Yield Explorer —— 集成逻辑与存储器诊断的良率学习
Yield Explorer —— 集成逻辑与存储器诊断的良率学习
会议: SNUG China 2018 (Shanghai), Advanced Modeling & Manufacturing 作者: Chan Chen, Synopsys 页数: 33
第 1 页 — 封面
行业验证的快速良率提升解决方案 —— SNUG China 2018 Yield Explorer —— 集成逻辑与存储器诊断的良率学习第 2 页 — 法律声明（Synopsys 保密信息）
第 3 页 — 议程
- 系统性缺陷为何重要 - 诊断 vs 产量诊断及其挑战 - 成功产量诊断的最佳实践 - 成功案例 - 结论系统性缺陷为何重要
随着工艺节点缩小到FinFET 鳍式场效应晶体管及以下，系统性缺陷 Systematic Defects已成为良率损失的主要来源。与传统随机缺陷不同，系统性缺陷与设计布局、工艺参数和制造条件密切相关。理解和管理系统性缺陷对于实现快速良率提升至关重要。
诊断 vs 产量诊断及挑战
传统诊断：单一芯片、少量失效、交互式分析。适用于初期硅调试，但无法满足量产阶段的良率学习需求。
产量诊断（Volume Diagnostics）： - 批量处理大量失效芯片 - 需要自动化流程 - 统计显著性至关重要 - 跨芯片、跨晶圆、跨批次的数据整合
关键挑战： 1. 数据量大 —— 成千上万的失效芯片需要高效处理 2. 数据整合 —— 逻辑诊断和存储器诊断数据需要统一分析 3. 根本原因识别 —— 从统计模式中识别系统性缺陷 4. 时效性 —— 快速反馈给设计和制造团队
成功产量诊断的最佳实践
1. 标准化诊断流程：从测试向量生成到诊断数据收集的端到端自动化 2. 数据整合平台：统一逻辑诊断（TetraMAX）和存储器诊断（STAR Memory System）数据 3. 统计分析方法：使用高级统计算法从噪声中分离信号 4. 物理信息关联：将诊断结果与物理布局和工艺数据关联 5. 快速反馈闭环：实现设计-测试-诊断-修复的快速迭代
Yield Explorer 作为统一平台，整合了来自TetraMAX的逻辑诊断数据和STAR Memory System的存储器诊断数据，提供全面的良率学习能力。
成功案例
多个行业客户已成功部署此方案，实现了：显著的良率提升速度加快、系统性缺陷的早期识别、设计改进驱动的良率优化、从 ramp-up 到成熟量产的持续良率监控。
结论
集成逻辑与存储器诊断的良率学习是实现现代半导体工艺快速良率提升的关键。Yield Explorer 提供了统一的平台来整合多种诊断数据源，使设计和制造团队能够快速识别和解决系统性良率问题。
图片索引
共 272 张图片（PPT 幻灯片），存放于 _images/ 目录。包含良率学习流程、诊断方法对比、挑战分析、最佳实践流程图、客户成功案例数据图表等内容。