晶圆制造机台单元的共性分析方法及终端

摘要

一种晶圆制造机台单元的共性分析方法及终端，所述方法包括：基于晶圆数据计算相关度，相关度用于表征待分析维度和目标测试项的相关程度；至少根据待分析维度关联的异常晶圆持续值确定基值，异常晶圆持续值为晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量；基于基值对相关度进行归一化处理，得到相关系数；基于相关系数的数值，获得对待分析维度的分析结果。通过本公开方案能够提高机台/机台腔室共性分析的准确度，进一步能够实现共性相关性的定量分析，进一步能够在特定工艺步骤由单一晶圆制造机台单元执行以及工艺步骤本身出现问题时准确地进行共性相关性分析。

权利要求

1.一种晶圆制造机台单元的共性分析方法，其特征在于，包括：基于晶圆数据计算相关度，其中，所述相关度用于表征待分析维度和目标测试项的相关程度，所述晶圆数据为基于生产流程的工艺步骤所获得相关晶圆的数据，所述目标测试项的测试值反映晶圆的状态，所述状态包括异常和正常；

至少根据所述待分析维度关联的异常晶圆持续值确定基值，所述异常晶圆持续值为所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量，所述基值为所述异常晶圆持续值和所述工艺步骤关联的异常晶圆总数中的较大值；

基于所述基值对所述相关度进行归一化处理，得到相关系数；

基于相关系数的数值，获得对待分析维度的分析结果；

其中，所述待分析维度至少选自：所述工艺步骤、执行所述工艺步骤的晶圆制造机台单元。

2.根据权利要求1所述的共性分析方法，其特征在于，所述基于晶圆数据计算相关度包括：从所述晶圆数据中统计得到所述待分析维度关联的异常晶圆持续值；

至少根据所述异常晶圆持续值确定基向量的长度，所述基向量包括的元素用于表征晶圆的状态为异常；

从所述晶圆数据中提取得到所述待分析维度关联的异常晶圆持续向量，所述异常晶圆持续向量包括的元素至少用于表征所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间各晶圆的状态，所述异常晶圆持续向量的长度和所述基向量的长度一致；

计算所述异常晶圆持续向量和所述基向量之间的相似度，得到所述相关度。

3.根据权利要求2所述的共性分析方法，其特征在于，所述至少根据所述异常晶圆持续值确定基向量的长度包括：统计所述晶圆数据中所述工艺步骤关联的异常晶圆总数；

将所述异常晶圆持续值和所述工艺步骤关联的异常晶圆总数中的较大值确定为所述基向量的长度。

4.根据权利要求3所述的共性分析方法，其特征在于，所述从所述晶圆数据中提取得到所述待分析维度关联的异常晶圆持续向量包括：若所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆的晶圆数小于所述基向量的长度，在所述异常晶圆持续向量中填补预设元素以使所述异常晶圆持续向量的长度和所述基向量的长度一致。

5.根据权利要求1所述的共性分析方法，其特征在于，所述基于晶圆数据计算相关度包括：统计所述晶圆数据中所述待分析维度关联的异常晶圆总数，得到所述相关度。

6.根据权利要求1所述的共性分析方法，其特征在于，所述至少根据所述待分析维度关联的异常晶圆持续值确定基值包括：统计所述晶圆数据中所述工艺步骤关联的异常晶圆总数；

将所述异常晶圆持续值和所述工艺步骤关联的异常晶圆总数中的较大值确定为所述基值。

7.根据权利要求1所述的共性分析方法，其特征在于，所述晶圆数据包括多条记录，其中每一条记录包括晶圆的标识和所述晶圆在所述目标测试项的测试值，所述方法还包括：对于每一条记录，根据所述目标测试项的预设阈值和所述测试值标记所述晶圆的状态。

8.根据权利要求1所述的共性分析方法，其特征在于，对于同一工艺步骤在多个待分析维度下的相关系数，取数值最大的相关系数作为所述工艺步骤的相关系数。

9.根据权利要求1所述的共性分析方法，其特征在于，所述晶圆制造机台单元包括晶圆制造机台或者所述晶圆制造机台的腔室。

10.根据权利要求1所述的共性分析方法，其特征在于，所述基于相关系数的数值，获得对待分析维度的分析结果包括：按所述相关系数的数值大小对所有工艺步骤的待分析维度进行排序，得到分析结果；

或者

按所述相关系数的数值大小和预设系数对所有工艺步骤的待分析维度进行排序，得到分析结果，所述预设系数与待分析维度相关联。

11.一种终端，包括存储器和处理器，所述存储器上存储有在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至10中任一项所述方法的步骤。

说明书

晶圆制造机台单元的共性分析方法及终端

技术领域

[0001] 本发明涉及芯片制造和测试技术领域，具体地涉及一种晶圆制造机台单元的共性分析方法及终端。

背景技术

[0002] 晶圆制造生产流程包括上千步工艺步骤，其中任何一个工艺步骤出问题都可能导致低良、高缺陷或任何晶圆测试参数异常。工程师在进行失效分析时，就是通过各种相关性分析方法，找出根因是哪步工艺步骤的哪个工艺机台，甚至具体到机台的哪个工艺参数出现问题导致的该异常。

