1、白皮书用 Bootstrap 森林法进行良率分析的优势(Advantages of Bootstrap Forest for Yield Analysis)SAS 白皮书目录简介 .1问题 .2各控制阶段的描述 .2在线控制 .2参数测试 .4电气晶圆分类(electrical wafer sort,EWS).4分析方法 .6问题分类 .7数据准备 .9统计分析方法 .9传统方法 .10多元分析 .10主成分分析 .10预测建模 .11回归 .11分割 .12Bootstrap 森林法 .13提升树 .13神经网络 .14验证 .14案例 .15案例 1：根因识别（笑脸特征）.15问题和影响描

2、述 .15数据 .17分析 .18结论 .20案例 2：EWS 与 PT 参数的相关性 .22问题和影响的描述 .22数据 .22分析 .23结论 .26总结 .26参考文献 .28Youssef Baltagi，STMicroelectronics Rousset 数据分析工程师Florence Kussener，JMP 高级系统工程师1用 Bootstrap 森林法进行良率分析的优势(Advantages of Bootstrap Forest for Yield Analysis)简介世界半导体行业的竞争日益激烈，迫使制造商大幅缩短产品的上市时间。为此，他们需要在更短的时间内完成制造过程

3、的每一个步骤，同时保持高水准的控制和质量。这就要求企业必须满足越来越多的要求，才能满足客户的需求，特别是针对汽车行业和医疗行业的产品。尽管工程师可以使用高效的工具来控制由数百个单独步骤组成的制造过程，但为了在生产现场识别出缺陷零件，仍需要进行更多的测试。良率-指合格的芯片数量与测试过的芯片数量的比，是良率工程师监控其产品最终质量的重要参数。良率也会影响产品的制造成本，这就是为什么最大程度地提高性能与限制任何差异是如此的重要。由于可能存在各种变化原因，包括工艺参数的变化、意外和未受监控的制造事件、缺陷设备等，因此对良率工程师来说，解释良率的任何差异都意味着一项挑战。工程师必须掌握使用高性能的工具

4、和方法，使其尽可能快速、可靠地找出问题的根源。考虑到在生产批次的每个阶段收集的大量数据，以及有时在描述问题的统计量有限，传统技术并不总是能很好地解决良率工程师面临的问题。多年来，数据挖掘已被证实可作为这些技术的非常有效的补充。在本文中，我们将使用多个实际示例来演示分割技术的使用。我们将特别重点介绍 JMP Pro 中用于根因分析的“Bootstrap 森林法”。第二、第三节解释了这个问题，并描述了使用的技术；然后我们将通过两个案例展示获得的结果。第一个案例涉及在制造过程中未检测到电性良率损失情况下使用分割进行根因识别；第二个案例考察制造过程中检测到的电性良率变化。2SAS 白白白SAS 白皮书

5、问题各控制阶段的描述在线控制半导体行业的数据量非常庞大，而且异常复杂。终端产品的产生需要经过由数百个步骤组成的制造过程。这些步骤分为光刻、蚀刻、注入和化学机械抛光(chemical mechanical polishing,CMP)等主要步骤。这些步骤被划分为前端(front end of line,FEOL)步骤（定义晶体管关键部位）与后端(back end of line,BEOL)步骤（使用接触孔和导线建立不同晶体管之间的相互连接）。借助于传统的 SPC（统计过程控制）与 APC（先进过程控制），所有的这些步骤都有在线控制，或者实时控制或者事后控制。作为控制过程的一部分，收集有关处理设备

6、（腔室温度、压力等）的量测数据，以及分批测量的物理数据（例如厚度、尺寸、理化特性等）。所有数据都记录在工程数据分析(engineering data analysis,EDA)数据库中，必须符合定义过程和设备时商定的规格；任何变化必须在相关节点分别分析。尽管如此，物理测量不足以确保制造过程正确完成：当元件被电激活时，可能会出现物理测量无法识别出的缺陷。3用 Bootstrap 森林法进行良率分析的优势(Advantages of Bootstrap Forest for Yield Analysis)在制造过程的最后，还有两个用于对芯片进行分类的补充步骤：参数测试和电性晶圆分类，这两个步骤都是