橋接（僅在兩個相關網路的其中一個上觀察到邏輯失效）和開路將被明確分離。這是通過分析與受開路／橋接影響的可疑對象相鄰的網路來實現的。

? 開路位置將被收窄至網路區段。這是通過分析多路扇出網路的所有接收器來實現的。

圖4顯示了一個經診斷包含開路缺陷的網路。工具可通過觀察多路扇出網路中正常和失效的接收器，將疑點位置收窄至總體網路的一個小區段。

圖4：使用拓撲分析識別開路網路區段。

用於良率分析用途時，如何在報告中使用版圖信息尤為引人關注。如圖5所示，對於失效晶元，版圖感知的診斷報告了精確至x、y和層等物理位置，以及邏輯位置及分類。在此示例中，可疑缺陷是一個包含metal4、metal5和三種不同類型過孔的網路區段中的一處開路。為其他失效晶元生成類似的信息後，可以對此信息進行分析和處理，以確定尤為引人關注的特徵。

圖5：版圖感知的診斷報告。

除了版圖感知的診斷外，其他高級診斷技術也有益於良率分析。因為多達50%的缺陷可能位於單元內部。單元內部診斷可確保明確地分離互連中的缺陷（「後端缺陷」）與單元內部的缺陷（「前端缺陷」）。 單元感知的診斷是一種將此概念延伸至單元內部更深層次的新方法。接下來我們將詳細討論此方法。

10~30% 的邏輯失效是由於掃描鏈缺陷所致。利用高級鏈診斷可以識別掃描鏈缺陷和鏈功能複合缺陷。 延遲缺陷通常佔總缺陷數量的1~5%。通過全速診斷可以明確識別延遲缺陷和時序錯誤。

Tessent Diagnosis提供了一套全面的診斷功能，可針對每項失效提供50多種不同屬性。這些屬性範圍廣泛，包括失效的掃描鏈和圖形到缺陷分類和受影響的標準單元等等，為Tessent YieldInsight所執行的統計分析奠定了基礎。

除了精確和有意義的診斷結果之外，此背景下的另一項重要診斷要求是，運行診斷時必須將測試成本受到的影響降至最低。對於PFA或測試啟動等應用，通常會在少數幾個器件上進行診斷。為了能夠在良率分析中有效地運用診斷，需要進行常規基礎上的診斷並增加診斷器件的數量。這就意味著，必須在存在掃描測試壓縮的情況下對生產測試圖形運行診斷，並且將測試時間受到的影響降至最低。Tessent Diagnosis會直接對基於壓縮模式的Tessent TestKompress圖形以及Tessent FastScan圖形的測試結果進行診斷[8]。

目前為止的診斷方法已經提供了互連級別的邏輯缺陷和版圖感知缺陷的檢測方法。這些缺陷位於製造工藝的後道工序(BEOL)部分。在較新的工藝技術，尤其是包含 FinFET 晶體管設計的工藝技術中，晶體管級別的前道工序(FEOL)缺陷構成了現代半導體製造商面臨的主要系統性良率挑戰。單元感知的診斷提供了一種全新的有效方法，通過執行晶體管級別的診斷來識別標準單元內的缺陷。它運用衍生自模擬模擬的故障模型，並使用與傳統診斷相同的失效數據收集和診斷流程。Tessent Diagnosis提供的單元感知的診斷是單元感知的測試領域10多年來研究成果的結晶，並且在開發過程中還與無晶圓廠半導體製造商、晶圓代 工廠和集成設備製造商展開了廣泛的合作。使用單元感知的診斷可以縮短PFA時間並顯著提高診斷解析度。有關詳細討論，請參閱白皮書]。

批量診斷用於良率分析的價值最終取決於如何使用診斷結果[9-16]。提高診斷結果的實用性面臨的其中一個主要挑戰是將有價值的信息與干擾信息進行區分。為此，Tessent YieldInsight 採用了各種分析方法。