[0003] 现阶段，机台共性分析(Tool Commonality)和机台腔室共性分析(Chamber Commonality)是较最常见的分析方法。通过方差分析(Analysis of Variance，简称ANOVA)算法，工程师希望找到低良、高缺陷或测试参数异常的批次或晶圆是否存在好坏机台的差异。例如，在分析测试参数A失效的低良案件时，通过ANOVA分析发现，经过某个工艺步骤的机台01的批次或晶圆的测试参数A良率损失和经过该工艺步骤的其他机台02，03存在明显差异。此时，可以锁定这个工艺步骤的机台01是导致测试参数A良率损失低的根因。

[0004] 但是，在实际进行案件分析时，经常会遇到机台共性分析找不到有好坏差异的机台，或找不到导致该案件的根因机台的情形。而且，ANOVA分析本身存在算法缺陷，可能出现误导工程师得出和实际情况不符的失效分析结果。

发明内容

[0005] 本发明解决的技术问题是如何提高机台/机台腔室共性分析的准确度。

[0006] 为解决上述技术问题，本发明实施例提供一种晶圆制造机台单元的共性分析方法，包括：基于晶圆数据计算相关度，其中，所述相关度用于表征待分析维度和目标测试项的相关程度，所述晶圆数据为基于生产流程的工艺步骤所获得相关晶圆的数据；至少根据所述待分析维度关联的异常晶圆持续值确定基值，所述异常晶圆持续值为所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量；基于所述基值对所述相关度进行归一化处理，得到相关系数；基于相关系数的数值，获得对待分析维度的分析结果；其中，所述待分析维度至少选自：所述工艺步骤、执行所述工艺步骤的晶圆制造机台单元。

[0007] 可选的，所述基于晶圆数据计算相关度包括：从所述晶圆数据中统计得到所述待分析维度关联的异常晶圆持续值；至少根据所述异常晶圆持续值确定基向量的长度，所述基向量包括的元素用于表征晶圆的状态为异常；从所述晶圆数据中提取得到所述待分析维度关联的异常晶圆持续向量，所述异常晶圆持续向量包括的元素至少用于表征所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间各晶圆的状态，所述异常晶圆持续向量的长度和所述基向量的长度一致；计算所述异常晶圆持续向量和所述基向量之间的相似度，得到所述相关度。

[0008] 可选的，所述至少根据所述异常晶圆持续值确定基向量的长度包括：统计所述晶圆数据中所述工艺步骤关联的异常晶圆总数；将所述异常晶圆持续值和所述异常晶圆总数中的较大值确定为所述基向量的长度。

[0009] 可选的，所述从所述晶圆数据中提取得到所述待分析维度关联的异常晶圆持续向量包括：若所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆的晶圆数小于所述基向量的长度，在所述异常晶圆持续向量中填补预设元素以使所述异常晶圆持续向量的长度和所述基向量的长度一致。

[0010] 可选的，所述基于晶圆数据计算相关度包括：统计所述晶圆数据中所述待分析维度关联的异常晶圆总数，得到所述相关度。

[0011] 可选的，所述至少根据所述待分析维度关联的异常晶圆持续值确定基值包括：统计所述晶圆数据中所述工艺步骤关联的异常晶圆总数；将所述异常晶圆持续值和所述异常晶圆总数中的较大值确定为所述基值。

[0012] 可选的，所述晶圆数据包括多条记录，其中每一条记录包括晶圆的标识和所述晶圆在所述目标测试项的测试值，所述方法还包括：对于每一条记录，根据所述目标测试项的预设阈值和所述测试值标记所述晶圆的状态，所述状态包括异常和正常。

[0013] 可选的，对于同一工艺步骤在多个待分析维度下的相关系数，取数值最大的相关系数作为所述工艺步骤的相关系数。

[0014] 可选的，所述晶圆制造机台单元包括晶圆制造机台或者所述晶圆制造机台的腔室。

[0015] 可选的，所述基于相关系数的数值，获得对待分析维度的分析结果包括：按所述相关系数的数值大小对所有工艺步骤的待分析维度进行排序，得到分析结果；或者，按所述相关系数的数值大小和预设系数对所有工艺步骤的待分析维度进行排序，得到分析结果，所述预设系数与待分析维度相关联。

[0016] 为解决上述技术问题，本发明实施例提供一种晶圆制造机台单元的共性分析装置，包括：第一处理模块，用于基于晶圆数据计算相关度，其中，所述相关度用于表征待分析维度和目标测试项的相关程度，所述晶圆数据为基于生产流程的工艺步骤所获得相关晶圆的数据；确定模块，用于至少根据所述待分析维度关联的异常晶圆持续值确定基值，所述异常晶圆持续值为所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量；第二处理模块，用于基于所述基值对所述相关度进行归一化处理，得到相关系数；第三处理模块，用于基于相关系数的数值，获得对待分析维度的分析结果；其中，所述待分析维度至少选自：所述工艺步骤、执行所述工艺步骤的晶圆制造机台单元。

