系统故障定位系统和方法与流程

本发明的实施例涉及系统故障定位系统和方法。

背景技术：

在半导体器件制造中，可以例如通过物理故障分析(pfa)来测试半导体晶圆上的管芯，以确定可能存在于管芯中的某些缺陷的原因。缺陷可能与许多原因有关，包括例如管芯的设计中的缺陷以及用于制造管芯的制造工艺中的缺陷。

物理故障分析(pfa)通常需要用晶圆测试装置探测管芯。通过施加已知的电测试矢量并通过管芯中的电路跟踪测试矢量，可以识别故障区域。一旦识别出故障区域，就执行诸如手动网络跟踪的附加步骤以确定发生故障的层。接下来，通常基于工程师的判断选择pfa样品，并在实验室中分析物理样品以查明故障原因。这可能涉及各种时间密集的过程，诸如顶部研磨、切割、横截面、蚀刻、物理去层等，以便诊断故障的根本原因。而且，这些过程通常在半导体管芯的相对大的区域上执行，因为通常不能用传统技术精确定位故障区域。

技术实现要素：

本发明的实施例提供了一种系统故障定位的方法，包括：检测半导体晶圆的多个管芯的多个电气故障区域；基于存储在图形数据库系统(gds)数据库中的与检测到的电气故障区域相关联的图形数据库系统(gds)电子文件，生成与所述多个电气故障区域相关联的分解的图形数据库系统(gds)跨层剪辑；以及基于所述分解的图形数据库系统跨层剪辑识别多个跨层公共图案。

本发明的另一实施例提供了一种系统故障定位系统，包括：故障定位电路，所述故障定位电路在使用中接收指示半导体晶圆的多个管芯的多个电气故障区域的位置信息；图形数据库系统(gds)数据库，存储与所述多个管芯相关联的图形数据库系统剪辑；图形数据库系统(gds)分解电路，通信地耦合到所述故障定位电路和所述图形数据库系统数据库，所述图形数据库系统分解电路在使用中：从所述图形数据库系统数据库访问与每个电气故障区域相关联的图形数据库系统剪辑，每个所述图形数据库系统剪辑表示在相应的一个电气故障区域中的管芯的层；通过合并与每个相应电气故障区域相关联的所述图形数据库系统剪辑，为每个电气故障区域生成合并的图形数据库系统跨层剪辑；以及通过将所述合并的图形数据库系统剪辑分成多个分解的图形数据库系统跨层剪辑，生成与所述多个电气故障区域相关联的分解的图形数据库系统跨层剪辑。

本发明的又一实施例提供了一种系统故障定位的方法，包括：由晶圆测试装置将电测试矢量施加到半导体晶圆的多个管芯；响应于施加所述电测试矢量，通过故障定位电路检测多个电气故障区域；通过图形数据库系统(gds)分解电路检索与每个检测到的电气故障区域相关联的图形数据库系统剪辑，每个所述图形数据库系统剪辑表示在相应的一个电气故障区域中的管芯的层；通过合并与每个相应电气故障区域相关联的所述图形数据库系统剪辑，所述图形数据库系统分解电路为每个电气故障区域生成合并的图形数据库系统跨层剪辑；以及通过将所述合并的图形数据库系统剪辑分成多个分解的图形数据库系统跨层剪辑，通过所述图形数据库系统分解电路生成与所述多个电气故障区域相关联的分解的图形数据库系统跨层剪辑。

附图说明

当结合附图进行阅读时，从以下详细描述可最佳理解本发明的各个方面。应该强调，根据工业中的标准实践，各个部件未按比例绘制并且仅用于说明的目的。实际上，为了清楚的讨论，各个部件的尺寸可以任意地增大或减小。

