基于双预测器协同决策的晶圆级适应性测试方法

1.本发明属于集成电路测试领域，具体的说是一种基于双预测器协同决策的晶圆级适应性测试方法。


背景技术：

2.由于电子行业对集成电路测试质量期望越来越高，高效的测试对于满足市场的严格要求变得至关重要。目前，由于摩尔定律的发展，芯片中集成的晶体管数量越来越多，因此芯片的测试成本也随之提升。成本问题限制了用于测试每个芯片的时间。一直以来，在保证测试质量的前提下，如何减少集成电路测试成本都是一个值得研究的问题。
3.为了实现低成本高质量的测试，提出了适应性测试技术。它可以通过挖掘测试数据来预测产品质量，用部分测试信息来预测晶粒是否能通过完整的测试。标准测试按照测试集的顺序逐一加载所有测试项，若全部通过认为产品是良品，否则为次品。而适应性测试可以通过预测结果来调整测试内容，测试顺序和测试阈值，达到节省测试时间提高测试质量。然而，需要探索从生产测试集中删除测试项与预测准确性之间的权衡，结果在不影响质量检测精度的情况下降低生产成本，因为省略实际测试项的同时往往导致测试质量下降。适应性测试的最佳情况是缩短测试时间，而不会对测试质量产生任何影响。但是，适应性测试中放宽测试会引起测试质量问题，错误的预测结果会导致更大的收益损失，所以预测准确性与测试开销成本之间的权衡就成为一个重要的考虑因素。测试质量往往用产量损失与测试逃逸来衡量，当良品被预测为失败将造成产量损失，当次品被预测为通过将带来测试逃逸。
4.适应性测试主要利用测试数据中的相关性信息来预测产品质量降低测试成本。在晶圆测试中常见的相关性有测试项之间相关性与空间相关性。测试项相关性是由于高度相关的测试很可能会得出一致的测试结果，导致测试数据中存在大量的相关性表现。而空间中系统性的变化在相邻晶粒之间非常相似，因此空间相关性是对晶圆上部分晶粒进行标准测试，并利用邻近晶粒质量存在聚集性的特点对剩下的晶粒做出质量预测。基于测试项相关性的质量预测方法能够达到较高的水平，但是从测试成本节省的角度出发，它还有进一步提升的空间。利用空间相关性的质量预测方法显著降低了测试成本，但代价是对于质量突变的区域预测效果较差，增加了测试逃逸和产量损失的风险。
5.大量的发明使围绕其中某一种相关性展开。目前，将晶圆级空间相关性与测试项相关性相结合，可以得到性能比仅用一种相关性信息建模更高的预测器。值得注意的是，目前大多数研究不能在多个预测结果发生冲突时，对晶粒进行精确质量预测分类。多个预测器提供不同的预测信息也使区分良品与次品的边界变得更加复杂，难以简单的表示。


技术实现要素：

6.本发明为了弥补上述现有技术不足之处，提出了一种基于双预测器协同决策的晶圆级适应性测试方法，以期能在降低晶圆的测试成本的同时，将测试逃逸和产量损失控制
在极低的水平，保证较好的测试质量。
7.本发明为解决技术问题采用如下技术方案：
8.本发明一种基于双预测器协同决策的晶圆级适应性测试方法的特点在于，是按如下步骤进行：
9.步骤1：利用测试项数据集a＝{a1,a2,
…
,an,
…
,an}对有h个晶粒的试晶圆上所抽取的s个晶粒进行测试后，得到质量测试结果数据集记为f＝{f1,f2,
…
,fs}，令试晶圆上s个晶粒的位置信息记为(x
train
,y
train
)＝{x1,x2,
…
,xs；y1,y2,
…
,ys}；其中，n表示晶粒的测试项数，an表示晶粒的第n个测试项信息，(xs,ys)表示第s个晶粒的位置信息，fs表示第s个晶粒的质量测试结果并作为标签，若fs＝1，表示第s个晶粒的质量测试结果为合格，若fs＝0，表示第s个晶粒的质量测试结果为故障；
10.将试晶圆上抽取剩余的晶粒作为待测晶粒，将待测晶粒的位置信息记为(x
test
,y
test
)＝{x'1,x'2,
…
x'
p
,
…
x'
h-s
；y'1,y'2,
…