[0017] 为解决上述技术问题，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。

[0018] 为解决上述技术问题，本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述方法的步骤。

[0019] 与现有技术相比，本发明实施例的技术方案具有以下有益效果：

[0020] 本发明实施例提供一种晶圆制造机台单元的共性分析方法，包括：基于晶圆数据计算相关度，其中，所述相关度用于表征待分析维度和目标测试项的相关程度，所述晶圆数据为基于生产流程的工艺步骤所获得相关晶圆的数据；至少根据所述待分析维度关联的异常晶圆持续值确定基值，所述异常晶圆持续值为所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量；基于所述基值对所述相关度进行归一化处理，得到相关系数；基于相关系数的数值，获得对待分析维度的分析结果；其中，所述待分析维度至少选自：所述工艺步骤、执行所述工艺步骤的晶圆制造机台单元。

[0021] 较之现有基于ANOVA算法的共性相关性分析方案，本实施方案在计算得到相关度的基础上，结合晶圆异常的连续性这一因素对相关度进行处理，使得最终得到的相关系数能够更准确地表征机台/机台腔室/工艺步骤与目标测试项的共性相关性。具体而言，相关度以基值作归一化后得到相关系数，由于基值根据异常晶圆持续值确定，因而相关系数能够体现不同待分析维度的相关度在晶圆异常的持续性上的差异，如体现断断续续地异常和一段时间内持续异常对相关度计算结果的影响。由此，能够极大地提高共性相关性分析的准确度。

[0022] 进一步，本实施方案能够实现共性相关性的定量分析，精确量化工艺步骤或晶圆制造机台单元与目标测试参数的相关性。

[0023] 进一步，本实施方案能够解决现有技术解决不了的单机台或某工艺步骤出问题的共性相关性分析。具体而言，由于本实施方案的共性相关性分析不再依赖于同一工艺步骤的多个机台之间的差异，而是量化每一工艺步骤的每一机台/腔室的相关系数，因而在特定工艺步骤由单一晶圆制造机台单元执行时仍能准确进行共性相关性分析。进一步，由于本实施方案的分析维度不再局限于机台之间的差异，因而在工艺步骤本身出现问题时仍能准确地进行共性相关性分析。

附图说明

[0024] 图1是本发明实施例一种晶圆制造机台单元的共性分析方法的流程图；

[0025] 图2是图1中步骤S101的一个具体实施方式的流程图；

[0026] 图3是本发明实施例一个典型的应用场景中特定工艺步骤的特定机台的相关性表示图；

[0027] 图4本发明实施例一种晶圆制造机台单元的共性分析装置的结构示意图。

具体实施方式

[0028] 如背景技术所言，现有机台/机台腔室共性分析方法存在分析结果不准的问题。

[0029] 具体而言，现有的共性分析方法普遍基于ANOVA算法实现。而ANOVA算法的本质是统计经过某个工艺步骤的各个机台的晶圆，在某个测试参数上的方差，并比较各机台的方差的差异程度。

[0030] 例如，假设有两个工艺步骤，分别记作步骤01和步骤02，其中，步骤01经过机台01的300片晶圆中断断续续的有100片晶圆的测试参数A都不合格，步骤01经过机台02的500片晶圆中没有晶圆测试参数A不合格；步骤02经过03机台的700片晶圆中连续100片晶圆的测试参数A都不合格，步骤02经过04机台的100片晶圆中没有晶圆测试参数A不合格。由于步骤01的机台01的不合格率100/300和机台02的不合格率0的差别，高于步骤02的机台03的不合格率100/700和机台02的不合格率0的差别，根据现有ANOVA算法，会计算得到步骤01的机台方差更大，因而认为步骤01和测试参数A出现问题的相关性更高。但实际上，应当是步骤02出问题的共性相关性更高。

[0031] 本申请发明人经过分析发现，造成上述问题的原因之一在于，现有基于ANOVA算法的共性相关性分析没有考虑到晶圆异常的连续性这一因素，导致分析结果不准、存在片面性。现有的共性相关性分析是从整体上统计晶圆经过机台后测试参数偏离均值的偏离程度，对于某一机台而言，案件中经过该机台的晶圆的测试参数不合格率越高，认为该机台和测试参数出问题的共性相关性就越高。但事实上，经过某一机台的晶圆断断续续的出现问题，和一段时间内经过该机台的所有晶圆都出问题，两者对于工程师而言是截然不同的重要程度，显然后者更为严重需要尽早处理。但正如前文的举例，现有的ANOVA算法无法将方差较小但连续出现坏片的机台确定为高相关性，也就无法将这类机台及时提示给工程师，严重时这可能会误导工程师得出和实际情况不符的失效分析结果。

[0032] 此外，现有的机台/机台腔室共性分析方法还经常会遇到机台共性分析找不到有好坏差异的机台，或找不到导致该案件的根因机台的情形。可能导致这些情形的原因有：

[0033] 1.为了产能，大多数情况下，同一个工艺步骤不只一个机台执行，而是有多个机台都可以对该工艺步骤进行生产，如果这些步骤出现机台差异，则通过ANOVA算法是有机会把有问题的坏机台抓出来的。但实际生产中，也有很多工艺步骤是由单一机台执行的，即只有一个机台可以对该工艺步骤进行生产。而如果是单一机台出了问题，就不存在好坏机台的差异，现有的ANOVA算法自然也就无效了。

