[发明专利]一种超大规模晶圆缺陷数据的特征提取方法

说明书

本发明公开了一种超大规模晶圆缺陷数据的特征提取方法，该方法包括：使用基于分布式计算平台的密度采样方法，对超大规模晶圆缺陷数据进行采样，在保留数据完整分布的前提下减少数据量；对采样后的晶圆缺陷数据进行基于自适应的密度聚类方法的聚类，聚类完成后统计子簇的数量，以及各个子簇的期望、方差；将自适应的密度聚类后得到的结果作为初值输入EM算法迭代拟合高斯混合模型分布，提取晶圆缺陷数据的概率分布特征。本发明方法在保证晶圆缺陷数据分布完整性的同时，有效降低了缺陷数据量，自动准确地提取晶圆缺陷的分布作为超大规模晶圆缺陷数据的特征，有利于在实际工业生产中对超大规模晶圆缺陷数据的后续分析。

技术领域

本发明属于超大规模晶圆缺陷数据分析领域，具体而言，涉及一种超大规模晶圆缺陷数据的特征提取方法。

背景技术

在复杂且昂贵的半导体制造工艺中，晶圆极易受到影响而造成缺陷。当缺陷位于“关键区域”时，会造成功能故障，导致晶圆生产的良率损失。所以，空间缺陷分布的准确建模对于成品率和可靠性评估以及晶圆生产工艺改进至关重要。

当前已经有大量的研究用于分析晶圆缺陷数据的分布，例如，泊松模型、负二项式模型、零膨胀模型等。但是这些研究都是基于来自End-of-line(EOL)的晶圆缺陷数据。EOL测试是在晶圆完成制造工艺后的测试，通过电气缺陷来测试晶圆上每个晶粒的有效性，标记异常的晶粒。而一些产品的制造周期非常长，在这种情况下如果前面的某一工艺出了问题，在到达EOL测试时才发现，就会给造成重大损失。所以更好的办法是利用来自Inline的大规模晶粒级缺陷数进行分析。但是在实际生产中，晶圆制造设备和信息技术系统并不是为大量的可以轻松跟踪并集成工艺流程的实时数据而设计的。所以，来自Inline的大规模晶圆缺陷数据不能得到有效的分析与处理，其中蕴含的缺陷有关的信息也被忽视。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于针对现有技术的不足，提供一种超大规模晶圆缺陷数据的特征提取方法，在保证晶圆缺陷数据分布完整性的同时，有效降低了缺陷数据量，提取晶圆缺陷的分布，并实现了快速的可视化，有利于在实际工业生产中对大规模晶圆缺陷的快速分析以及处理。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

本发明为了实现上述发明目的，提供了一种超大规模晶圆缺陷数据的特征提取方法，该方法包括以下步骤：

步骤一：基于分布式计算平台对历史晶圆缺陷数据进行叠加，并通过对各个维度的数据进行排序、等深划分以及合并密度相似区间，从中提取可变采样网格；

步骤二：对输入的超大规模晶圆缺陷数据根据提取的可变网格计算各个网格的采样密度，从而进行基于密度的采样，在保留数据完整分布的前提下尽可能地减少数据量；

步骤三：对采样后的晶圆缺陷数据进行基于自适应的密度聚类方法的聚类，自适应的方法可以完全自动化的实现对数据的聚类；聚类完成后统计子簇的数量，以及各个子簇的期望、方差；

步骤四：采用高斯混合模型提取晶圆缺陷数据的概率分布特征；将自适应的密度聚类后得到的结果作为初值输入EM算法迭代拟合高斯混合模型分布，当达到设定的迭代阈值，保留概率密度分布参数单高斯组件数K、单高斯权重α_k、单高斯期望u_k、单高斯方差Σ_k作为超大规模晶圆缺陷数据的概率分布特征。