图1是示出根据一些实施例的系统故障定位系统的框图。

图2是示出根据一些实施例的半导体晶圆和半导体晶圆的坏管芯中的故障网区域的示意图。

图3是示出根据一些实施例的图形数据库系统(gds)剪辑的分解以生成相应的gds跨层剪辑的图。

图4是示出根据一些实施例的跨层公共图案的图。

图5是示出根据一些实施例的多个跨层公共图案的归一化差分的图表。

图6是示出根据一些实施例的多个管芯的系统热点分布的图。

图7是示出根据一些实施例的系统故障定位方法的流程图。

图8是示出根据一些实施例的系统物理故障分析(pfa)方法的流程图。

具体实施方式

以下公开内容提供了许多用于实现本发明的不同特征不同的实施例或实例。下面描述了组件和布置的具体实施例或实例以简化本发明。当然这些仅是实例而不旨在限制。例如，在以下描述中，在第二部件上方或者上形成第一部件可以包括第一部件和第二部件直接接触形成的实施例，并且也可以包括在第一部件和第二部件之间可以形成额外的部件，从而使得第一部件和第二部件可以不直接接触的实施例。如本文使用的，在第二部件上形成第一部件是指形成与第二部件直接接触的第一部件。此外，本发明可以在各个示例中重复参考数字和/或字母。该重复是为了简单和清楚的目的，并且其本身不指示所讨论的各个实施例和/或配置之间的关系。

此外，为了便于描述，本文中可以使用诸如“在...下方”、“在...下面”、“下部”、“在...上面”、“上部”等的空间关系术语，以描述如图中所示的一个元件或部件与另一元件或部件的关系。除了图中所示的方位外，空间关系术语旨在包括器件在使用或操作工艺中的不同方位。装置可以以其它方式定位(旋转90度或在其它方位)，并且在本文中使用的空间关系描述符可以同样地作相应地解释。

本文提供的实施例包括系统故障定位和便于识别半导体管芯中的系统热点或故障的方法，半导体管芯可包括多个不同的层、单元、互连件等。在一些实施例中，在gds辅助系统和方法中利用跨层图案分解和跨芯片区域的跨层(xl)公共图案的归一化差分分析以高精度地识别系统热点，例如，可以在电气故障网区域的子区域内识别系统热点的特定位置。在一些实施例中，本发明有助于分析电气故障，通过该电气故障分析第一区域(例如，晶圆或单个管芯)的面积，并且可以确定系统热点在比分析区域小5000倍的区域大的子区域内(例如，在匹配xl公共图案的区域内)。例如，分析区域可具有多于4000个单元或大于100000μm²的累积面积，并且所识别的系统热点位置区域可具有约4个单元或小于约20μm²的尺寸。这例证了5000xpfa故障搜索区域减少，并且提供了优于传统技术的显著优势，在传统技术中仅可识别大的电气故障网区域，并且在整个电气故障网区域上执行物理过程以试图定位故障的精确位置。

本发明的实施例进一步促进了物理故障分析周期时间的显著改进，因为可以精确地定位系统故障或热点，从而减少或消除对大面积中的故障的复杂物理搜索。

在电子电路设计过程中，可以利用一个或多个电子设计自动化(eda)工具来设计、优化和验证半导体器件设计，诸如半导体器件(诸如半导体芯片)中的电路设计。例如，可以通过利用高级软件语言(例如，verilog等)来描述或以其他方式对电路建模的软件工具来执行电路的寄存器传送级(rtl)设计。然后，rtl设计可以进行到合成过程，其中rtl设计可以被转换为等效的硬件或电路级实现文件。然后，布置和布线工具可以使用合成结果来创建半导体器件(例如，半导体芯片)的物理布局。在布置期间，布置器工具可以基于合成电路设计产生布置布局。布置布局包括指示半导体器件的各种电路元件的物理位置的信息。例如，布置器工具可以生成多个单元，这些单元对应于或以其他方式实现半导体器件的各种电路元件。单元可以包括对应于半导体器件的各种部件(包括例如扩散层、多晶硅层、金属层和/或层之间的互连件)的几何形状。

在完成器件的布置之后，可以执行时钟树合成(cts)，其中开发时钟树以将时钟信号从公共点分配(例如，通过电网络)到接收时钟信号的所有电路元件。路由通常在cts之后执行。在布线期间，可以形成线或互连件以连接布置布局的各种电路元件。

