一种车规级芯片DPAT检测方法及装置与流程

一种车规级芯片dpat检测方法及装置
技术领域
1.本发明涉及芯片测试领域，具体涉及一种车规级芯片dpat检测方法及装置。


背景技术：

2.车规级芯片是应用到汽车中的芯片，相比消费级、工业级芯片而言，车规级芯片在使用过程中，面临着冷热温度范围大、湿度变化大、粉尘多、有害气体侵蚀、颠簸与冲击等挑战，对可靠性的要求更高。并且汽车与人身安全息息相关，容不得丝毫纰漏，对于安全性的要求极高。因此，车规级芯片对质量有着更为苛刻的要求，通常要求将dppm（defect part per million，每百万缺陷机会中的不良品数）控制在10以内，甚至为0，这就需要在芯片测试过程中尽可能将缺陷和异常品都找出来，避免流到下游汽车应用中。
3.针对车规级芯片可靠性的测试项，美国汽车电子委员会aec-q001规格推荐了一种动态零件平均测试（dynamic part average testing，dpat）方法，该方法基本思路是：按批次对产品进行采样测试和数据统计，确定适用于当前批次产品的规格阈值，利用该规格阈值作为判据对当前批次产品进行异常品筛查。dpat将一个批次内测试项值严重偏离总体分布的定义为异常品。然而，在实际业务场景中，芯片的测试结果时往往会因为相关工艺参数漂移产生差异，导致数据分布发生变化，简单笼统的使用现有的dpat方法不可避免地产生漏判或误判，导致异常品流出，带来不可控的风险。


技术实现要素：

4.发明目的：针对现有技术的不足，本发明提供一种车规级芯片dpat检测方法，提高检测的准确性，进一步避免漏判或误判带来的异常品流出。
5.本发明还提供一种车规级芯片dpat检测装置、计算机设备及计算机存储介质。
6.技术方案：根据本发明的第一方面，一种车规级芯片dpat检测方法，包括以下步骤：在一个批次测试完成后，获取该批次的测试数据，判断测试数据是否符合设定的dpat计算条件，确保测试数据符合设定的dpat计算条件；根据测试项确定生产影响因子，每个生产影响因子x在测试过程中有多个生产对象，每个生产对象对应一组测试数据，确定所述生产影响因子下各生产对象的测试数据的数据分布情况；判断数据分布情况是否符合去漂移调整条件，若符合，则对生产影响因子x下的各个生产对象的数据集进行去漂移调整；基于去漂移调整后的数据集计算dpat的规格阈值，加载该批次所有芯片的测试项值并与所述规格阈值进行比较，将超过所述规格阈值的测试项值赋予新的分类，并将对应的芯片识别为异常品。
7.作为优选实施方式，所述设定的dpat计算条件包括：该批次中测试结果为良品的芯片数目达到预设阈值，并且所有晶圆的数据是齐全的。
8.作为优选实施方式，所述确定所述生产影响因子下各生产对象的测试数据的数据分布情况包括：取生产影响因子x下各个生产对象对应的数据集50%分位数值q2作为稳健平均值，the median表示中位数；根据生产影响因子x下各个生产对象对应的数据集获取25%分位数值q1和75%分位数值q3，计算稳健标准差值；基于稳健平均值robustmean和稳健标准差值robustsigma，根据下式计算数据分布系数cofficient：，cofficient越大，表示生产影响因子x下各个生产对象之间的漂移越大，数据呈现多个分布越明显；其中，allrobustmeans是稳健平均值集合，其中包含各个生产对象对应的数据集计算出来的稳健平均值，表示为：，其中x1rm表示生产影响因子x下第一个生产对象对应的数据集计算得到的稳健平均值，xnrm则表示第n个生产对象对应的数据集计算得到的稳健平均值；allrobustsigmas是稳健标准差集合，其中包含各个生产对象对应的数据集计算出来的稳健标准差，表示为：，其中x1rs表示生产影响因子x下第一个生产对象对应的数据集计算得到的稳健标准差值，xnrs则表示第n个生产对象对应的数据集计算得到的稳健标准差值。
9.作为优选实施方式，所述判断数据分布情况是否符合去漂移调整条件包括：判断数据分布系数cofficient是否大于指定的离散阈值m，若大于，则符合去漂移调整条件。
10.作为优选实施方式，所述对数据集进行去漂移调整包括：获取稳健平均值集合中各稳健平均值的均值mean(allrobustmeans)与第i个生产对象的稳健平均值xirm之间的差值delta，；利用差值delta补偿原始测试值originalvalue，得到去漂移后的值：；将去漂移后该批次芯片的测试数据放到一起，用于进行后续的规格阈值计算。