一組診斷數據可能揭示，與一種特定類型的「與」門相關的缺陷數量多於其他任何邏輯門。不過，這並不意味著存在與此特定「與」門相關的系統性問題。如果它是設計中最常見的門類型，則可以預見，它在任何分析中出現的幾率都很高。另一方面，如果您在整個晶圓上看到缺陷明顯呈現隨機分布，而在晶 圓中心卻出現高度集中的與該特定「與」門類型相關的缺陷，則表明存在系統性問題。這是因為此特定 缺陷的分布與總體缺陷的分布明顯不同。

Tessent YieldInsight執行這一類型的特性分析，將Tessent Diagnosis提供的所有特性的實際結果與預期分布進行比較。它對8個區域類型的50多個特性自動進行分析，並呈現在分析信息顯示板中。此信息顯示板明確指示了值得調查的特性，以及預期分布與實際分布之間的差異程度。這樣一來，Tessent YieldInsight便可幫助找出失效診斷數據中指向系統性問題的圖形。

一旦懷疑特定的特徵（例如特定的標準單元類型）將影響到良率，便可執行額外的特徵分析，以了解各個系統性問題的影響，並選擇用於PFA的器件。與特定特性相關的器件將被分離，以便能夠清楚地觀察此問題的影響。通過分離出這部分器件，可以對剩餘的物料進行額外分析，進而幫助識別其他問題。

例如，假定共計1,000個失效晶元。這些晶元中有150個被發現存在與單一過孔相關的開路缺陷。在剩餘物料中，有70個晶元被發現在某個標準單元的不同例化中存在缺陷。通過識別多種系統性問題，則有可能在進行任何PFA之前確定優先解決的問題。

一旦確定某個特定問題，便可基於診斷結果選擇用於PFA的器件。通過選擇具有單一疑點、高診斷分數和較小的物理搜索麵積的器件，可以最大限度提高PFA的成功率。

在某些情況下，由於干擾信息，很難確定特定問題是否為診斷數據。根本原因反卷積(RCD) 是Tessent Diagnosis和YieldInsight產品提供的一項統計增強技術，也是增強診斷解析度的下一步驟。它的原理是，通過將多 份版圖感知的診斷報告放在一起進行分析，來確定最有可能解釋這組診斷結果的底層缺陷分布（根本原因分布）。然後將結果反向標註到單獨的診斷疑點。

如圖6所示，版圖感知的診斷指向某個區段，而RCD可以隔離該區段內的特定根本原因。這樣一來，便可提高PFA的相關性和成功率，並將PFA的周期從幾個月大幅縮短至幾天。RCD還能實現「虛擬FA」，此功能可在執行任何失效分析之前確定一組失效器件的缺陷分布。有關RCD的詳細討論，請參閱白皮書[18]。

圖6：根本原因反卷積可以隔離區段中的特定根本原因。

解決設計流程誘發的系統性缺陷是無晶圓廠半導體公司可採用的直接提高良率的幾種方法中的一種。因此，有必要實施一種方法來明確地分離設計和流程相關的良率限制因素。在DFM感知的良率分析流程中，目標是確定可製造性設計(DFM)規則，為實際設計流程誘發的系統性缺陷提供最佳描述。這種方法存在一些挑戰。首先，缺陷位置與DFM違規之間的相關性不一定意味著DFM違規就是導致缺陷的實際原因。而且，儘管真實的失效機理可能與設計相關，但不一定就能通過現有的DFM規則進行建模。

圖7顯示了Tessent YieldInsight中採用的DFM感知的良率分析方法。版圖感知的診斷奠定了此方法的基礎。每項版圖感知的診斷結果都與Calibre YieldAnalyzer的關鍵特徵分析(CFA)結果相關聯。如果某個可疑缺陷部分或完全處在與DFM規則違規相同的層和位置，則可以認為此疑點與該DFM規則相關聯。

圖7：DFM 感知的良率分析流程。

Tessent YieldInsight 將DFM規則視為特性，並且使用此白皮書中之前介紹的相同特性和區域分析方法來確定系統性良率損失是否由DFM違規所致，以及確定最敏感的DFM規則。在較高層面，可通過此流程識別三個類別的系統性缺陷：

