晶圆测试机台及训练人工智能模型以测试晶圆的方法技术

本公开涉及晶圆测试机台及训练人工智能模型以测试晶圆的方法。本案揭露了晶圆测试机台及训练人工智能模型以测试晶圆的方法。晶圆包含复数个晶粒。该方法包含：从该些晶粒中决定一目标晶粒；根据该目标晶粒及一预设范围选择邻近该目标晶粒的复数个参考晶粒；产生一主要训练数据，该主要训练数据包含该目标晶粒的一量测值及该些参考晶粒的该量测值；产生一辅助训练数据，该辅助训练数据指示该些参考晶粒为一合格晶粒或一不合格晶粒；以及以该主要训练数据及该辅助训练数据训练该人工智能模型。练数据及该辅助训练数据训练该人工智能模型。练数据及该辅助训练数据训练该人工智能模型。

【技术实现步骤摘要】
晶圆测试机台及训练人工智能模型以测试晶圆的方法


[0001]本案是关于半导体制造，尤其是关于晶圆的测试。

技术介绍

[0002]稳态供电电流(Supply Current Quiescent,IDDQ)在互补式金属氧化物半导体(CMOS)电路测试中，是一种常见的用来侦测晶粒(die)是否故障(fault)的特征项。对于功能正确的晶粒，它们在不同笔测试型样间，电流的变异量(variation)会十分微小，也就是说，之于不同笔测试型样的IDDQ量测值，应该会趋近于单一晶粒电路的IDDQ平均值。传统上便是以单一的IDDQ阀值来决定晶粒是否故障。
[0003]然而，因为在互补式金属氧化物半导体电路中，晶体管的漏电流占了IDDQ主要的一部分，而制程变异(process variation)会导致漏电流变异，因此，受制程变异的影响，同一晶圆上的不同晶粒会有IDDQ值的变异。换言之，在传统IDDQ测试中使用单一的IDDQ阀值不符合实际的需求。