,y'
p
,
…
,y'
h-s
}，其中，(x'
p
,y'
p
)为第p个待测晶粒的位置信息；
11.步骤2：利用rfecv算法对测试项数据集a＝{a1,a2,
…
,an,
…
,an}进行测试项筛选，得到筛选后的测试项子集b＝{b1,b2,
…
,bm,
…
,bm}，其中，bm表示晶粒的筛选后的第m个测试项信息，m是筛选后的测试项总数，且m≤n；
12.步骤3：将筛选后的测试项子集b＝{b1,b2,
…
,bm,
…
,bm}作为输入数据，将试结果数据集f＝{f1,f2,
…
,fs}作为标签，并一起输入随机森林模型中进行训练，得到测试项质量预测器qi；
13.利用测试项质量预测器qi对待测晶粒进行质量预测，得到待测晶粒的质量预测结果数据集其中，表示由测试项质量预测器qi对第p个待测晶粒的质量预测结果；
14.步骤4：利用晶粒的局部空间信息bnr，建立空间质量预测器qj，用于对待测晶粒进行质量预测；
15.步骤4.1：根据待测晶粒的质量预测结果数据集r1和试结果数据集f，利用式(1)计算试晶圆上第k个晶粒的局部空间信息bnrk，从而得到试晶圆上所有晶粒的局部空间信息bnr＝{bnrk|k＝1,2,
…
,h}：
[0016][0017]
式(1)中，v表示任一晶粒周围晶粒的数目；p
k,q
表示第k个晶粒周围第q个晶粒的质量，若第q个晶粒为待测晶粒，则令量，若第q个晶粒为待测晶粒，则令表示由测试项质量预测器qi对第q个待测晶粒的质量预测结果；若第q个晶粒p
k,q
为抽样晶粒，则令p
k,q
＝fq，fq表示第q个晶粒的质量测试结果；
[0018]
根据晶粒的局部空间信息bnr对待测晶粒进行分级；令ε1,ε2分别为上下界分级指标，当ε1《bnrk≤1时，表示第k个晶粒的等级为易通过；当0≤bnrk≤ε2时，表示第k个晶粒的等级为易故障；否则，表示第k个晶粒的等级为质量模糊；
[0019]
步骤4.2：利用rfecv算法对测试项子集b中不同等级晶粒进行筛选，得到易通过等
级的测试项子集b
good
、易故障等级的测试项子集b
bad
和质量模糊等级的测试项子集b
mid
；
[0020]
步骤4.3：将三种等级的测试项子集b
good
,b
mid
,b
bad
与bnr一同作为输入数据，试结果数据集f＝{f1,f2,
…
,fs}作为标签，一起输入随机森林模型中进行训练，得到空间质量预测器qj；
[0021]
利用空间质量预测器qj对不同等级的待测晶粒进行质量预测，从而得到质量预测结果其中，表示由空间质量预测器qj对第p个待测晶粒的预测结果；
[0022]
步骤5：利用qi和qj对待测晶粒的总质量预测结果对待测晶粒的总质量预测结果进行协同决策，以得到待测晶粒的分类结果；
[0023]
步骤5.1：利用dbscan聚类算法对待测晶粒的总质量预测结果r进行处理，得到待测晶粒的质量预测结果所属的集群c＝{c
l
|l＝1,2,
…
,z}，其中，c
l
表示第l个集群，z表示集群的数量；
[0024]
判断待测晶粒中是否有不属于任何集群的晶粒，若表示相应的待测晶粒的预测结果为异常值，并将相应的待测晶粒加入离群晶粒集合o＝{or|r∈{1,2,
…
,h-s}}，其中，or表示待测晶粒中的第r个晶粒预测结果为异常值的离群晶粒；
[0025]
步骤5.2：利用式(2)计算笛卡尔二维坐标系上第l个集群c
l
的重心位置(x
l
,y
l
)：
[0026][0027]
式(3)中，x
lu
，y
lu
分别为第l个集群c
l
中第u个晶粒的横纵坐标，w
l
表示第l个集群c
l
中晶粒的数目；
[0028]
步骤5.3：计算所有集群的重心位置分别与理想点(0,0)与(1,1)的距离；并将与距离(0,0)最近的集群作为故障标准类的集群，记为c
bad
，其重心记为(x
st0
,y