?與現有的CFA規則相關聯的系統性缺陷。此流程將會識別對系統性缺陷最敏感的DFM規則。

?被懷疑對CFA敏感，但與現有規則無關聯的系統性缺陷。基於初始分析結果，用戶可能會懷疑根本原因與設計有關，但它與現有的所有DFM規則都不匹配。基於此假設，可以創建更多規則並確定這些規則存在的違規。然後將這些新的違規反饋回Tessent YieldInsight 並進行分析。這樣，無需執行任何PFA便可對假設進行測試。

?設計無關（流程相關）的系統性缺陷。

DDYA的基本要求是提供設計、測試圖形和測試儀失效數據。通過遵循一些基本準則，可實現有效的流程，並將測試時間受到的影響降至最低。

例如，大多數半導體公司結合使用固定測試圖形和全速測試圖形。大多數缺陷可能無法通過這兩組測試圖形，但診斷兩者所需的工作量卻存在明顯的差別，其中全速圖形通常比固定圖形更為複雜且耗時更久。

要診斷失效的掃描鏈，需要的失效數據相對較多，因為診斷同時需要鏈測試和一些掃描圖形的數據。這對於批量診斷而言可能不太現實。值得注意的是，一些器件中可能存在一種特定的缺陷機理，不僅會導致功能性電路失效，還會導致其他器件的掃描鏈自身失效。因此，重點對掃描功能性失效收集數據並進行分析可能是一種比較切實可行的解決方案，而且有助於解決鏈失效的根本原因。

傳統觀點認為，診斷結果的質量取決於可用的失效數據量。實驗表明，每個晶元可使用256個失效周期完成有效的掃描功能性診斷[8-9]。

所需的最小晶元數量取決於需要分析的問題類型[17]。例如，與識別隱藏的良率限制因素相比，異常分析 具有不同的要求。作為計算範例，假設某個已知的系統性特性造成了5%的良率損失。要獲得具有統計顯著性的樣本，您可能至少需要25個具有此特性的晶元。因此需要在500個晶元(25/0.05)上收集數據。

以下示例介紹了如何使用Tessent YieldInsight來識別系統性良率問題並選擇用於失效分析的器件。此示例基於對200個晶圓(8 LOT)的1,115 個失效晶元進行Tessent Diagnosis版圖感知的診斷後得出的結果。圖8顯示了所有失效晶元的堆疊晶圓圖，它表明整個晶圓上的缺陷分布似乎是隨機的。圖8中的條形圖表明，每個晶圓的失效晶元數量也相當隨機。難點在於確定數據中是否隱藏了任何系統性問題。

圖8：Tessent YieldInsight 針對所有失效晶元生成的堆疊晶圓圖和每個晶圓的失效晶元。

Tessent YieldInsight 採用多種方法實現數據探索和可視化顯示。在這類情況下，如果初始結果未反映出任何明顯的信息，圖9所示的分析信息顯示板則可提供很好的入手點。Tessent YieldInsight自動對八種不同區域類型的50項失效和診斷特性執行分析。區域是數據資料的不同部分，例如晶元或不同晶圓的不同部分。

圖9：Tessent YieldInsight中的分析信息顯示板。

例如，該分析會自動指示晶圓中心是否存在高度集中的橋接缺陷。分析信息顯示板中的顏色從白色（極低）到黃色（中等）和紅色（極高），指示了存在系統性特性的概率。

在標記了多個特性的情況下，可以從名為「Suspect type: fail probability（疑點類型：失效概率）」的特性入手。此特性描述了特定缺陷類型導致失效的概率。圖10所示的帕累托圖表明，其中最共通的缺陷機理是，此物料中最主要的缺陷機理是開路。進行標準化處理後，1,115 個失效晶元中約有427個是由於開路缺陷所致。但這有可能只是由於臨界區域所致。

