作者： David W. Price, Douglas G. Sutherland 和 Jay Rathert，KLA公司

作者按语：Process Watch系列文章探讨了半导体行业工艺控制 - 缺陷检测、量测和数据分析的关键概念。本文是汽车行业半导体器件工艺控制策略的系列文章之第五篇。

关于汽车半导体制程控制的系列文章中，前四篇讨论了可靠性故障带来的影响¹，为满足汽车厂的要求而采取的一般策略²，用于减少制程设备缺陷率的持续改进计划³以及针对整个IC生产线所进行的偏移监控以减少不合格材料的影响⁴。

减少可靠性缺陷最简单的方法就是减少整体缺陷，因此本系列的前几篇文章着重介绍了用于改善半导体生产制程的制程控制策略。除了传统的制程控制之外，一个使用得越来越多的补充办法是，利用在线缺陷数据来判定每一个芯片是否合格。在对可靠性影响最大的几个关键制程步骤中，采用这种被称为筛选的技术对100％的芯片和100％的晶圆进行检测。在检测中未通过预设缺陷率标准的芯片被“筛出”或“标记”– 并将其从汽车供应链中剔除。剔除的标准通常是根据反复出现的客户退货，并且对这些产品进行故障分析以揭示容易引起问题的工艺层、芯片区域和缺陷类型。在采用8D研究⁵对可靠性问题的来源进行辨识和表征之后，许多领先的汽车半导体客户将坚持让他们的IC供应商采用有针对性的筛选作为预防措施，以确保完成零缺陷的质量目标。

筛选所用的检测晶圆缺陷图上通常有太多缺陷，这是汽车芯片制造商所面临的挑战。当然，并非芯片上的每个缺陷都有同等机率造成芯片致命故障。如果不对缺陷的可靠性风险做出仔细评估，就可能造成不合理的“矫枉过正”– 本来可以在整个使用寿命期间正常运行的芯片也会被标记剔除。

为了最好地实现既提高质量又不会矫枉过正的双重目标，筛选必须成功识别在ppb级质检环境中最有可能出现故障的芯片，同时允许合格芯片通过质检。一种称为在线缺陷零件平均测试（I-PAT™）的新型芯片级筛选方法由此产生。I-PAT是一种统计方法，用于识别可靠性故障发生风险概率较高的芯片。

零件平均测试（PAT）由汽车电子委员会（AEC）于1997年⁶首次认可，目前已被广泛使用。其理念是采用电气测试，将每个零件的性能参数与大量产品的数据分布进行比较和评估。那些虽然符合规格但在产品正态分布之外的芯片将被视为异常零件。实际结果表明，这些异常零件更容易产生可靠性故障，因此可以将其从供应链中剔除。参数化零件平均测试（P-PAT）的理念现在已经进一步发展并涵盖其他几种不同的辨识异常芯片的方法。

图1显示了该测试的基本理念。芯片A来自主要数值分布的中间，芯片B则远低于零件平均测试的下限。因此，芯片B多半会被剔除以免其造成可靠性风险。

图1.大部分零件（芯片）的数据都在狭窄的蓝色分布范围内。零件平均测试限度之外的任何零件尽管完全合乎规格也都将因其可靠性风险而报废。

在线缺陷零件平均测试（I-PAT）是将这个异常零件分析原则扩展用于在线缺陷数据。目前已经确定⁷，在给定芯片中可靠性缺陷的发生率与缺陷总数呈线性正比。如果芯片A的缺陷数目是芯片B的十倍，那么即使两个零件在最终测试中都完全正常运行，芯片A也有十倍的可能性会发生可靠性故障。这种简单的关系可以用数学公式1来表示，其中P (LRD)_i 是第i个芯片包含潜在可靠性缺陷（LRD）的概率，N_i是芯片I上的缺陷总数，m是比例常数（0 <m << 1）。

      Eq. 1

在最基本的I-PAT使用中，可以将一个或多个关键筛选层的缺陷数目汇总，以获得晶圆上每个芯片的累积缺陷数目，并对该数据采用异常零件确定方法。由此筛选出的异常芯片中包含可靠性缺陷的统计概率是最高的。有了这些信息，汽车制造厂可以有意识权衡并划分异常零件的离群距离与最终良率损失，并以此确定针对该元件可以接受的质量风险。

图2显示了晶圆上四个不同工艺层的芯片累计缺陷数目。

图2.晶圆上所有芯片的缺陷率可以用直方图（帕累托图）显示。大多数芯片只有0-1个缺陷，但是一小部分将会是高缺陷率的异常零件。 I-PAT方法允许工厂选定异常零件的限度，对于给定的器件或客户在合适的风险和良率损失之间做出权衡。