11.作为优选实施方式，基于去漂移调整后的数据集计算dpat的规格阈值包括：根据计算规格阈值上限，根据计算规格阈值下限。
12.作为优选实施方式，所述生产影响因子包括芯片所在的测试位site和蚀刻曝光时使用的掩模版。
13.根据本发明的第二方面，一种车规级芯片dpat检测装置，包括：数据获取模块，用于在一个批次测试完成后，获取该批次的测试数据，判断测试数据是否符合设定的dpat计算条件，确保测试数据符合设定的dpat计算条件；数据分布确定模块，用于根据测试项确定生产影响因子，每个生产影响因子x在测试过程中有多个生产对象，每个生产对象对应一组测试数据，确定所述生产影响因子下各生产对象的测试数据的数据分布情况；
去漂移处理模块，用于判断数据分布情况是否符合去漂移调整条件，若符合，则对生产影响因子x下的各个生产对象的数据集进行去漂移调整；检测识别模块，用于基于去漂移调整后的数据集计算dpat的规格阈值，加载该批次所有芯片的测试项值并与所述规格阈值进行比较，将超过所述规格阈值的测试项值赋予新的分类，并将对应的芯片识别为异常品。
14.根据本发明的第三方面，一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的车规级芯片dpat检测方法的步骤。
15.根据本发明的第四方面，一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的车规级芯片dpat检测方法的步骤。
16.有益效果：本发明针对车规级芯片测试的高可靠性、高安全性要求，通过梳理在测试流程中相关工艺参数漂移产生的差异导致测试结果数据分布发生变化的影响，提出一种车规级芯片dpat检测方法及装置，将影响测试结果的因素标识为生产影响因子，每个生产影响因子x在测试过程中有多个生产对象，每个生产对象对应一组测试数据，通过确定生产影响因子下各生产对象的测试数据的数据分布情况来识别出测试结果是否发生漂移，进行去漂移处理，基于去漂移调整后的数据集进行dpat检测，提高芯片测试的准确性，避免漏判或误判带来的异常品流出，提高芯片厂商的产品出厂质量。
附图说明
17.图1为本发明的车规级芯片dpat检测方法流程图；图2为本发明实施例中测试项数据的整体数据分布图；图3为本发明实施例中两个site对应的数据分布图；图4为本发明实施例中去漂移后的整体数据分布图；图5为本发明实施例中本方法检测发现的异常品所在的wafer图。
具体实施方式
18.下面结合附图对本发明的技术方案作进一步说明。
19.参照图1，本发明所提出的车规级芯片dpat检测方法包括以下步骤：步骤1，获取一个批次的测试数据，判断测试数据是否符合设定的dpat计算条件，确保测试数据符合设定的dpat计算条件。
20.在一个批次测试完成后，收集其生成的所有测试数据文件，通常为stdf（standard test data format，标准测试数据格式）文件，解析和处理后可获得所有的测试数据。这里的测试数据就是针对芯片功能的测试项，包括电流、电压等，比如常见的iddq漏电流测试。
21.判断数据是否符合设定的dpat计算条件，如果符合则进入步骤2。根据本发明的实施方式，所述的dpat计算条件包括：该批次中测试结果为良品的芯片数目达到预设阈值，以及所有晶圆的数据是齐全的。例如，测试结果中良品标识为good die，dpat计算条件可以是
要求该批次测试至少包含100/200/300颗或其他数量good die，同时所有wafer（晶圆）的数据是齐全的。所谓所有wafer数据齐全，是数据校验的一个环节，比如实际生产中测试了10片wafer，那么需要等到这10片wafer的数据都成功解析了才能进行dpat计算。为了确保dpat计算在一个合理、有效的数据集上进行，避免误判，两个条件需要同时满足。如果不符合计算条件，则不进行dpat计算，对该批次进行特殊记录，用于后续人工判断。
22.步骤2，根据测试项确定生产影响因子，在测试过程中每个生产影响因子会有多个生产对象，每个生产对象对应一组测试数据，确定该批次测试数据的数据分布情况。