圖10：疑點類型的帕累托概率圖。

更令人感興趣的是，雙向橋接對應的條形顯示為紅色。在此案例中，區域類型為徑向區域(R)。紅色表示晶圓的徑向區域存在意外的橋接缺陷分布。

圖11顯示了經診斷由於雙向橋接導致失效的晶元的晶圓圖，它表明晶圓中間存在高度集中的失效晶元。在此案例中，晶圓圖被劃分成五個徑向區域，每個區域半徑等值遞增。

圖11：顯示經診斷包含雙向橋接缺陷的晶元的晶圓圖和累積相對頻率圖表。中央區域為區域1。較粗的條形顯示了實際分布。較細的條形顯示了實際分布與預期分布之間的偏差。

圖11中晶圓圖右側圖表內的條形顯示了五個徑向區域各自的失效概率。與晶圓圖自身反映的信息相似，代表最裡面區域（區域1）的條形數值最高。較細的綠色條形顯示了實際分布與預期分布之間的偏差。預期分布基於總體缺陷分布和雙向橋接的總數量。各區域的預期數量不同是因為每個區域內的總體失效晶元數量存在一定的變化。

在我們的分析流程中，下一步是深入研究橋接缺陷的位置。在對這一子組的失效晶元進行篩選後，圖12中 的帕累托圖顯示了五個不同金屬層中經診斷包含橋接缺陷的晶元數量。

圖12：顯示不同層的橋接缺陷分布的帕累托圖。

「route_3」中的橋接缺陷遵循的圖形與我們剛剛看到的雙向橋接圖形相似。因此，調查應重點關注包含「route_3」中的雙向橋接的器件。

為了進一步確定最適合進行PFA的器件，可以基於診斷結果縮小器件組。圖13顯示了選擇過程，該過程選擇了具有單個疑點和最高診斷分數的器件。

圖13：篩選具有一種診斷癥狀和最高診斷分數的器件。

需要調查的晶元組現在縮小至68個晶元。這些晶元全部表現為可能存在系統性問題，並且具有明確的診 斷結果。如果對其中一個器件執行PFA，成功的機會很高。此外，結果很有可能是相關的，而非指向不相 關的隨機缺陷。在Tessent YieldInsight中，可以查看包含缺陷區域的邏輯位置和物理位置的詳細診斷報告，如圖14所示。

圖14：在Tessent YieldInsight中查看缺陷區域並生成報告。

典型分析流程的下一步是篩選出表明存在此問題的器件，然後對剩餘的晶元組重複執行分析。這樣就能識別多種系統性問題，並將每個問題對應的失效器件進行分離。

在此示例中，Tessent YieldInsight被用於確定DFM相關的良率損失。此示例基於對1,200個失效晶元進行Tessent Diagnosis版圖感知的診斷後得出的結果。從「結果資料庫」（RDB，Calibre的交換格式）導入DFM分析結果。如圖15所示，此案例中的Tessent YieldInsight信息顯示板明確指示，存在與其中一個DFM規則相關的區域敏感型缺陷。

圖15：Tessent YieldInsight 信息顯示板指示存在DFM相關的系統良率損失。

如圖16所示，規則「metal_cross_edge_route1」顯示了最強的區域靈敏度。

圖16：顯示失效晶元數量的帕累托圖，其中的晶元缺陷位置經診斷與DFM違規相關聯。

圖17所示的晶圓圖中的晶元經診斷，包含與DFM違規「metal_cross_edge_route1」相關的缺陷。此類失效器件的區域靈敏度表明，存在與此特定DFM規則相關的系統性缺陷。

圖17：器件的堆疊晶圓圖，其中的器件具有經診斷與DFM違規「metalcroseeedgeroute1」相關聯的缺陷。

通過將Tessent Diagnosis的高精度批量掃描診斷與Tessent YieldInsight的可視化顯示和統計分析相結合，可實現有效的良率分析流程。應用基於批量掃描診斷結果（該結果結合了設計版圖和失效數據）的良率分析，而不是單純依賴製造工藝數據，可以將發現良率損失根本原因的周期時間縮短75~90%。隨著設計複雜度的不斷增加以及工藝技術的持續進步，RCD的統計降噪有助於減少診斷雜訊，而單元感知的診斷則可檢測晶體管級別的缺陷。DFM感知的良率分析為此方法提供了補充，用於分離設計相關的和流程相關的良率限制因素。

本文來自《電子工程專輯》2018年2月刊，版權所有，謝絕轉載

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！