st0
)；将与(1,1)最近的集群作为合格标准类的集群，记为c
good
，其重心记为(x
st1
,y
st1
)；
[0029]
将合格标准类的集群和故障标准类的集群记为标准类集群，将标准类集群以外的集群记为边缘类集群ce＝{c
el'
|l'＝1,2,
…
,z'}，其中，c
el'
表示第l'个边缘类集群，z'表示边缘类集群的数量，且z'＝z-2；
[0030]
将边缘类集群ce的重心位置记为(xe,ye)＝{(x
el'
,y
el'
)|l'＝1,2,
…
,z'}；其中，(x
el'
,y
el'
)表示第l'个边缘类集群的重心位置；
[0031]
步骤5.4：利用式(3)计算第l'个边缘类集群c
el'
的重心位置(x
el'
,y
el'
)分别与标准类集群的重心位置(x
st0
,y
st0
),(x
st1
,y
st1
)的距离：
[0032][0033]
式(3)中，d
l'good
是第l'个边缘类集群c
el'
与合格标准类的距离，d
l'bad
是第l'个边缘类集群c
el'
与故障标准类的距离；
[0034]
步骤5.5：利用式(4)判断第l'个边缘类集群c
el'
的质量：
[0035][0036]
式(4)中，c
egl'
表示第l'个边缘类集群c
el'
为合格晶粒集群，c
ebl'
表示第l'个边缘类集群c
el'
为故障晶粒集群；
[0037]
步骤5.6：对于离群晶粒，计算第r个离群晶粒or的重心位置与所有集群重心位置的距离其中，表示or到第l个集群c
l
的重心位置(x
l
,y
l
)的距离；并将第r个离群晶粒or归属于最小距离所对应的集群，以最小距离所对应的集群的质量作为第r个离群晶粒or的质量。
[0038]
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述晶圆级适应性方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
[0039]
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述晶圆级适应性方法的步骤。
[0040]
与已有技术相比，本发明的有益结果体现在：
[0041]
1、本发明针对晶圆测试提出一种双预测器协同决策的适应性测试方法，预测器能在晶圆测试中选取最有效的测试项进行测试，从而大大降低了晶圆的测试成本，减少了测试时间，提高了晶圆测试效率。
[0042]
2、本发明利用晶圆测试中的测试项与空间信息训练得到测试项预测器与空间预测器来预测晶粒质量，不仅更加充分的利用了测试数据中的相关性信息，而且保证了待测晶粒分类的高准确度，消除了晶圆中质量突变区域给预测器带来的不利影响，保证了较好的测试质量。
[0043]
3、本发明针对预测器之间的决策冲突将双预测器的结果用聚类算法进行聚类，然后利用集群之间的重心位置逐级对晶粒进行分类，从而筛选出存在故障的晶粒，确定每个晶粒的质量预测结果，解决了对好坏芯片不规则边界不能进行理想划分的问题，将测试逃逸和产量损失控制在极低的水平。
[0044]
4、本发明利用晶粒部分的测试项与空间信息训练两个质量预测器，根据预测结果对晶粒进行聚类，对不同集群的晶粒划分质量等级，从而逐次确定各个集群晶粒和离群晶粒的质量。在保证测试质量前提下，提高了预测的准确率，大大减少了测试时间和成本，且该减少测试成本的方案没有硬件开销，具有良好的通用性。
附图说明
[0045]
图1为本发明的适应性测试流程图；
[0046]
图2为本发明的协同决策的流程图。
具体实施方式
[0047]
本实施例中，一种基于双预测器协同决策的晶圆级适应性测试方法，如图1所示，是按如下步骤进行：
[0048]
步骤1：利用测试项数据集a＝{a1,a2,
…
,an,