[0034] 2.有的案件的原因可能是，某个时间段内经过某个工艺步骤都有问题。也就是说，尽管该工艺步骤有多个机台可以对该工艺步骤进行生产，但并不是某个机台的问题，而是某个时间段内经过这个工艺步骤的任意机台都有问题。此时，基于ANOVA算法会发现所有机台的差异非常小，也即同样不会存在好坏机台的差异，所有机台都会既经过好批次也经过坏批次，因而ANOVA算法自然也就无效了。

[0035] 为解决上述技术问题，本发明实施例提供一种晶圆制造机台单元的共性分析方法，包括：基于晶圆数据计算相关度，其中，所述相关度用于表征待分析维度和目标测试项的相关程度，所述晶圆数据为基于生产流程的工艺步骤所获得相关晶圆的数据；至少根据所述待分析维度关联的异常晶圆持续值确定基值，所述异常晶圆持续值为所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量；基于所述基值对所述相关度进行归一化处理，得到相关系数；基于相关系数的数值，获得对待分析维度的分析结果；其中，所述待分析维度至少选自：所述工艺步骤、执行所述工艺步骤的晶圆制造机台单元。

[0036] 采用本实施方案，在计算得到相关度的基础上，结合晶圆异常的连续性这一因素对相关度进行处理，使得最终得到的相关系数能够更准确地表征机台/机台腔室/工艺步骤与目标测试项的共性相关性。具体而言，相关度以基值作归一化后得到相关系数，由于基值根据异常晶圆持续值确定，因而相关系数能够体现不同待分析维度的相关度在晶圆异常的持续性上的差异，如体现断断续续地异常和一段时间内持续异常对相关度计算结果的影响。由此，能够极大地提高共性相关性分析的准确度。进一步，本实施方案能够实现共性相关性的定量分析，精确量化工艺步骤或晶圆制造机台单元与目标测试参数的相关性。进一步，由于本实施方案的共性相关性分析不再依赖于同一工艺步骤的多个不同机台之间的差异，而是量化每一工艺步骤的每一机台/腔室的相关系数，因而在特定工艺步骤由单一晶圆制造机台单元执行时仍能准确进行共性相关性分析。进一步，由于本实施方案的分析维度不再局限于机台之间的差异，因而在工艺步骤本身出现问题时仍能准确地进行共性相关性分析。

[0037] 为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

[0038] 图1是本发明实施例一种晶圆制造机台单元的共性分析方法的流程图。

[0039] 本实施方案可以应用于芯片失效分析场景。该共性分析方法可以由执行或辅助测试的设备执行，如可以由自动测试设备(Automatic Test Equipment，简称ATE)或者与ATE本地或者远程耦接的计算设备执行。

[0040] 具体地，本实施方案可以用于确定晶圆制造机台单元和目标测试项的共性相关性，并通过相关系数量化相关性分析结果。通过执行本实施方案得到具有较高准确度的相关系数，有助于工程师准确分析晶圆异常的根因，进而有助于提升芯片可靠性。

[0041] 本实施方案中的“晶圆制造机台单元”可以包括晶圆制造机台(可简称为机台或工艺机台)。晶圆制造机台可以包括一个或多个腔室(也可称作腔体，chamber)，其中每一腔室均用于按特定工艺步骤生产以加工晶圆，因此，本实施方案中的“晶圆制造机台单元”还可以包括腔室。

[0042] 本实施方案中的“目标测试项”可以包括晶圆的一个或多个测试参数/测试项，如管脚(bin)3、bin1和bin7、bin5等。在一些实施例中，目标测试项可以和案件(case)相关联，同一案件涉及的晶圆数据用于分析一段时间内制制造得到的晶圆在同一目标测试项下的失效根因。

[0043] 单个案件可以涉及数千片晶圆的晶圆数据，也即，晶圆数据可以包括多条记录，其中每一条记录可以包括晶圆的标识以及在目标测试项下的测试值。例如，晶圆的标识可以包括晶圆的批次号(LOT_ID)以及晶圆号(WAFER_NO)，通过批次号和晶圆号的配合可以唯一标识一片晶圆。

[0044] 更为具体地，参考图1，本实施例所述晶圆制造机台单元的共性分析方法可以包括如下步骤：

[0045] 步骤S101，基于晶圆数据计算相关度，其中，所述相关度用于表征待分析维度和目标测试项的相关程度，所述晶圆数据为基于生产流程的工艺步骤所获得相关晶圆的数据；

[0046] 步骤S102，至少根据所述待分析维度关联的异常晶圆持续值确定基值，所述异常晶圆持续值为所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量；

[0047] 步骤S103，基于所述基值对所述相关度进行归一化处理，得到相关系数；

[0048] 步骤S104，基于相关系数的数值，获得对待分析维度的分析结果。

[0049] 进一步，待分析维度至少可以选自：工艺步骤、执行所述工艺步骤的晶圆制造机台单元。也就是说，在执行步骤S101至步骤S103期间，可以对每一个工艺步骤按晶圆制造机台单元分组分析，也可以不按晶圆制造机台单元分组，而是同一个工艺步骤的所有晶圆制造机台单元放在一起进行分析。

[0050] 在一些实施例中，待分析维度，可以是执行工艺步骤的晶圆制造机台单元，相应的，步骤S101中的晶圆数据可以包括经过特定晶圆制造机台单元后的晶圆的记录。由此，分析是否某个时间段内经过某个晶圆制造机台单元的晶圆都有问题。