在布线之后，对布置布局的设计执行各种检查和分析，包括例如设计规则检查(drc)、设计规则验证、时序分析、关键路径分析、静态和动态电压降分析等。然后执行流片过程并开发光学掩模以制造半导体器件或电路。在流片过程期间，电路的数据库文件(例如，集成电路(ic))被转换成图形数据库系统(gds)文件，该文件用于制作用于制造ic的各种掩模层。

可以将缺陷检测工艺实施为半导体制造工艺的一部分，以根据gds文件检测晶圆上的缺陷。

在各个实施例中，本发明提供了用于在物理故障分析(pfa)期间自动识别或检测半导体晶圆上的缺陷的系统、装置和方法。这些缺陷可能包括热点，热点可能由各种缺陷引起，诸如空间和/或线宽裕度不足等。

图1是示出根据本发明的实施例的系统故障定位系统10的框图。系统故障定位系统10包括故障定位电路12和图形数据库系统(gds)数据库14。故障定位电路12可以包括计算机处理器或者由计算机处理器执行，该计算机处理器配置为执行本文描述的各种功能和操作。例如，故障定位电路12可以由计算机处理器执行，该计算机处理器由存储的计算机程序选择性地激活或重新配置，或者可以是用于执行本文描述的特征和操作的专门构造的计算平台。

在一些实施例中，故障定位电路12包括存储器，存储器存储用于执行本文描述的一个或多个特征或操作的指令，并且故障定位电路12可用于执行存储在例如存储器中的指令以执行这里描述的故障定位电路12的功能。存储器可以是或包括任何计算机可读存储介质，包括例如只读存储器(rom)、随机存取存储器(ram)、闪存、硬盘驱动器、光存储设备、磁存储设备、电可擦除可编程只读存储器(eeprom)、有机存储介质等。

系统故障定位系统10还可以包括物理晶圆测试装置16，其在这里可以称为晶圆测试器16。晶圆测试器16可以是任何可以用于物理故障分析的传统晶圆测试装置。例如，晶圆测试器16可以是或包括晶圆探测器，晶圆探测器可以将一个或多个电测试图案施加于半导体晶圆上的多个管芯中的每个。晶圆测试器16可基于在施加一个或多个测试图案期间对管芯的分析来确定晶圆上的每个管芯是良好管芯还是坏管芯。在本发明的一些实施例中，晶圆测试器16可以确定缺陷所在的每个坏管芯上的区域。然而，如下面将进一步详细描述的，在一个或多个实施例中，执行由与管芯相关的gds文件引导的进一步分析(例如，通过故障定位电路12)以高精度地确定坏管芯中的缺陷的特定位置。

图2示出了根据本发明的实施例的半导体晶圆100，半导体晶圆100可以例如通过图1中所示的系统故障定位系统10进行检查。

半导体晶圆100包括多个半导体管芯110。可以在每个管芯110上形成相同的功能电路或集成电路(ic)，因此管芯110可以彼此基本相同。然而，由于各种因素，例如与管芯110的设计中的误差相关的设计因素，以及制造或工艺因素，一些管芯110可能具有导致管芯110的物理故障的物理缺陷，诸如热点。

可以检查半导体晶圆100以检测管芯110上的缺陷，例如，通过晶圆测试器16。如果在特定管芯中没有检测到缺陷，例如，作为通过晶圆测试器16施加到管芯的电测试的结果，然后可以确定管芯是良好的管芯。另一方面，如果在管芯110中检测到一个或多个缺陷，则可以确定管芯110是坏管芯111。在图2中以放大图示出半导体晶圆100上的坏管芯111的示例。晶圆测试器16可以检测管芯110中的缺陷，例如，通过诊断晶圆100中的电气故障网，可以包括将电测试矢量施加到晶圆100以诊断或检测晶圆100上的坏管芯111。