…
,an}对有h个晶粒的试晶圆上所抽取的s个晶粒进行测试后，得到质量测试结果数据集记为f＝{f1,f2,
…
,fs}，令试晶圆上s个晶粒的位置信息记为(x
train
,y
train
)＝{x1,x2,
…
,xs；y1,y2,
…
,ys}；其中，n表示晶粒的测试项数，an表示晶粒的第n个测试项信息，(xs,ys)表示第s个晶粒的位置信息，fs表示第s个晶粒的质量测试结果并作为标签，若fs＝1，表示第s个晶粒的质量测试结果为合格，若fs＝0，表示第s个晶粒的质量测试结果为故障；
[0049]
将试晶圆上抽取剩余的晶粒作为待测晶粒，将待测晶粒的位置信息记为(x
test
,y
test
)＝{x'1,x'2,
…
x'
p
,
…
x'
h-s
；y'1,y'2,
…
,y'
p
,
…
,y'
h-s
}，其中，(x'p,y'
p
)为第p个待测晶粒的位置信息；
[0050]
在数据预处理的过程中，由于晶圆测试遵循“首败即停”的策略，测试数据中通常会包含大量缺失值，对于缺失的测试数据，用该数据所属测试项信息的中位数进行填充；
[0051]
步骤2：利用rfecv算法对测试项数据集a＝{a1,a2,
…
,an,
…
,an}进行测试项筛选，得到筛选后的测试项子集b＝{b1,b2,
…
,bm,
…
,bm}，其中，bm表示晶粒的筛选后的第m个测试项信息，m是筛选后的测试项总数，且m≤n；所得到的测试项子集b可以减少晶圆测试的测试时间，也是后面测试项预测器和空间预测器的输入数据；
[0052]
步骤3：将筛选后的测试项子集b＝{b1,b2,
…
,bm,
…
,bm}作为输入数据，将试结果数据集f＝{f1,f2,
…
,fs}作为标签，并一起输入随机森林模型中进行训练，得到测试项质量预测器qi；该预测器是部分测试项信息与晶粒质量之间的函数映射关系，待测晶粒只需将测试项信息输入预测器即可确定其质量；
[0053]
利用测试项质量预测器qi对待测晶粒进行质量预测，得到待测晶粒的质量预测结果数据集其中，表示由测试项质量预测器qi对第p个待测晶粒的质量预测结果；
[0054]
步骤4：局部空间信息bnr表示任一晶粒的周围晶粒的相关测试信息，是晶圆测试中的空间相关性的具体体现。根据在晶圆中晶粒质量存在聚集性分布的特点，利用晶粒的局部空间信息bnr，建立空间质量预测器qj，用于对待测晶粒进行质量预测；
[0055]
步骤4.1：根据待测晶粒的质量预测结果数据集r1和试结果数据集f，利用式(1)计算试晶圆上第k个晶粒的局部空间信息bnrk，从而得到试晶圆上所有晶粒的局部空间信息bnr＝{bnrk|k＝1,2,
…
,h}：
[0056][0057]
式(1)中，v表示任一晶粒周围晶粒的数目；p
k,q
表示第k个晶粒周围第q个晶粒的质量，若第q个晶粒为待测晶粒，则令量，若第q个晶粒为待测晶粒，则令表示由测试项质量预测器qi对第q个待测晶粒的质量预测结果；若第q个晶粒p
k,q
为抽样晶粒，则令p
k,q
＝fq，fq表示第q个晶粒的质量测试结果；
[0058]
根据晶粒的局部空间信息bnr对待测晶粒进行分级；令ε1,ε2分别为上下界分级指标，当ε1《bnrk≤1时，表示第k个晶粒的等级为易通过；当0≤bnrk≤ε2时，表示第k个晶粒的等级为易故障；否则，表示第k个晶粒的等级为质量模糊；
[0059]
步骤4.2：利用rfecv算法对测试项子集b中不同等级晶粒进行筛选，得到易通过等级的测试项子集b
good
、易故障等级的测试项子集b
bad
和质量模糊等级的测试项子集b
mid
；这里的目的是为了对不同等级的晶粒筛选出更有效的测试项子集，从而提高晶粒质量预测的准确率；
[0060]
步骤4.3：将三种等级的测试项子集b
good
,b
mid
,b
bad
与bnr一同作为输入数据，试结果数据集f＝{f1,f2,