[0051] 在一些实施例中，待分析维度，可以是工艺步骤，相应的，步骤S101中的晶圆数据可以包括经过执行该工艺步骤的所有晶圆制造机台单元处理后的晶圆的记录。由此，不考虑同一工艺步骤的不同晶圆制造机台单元各自的相关性，以便分析是否某个时间段内经过某个工艺步骤的晶圆都有问题。

[0052] 在一个具体实施中，对于每一工艺步骤，可以从工艺步骤以及执行所述工艺步骤的晶圆制造机台单元两个待分析维度分别执行步骤S101至步骤103，以实现机台和工艺步骤共性相关性的定量分析。

[0053] 具体而言，针对多个待分析维度，可以各自独立地执行步骤S101至步骤S103，以分别得到对应的相关系数。例如，对于特定工艺步骤，执行本实施方案的设备可以分别计算得到工艺机台相关性和工艺步骤相关性。

[0054] 进一步，对于同一工艺步骤在多个待分析维度下的相关系数，在步骤S104中，可以取其中数值最大的相关系数作为所述工艺步骤的相关系数。例如，对于某一工艺步骤，假设计算得到与工艺机台的相关系数为0.7，与工艺步骤的相关系数为0.9，则将工艺步骤的相关系数确定为该工艺步骤的共性相关性参与步骤S104中的排序动作，并作为最终的分析结果呈现。

[0055] 在一个具体实施中，整个生产流程可以包括N个工艺步骤，通过执行步骤S101至步骤S103可以运算得到其中第n步工艺步骤的相关系数。进一步，步骤S101至步骤S103可以重复执行N次以遍历整个生产流程的所有工艺步骤。N可以例如是800，n＝1,2,3,……,800。

[0056] 在一些实施例中，可以采用多线程处理以加速遍历N个工艺步骤。例如，多个线程并行运行，其中每一线程均运行步骤S101至步骤S103的方案，不同线程用于运算不同工艺步骤的待分析维度的相关系数。最后，在步骤S104将所有线程的计算结果合并到一起。

[0057] 由此，本实施方案所述共性相关性的量化运算支持多线程快速覆盖整个制造生产流程，有利于提高分析效率。

[0058] 在一个具体实施中，在步骤S101中，可以先将晶圆数据中各条记录的测试值显性化，然后基于显性化结果计算得到相关度。

[0059] 显性化具体可以指，用非好即坏的标识来使案件涉及的晶圆好坏显性化。通过将二元分类的显性化结果而非测试值作为后续相关度计算的基础，有利于降低相关度计算时的运算复杂度。

[0060] 本具体实施所述显性化的过程具体可以包括：对于每一条记录，根据所述目标测试项的预设阈值和所述测试值标记所述晶圆的状态，所述状态包括异常和正常。其中，状态为异常的晶圆即为坏晶圆(用1或Bad表示)，状态为正常的晶圆即为好晶圆(用0或Good表示)。

[0061] 在进行失效分析时通常会用数值来表征该案件涉及的每片晶圆的指标，如每片晶圆某测试参数的平均值、某测试项的良率损失(Bin Yield Loss)、缺陷个数等，这些数值即为目标测试项的测试值。在本具体实施中，对于晶圆数据中的每一条记录，在已有测试值的基础上增加一列状态信息，以标识该条记录的晶圆的状态。

[0062] 在一些实施例中，衡量晶圆好坏的预设阈值可以由用户根据需要设定，如可以根据对坏晶圆的容忍度调节预设阈值的大小。

[0063] 表1示例性的展示案件部分晶圆的好坏列表，该列表即为步骤S101中经过显性化的晶圆数据：

[0064] 表1

[0065]

[0066]

[0067] 其中，标签(label)表示晶圆的状态，目标测试项为良率损失。表1中的一行即为一条记录，对应一片晶圆的相关信息。

[0068] 在一个具体实施中，对于晶圆数据中的每一条记录，该条记录还可以包括晶圆所经过的工艺步骤以及晶圆制造机台单元。

[0069] 在一个具体实施中，相关度可以用于表征待分析维度和案件的相关程度。

[0070] 具体地，参考图2，步骤S101可以包括如下步骤：

[0071] 步骤S1011，从所述晶圆数据中统计得到所述待分析维度关联的异常晶圆持续值；

[0072] 步骤S1012，至少根据所述异常晶圆持续值确定基向量的长度，所述基向量包括的元素用于表征晶圆的状态为异常；

[0073] 步骤S1013，从所述晶圆数据中提取得到所述待分析维度关联的异常晶圆持续向量，所述异常晶圆持续向量包括的元素至少用于表征所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间各晶圆的状态，所述异常晶圆持续向量的长度和所述基向量的长度一致；