I-PAT是一种相对简单的方法，可以很容易地加进大多数晶圆厂的筛选方法中。一旦到位，可以通过将特定的在线缺陷类型与工厂的可靠性经验、探测数据、老化和最终测试数据以及客户退货等信息相关联并加以改进。这将指明那些与良率和可靠性最为相关的工艺层和缺陷及其界定属性。而这些属性（如工艺层、缺陷类型、大小和位置）可以让已知的可靠性风险缺陷的识别更加便捷。

一旦确定了缺陷属性和可靠性风险之间的相关性，就可以通过为每个缺陷类型分配权重并创建每个芯片的潜在缺陷概率指数（LDPI）以提升性能。使用LDPI时，采用了相同的I-PAT统计异常芯片的原则，但现在每个缺陷都根据其可靠性风险的相关性进行了加权。

使用加权I-PAT而不是总缺陷数有助于剔除与可靠性的相关性较弱的缺陷，并提高相关性强的缺陷信号。虽然仅仅凭借总缺陷数的异常芯片就可以显著提高芯片可靠性，但采用加权方法可以更加有效。它通过减少矫枉过正（剔除好芯片）和要求不严（没有标识坏芯片）来提供更有效的筛选。

I-PAT的在线异常芯片检测也可以与探测和测试数据相结合，在测试决策过程中加入缺陷信息决定边缘芯片的去留（图3）。该技术突出了通过探测和测试的风险芯片，并且还被更有效地用于指导区域零件平均测试，发现那些可能通过其他方式漏网的风险芯片（图4）。

图3. I-PAT异常芯片缺陷识别结合探测和最终测试资料可以完善合格/剔除的决策

图4. 区域零件平均测试（G-PAT）能够将那些未通过电气测试的坏芯片附近的芯片也筛选出来，尽管这些芯片本身可以通过电气测试 。缺陷引导G-PAT方法采用I-PAT来识别具有相同缺陷源的其他缺陷异常芯片，在使用先前的方法时这些芯片可能会漏网。在这个划痕的示例中，蓝色表示的高风险芯片可能会进入汽车供应链并造成可靠性故障。

通过制程控制降低整体缺陷率仍然是在汽车零缺陷环境中提升可靠性的主要方法。偏移监控和持续改进计划是制程控制的基础，需要时间和纪律 - 但对于降低制程设备缺陷率是至关重要的。新兴技术，例如I-PAT筛选，正在逐渐被推广使用。作为传统制程控制的补充方法，筛选是IC汽车制造厂向客户提供优质产品的最快捷和最便宜的方式。筛选技术提供了识别和阻止单个高风险芯片进入供应链所需的安全网，是实现自动驾驶所需的亚ppb质量目标的下一步。

关于作者:

David W. Price博士和Jay Rathert博士是KLA 公司的资深总监。 Douglas Sutherland博士是KLA公司的首席科学家。在过去的15年中，他们直接与50多家半导体IC制造商合作并协助制造商针对各种特定市场优化其整体制程控制策略，包括汽车可靠性战略、传统晶圆厂成本和风险优化，以及先进设计规则的上市时间。 Process Watch系列文章总结了他们在参与合作中所观察到的一些普适经验。

参考文献:

1.       Price, Sutherland and Rathert, “Process Watch: The (Automotive) Problem With Semiconductors,” Solid State Technology, January 2018.

2.       Price, Sutherland and Rathert, “Process Watch: Baseline Yield Predicts Baseline Reliability,” Solid State Technology, January 2018.

3.       Price, Sutherland, Rathert, McCormack and Seville, “Process Watch: Automotive Defect Sensitivity Requirements,” Solid State Technology, March 2018.

4.       Price, Rathert and Sutherland, “Process Watch: Monitoring for Excursions in Automotive Fabs,” Solid State Technology, November 2018.

5.       https://en.wikipedia.org/wiki/Eight_disciplines_problem_solving

6.       Automotive Electronics Council, “Guidelines for Part Average Testing,” AEC-Q001 Rev-D, December 9, 2001. http://www.aecouncil.com/Documents/AEC_Q001_Rev_D.pdf

7.       Price and Rathert, “Best Known Methods for Latent Reliability Defect Control in 90nm – 14nm Semiconductor Fabs,” Nineteenth Annual Automotive Electronics Reliability Workshop, Novi, Michigan, April 2017. http://www.aecouncil.com/AECWorkshop.html