…
,fs}作为标签，一起输入随机森林模型中进行训练，得到空间质量预测器qj；
[0061]
利用空间质量预测器qj对不同等级的待测晶粒进行质量预测，从而得到质量预测结果其中，表示由空间质量预测器qj对第p个待测晶粒的预测结果；
[0062]
步骤5：利用qi和qj对待测晶粒的总质量预测结果对待测晶粒的总质量预测结果进行协同决策，如图2所示，以得到待测晶粒的分类结果，
[0063]
步骤5.1：利用dbscan聚类算法对待测晶粒的总质量预测结果r进行处理，得到待测晶粒的质量预测结果所属的集群c＝{c
l
|l＝1,2,
…
,z}，其中，c
l
表示第l个集群，z表示集群的数量；
[0064]
判断待测晶粒中是否有不属于任何集群的晶粒，若表示相应的待测晶粒的预测结果为异常值，并将相应的待测晶粒加入离群晶粒集合o＝{or|r∈{1,2,
…
,h-s}}，其中，or表示待测晶粒中的第r个晶粒预测结果为异常值的离群晶粒；
[0065]
这里的目的要是找出当双预测器的预测结果发生冲突时的晶粒集群和具有异常值的晶粒，并判断这些晶粒的最终质量预测结果；
[0066]
步骤5.2：利用式(2)计算笛卡尔二维坐标系上第l个集群c
l
的重心位置(x
l
,y
l
)：
[0067][0068]
式(3)中，x
lu
，y
lu
分别为第l个集群c
l
中第u个晶粒的横纵坐标，w
l
表示第l个集群c
l
中晶粒的数目；
[0069]
步骤5.3：理想情况下，合格类的重心靠近(1,1)点，表示产品在两个预测器预测为合格的概率都为100％；相反，故障类将靠近原点(0,0)；计算所有集群的重心位置分别与理想点(0,0)与(1,1)的距离；并将与距离(0,0)最近的集群作为故障标准类的集群，记为c
bad
，其重心记为(x
st0
,y
st0
)；将与(1,1)最近的集群作为合格标准类的集群，记为c
good
，其重心记为(x
st1
,y
st1
)；
[0070]
将合格标准类的集群和故障标准类的集群记为标准类集群，将标准类集群以外的集群记为边缘类集群ce＝{c
el'
|l'＝1,2,
…
,z'}，其中，c
el'
表示第l'个边缘类集群，z'表示边缘类集群的数量，且z'＝z-2；
[0071]
将边缘类集群ce的重心位置记为(xe,ye)＝{(x
el'
,y
el'
)|l'＝1,2,
…
,z'}；其中，
(x
el'
,y
el'
)表示第l'个边缘类集群的重心位置；
[0072]
步骤5.4：利用式(3)计算第l'个边缘类集群c
el'
的重心位置(x
el'
,y
el'
)分别与标准类集群的重心位置(x
st0
,y
st0
),(x
st1
,y
st1
)的距离：
[0073][0074]
其中，d
l'good
是第l'个边缘类集群c
el'
与合格标准类的距离，d
l'bad
是第l'个边缘类集群c
el'
与故障标准类的距离；
[0075]
步骤5.5：利用式(4)判断第l'个边缘类集群c
el'
的质量：
[0076][0077]
式(4)中，c
egl'
表示第l'个边缘类集群c
el'
为合格晶粒集群，c
ebl'
表示第l'个边缘类集群c
el'
为故障晶粒集群；
[0078]
步骤5.6：对于离群晶粒，计算第r个离群晶粒or的重心位置与所有集群重心位置的距离即其中，表示or到第l个集群重心的距离；记为的最小值，表示第r个离群晶粒or到第t个集群c
t
的距离最小，则将第r个离群晶粒or的质量归属于第t个集群c
t
的质量，从而根据t个集群c
t
的质量得到第r个离群晶粒or的质量。
[0079]
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
[0080]