[0074] 步骤S1014，计算所述异常晶圆持续向量和所述基向量之间的相似度，得到所述相关度。

[0075] 为了量化晶圆数据的变化，采用向量体现变量的连续性特征，因而本具体实施将晶圆数据转化为向量表示，并利用向量相似性表征待分析维度和案件的相关度。

[0076] 在一些实施例中，可以假定该待分析维度连续经过的晶圆都是坏的，以得到基向量。也即，基向量中所有元素均为1。

[0077] 在一些实施例中，基向量的长度可以和步骤S102中确定的基值保持一致。也即，基向量包括的元素数量影响后续归一化处理时的映射基数。

[0078] 在一个具体实施中，可以将案件里的所有好坏晶圆按当前工艺步骤的待分析维度分组，并把晶圆按每个待分析维度各自生产时间排序。

[0079] 以待分析维度为机台为例，表2示例性展示第1步工艺步骤的机台01(编号HFXXX01)的部分晶圆按生产时间排序的列表：

[0080] 表2

[0081]

[0082]

[0083] 其中，Step1表示第1步工艺步骤，生产时间基于跟踪时间(Track_In_Time)表示。

[0084] 表3示例性展示第1步工艺步骤的机台02(编号HFXXX02)的部分晶圆按生产时间排序的列表：

[0085] 表3

[0086]批次号 晶圆号 标签 工艺步骤 机台 生产时间
Lot05 7 1 Step1 HFXXX02 2022/6/11 6:02:07
Lot04 4 0 Step1 HFXXX02 2022/6/11 6:02:51
Lot04 5 0 Step1 HFXXX02 2022/6/11 9:26:32
Lot04 6 0 Step1 HFXXX02 2022/6/11 9:41:18
Lot04 7 0 Step1 HFXXX02 2022/6/11 10:10:39
Lot04 8 0 Step1 HFXXX02 2022/6/13 14:02:06
Lot04 9 0 Step1 HFXXX02 2022/6/13 16:20:41
Lot04 10 0 Step1 HFXXX02 2022/7/21 17:46:19
Lot06 8 1 Step1 HFXXX02 2022/7/21 21:24:47
Lot06 9 1 Step1 HFXXX02 2022/7/21 22:27:22
Lot06 10 1 Step1 HFXXX02 2022/7/21 23:11:40

[0087] 其中，Step1表示第1步工艺步骤，生产时间基于跟踪时间(Track_In_Time)表示。需要指出的是，表1、2和3均是节选自案件涉及的所有晶圆数据中的一部分记录，表2和3展示的记录并未完全被表1披露。

[0088] 进一步，在以每组工艺机台为例的每一待分析维度中，按生产时间顺序找出该组工艺机台里的第一个坏晶圆(即第一个异常晶圆)和最后一个坏晶圆(即最后一个异常晶圆)。其中，生产一个工艺步骤的一个机台记作一组工艺机台。例如，表2中的第一个坏晶圆为Lot05，Wafer 1，最后一个坏晶圆为Lot05，Wafer 6。又例如，表3中的第一个坏晶圆为Lot05，Wafer 7，最后一个坏晶圆为Lot06，Wafer 10。

[0089] 由此，通过确定晶圆数据中按待分析维度分组并按生产时间排序的第一个异常晶圆和最后一个异常晶圆，能够获得案件涉及的所有晶圆中与待分析维度有关的异常持续情况。该异常持续情况基于异常晶圆持续值表征，具体可以通过按生产时间排序位于第一个异常晶圆(包含)到最后一个异常晶圆之间的所有状态晶圆的数量衡量。

[0090] 在一个具体实施中，步骤S1012在确定基向量的长度时，可以直接将异常晶圆持续值确定为基向量的长度。

[0091] 在一个具体实施中，除了异常晶圆持续值外，还可以结合工艺步骤关联的异常晶圆总数，以综合确定得到长度更为合适的基向量。

[0092] 具体地，异常晶圆总数可以为经过该工艺步骤后目标测试项的显性化为1的晶圆的总数。

[0093] 进一步，步骤S1012可以包括步骤：统计所述晶圆数据中所述工艺步骤关联的异常晶圆总数；将所述异常晶圆持续值和所述异常晶圆总数中的较大值确定为所述基向量的长度。

[0094] 也就是说，若异常晶圆持续值小于异常晶圆总数，则将异常晶圆总数确定为基向量的长度；反之，将异常晶圆持续值确定为基向量的长度。

[0095] 由此，可以综合持续性和总体坏片情况，合理确定基向量的长度。进一步，通过使基向量的长度为异常晶圆持续值和异常晶圆总数中的较大值，能够确保基向量的长度不至于过短，也即确保步骤S102中作为归一化基数的基值不至于过小。

[0096] 在一个具体实施中，步骤S102中基值的确定过程可以参考上述实施例中关于基向量的长度的确定过程。具体可以包括步骤：统计所述晶圆数据中所述工艺步骤关联的异常晶圆总数；将所述异常晶圆持续值和所述异常晶圆总数中的较大值确定为所述基值。

[0097] 具体而言，若异常晶圆持续值小于异常晶圆总数，则将异常晶圆总数确定为基值；反之，将异常晶圆持续值确定为基值。

[0098] 例如，假设待分析维度为执行第5步工艺步骤的机台01的腔室02，经过统计，第5步工艺步骤的所有机台共出现8片异常晶圆(即异常晶圆总数为8)，其中机台01的腔室02出现3片异常晶圆(即异常晶圆持续值为3)。本示例中，基值取异常晶圆总数和异常晶圆持续值中的较大值，即取8。