在一些实施例中，晶圆测试器16可以确定坏管芯111内的区或区域，在该区或区域中确定存在缺陷。例如，晶圆测试器16可以确定指示特定坏管芯111上的热点的区或区域的坐标。坐标可以指示一个或多个故障网区域的位置(例如，晶圆上诊断出存在电气故障的区域)。与检测到的缺陷或热点有关的信息可以例如由晶圆测试器16提供给故障定位电路12。例如，这样的信息可以包括确定的热点的位置或者故障网区域的位置(这里也可称为电气故障网或电气失效网)。如图2所示，每个坏管芯111可以包括一个或多个故障网区域120，故障网区域120是坏管芯111的被诊断为存在热点的区或区域。

再次参考图1，gds数据库14可以存储与形成在半导体晶圆100上的多个管芯110相关联的信息。更具体地，gds数据库14可以存储ic的数据库或gds文件，数据库或gds文件用于制造管芯110。因此，与存储在gds数据库14中的管芯110相关联的信息可以包括指示各种电路元件(可以由单元表示)以及单元之间的电互连件和该半导体器件的任何其他部件的物理位置的信息。

在一些实施例中，故障定位电路12可以基于从晶圆测试器16接收的信息检索存储在gds数据库14中的信息，诸如来自晶圆测试器16的信息，该信息指示坏管芯111中的检测到的故障网区域120的位置。

在一些实施例中，故障定位电路12可以将坏管芯111中的检测到的故障网区域120的位置投影到图形数据库系统(gds)上，以生成电气故障区域或故障网区域120中的互连单元的gds剪辑。例如，故障定位电路12可以从gds数据库14检索与在坏管芯111中检测的检测到的故障网区域120相关联的gds文件或剪辑，并且gds文件或剪辑可以包括故障网区域120中的单元(例如，表示管芯110中的一个或多个电路器件)的布局信息，以及与检测到的故障网区域120相关的任何其他信息，包括例如扩散层、多晶硅层、金属层和/或层之间的互连件。因此，从gds数据库14检索的gds文件或剪辑可以包括用于同一故障网区域120的多个不同的、单独的gds文件或剪辑，每个这样的单独的gds文件或剪辑表示管芯的多个不同层中的特定层(例如，扩散层、多晶硅层、金属层、互连层等)，并且在一些实施例中，每个单独的gds文件或剪辑可以表示用于形成多个不同的层、单元、互连件等的特定掩模层。例如，由于管芯110由多个不同的层、单元、互连件等形成，每个掩模层可以表示为用于制造管芯110的单独的gds文件或剪辑。对于任何特定区域(包括例如坏管芯111的故障网区域120)，在管芯110上可以存在多个不同的层，包括具有不同单元、互连件等的层。因此，故障定位电路12可以针对每个故障网区域120从gds数据库14检索多个gds文件或剪辑，其中多个检索到的gds文件或剪辑中的每个表示故障网区域120中的坏管芯111的特定掩模层。

在一些实施例中，系统故障定位系统10可以分解检索到的gds文件或剪辑以生成gds跨层(xl)剪辑。例如，这可以通过gds分解工具18来实现，gds分解工具18可以直接从gds数据库14或从故障定位电路12接收与故障网区域120相关联的gds文件或剪辑。gds分解工具18可以至少部分地实现为可由一个或多个计算设备、处理器等访问和执行的软件工具。gds数据库14可以存储在例如任何计算机可读存储介质中。

图3是示出与坏管芯111的故障网区域120相关联的检索的gds剪辑220的分解以生成表示故障网区域120的相应gdsxl剪辑225的图。

在一些实施例中，gds分解工具18可以通过合并多个检索到的gds文件或剪辑来生成合并的gds剪辑，每个文件或剪辑代表故障网区域120中的坏管芯111的特定层。如关于图3将进一步详细讨论的，合并的gds剪辑可以由gds分解工具18分解成多个gdsxl剪辑，其中每个gdsxl剪辑小于一组合并的gds剪辑，并且可以是该组合并的gds剪辑的子集，该组合并的gds剪辑表示故障网区域120的各个层。例如，合并的gds剪辑可以表示特定故障网区域120中的管芯的所有层，而每个gdsxl剪辑可以表示故障网区域120的子区域中的管芯的所有层。