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。

技术特征：
1.一种基于双预测器协同决策的晶圆级适应性测试方法，其特征在于，是按如下步骤进行：步骤1：利用测试项数据集a＝{a1，a2，...，a
n
，...，a
n
}对有h个晶粒的试晶圆上所抽取的s个晶粒进行测试后，得到质量测试结果数据集记为f＝{f1，f2，...，f
s
}，令试晶圆上s个晶粒的位置信息记为(x
train
，y
train
)＝{x1，x2，...，x
s
；y1，y2，...，y
s
}；其中，n表示晶粒的测试项数，a
n
表示晶粒的第n个测试项信息，(x
s
，y
s
)表示第s个晶粒的位置信息，f
s
表示第s个晶粒的质量测试结果并作为标签，若f
s
＝1，表示第s个晶粒的质量测试结果为合格，若f
s
＝0，表示第s个晶粒的质量测试结果为故障；将试晶圆上抽取剩余的晶粒作为待测晶粒，将待测晶粒的位置信息记为(x
test
，y
test
)＝{x
′1，x
′2，...x
′
p
，...x
′
h-s
；y
′1，y
′2，...，y
′
p
，...，y
′
h-s
}，其中，(x
′
p
，y
′
p
)为第p个待测晶粒的位置信息；步骤2：利用rfecv算法对测试项数据集a＝{a1，a2，...，an，...，a
n
}进行测试项筛选，得到筛选后的测试项子集b＝{b1，b2，...，b
m
，...，b
m
}，其中，b
m
表示晶粒的筛选后的第m个测试项信息，m是筛选后的测试项总数，且m≤n；步骤3：将筛选后的测试项子集b＝{b1，b2，...，b
m
，...，b
m
}作为输入数据，将试结果数据集f＝{f1，f2，...，f
s
}作为标签，并一起输入随机森林模型中进行训练，得到测试项质量预测器q
i
；利用测试项质量预测器q
i
对待测晶粒进行质量预测，得到待测晶粒的质量预测结果数据集其中，表示由测试项质量预测器q
i
对第p个待测晶粒的质量预测结果；步骤4：利用晶粒的局部空间信息bnr，建立空间质量预测器q
j
，用于对待测晶粒进行质量预测；步骤4.1：根据待测晶粒的质量预测结果数据集r1和试结果数据集f，利用式(1)计算试晶圆上第k个晶粒的局部空间信息bnr
k
，从而得到试晶圆上所有晶粒的局部空间信息bnr＝{bnr
k
|k＝1，2，...，h}：式(1)中，v表示任一晶粒周围晶粒的数目；p
k，q
表示第k个晶粒周围第q个晶粒的质量，若第q个晶粒为待测晶粒，则令若第q个晶粒为待测晶粒，则令表示由测试项质量预测器q
i
对第q个待测晶粒的质量预测结果；若第q个晶粒p
k，q
为抽样晶粒，则令p
k，q
＝f
q
，f
q
表示第q个晶粒的质量测试结果；根据晶粒的局部空间信息bnr对待测晶粒进行分级；令ε1，ε2分别为上下界分级指标，当ε1＜bnr
k
≤1时，表示第k个晶粒的等级为易通过；当0≤bnr
k
≤ε2时，表示第k个晶粒的等级为易故障；否则，表示第k个晶粒的等级为质量模糊；步骤4.2：利用rfecv算法对测试项子集b中不同等级晶粒进行筛选，得到易通过等级的测试项子集b
good
、易故障等级的测试项子集b
bad
和质量模糊等级的测试项子集b
mid
；步骤4.3：将三种等级的测试项子集b
good
，b
mid
，b
bad
与bnr一同作为输入数据，试结果数据集f＝{f1，f2，...，f
s
}作为标签，一起输入随机森林模型中进行训练，得到空间质量预测器
q
j
；利用空间质量预测器q
j
对不同等级的待测晶粒进行质量预测，从而得到质量预测结果其中，表示由空间质量预测器q
j
对第p个待测晶粒的预测结果；步骤5：利用q
i
和q
j
