基于机器学习的可寻址WAT良率诊断方法研究

发布时间：2021-01-24 07:12

　　在集成电路产业中,良率提升意味着生产成本降低、利润率提高,是集成电路企业在市场中维持自身核心竞争力的关键因素。随着特征尺寸的不断下探,集成电路生产制造工艺愈发复杂,由此带来的良率损失问题也愈发严峻。如何利用集成电路生产测试中收集到的数据来提升良率,是集成电路企业关注的重点之一。晶圆允收测试（WaferAcceptanceTest,WAT）作为集成电路生产流程中一项重要的测试环节,常用于器件参数模型的提取与工艺波动的捕获,对集成电路良率提升有着重要意义。本文围绕可寻址WAT良率分析场景展开,对利用机器学习方法进行良率诊断的方案进行了 了研究与探索。针对现有方法在分析效率与准确率上的不足,在实验的基础上提出了一种基于随机森林算法的良率诊断方法。论文的主要研究内容如下:（1）分析了目前主流的两种可寻址WAT良率诊断方法:多维分析方法与基于决策树的良率诊断方法,并对这两种方法的局限性作了说明。（2）提出了一种基于随机森林算法的良率诊断方法,该方法使用随机森林算法建立测试结构参数与良率之间的分类模型,通过结合重采样与代价敏感来处理WAT测试数据集中的类别不均衡问题。（3）针对随机森林模型的可理解... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
        1.1.1 集成电路发展概况
        1.1.2 集成电路良率问题
    1.2 国内外研究现状
        1.2.1 使用晶圆测试数据进行良率分析
        1.2.2 使用晶圆箱图进行良率分析
        1.2.3 使用版图热点检测提升良率
    1.3 研究内容
    1.4 论文结构
    1.5 本章小结
第2章 随机森林算法原理
    2.1 概述
    2.2 集成学习
        2.2.1 装袋
        2.2.2 提升
    2.3 决策树
        2.3.1 概述
        2.3.2 决策树的构建
        2.3.3 剪枝
    2.4 随机森林
    2.5 不平衡数据集
        2.5.1 重采样
        2.5.2 代价敏感
        2.5.3 不平衡数据集分类评价指标
    2.6 本章小结
第3章 晶圆允收测试
    3.1 概述
    3.2 测试结构
    3.3 测试芯片
        3.3.1 测试芯片的部署
        3.3.2 可寻址测试芯片
    3.4 利用可寻址WAT测试数据进行良率诊断
        3.4.1 测试数据
        3.4.2 使用多维分析方法进行良率诊断
        3.4.3 使用决策树算法进行良率诊断
        3.4.4 现有方法的不足
    3.5 本章小结
第4章 基于随机森林的可寻址WAT良率诊断方法
    4.1 概述
    4.2 数据准备与预处理
    4.3 特征工程
    4.4 重采样
    4.5 建立分类模型
    4.6 规则提取
        4.6.1 基于规则的分类器
        4.6.2 从随机森林模型中提取分类规则
        4.6.3 将规则转换为可理解的信息
    4.7 本章小结
第5章 实验结果与分析
    5.1 数据集描述
    5.2 类别不平衡问题对分类性能的影响
    5.3 分类器训练结果
    5.4 规则提取结果
    5.5 本章小结
第6章 总结与展望
    6.1 论文研究工作总结
    6.2 后续工作展望
参考文献
作者简历
作者攻读硕士学位期间发表的论文


【参考文献】：
硕士论文
[1]面向标准单元库的MOS器件大型可寻址测试芯片的研究、设计与实现[D]. 杨璐丹.浙江大学 2018
[2]集成电路随机缺陷的良率研究[D]. 张茜.大连理工大学 2016
[3]某存储器芯片晶圆可接受性测试的设计与实现[D]. 彭继甜.电子科技大学 2011



本文编号：2996825