技术实现思路

[0004]鉴于先前技术的不足，本案的一目的在于提供一种晶圆测试机台及训练人工智能模型以测试晶圆的方法，以解决先前技术所遭遇的问题。
[0005]本案揭露一种晶圆测试机台，用来测试包含复数个晶粒的一晶圆。该晶圆测试机台包含一量测设备、一数据库、一储存电路，以及一计算电路。量测设备用来量测该些晶粒以得到每一晶粒的一量测值。数据库用来储存该些量测值。储存电路用来储存复数个程序指令或程序代码，以及储存用来测试该晶圆的一人工智能模型。计算电路耦接该储存电路及该数据库，用来执行该些程序指令或程序代码以执行以下步骤来训练该人工智能模型：从该些晶粒中决定一目标晶粒；根据该目标晶粒及一预设范围选择邻近该目标晶粒的复数个参考晶粒；产生一主要训练数据，该主要训练数据包含该目标晶粒的该量测值及该些参考晶粒的该量测值；产生一辅助训练数据，该辅助训练数据指示该些参考晶粒为一合格晶粒或一不合格晶粒；以及以该主要训练数据及该辅助训练数据训练该人工智能模型。
[0006]本案另揭露一种训练一人工智能模型以测试一晶圆的方法。该晶圆包含复数个晶粒。该方法包含：从该些晶粒中决定一目标晶粒；根据该目标晶粒及一预设范围选择邻近该目标晶粒的复数个参考晶粒；产生一主要训练数据，该主要训练数据包含该目标晶粒的一量测值及该些参考晶粒的该量测值；产生一辅助训练数据，该辅助训练数据指示该些参考晶粒为一合格晶粒或一不合格晶粒；以及以该主要训练数据及该辅助训练数据训练该人工智能模型。
[0007]本案的晶圆测试机台及训练人工智能模型以测试晶圆的方法将目标晶粒四周的晶粒纳入考虑，并且以人工智能模型来协助判断目标晶粒是否故障，所以相较于传统技术可以更准确且快速地找出故障的晶粒。
[0008]有关本案的特征、实作与功效，兹配合图式作实施例详细说明如下。
附图说明
[0009]图1为本案晶圆测试机台的一实施例的功能方块图；
[0010]图2为本案的人工智能模型及训练数据的一实施例的功能方块图；
[0011]图3为本案训练人工智能模型以测试晶圆的方法的一实施例的流程图；
[0012]图4显示一个包含复数个晶粒的晶圆；
[0013]图5为图2的人工智能模型内部架构的示意图；
[0014]图6为本案基于人工智能模型进行晶圆测试的流程图；以及
[0015]图7为本案训练人工智能模型以测试晶圆的方法的另一实施例的流程图。
具体实施方式
[0016]以下说明内容的技术用语系参照本
的习惯用语，如本说明书对部分用语有加以说明或定义，该部分用语的解释系以本说明书的说明或定义为准。
[0017]本案的揭露内容包含晶圆测试机台及训练人工智能模型以测试晶圆的方法。由于本案的晶圆测试机台所包含的部分元件单独而言可能为已知元件，因此在不影响该装置实施例的充分揭露及可实施性的前提下，以下说明对于已知元件的细节将予以节略。此外，本案的训练人工智能模型以测试晶圆的方法的部分或全部流程可以是软件及/或韧体的形式，并且可藉由本案的晶圆测试机台或其等效装置来执行，在不影响该方法实施例的充分揭露及可实施性的前提下，以下方法实施例的说明将着重于步骤内容而非硬件。
[0018]图1为本案晶圆测试机台的一实施例的功能方块图。晶圆测试机台100包含量测设备110、数据库120、计算电路130，以及储存电路140。一个晶圆包含复数个晶粒。在被晶圆测试机台100测试之前，晶圆上的每个晶粒已经经过其他的测试机台的测试，而被判定为合格(passed)晶粒或不合格(failed)晶粒。合格晶粒是可以正常运作的晶粒，而不合格晶粒是无法正常运作的晶粒。量测设备110量测合格晶粒的目标特性，以得到每一合格晶粒的一个量测值。在一些实施例中，目标特性可以是前述的稳态供电电流，而量测值则是稳态供电电流的电流值。在其他的实施例中，目标特性可以是环形振荡器频率(ring oscillator frequency)、测热计值(thermal meter value)，或是电压感测器值(voltage sensor value)，而对应的量测值分别是频率、温度，以及电压。类似于稳态供电电流，环形振荡器频率、测热计值，或是电压感测器值也可以作为判断晶粒是否故障的特征项。本
具有通常知识者知悉如何量测晶粒的稳态供电电流、环形振荡器频率、测热计值，以及电压感测器值，故不再赘述量测设备110的构造及操作细节。以下的说明以稳态供电电流为例，但本案不限于稳态供电电流。
[0019]数据库120储存量测设备110所量测或所输出的量测值，以及储存指示晶粒为合格或不合格的数据。储存电路140可以由挥发性记忆体及/或非挥发性记忆体实作，且储存电路140储存复数个程序指令或程序代码，以及储存用来测试晶圆的人工智能模型(AI model)。计算电路130可以是具有程序执行能力的电路或电子元件，例如中央处理器、微处理器、微处理单元或图形处理单元(Graphics Processing Unit,GPU)，其藉由执行该些程序指令或程序代码以训练该人工智能模型。一旦人工智能模型训练完成后，晶圆测试机台100即可利用该人工智能模型判断合格的晶粒是否故障。
[0020]图2为本案的人工智能模型及训练数据的一实施例的功能方块图。图3为本案训练
人工智能模型以测试晶圆的方法的一实施例的流程图。以下的说明请参考图1至图3。
[0021]首先，计算电路130从一个晶圆的复数个晶粒中决定一个目标晶粒，再根据该目标晶粒及一个预设范围选择邻近该目标晶粒的复数个参考晶粒(步骤S310)。请参阅图4，图4显示一个晶圆400包含复数个晶粒。晶粒410、晶粒420及晶粒430可以是前述的目标晶粒，而区域415、区域425及区域435可以是前述的预设范围。在图4的范例中，预设范围为7x7的矩形(最多包含49个晶粒)且目标晶粒位于预设范围的中心；然而，本案的预设范围不限于7x7的矩形，也可以是其他的大小及形状，例如5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种晶圆测试机台，用来测试包含复数个晶粒的一晶圆，该晶圆测试机台包含：一量测设备，用来量测该些晶粒，以得到每一晶粒的一量测值；一数据库，用来储存该些量测值；一储存电路，用来储存复数个程序指令或程序代码，以及储存用来测试该晶圆的一人工智能模型；以及一计算电路，耦接该储存电路及该数据库，用来执行该些程序指令或程序代码以执行以下步骤来训练该人工智能模型：从该些晶粒中决定一目标晶粒；根据该目标晶粒及一预设范围选择邻近该目标晶粒的复数个参考晶粒；产生一主要训练数据，该主要训练数据包含该目标晶粒的该量测值及该些参考晶粒的该量测值；产生一辅助训练数据，该辅助训练数据指示该些参考晶粒为一合格晶粒或一不合格晶粒；以及以该主要训练数据及该辅助训练数据训练该人工智能模型。2.根据权利要求1所述的晶圆测试机台，其中该人工智能模型包含一特征萃取算法及一机器学习算法模型。3.根据权利要求2所述的晶圆测试机台，其中该机器学习算法模型系选自由贝叶斯脊回归(Bayesian Ridge Regression)算法、高斯过程回归(Gaussian Process Regression)算法，及可调变分高斯过程(scalable variational Gaussian process)算法所构成的群组。4.根据权利要求1所述的晶圆测试机台，其中该人工智能模型系一深度学习算法模型，且该深度学习算法模型包含一卷积神经网络(Convolutional Neural Network)算法模型及一混...

【专利技术属性】
技术研发人员：陈尹平，陈柏霖，郭俊仪，陈莹晏，陈均腾，
申请(专利权)人：瑞昱半导体股份有限公司，
类型：发明
国别省市：