对待测晶粒的总质量预测结果对待测晶粒的总质量预测结果进行协同决策，以得到待测晶粒的分类结果；步骤5.1：利用dbscan聚类算法对待测晶粒的总质量预测结果r进行处理，得到待测晶粒的质量预测结果所属的集群c＝{c
l
|l＝1，2，...，z}，其中，c
l
表示第l个集群，z表示集群的数量；判断待测晶粒中是否有不属于任何集群的晶粒，若表示相应的待测晶粒的预测结果为异常值，并将相应的待测晶粒加入离群晶粒集合o＝(o
r
|r∈(1，2，...，h-s}}，其中，o
r
表示待测晶粒中的第r个晶粒预测结果为异常值的离群晶粒；步骤5.2：利用式(2)计算笛卡尔二维坐标系上第l个集群c
l
的重心位置(x
l
，y
l
)：式(3)中，x
lu
，y
lu
分别为第l个集群c
l
中第u个晶粒的横纵坐标，w
l
表示第l个集群c
l
中晶粒的数目；步骤5.3：计算所有集群的重心位置分别与理想点(0，0)与(1，1)的距离；并将与距离(0，0)最近的集群作为故障标准类的集群，记为c
bad
，其重心记为(x
st0
，y
st0
)；将与(1，1)最近的集群作为合格标准类的集群，记为c
good
，其重心记为(x
st1
，y
st1
)；将合格标准类的集群和故障标准类的集群记为标准类集群，将标准类集群以外的集群记为边缘类集群c
e
＝(c
el
′
|l
′
＝1，2，...，z
′
}，其中，c
el
′
表示第l
′
个边缘类集群，z
′
表示边缘类集群的数量，且z
′
＝z-2；将边缘类集群c
e
的重心位置记为(x
e
，y
e
)＝((x
el
′
，y
el
′
)|l
′
＝1，2，...，z
′
}；其中，(x
el
′
，y
el
′
)表示第l
′
个边缘类集群的重心位置；步骤5.4：利用式(3)计算第l
′
个边缘类集群c
el
′
的重心位置(x
el
′
，y
el
′
)分别与标准类集群的重心位置(x
st0
，y
st0
)，(x
st1
，y
st1
)的距离：式(3)中，d
l
′
good
是第l
′
个边缘类集群c
el
′
与合格标准类的距离，d
l
′
bad
是第l
′
个边缘类集群c
el
′
与故障标准类的距离；步骤5.5：利用式(4)判断第l
′
个边缘类集群c
el
′
的质量：式(4)中，c
egl
′
表示第l
′
个边缘类集群c
el
′
为合格晶粒集群，c
ebl
′
表示第l
′
个边缘类集群
c
el
′
为故障晶粒集群；步骤5.6：对于离群晶粒，计算第r个离群晶粒o
r
的重心位置与所有集群重心位置的距离其中，表示o
r
到第l个集群c
l
的重心位置(x
l
，y
l
)的距离；并将第r个离群晶粒o
r
归属于最小距离所对应的集群，以最小距离所对应的集群的质量作为第r个离群晶粒o
r
的质量。2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述晶圆级适应性方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述晶圆级适应性方法的步骤。

技术总结
本发明公开了一种基于双预测器协同决策的晶圆级适应性测试方法，包括：1、数据预处理；2、利用RFECV算法对测试项进行筛选；3、利用随机森林算法建立基于测试项的质量预测器；4、根据BNR将晶粒划分为不同等级，建立基于空间信息的质量预测器；5、根据两种预测结果利用DBSCAN聚类算法对晶粒进行聚类，将不同类别的晶粒划分质量等级，根据晶粒不同等级类别的分布结果，逐次确定各个类别晶粒的质量。本发明能在降低晶圆的测试成本的同时，将测试逃逸和产量损失控制在极低的水平，保证较好的测试质量。量。量。


技术研发人员：梁华国 潘宇琦 李俊明 汤宇新 曲金星 易茂祥 黄正峰 鲁迎春
受保护的技术使用者：合肥工业大学
技术研发日：2023.05.18
技术公布日：2023/8/16