[0099] 在一个具体实施中，步骤S1013中，可以将晶圆数据中待分析维度关联的且按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间各晶圆的状态作为向量的元素，提取得到异常晶圆持续向量。

[0100] 具体地，异常晶圆持续向量中各元素的排列顺序，与各元素各自表征的晶圆在晶圆数据中的生产时间排序保持一致。

[0101] 进一步，异常晶圆持续向量的长度可以和基向量的长度保持一致，以便于步骤S1013中计算向量相似性。

[0102] 考虑到存在从晶圆数据中提取得到的异常晶圆持续向量的长度小于基向量的长度的可能性，如异常晶圆持续值小于异常晶圆总数时就会出现前述可能性。因而步骤S1013可以包括步骤：若所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆的晶圆数小于所述基向量的长度，在所述异常晶圆持续向量中填补预设元素以使所述异常晶圆持续向量的长度和所述基向量的长度一致。

[0103] 例如，可以在提取得到的异常晶圆持续向量的末尾补0，使得异常晶圆持续向量的长度等于异常晶圆总数，也即等于基向量的长度。需要指出的是，本示例中的补0操作是因为将好晶圆的状态定义为0，异常晶圆的状态定义为1。在实际应用中也可以采用相反的定义，即好晶圆为1，坏晶圆为0，此时可以在异常晶圆持续向量的末尾补1以补齐长度。

[0104] 在一个具体实施中，在步骤S104中，可以按相关系数的数值大小对所有工艺步骤的待分析维度进行排序，得到分析结果。具体而言，相关系数的分值越高，意味着对应工艺步骤的待分析维度和案件的共性相关性越高，通过将最高相关性的待分析维度靠前排序并显示有助于工程师快速定位分析。

[0105] 进一步，对于同一工艺步骤的多个待分析维度，可以高亮显示其中相关系数的数值最大的待分析维度。这同样有助于工程师快速定位和后续分析。

[0106] 在一个变化例中，在步骤S104中，可以按所述相关系数的数值大小和预设系数对所有工艺步骤的待分析维度进行排序，得到分析结果，所述预设系数与待分析维度相关联。

[0107] 具体而言，在计算得到每一工艺步骤的每一待分析维度的相关系数基础上，基于预设系数对相应的相关系数进行加权，以使最终参与排序的数值更符合案件实际情况。

[0108] 进一步，预设系数可以是0～1之间的数值，也可以是大于等于1的数值。

[0109] 在一些实施例中，预设系数可以与待分析维度的重要性、是否为制备关键节点、是否是新工艺/新机台、历史上分析得到的共性相关性排序等因素相关。通过合理设计各待分析维度的预设系数，有利于更为合理地确定待分析维度的共性相关性。

[0110] 在一些实施例中，同一工艺步骤的各待分析维度可以关联相同的预设系数。进一步，至少一个工艺步骤的待分析维度关联的预设系数不同于其他工艺步骤的待分析维度关联的预设系数。

[0111] 在一些实施例中，对于同一工艺步骤的多个待分析维度，其中至少一个待分析维度关联的预设系数可以不同于其他待分析维度关联的预设系数。

[0112] 在一个典型的应用场景中，可以先定义一个基向量，仍以表2和表3示出的晶圆数据为例，两个表格中共有10片坏晶圆，即异常晶圆总数为10。此时，基向量定义为所有元素都为1的1×10的向量[1,1,1,1,1,1,1,1,1,1]1×10。

[0113] 表2中第一个坏晶圆到最后一个坏晶圆共有6片晶圆，小于上述基向量的维数10，因而采用上述基向量作为Step1 HFXXX01机台对应的基向量。表3中第一个坏晶圆到最后一个坏晶圆共有11片晶圆，大于上述基向量的维数10，则Step1 HFXXX02对应的基向量为[1,1,1,1,1,1,1,1,1,1,1]1×11。

[0114] 然后，将排序后的每个工艺机台的第一个坏晶圆(包含)到最后一个坏晶圆(包含)的所有晶圆的好坏标签转换为一维向量，得到异常晶圆持续向量。若异常晶圆持续向量的维数小于基向量的维数，则在异常晶圆持续向量的最后补相应个数的0。如表2的数据转换为异常晶圆持续向量之后为[1,1,1,1,1,1,0,0,0,0]，表3中的数据转换为异常晶圆持续向量之后为[1,0,0,0,0,0,0,0,1,1,1]。

[0115] 然后，用每个工艺机台转换后的异常晶圆持续向量和对应的基向量相比，计算出的向量相似性作为相关度。例如，Step1 HFXXX01机台转化后的异常晶圆持续向量和基向量的相似性为6，Step1 HFXXX02机台转化后的异常晶圆持续向量和基向量的相似性为4。

[0116] 最后将计算得到的相关度进行归一化，使得归一化后的相关系数能够在考虑连续性的基础上体现待分析维度关联的异常晶圆占案件总异常晶圆的比例。例如，Step1 HFXXX01机台的相似性为6/10＝0.6，Step1 HFXXX02机台的相似性为4/11＝0.3636。

[0117] 在一个具体实施中，在遍历整个生产流程的所有工艺步骤后，可以执行步骤S104将所有计算得到的相关系数按数值由高到低排序。其中，相关系数的数值越高，该数值关联的待分析维度和案件的相关性越高。

