[发明专利]一种基于神经网络的芯片筛测方法

说明书

本发明公开了一种基于神经网络的芯片筛测方法，利用芯片的S参数测试数据，通过神经网络公式计算和S参数比较，拦截具有早期失效风险的异常芯片，避免其成为合格品，相较于现有人工筛选芯片的方法，主观性较小，可靠性高。本发明在芯片的量产测试阶段，在原有的测试平台上增加了芯片筛选测试程序，因不引入新的测试设备，其测试成本低，速度快，环境简单。本发明可以显著遏制芯片量产测试的正常波动对于量产测试的干扰作用，从S参数交流信号角度深度拦截了具有失效风险的芯片，从而降低了芯片的早期失效率。

技术领域

本发明属于通信技术领域，具体涉及一种基于神经网络的芯片筛测方法的设计。

背景技术

电信级产品的生产物料百万分之不良率（Factory Defective Parts PerMillion，FDPPM）要求通常较高，如何改善出货质量和降低芯片的FDPPM 是厂商提高盈利空间和客户满意度的首要问题。FDPPM 偏高的其中一个主要原因是芯片的早期失效率（EarlyFailure Rate，简称：EFR）较大，在芯片量产测试中筛除可能导致潜在失效风险的芯片，是降低EFR 的一个方法。

目前的芯片筛选方法中，一种是采用老化测试方法，将芯片处在高温高压条件下工作，使得半导体管子产生逻辑状态翻转，把性能较弱的芯片提早失效，从而降低产品的EFR 。但老化测试是将芯片失效，实施成本高，并且老化测试周期长，一般在24小时以上，而且每个老化炉测试的芯片数量有限，量产规模大的芯片需要购买大量的老化炉，导致成本较高。另一种是人工筛选方法，在得到晶圆测试数据后，对晶圆上大片失效区域周边的良品芯片进行人工剔除，以降低芯片失效风险。但人工筛选不仅占用大量人力，同样存在成本高的问题，而且人工指定存在不同人员、不同批次间指定的标准不一致，主观性大，可能存在过杀或者漏杀的问题，可靠性较低。

发明内容

本发明的目的是为了解决现有的芯片筛选方法成本较高且可靠性较低的问题，提出了一种基于神经网络的芯片筛测方法。

本发明的技术方案为：一种基于神经网络的芯片筛测方法，包括以下步骤：

S1、采集10个批次的芯片S参数及其对应的频率、偏置IV参数和PCM数据作为训练数据。

S2、构建芯片S参数关于频率、偏置IV参数和PCM数据的神经网络模型。

S3、通过训练数据对神经网络模型进行训练，得到S参数预估模型。

S4、在待测芯片的CP测试阶段，采集待测芯片的PCM数据。

S5、在待测芯片的FT测试阶段，选取4个测试频点构成频率向量，测试待测芯片的S参数及其对应的偏置IV参数。

S6、将待测芯片的PCM数据、频率向量和偏置IV参数输入S参数预估模型，得到待测芯片的预估S参数。

S7、根据预估S参数和实际测试得到的待测芯片的S参数计算得到向量差的模值。

S8、将向量差的模值均在预设标准值范围内的待测芯片归入合格芯片集合BIN1，将向量差的模值不是全部在预设标准值范围内的待测芯片归入失效芯片集合BIN2。

进一步地，步骤S2中构建的神经网络模型为：

S=f_ANN( f_x,WAT_PCM, IV_x,w)