如图3所示，可以从gds数据库14检索与坏管芯111的特定故障网区域120相关联的gds剪辑220。在一些实施例中，图3中所示的gds剪辑220可以是合并的gds剪辑，其中故障网区域120中的坏管芯111的多个层合并在一起以形成合并的gds剪辑220。在一些实施例中，gds剪辑220可以由故障定位电路12检索，例如，基于从晶圆测试器16接收的信息，该信息指示故障网区域120在坏管芯111上的位置。然后，gds剪辑220可以从故障定位电路12传输到gds分解工具18以用于相应的gdsxl剪辑225的分解和生成。在其他实施例中，gds分解工具18可以直接从gds数据库14检索gds文件220。

gds分解工具18可以分解合并的gds剪辑220以从故障网区域120中的互连单元形成gds跨层(xl)剪辑225。在一些实施例中，如图3所示，与坏管芯111的每个故障网区域120相关联的gds剪辑220可以例如通过gds分解工具18分割成具有多个网格区域221的网格。gds剪辑220的每个网格区域221可以由gds分解工具18单独分析，并且可以为每个分析的网格区域221生成单独的gdsxl剪辑225。例如，gds分解工具18可以通过将每个合并的gds剪辑220分成多个gdsxl剪辑225来分解合并的gds剪辑220。每个gdsxl剪辑225可以存储在例如gdsxl剪辑数据库26中。gdsxl剪辑数据库26可以存储在例如任何计算机可读存储介质中。

在一些实施例中，系统故障定位系统10可以包括机器学习电路22，机器学习电路22可以实现图案识别方法或内核方法以基于来自故障网区域120中的互连单元的gds跨层(xl)剪辑225获得或识别跨层(xl)公共图案。

在机器学习中，内核方法是用于图案分析的一类算法，其可用于识别数据中的图案和规则，并且可用于在数据集中找到关系(例如，聚类、相关、分类等)。系统故障定位系统10的gds分解工具18和/或机器学习电路22可以通过采用一种或多种人工智能或机器学习技术，基于分解的gdsxl剪辑225获得或识别xl公共图案，人工智能或机器学习技术至少部分地由机器学习电路22实现，并且在一些实施例中，可以通过应用图案识别或内核方法来实现。图案识别或内核方法可以由gds分解工具18和/或机器学习电路22自动执行，例如，响应于从gdsxl数据库26接收分解的gdsxl剪辑225。

“人工智能”在本文中用于广泛地描述可以学习知识(例如，基于训练数据)并且使用这些学习的知识来调整其解决一个或多个问题的方法(例如通过制作基于接收输入(诸如布置布局)的推断)的任何计算智能系统和方法。机器学习通常是指人工智能的子领域或类别，并且在本文中用于广泛地描述在一个或多个计算机系统或电路(诸如处理电路)中实现以及基于样本数据(或训练数据)构建一个或多个模型以进行预测或决策的任何算法、数学模型、统计模型等。

gds分解工具18和/或机器学习电路22可以采用例如神经网络、深度学习、卷积神经网络、贝叶斯程序学习、支持矢量机、马尔可夫逻辑网络、图案识别技术或任何逻辑或统计机器学习方法或算法以基于分解的gdsxl剪辑225识别xl公共图案。此外，gds分解工具18和/或机器学习电路22可以实现以下计算算法和/或技术中的任何一个或组合：分类、回归、监督学习、无监督学习、特征学习、聚类、决策树等。gds分解工具18和/或机器学习电路22可以采用一种或多种计算智能和/或机器学习技术来实现或执行本文关于gds分解工具18和/或机器学习电路22描述的任何功能，例如，包括基于分解的gdsxl剪辑225获得或识别xl公共图案。

在各个实施例中，gds分解工具18和/或机器学习电路22可以利用逻辑或统计机器学习方法或算法来开发、训练和/或更新gdsxl剪辑图案识别或图案匹配模型，gdsxl剪辑图案识别或图案匹配模型可以用于基于分解的gdsxl剪辑之间的相似性来确定“匹配”。作为示例，gds分解工具18和/或机器学习电路22可以利用贝叶斯网络来开发模型，该模型可以用于基于分解的gdsxl剪辑之间的相似性来确定匹配。贝叶斯网络是概率图形模型，它通过有向无环图表示一组变量及其条件依赖性。例如，贝叶斯网络可以表示管芯的区域中的互连单元之间的概率关系和缺陷的存在。给定输入数据(例如，以分解的gdsxl剪辑225的形式)，网络可用于确定或预测输入数据中存在缺陷的可能性，并且还可用于基于分解的gdsxl剪辑225之间的相似性来获得或识别xl公共图案。