23.芯片测试主要分三大类：芯片功能测试、性能测试、可靠性测试。为了实现这些测试，需要多种手段来对芯片进行若干项目的试验、检测，主要的手段有cp测试和ft测试。晶圆cp（chip probing）测试，常应用于功能测试与性能测试中，了解芯片功能是否正常，以及筛掉晶圆中的故障芯片。cp测试是用探针（probe）来接触wafer上的芯片，把各类信号输入进芯片，抓取芯片的输出响应并进行比较和计算。需要使用的设备主要包括自动测试设备（ate）、探针台（prober）、以及一些仪器仪表，需要制作硬件探针卡（probe card）。为了节约测试机时成本，探针卡往往进行多站点（site，测试位）测试。封装后成品ft测试，常应用于功能测试、性能测试和可靠性测试中，检查芯片功能是否正常，以及封装过程中是否有缺陷产生，并且帮助在可靠性测试中用来检测经过严酷环境之后的芯片是不是还能工作。需要使用的设备主要有自动测试设备（ate）、机械臂（handler）、以及相应仪器仪表，需要制作的硬件是测试板（loadboard，也称为载板或加载板）、测试插座（socket，也称为底座）等。封装后的芯片设置于socket上，loadboard放到测试机台上，测试机台将需要的电压电流加到loadboard上的接口，经由loadboard上的电路将这些电压电流加载到socket上，socket再把电压电流加到芯片上。为了加快测试效率，一个loadboard上往往设置多个site（测试位），这样可以同时进行多个芯片的测试。
24.芯片测试项目繁多，在实际业务场景中，会出现一些工艺参数的漂移带来的测试项值分布发生偏移/漂移，即相比正常值发生了一定的偏差。比如，有的site（测试位）对应的探针脏了导致接触不稳定，就会引起测试结果的漂移。比如，在半导体前段制程中reticle（也叫mask，光罩，是曝光时候的掩模板）曝光的不均匀引起测试结果的偏移。本发明中，将这些影响测试结果的工艺参数的漂移称为生产影响因子，即，生产影响因子表示测试结果受什么因素影响。在实际业务中，可以根据测试项确定生产影响因子，根据申请人当前工作实践，有实际生产意义的生产影响因子主要有site（测试位）和reticle（掩模版），且适用于cp测试和ft测试，因此作为推荐因子。在测试过程中每个生产影响因子会对应多个生产对象，每个生产对象对应一组测试数据。当然也不排除一个生产影响因子下仅有一个生产对象的情况。举例而言，在芯片测试时，每个tester对应一个loadboard，一个loadboard上面有多个site，类似一个插线板上有多个插孔，每个site上放一颗芯片进行测试。因此，选择site作为影响因子时，生产对象就是所有site（site1/site2...)。如果选择reticle作为影响因子时，生产对象就是所有reticle（reticle1/reticle2...)。每个site或每个reticle对应一组测试数据。
25.本发明中用因子水平来表示一个生产影响因子下生产对象的数量。对于每个设定的生产影响因子x，会包含多个生产对象，比如生产影响因子site，在某次测试时测试机上有8个site，则site1，site2，...，site8为生产对象，其因子水平为8，
每个生产对象对应一组测试数据。本发明基于这些测试数据，来确定该批次测试的数据分布情况。
26.对数据分布情况的衡量主要是看数据差异程度，即数据偏移超过某个阈值的情况。本发明中，获取数据分布情况可以识别出生产影响因子下各个生产对象之间的漂移程度。消除这些漂移将有助于提高测试检测的准确性。根据本发明的实施方式，对数据分布情况的衡量采用数据分布系数cofficient来表示。cofficient越大，表示生产影响因子x下各个生产对象之间的漂移越大，数据呈现多个分布越明显。在一个实施方式中，cofficient的计算方式如下：，其中，max()表示求最大值，min()表示求最小值，robustmean()表示求稳健平均值；allrobustmeans是稳健平均值集合，其中包含各个生产对象对应的数据集计算出来的稳健平均值（robustmean），表示为：，其中x1rm表示生产影响因子x下第一个生产对象对应的数据集计算得到的稳健平均值，rm是robustmean的缩写，xnrm则表示第n个生产对象对应的数据集计算得到的稳健平均值；allrobustsigmas是稳健标准差集合，其中包含各个生产对象对应的数据集计算出来的稳健标准差（robustsigma），表示为：，其中x1rs表示生产影响因子x下第一个生产对象对应的数据集计算得到的稳健标准差值，rs是robustsigma的缩写，xnrs则表示第n个生产对象对应的数据集计算得到的稳健标准差值。
