半导体缺陷根因分析方法及装置与流程

本发明涉及半导体生产制造领域，尤其涉及半导体缺陷根因分析方法及装置。

背景技术：

1、半导体缺陷是指在半导体材料或器件中存在的各种不完美或异常现象，这些缺陷可能会影响半导体的性能、可靠性和寿命，同时还会导致产量的减少和成本的增加。因此，识别和减少缺陷的产生对于提高生产效率至关重要。其中，对缺陷进行根因分析(rootcause analysis)是一个重要的步骤，旨在对产生缺陷的根本原因进行分析，提出有针对性的解决方案，减少或防止缺陷的产生。

2、传统的半导体缺陷根因分析依赖于半导体工程师的经验和简单的数据分析，但是这些方法往往难以处理生产过程中的复杂关系和大量数据。因此，需要一种系统的、自动化的方法，对半导体的缺陷进行根因分析。

技术实现思路

1、本发明描述了半导体缺陷根因分析方法及装置，通过收集基础数据和缺陷数据，对半导体生产中的缺陷进行根因分析。

2、第一方面，提供了一种半导体缺陷根因分析方法，包括：

3、获取半导体生产过程中的基础特征数据和对应的缺陷数据；所述基础特征数据至少包括以下之一：设备状态数据、配方数据、实时数据；

4、基于所述基础特征进行特征融合，得到融合特征；所述融合特征包括交互特征，所述交互特征为至少两种基础特征之间的组合所确定的特征；

5、以所述基础特征和所述融合特征作为样本特征，以所述缺陷数据作为标签，训练得到缺陷分类模型；

6、使用shap分析工具对所述缺陷分类模型进行特征重要性分析，得到重要性排名靠前的若干目标特征，作为第一总体缺陷根因。

7、在一种可能的实施方式中，所述融合特征还包括衍生特征，所述衍生特征为基础特征在特定时间段的统计结果所确定的特征。

8、在一种可能的实施方式中，所述融合特征还包括统计特征，所述统计特征为根据基础特征的统计量所确定的特征。

9、在一种可能的实施方式中，所述缺陷分类模型基于树模型，所述树模型至少包括：随机森林模型、梯度提升决策树模型。

10、在一种可能的实施方式中，使用shap分析工具对所述缺陷分类模型进行特征重要性分析，得到重要性排名靠前的若干目标特征，包括：

11、使用shap分析工具基于所述缺陷分类模型绘制全局摘要图；

12、将所述全局摘要图中特征值排名靠前的多个特征，和/或，shap值取值在第一范围内的样本数量超过预设的第一阈值的特征，确定为目标特征。

13、在一种可能的实施方式中，所述方法还包括：

14、将关于各个目标特征的shap值的绝对值排名靠前的样本，确定为目标样本；

15、基于各个目标样本，使用shap分析工具绘制对应的目标力图；

16、将目标力图中条形长度排名靠前的第一特征在该目标样本中的取值，确定为导致该样本缺陷的局部根因。

17、在一种可能的实施方式中，所述第一特征为第一基础特征和第二基础特征之间的组合所确定的交互特征；所述方法还包括：

18、将第一基础特征和第二基础特征在该目标样本中的取值，确定为导致该样本缺陷的局部根因。

19、在一种可能的实施方式中，所述方法还包括：

20、绘制各个基础特征和融合特征的shap值关于时间的变化曲线；

21、将所述变化曲线中时间取值在第二范围内变化幅度大于预设的第二阈值的第二特征，确定为第二总体缺陷根因。

22、在一种可能的实施方式中，所述方法还包括：

23、确定所述第二特征的变化幅度大于第二阈值的时间范围的起始时间点；

24、将所述起始时间点确定为与缺陷相关的关键时间点。

25、第二方面，提供了一种半导体缺陷根因分析装置，包括：

26、获取单元，配置为，获取半导体生产过程中的基础特征数据和对应的缺陷数据；所述基础特征数据至少包括以下之一：设备状态数据、配方数据、实时数据；

27、特征融合单元，配置为，基于所述基础特征进行特征融合，得到融合特征；所述融合特征包括交互特征，所述交互特征为至少两种基础特征之间的组合所确定的特征；

28、模型训练单元，配置为，以所述基础特征和所述融合特征作为样本特征，以所述缺陷数据作为标签，训练得到缺陷分类模型；