在一些实施例中，可以分析分解的gdsxl剪辑225以通过系统xl图案工具24获得或生成xl公共图案，这将在下文中进一步详细讨论的。

机器学习电路22可以在具有对指令的访问的一个或多个处理器中实现，指令可以存储在任何计算机可读存储介质中，指令可以由机器学习电路22执行以执行本文描述的任何操作或功能。

在一些实施例中，系统故障定位系统10可以基于所识别的故障网区域120识别系统电气故障的发生，在故障网区域120中被诊断为存在一个或多个热点。在一些实施例中，可以在生成gdsxl剪辑225之前确定或识别系统电气故障。例如，在获得指示所识别的热点的位置的坏管芯111的缺陷信号之后，可以通过根据所识别的位置(例如，表示热点位置或区域的坏管芯111的坐标)堆叠晶圆100中的坏管芯111的热点或热点区域来获得热点分布。以这种方式，可以累积热点的位置，使得可以识别出系统地发生热点的坏管芯111的特定区域(例如，电气故障网区域120)。也就是说，系统热点可以指在多于一个坏管芯111的相应或相同区域中出现的热点。可以通过堆叠坏管芯111的热点或热点区域(包括例如通过堆叠电气故障区域120)以生成热点分布或电气故障网区域120，以及基于该分布确定系统热点的存在来识别这些系统热点。例如，如果在多个坏管芯111的相同或相应区域中识别出一个或多个热点，则可以确定系统热点存在于管芯110的区域中。

以这种方式，被识别为包括系统热点的故障网区域120可以由gds分解工具18分析。例如，gds分解工具18可以接收仅与被识别为包括系统热点的故障网区域120相关联的gds剪辑220，并且可以合并指示系统热点的这种gds剪辑220，然后将gds剪辑220分解以形成分解的gdsxl剪辑225。

在一些实施例中，可以在电气故障或故障网区域120中的互连单元的分解的gdsxl剪辑225中识别电气故障(或热点)的位置分布，例如，通过gds分解工具18和/或机器学习电路22。可以使用以下等式获得电气故障或热点的位置分布：

对于半导体晶圆100的每个管芯110，分布可以表示为函数dc(d，x，y，跨层)，其中d表示晶圆100的特定管芯110，热点位于其中，x和y表示管芯110中的热点的坐标，并且跨层表示检测到热点的特定跨层(例如，扩散层、多晶硅层、金属层、互连层等)。分解的gdsxl剪辑225的热点的分布可以由每个诊断的坏模(n坏管芯)的每个层的热点位置(例如，热点的位置)的总和来表示。

在一些实施例中，可以分析分解的gdsxl剪辑225以获得或生成跨层(xl)公共图案。在一些实施例中，这可以由系统xl图案工具24执行，系统xl图案工具24可以包括在图1中所示的系统故障定位系统10中。系统xl图案工具24可以从gds分解工具18和/或机器学习电路22接收gdsxl剪辑225。系统xl图案工具24可以至少部分地实现为可由一个或多个计算设备、处理器等访问和执行的软件工具。

在一些实施例中，基于故障网区域120中的互连单元的分解的gdsxl剪辑225获得或生成跨层(xl)公共图案。例如，xl公共图案可以是gdsxl剪辑225或gdsxl剪辑225的部分，确定为对于管芯110是共用的，并且更具体地，确定为在坏管芯111的故障网区域120中是共用的。因此，xl公共图案可以表示与系统热点或通常表现出热点或其他故障的坏管芯111的位置、区域或图案相关联的xl图案。