27.根据本发明的实施方式，稳健平均值robustmean和稳健标准差robustsigma的计算方法如下：，，其中q1、q2、q3分别表示25%、50%、75%分位数。表示取相应测试项数据50%分位数值，the median表示中位数，例如对于电流、电压测试数据，获取这些电流、电压的50%分位数值，作为q2，类似的，q1和q3则分别表示该项测试数据的25%和75%分位数值。
28.以生产影响因子site为例，某批次测试的测试机有2个site，那么每个site都会对应一组测试数据，即x1，x2。通过获取q1、q2、q3分位数值来计算rm和rs：，，，，其数据分布系数如下：
。
29.步骤3，判断数据分布情况是否符合去漂移调整条件，若符合，则对生产影响因子x下的各个生产对象的数据集进行去漂移调整。
30.针对步骤2计算获得的数据分布系数cofficient，判断是否超过了设定的离散阈值m，如果超过了，则对生产影响因子x下的各个生产对象的数据集进行去漂移调整。离散阈值可以根据一段时间内的历史批次数据，计算出一组分布系数cofficient，根据这组数据的分布来选择，比如选取过去半年内的5000个批次的数据，计算出5000个cofficient，取中位数作为阈值。在批次测试中，不同生产对象对应的芯片本身往往是比较一致的，只是由于测试生产工艺参数引起了中心漂移，因此进行去漂移处理将消除这些因子所带来的影响。去漂移后将该批次芯片的测试数据放到一起整体考虑，可以认为是较为理想的数据集了。
31.在一个实施方式中，针对生产影响因子x下每个生产对象的数据集，根据以下方法计算去漂移后的数据值：，，originalvalue为原始测试值，delta为稳健平均值集合中各稳健平均值的均值mean(allrobustmeans)与第i个生产对象的稳健平均值xirm之间的差值。
32.以生产影响因子site为例，某批次测试的测试机有2个site，那么每个site都会对应一组测试数据，即x1、x2。计算去中心漂移后的数据值的方式如下：，。
33.步骤4，针对步骤3的数据集应用传统dpat方法计算上下限，加载该批次所有芯片相应的测试项值，判断是否超过了该上下限，如果超过了则将其赋上新的bin分类，并修改测试结果数据，后续工艺会将此类的芯片作为异常品处理。
34.传统dpat方法计算上下限的公式如下：，其中robustmean和robustsigma的计算方法参见前面步骤2中的描述，此处不再赘述。
35.在步骤2中，如果选中了多个生产影响因子，则逐一应用步骤2、3、4，只要有一个发现了异常即认定为异常品。
36.在一个实施例中，在某个车规级芯片的批次测试后，收集在晶圆测试过程中产生的25个stdf文件，经过统计，所选批次的25片晶圆数据齐全，共有10350颗good die，符合设定的条件（该批次至少包含100颗good die），选择针对某iddq漏电流测试项的数据应用dpat检测。为了对比，分别按照原dpat方法与本发明所提dpat方法进行检测。
37.根据原dpat方法，为了方便查看，将该测试项的数据绘制成图2所示的直方图，图2中横坐标表示测试值，示例中指的是iddq漏电流测试项，单位mv，纵轴为频率，表示对应测试值出现的次数。针对该测试项的数据进行计算，获得表1所示的相关参数。
38.表1 原dpat方法检测的相关参数
数据集q1q2q3robustmeanrobustsigma整体0.5462.62034.12242.62032.6492基于表1中的相关参数通过计算获得dpat上下限：，。
39.基于该dpat上下限，加载该批次该测试项的所有芯片数据，判断是否超过该上下限，超出的即为异常品。经过分析计算，采用原有dpat方法进行检测，并未发现有异常品。
40.根据本发明的方法，选择site作为生产影响因子，该批次在测试过程中测试机上有2个site，为了方便查看，将2个site对应的测试项数据绘制成图3所示的直方图，横纵坐标的含义同图2。分别针对2个site对应的测试项数据进行计算，获得表2所示的相关参数。