29、第一根因分析单元，配置为，使用shap分析工具对所述缺陷分类模型进行特征重要性分析，得到重要性排名靠前的若干目标特征，作为第一总体缺陷根因。

30、第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

31、第四方面，提供了一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

32、本发明提出的一种半导体缺陷根因分析方法及装置，方法首先收集半导体生产过程中的各种基础特征数据，并收集对应的缺陷数据。在此基础上，还会对特征进行融合，得到多种融合特征，包括对特征进行组合得到的交互特征，基于某个特征在时间段内统计得到的衍生特征，基于某个特征的统计量对应的统计特征。然后，以缺陷为标签，以基础特征和融合特征为特征训练分类模型。

33、接下来，基于shap分析工具对训练好的分类模型进行特征重要性分析。具体为，首先绘制全局摘要图(summary plot)，得到多个重要特征组成的重要特征列表。对于各个重要特征，选取其在摘要图中shap值绝对值排名靠前的样本点，查看这些样本点中重要特征的具体取值，以确定哪些特征的哪些取值更加容易导致缺陷。进一步地，对摘要图中的重要特征的shap值绝对值排名靠前的样本点，以及在摘要图中数值分布接近的多个样本点，分别对每个样本点绘制局部力图(force plot)。将力图中shap值大的特征在该样本中的取值，认为是容易导致缺陷的特征取值。此外，还对各个特征的shap值进行时序分析，绘制时序图，根据时序图观察是否有某些特征的shap值与时间的变化关系大。选取这些特征shap值大幅度波动的时间段，将这些时间段内的该特征的样本取值，认定为容易导致缺陷的特征取值。同时，还将该时间段的起始时间点，认定为与缺陷相关的关键时间点。

34、本发明提出了一个全面分析设备状态、配方、和生产过程数据对半导体缺陷影响的系统化方法，不仅关注单一的数据源，如设备数据或生产过程数据，而是综合考虑多个数据流，通过交叉分析和特征融合，揭示出这些不同数据源之间复杂的相互作用，更准确地识别导致缺陷的根本原因。

技术特征：

1.一种半导体缺陷根因分析方法，包括：

2.根据权利要求1所述的方法，其特征在于，所述融合特征还包括衍生特征，所述衍生特征为基础特征在特定时间段的统计结果所确定的特征。

3.根据权利要求1所述的方法，其特征在于，所述融合特征还包括统计特征，所述统计特征为根据基础特征的统计量所确定的特征。

4.根据权利要求1所述的方法，其特征在于，所述缺陷分类模型基于树模型，所述树模型至少包括：随机森林模型、梯度提升决策树模型。

5.根据权利要求1所述的方法，其特征在于，使用shap分析工具对所述缺陷分类模型进行特征重要性分析，得到重要性排名靠前的若干目标特征，包括：

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

7.根据权利要求6所述的方法，其特征在于，所述第一特征为第一基础特征和第二基础特征之间的组合所确定的交互特征；所述方法还包括：

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

10.一种半导体缺陷根因分析装置，包括：

技术总结
本发明涉及半导体缺陷根因分析方法及装置，方法包括：获取半导体生产过程中的基础特征数据和对应的缺陷数据；所述基础特征数据至少包括以下之一：设备状态数据、配方数据、实时数据；基于所述基础特征进行特征融合，得到融合特征；所述融合特征包括交互特征，所述交互特征为至少两种基础特征之间的组合所确定的特征；以所述基础特征和所述融合特征作为样本特征，以所述缺陷数据作为标签，训练得到缺陷分类模型；使用SHAP分析工具对所述缺陷分类模型进行特征重要性分析，得到重要性排名靠前的若干目标特征，作为第一总体缺陷根因。

技术研发人员：蔡雨桐,白肖艳,易丛文,夏敏,管健
受保护的技术使用者：深圳智现未来工业软件有限公司
技术研发日：
技术公布日：2024/11/18