在良率提升阶段,使用的光罩,包含一种或者多种产品,或者包含各种特殊设计的测试结构,KA324ADTF通常称为良率学习载体(yield learning vehicle)。采用逻辑或者Mem。ry产品的光罩,通常采用full flow的流片,w盯er会经历所有的工艺步骤,典型的流片时问在1~2个月。这样做的优点是试验结果可以直接反映在产品的yield~L,缺点是learning cycle太长,而且问题的诊断和追溯原因比较困难。

   如果已经知道I艺改善的大概环节,可以采用short loop流片的方式。例如,已经了解问题出在M1相关的I艺步骤,仅在M1相关的△艺流片。这样Short loop的试验往往能在一两周甚至数天之内完成,learning cycle大大缩短。给出了I艺线上常见的sh°rt loop试验的流程。

   于半导体生产制造I艺复杂(数百上千道丁艺步骤),引起yield loss的原囚很多,需要做各种各样的分析,来追溯问题的源头。这些分析要求收集的数据种类繁多,数据量庞大,数据整合(data integration)能力常常是yiCld learning的瓶颈之一。表示部分生产制造中要求的数据及要求做的分析类型。数据往往来白不同的设备和系统,由于供应商的不同,格式不一致,数据格式的规范、转化和对准是一个庞大的系统I程。在缺乏有效系统支持的情况下,△程分析人员超过80%的时问都用于数据收集、对准、整合L面,真正有效分析的时间很少,很多分析甚至囚此无法实施。而进入纳米时代后,由于制程管控的需求,FDC(忆uh detection dassification)等新型分析的引人,tool、sensor级别的实时海量数据的收集、处理,不同系统、不同接口、不同数据类型的整合,对于YMS(yield management system)系统提出了极大的挑战。

   由于在先进制程,光罩费用昂贵,一套光罩成本可能高达数百万美元,所以每个shortprocess loop都使用单独一套光罩是不经济的,通常对yield learning vehiclc的要求是一套光罩,必须能兼容各I艺段shord∞p试验的设计t采用Mcmory(SRAM或者DRAM)产品作为yield lcarning vehicle的处,是较一般的逻辑产品而言,Mcmory的密度高.对于随机缺陷的捕获能力强,另外阵列化/地址化的布局,失效可实现晶体管级的定位・易于失效分析(EFA、PFA),快速找到失效机制。

    但是进人纳米时代后,Memory作为yiCld learning vehicle的缺点也日益凸现。首先是对于设计和I艺交互的(版图相关性的)systcmatic失效,难以捕捉;其次对于parametric失效,缺乏有效追溯手段;最后,必须完成所有△艺,流片时间太长。