图4是示出xl公共图案325的图。图4中示出的xl公共图案325可以与图3中示出的gdsxl剪辑225基本相同。例如，如果通过例如系统xl图案工具24确定gdsxl剪辑225具有与一个或多个其他gdsxl剪辑的特征匹配的特征(例如，可以存储在gdsxl剪辑数据库26中)，然后可以选择它作为管芯110的xl公共图案325。

可以通过图案匹配方法来识别xl公共图案，如先前在此描述的，并且可以通过xl公共图案类型对xl公共图案进行分类和分组。图案匹配方法可以由系统xl图案工具24和/或机器学习电路22实现。图案匹配通常是指检查数据是否存在某些图案的组成部分的行为。因此，系统xl图案工具24和/或机器学习电路22可以分析gdsxl剪辑数据库26中的每个gdsxl剪辑以识别xl公共图案。

例如，在一些实施例中，系统xl图案工具24和/或机器学习电路22可以将gdsxl剪辑数据库26中的每个gdsxl剪辑225与gdsxl剪辑数据库26中的所有其他gdsxl剪辑225进行比较以识别xl公共图案。在一些实施例中，系统xl图案工具24和/或机器学习电路22可以实现机器学习图案识别方法，以自动识别gdsxl剪辑225中的图案，并且因此基于识别的图案识别xl公共图案。例如，在识别出相同的图案发生在多个不同的gdsxl剪辑225中的情况下，那么该图案可以被识别为xl公共图案。在一些实施例中，可以基于训练的gdsxl剪辑图案识别或图案匹配模型来识别xl公共图案，如本文先前所讨论的。

识别的xl公共图案325可以存储在xl公共图案数据库28中，xl公共图案数据库28可以存储在例如任何计算机可读介质中。

在一些实施例中，对全芯片归一化xl图案类型执行归一化差分分析。可以使用以下等式确定每个xl公共图案类型的归一化差分：

其中：

cp：＝通过图案匹配分组的公共图案，和

n：＝cp类型的总数。

可以将与电气故障区域(例如，故障网区域120)相关联的每个xl公共图案和与电气故障区域相关联的所有其他xl公共图案进行比较，并且可以计算比率。例如，这可以通过系统xl图案工具和/或机器学习电路22来执行。例如，一旦xl公共图案325被识别并存储在xl公共图案数据库28中，系统xl图案工具24和/或机器学习电路22就可以一次一个地访问xl公共图案325，并且可以将xl公共图案325中的每个与管芯110的所有其他xl公共图案325进行比较。

类似地，可以将每个xl公共图案与整个芯片上的所有其他xl公共图案(例如，位于坏管芯111上任何位置的所有公共图案)进行比较，并且可以计算比率。xl公共图案相对于电气故障区域的比率与xl公共图案相对于全芯片区域的比率之间的差异可以被计算为特定(例如，第i个)xl公共图案类型的归一化差分。

图5是示出多个xl公共图案的归一化差分的图表500，其可以例如由系统xl图案工具24和/或机器学习电路22生成和利用。

图表500示出了多个xl公共图案(x轴)的归一化比率(y轴)。更具体地，对于沿着图表500的x轴定位的每个xl公共图案，示出了两个归一化比率：第一归一化比率501，指示每个xl公共图案与电气故障区域中的所有其他xl公共图案的比较；和第二归一化比率502，指示xl公共图案与整个芯片区域(例如，跨越整个坏管芯111)上的所有其他xl公共图案的比较。

因此，图表500中所示的每个第一归一化比率501表示故障网区域120的特定xl公共图案(即，第i个xl公共图案)与故障网区域120的所有其他xl公共图案的比率。因此，第一归一化比率501表示归一化微分方程中的第一项，如下：

类似地，图表500中所示的每个第二归一化比率502表示特定xl公共图案(即，第i个xl公共图案)相对于全芯片区域的所有其他xl公共图案的比率。第二归一化比率502表示归一化微分方程中的第二项，如下：

图表500中还示出了针对每个xl公共图案的第一归一化比率501和第二归一化比率502之间的归一化差分503。因此，归一化差分503表示第一归一化比率501和第二归一化比率502之间的差值，或者来自上面的等式的δi。