[0118] 以待分析维度为机台为例，表4示例性的展示最终计算得到的数值排前10的相关系数(Correlation)及对应的机台和工艺步骤：

[0119] 表4

[0120]

[0121]

[0122] 从表4可以得出结论，相关系数最高为Step31的HFXXR02机台，对应的相关系数为1。代表案件的所有坏晶圆都连续经过该机台，异常期间(bad_period)没有一片好晶圆。

[0123] 图3示例性的展示了特定工艺步骤(即Step31)的特定机台(即HFXXR02)的相关性表示图。其中，横坐标为Step31的生产时间排序，纵坐标为晶圆的状态(如好坏晶圆的0或1标识)。结合图3可以看出，在某段时间内所有坏晶圆都连续经过HFXXR02，这期间没有一片好晶圆。

[0124] 由上，采用本实施方案，在计算得到相关度的基础上，结合晶圆异常的连续性这一因素对相关度进行处理，使得最终得到的相关系数能够更准确地表征机台/机台腔室/工艺步骤与目标测试项的共性相关性。具体而言，相关度以基值作归一化后得到相关系数，由于基值根据异常晶圆持续值确定，因而相关系数能够体现不同待分析维度的相关度在晶圆异常的持续性上的差异，如体现断断续续地异常和一段时间内持续异常对相关度计算结果的影响。由此，能够极大地提高共性相关性分析的准确度。

[0125] 进一步，本实施方案能够实现共性相关性的定量分析，精确量化工艺步骤或晶圆制造机台单元与目标测试参数的相关性。

[0126] 进一步，本实施方案能够解决现有技术解决不了的单机台或某工艺步骤出问题的共性相关性分析。具体而言，由于本实施方案的共性相关性分析不再依赖于同一工艺步骤的多个机台之间的差异，而是量化每一工艺步骤的每一机台/腔室的相关系数，因而在特定工艺步骤由单一晶圆制造机台单元执行时仍能准确进行共性相关性分析。进一步，由于本实施方案的分析维度不再局限于机台之间的差异，因而在工艺步骤本身出现问题时仍能准确地进行共性相关性分析。

[0127] 在本实施例的一个变化例中，步骤S101中计算相关度的过程可以包括：统计所述晶圆数据中所述待分析维度关联的异常晶圆总数，得到所述相关度。

[0128] 也就是说，在本变化例中，将确定异常晶圆持续向量和基向量的过程替换为异常晶圆计数过程，这同样可以得到暂不考虑晶圆异常持续性的相关度运算结果。例如，表2中经过Step1 HFXXX01机台的异常晶圆总数为6，表3中经过Step1 HFXXX02机台的异常晶圆总数为4，和前述实施例中基于向量相似性计算得到的相关度结果均一致。

[0129] 进一步，在通过计数得到相关度的基础上，继续执行步骤S102以基于异常晶圆持续值确定基值，进而基于基值对相关度进行归一化处理。使得最终得到的相关系数能够体现持续性因素。

[0130] 在本实施例的一个变化例中，步骤S101中计算相关度的过程还可以采用现有ANOVA算法。由此，在基于现有ANOVA算法计算得到相关度的基础上，本变化例继续执行步骤S102和步骤S103，同样能够使得最终在步骤S104中用于排序的相关系数能够体现不同待分析维度的相关度在晶圆异常的持续性上的差异。

[0131] 图4本发明实施例一种晶圆制造机台单元的共性分析装置4的结构示意图。本领域技术人员理解，本实施例所述晶圆制造机台单元的共性分析装置4可以用于实施上述图1至图3所述实施例中所述的方法技术方案。

[0132] 具体地，参考图4，本实施例所述晶圆制造机台单元的共性分析装置4可以包括：第一处理模块41，用于基于晶圆数据计算相关度，其中，所述相关度用于表征待分析维度和目标测试项的相关程度，所述晶圆数据为基于生产流程的工艺步骤所获得相关晶圆的数据；确定模块42，用于至少根据所述待分析维度关联的异常晶圆持续值确定基值，所述异常晶圆持续值为所述晶圆数据中按生产时间排序的第一个异常晶圆到最后一个异常晶圆之间的晶圆数量；第二处理模块43，用于基于所述基值对所述相关度进行归一化处理，得到相关系数；第三处理模块44，用于基于相关系数的数值，获得对待分析维度的分析结果；其中，所述待分析维度至少选自：所述工艺步骤、执行所述工艺步骤的晶圆制造机台单元。

[0133] 关于所述晶圆制造机台单元的共性分析装置4的工作原理、工作方式的更多内容，可以参照上述图1至图3中的相关描述，这里不再赘述。

[0134] 进一步地，本发明实施例还公开一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述图1至图3所示实施例中任一所述的方法技术方案。优选地，所述计算机可读存储介质可以包括诸如非挥发性(non‑volatile)存储器或者非瞬态(non‑transitory)存储器等计算机可读存储介质。所述计算机可读存储介质可以包括ROM、RAM、磁盘或光盘等。

[0135] 进一步地，本发明实施例还公开一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述图1至图3所示实施例中任一所述的方法技术方案。具体地，所述终端可以为计算机、服务器等设备。

[0136] 虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。