41.表2 site的相关参数数据集q1q2q3robustmeanrobustsigmasite13.36934.10154.81054.10151.0676site2-0.47620.54611.53270.54611.4881基于site的相关参数，计算获得生产影响因子site的数据分布系数2.7825。
42.。
43.判断数据分布系数是否超过了设定的阈值。这里设定阈值为0.6，即生产影响因子site带来的中心漂移间距不应超过0.6个平均离散度。由于数据分布系数2.7825超过了阈值0.6，因此需要对生产影响因子site带来的中心漂移进行去漂移调整，去漂移后将该批次芯片的测试数据放到一起整体考虑。针对site1和site2的数据集，分别按照下面的方式进行调整。
44.，。
45.为了方便查看，将去漂移后的数据绘制成图4所示的直方图。图4中横纵坐标的含义同图2。针对该测试项的数据进行计算，获得表3所示的相关参数。
46.表3 本发明dpat方法检测的相关参数数据集q1q2q3robustmeanrobustsigma整体1.45632.32383.14722.32381.2525基于此通过计算获得新的dpat上下限：，。
47.加载该批次该测试项的所有芯片数据，判断是否超过该上下限，超出的即为异常品。经过分析计算，采用本发明发的dpat方法进行检测，发现了三个异常品，分别如下表4所示。
48.表4 采用本发明dpat方法检测发现的异常品序号去漂移后的测试值原始数据值wafernum坐标位置1-6.9401-8.71767（32,17）2-7.0243-8.802012（28,14）3-7.4105-9.188218（16,15）图5是其中一个异常品所在的wafer图呈现，箭头所指位置是通过本发明改进后dpat方法检测发现的异常品，在测试中将其赋予bin97类型。
49.通过对比两种方法的检测结果，使用本发明发改进后的dpat检测方法，可以有效发现原dpat方法发现不了的异常品。在实际生产场景下，多次对以同样方式发现的异常品做了进一步的测试验证，确定其确实存在问题。像这样的异常芯片如果流入到了下游汽车市场，轻则导致汽车出现故障，重则引发事故，将带来不可估量的后果。本发明考虑芯片生产过程中工艺参数漂移对测试项值的影响，通过去漂移处理提高dpat检测的准确性，避免漏判或误判带来的异常品流出，增强了dpat的实际生产应用意义。
50.本发明的另一实施例还提供一种车规级芯片dpat检测装置，包括：数据获取模块，用于在一个批次测试完成后，获取该批次的测试数据，判断测试数据是否符合设定的dpat计算条件，确保测试数据符合设定的dpat计算条件；数据分布确定模块，用于根据测试项确定生产影响因子，每个生产影响因子x在测试过程中有多个生产对象，每个生产对象对应一组测试数据，确定所述生产影响因子下各生产对象的测试数据的数据分布情况；去漂移处理模块，用于判断数据分布情况是否符合去漂移调整条件，若符合，则对生产影响因子x下的各个生产对象的数据集进行去漂移调整；检测识别模块，用于基于去漂移调整后的数据集计算dpat的规格阈值，加载该批次所有芯片的测试项值并与所述规格阈值进行比较，将超过所述规格阈值的测试项值赋予新的分类，并将对应的芯片识别为异常品。
51.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
52.本发明的实施例还提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的车规级芯片dpat检测方法对应的操作。
53.需要说明的是，该计算设备是与上述方法对应的计算设备，上述方法实施例中的所有实现方式均适用于该计算设备的实施例中，也能达到相同的技术效果。
54.本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上所述的车规级芯片dpat检测方法。
55.此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储
介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
56.因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。