在良率提升階段,使用的光罩,包含一種或者多種產(chǎn)品,或者包含各種特殊設(shè)計(jì)的測試結(jié)構(gòu),KA324ADTF通常稱為良率學(xué)習(xí)載體(yield learning vehicle)。采用邏輯或者M(jìn)em。ry產(chǎn)品的光罩,通常采用full flow的流片,w盯er會(huì)經(jīng)歷所有的工藝步驟,典型的流片時(shí)問在1~2個(gè)月。這樣做的優(yōu)點(diǎn)是試驗(yàn)結(jié)果可以直接反映在產(chǎn)品的yield~L,缺點(diǎn)是learning cycle太長,而且問題的診斷和追溯原因比較困難。

   如果已經(jīng)知道I藝改善的大概環(huán)節(jié),可以采用short loop流片的方式。例如,已經(jīng)了解問題出在M1相關(guān)的I藝步驟,僅在M1相關(guān)的△藝流片。這樣Short loop的試驗(yàn)往往能在一兩周甚至數(shù)天之內(nèi)完成,learning cycle大大縮短。給出了I藝線上常見的sh°rt loop試驗(yàn)的流程。

   于半導(dǎo)體生產(chǎn)制造I藝復(fù)雜(數(shù)百上千道丁藝步驟),引起yield loss的原囚很多,需要做各種各樣的分析,來追溯問題的源頭。這些分析要求收集的數(shù)據(jù)種類繁多,數(shù)據(jù)量龐大,數(shù)據(jù)整合(data integration)能力常常是yiCld learning的瓶頸之一。表示部分生產(chǎn)制造中要求的數(shù)據(jù)及要求做的分析類型。數(shù)據(jù)往往來白不同的設(shè)備和系統(tǒng),由于供應(yīng)商的不同,格式不一致,數(shù)據(jù)格式的規(guī)范、轉(zhuǎn)化和對(duì)準(zhǔn)是一個(gè)龐大的系統(tǒng)I程。在缺乏有效系統(tǒng)支持的情況下,△程分析人員超過80%的時(shí)問都用于數(shù)據(jù)收集、對(duì)準(zhǔn)、整合L面,真正有效分析的時(shí)間很少,很多分析甚至囚此無法實(shí)施。而進(jìn)入納米時(shí)代后,由于制程管控的需求,FDC(憶uh detection dassification)等新型分析的引人,tool、sensor級(jí)別的實(shí)時(shí)海量數(shù)據(jù)的收集、處理,不同系統(tǒng)、不同接口、不同數(shù)據(jù)類型的整合,對(duì)于YMS(yield management system)系統(tǒng)提出了極大的挑戰(zhàn)。

   由于在先進(jìn)制程,光罩費(fèi)用昂貴,一套光罩成本可能高達(dá)數(shù)百萬美元,所以每個(gè)shortprocess loop都使用單獨(dú)一套光罩是不經(jīng)濟(jì)的,通常對(duì)yield learning vehiclc的要求是一套光罩,必須能兼容各I藝段shord∞p試驗(yàn)的設(shè)計(jì)t采用Mcmory(SRAM或者DRAM)產(chǎn)品作為yield lcarning vehicle的處,是較一般的邏輯產(chǎn)品而言,Mcmory的密度高.對(duì)于隨機(jī)缺陷的捕獲能力強(qiáng),另外陣列化/地址化的布局,失效可實(shí)現(xiàn)晶體管級(jí)的定位・易于失效分析(EFA、PFA),快速找到失效機(jī)制。

    但是進(jìn)人納米時(shí)代后,Memory作為yiCld learning vehicle的缺點(diǎn)也日益凸現(xiàn)。首先是對(duì)于設(shè)計(jì)和I藝交互的(版圖相關(guān)性的)systcmatic失效,難以捕捉;其次對(duì)于parametric失效,缺乏有效追溯手段;最后,必須完成所有△藝,流片時(shí)間太長。