用于特定xl公共图案的相对高的归一化差分503指示xl公共图案表示系统故障或系统热点。这在图5的图表500中标记为“高差异”的区域中示出。例如，如果特定xl公共图案的第一归一化比率501高，则这表明xl公共图案与故障网区域120的其他xl公共图案具有高度相关性。也就是说，xl公共图案与故障网区域120高度相关。同时，如果第二归一化比率502低，则这表示特定的xl公共图案与整个芯片的其他区域没有高度相关性。因此，当归一化差分503对于特定xl公共图案而言为高时，xl公共图案很可能与系统故障或热点相关联，因为它与故障网区域高度相关并且与全芯片的其他(例如，正常)区域非常弱相关。

类似地，针对特定xl公共图案的相对低的归一化差分503指示xl公共图案可能不表示系统故障或系统热点。这在图5的图表500中标记为“低差异”的区域中示出。例如，如果特定xl公共图案的第一归一化比率501低，则这表明xl公共图案与故障网区域120的其他xl公共图案具有低相关度。也就是说，xl公共图案与故障网区域120相对弱相关。同时，如果第二归一化比率502高(或更具体地，如果第二归一化比率502接近第一归一化比率501)，这表明特定xl公共图案与全芯片的其他区域相对高度相关(或者它与管芯的其他非故障区域相关的xl公共图案几乎密切相关，就如与故障网区域120相关的xl公共图案相关一样。因此，当归一化差分503对于特定xl公共图案而言较低时，xl公共图案与系统故障或热点相关联的可能性较低，因为与全芯片的其他(例如，正常)区域相比，该xl公共图案与故障网区域相对较弱相关。

在一些实施例中，可以将归一化差分503与阈值进行比较，例如，通过系统xl图案工具24。阈值可以是归一化差分503的任何值，该值可以根据设计考虑来选择。例如，可以基于用于确定系统热点的期望灵敏度来选择阈值。系统xl图案工具24可以将每个xl公共图案的归一化差分503与阈值进行比较，并且如果归一化差分503超过阈值，则可以确定xl公共图案指示存在系统故障或热点。因此，如果阈值被设置为相对高的值，则仅具有相对高的归一化差分503的那些xl公共图案将被确定为表示系统故障或热点。这将导致仅与故障网区域120强烈相关并且与全芯片区域弱相关的xl公共图案被识别为表示系统故障或热点。因此，阈值设置系统xl图案工具24确定xl公共图案表示系统故障或热点的灵敏度。

当特定的xl公共图案被识别为表示系统故障或热点位置时，xl公共图案可以被分类为系统故障或热点xl公共图案并且例如存储在xl公共图案数据库28中。此外，故障定位电路12可以扫描整个芯片(例如，整个管芯110)以寻找与特定xl公共图案精确匹配的其他区域或子区域，该其他区域或子区域可以指示全芯片的其他区域或子区域中的系统故障或热点。在一些实施例中，可以扫描全芯片的区域或子区域以进行紧密匹配，以识别全芯片中的热点的位置。例如，故障定位电路12和/或机器学习电路22可以通过实施模糊匹配算法等来扫描全芯片的区域或子区域以进行紧密匹配。模糊匹配算法可以是任何已知的算法，该算法在找到数据(诸如指示芯片的区域或子区域中的图案的数据)之间的对应关系时识别可能小于100％完美的匹配。可以例如通过故障定位电路12执行对具有与特定xl公共图案精确(或接近)匹配的区域或子区域的整个芯片的扫描，故障定位电路12可以从xl公共图案数据库28访问表示系统故障或热点的特定xl公共图案，并且还可以访问存储在gds数据库14中的gds文件，以将xl公共图案与管芯110的所有其他区域进行比较。

因此，故障定位电路12可以为每个管芯110生成系统故障或热点分布，例如，通过扫描管芯110以寻找与指示系统故障或热点的xl公共图案匹配的区域。当找到匹配时，则管芯110的该区域在分布中被指示为包含系统故障或热点，使得该分布指示每个管芯110中的系统故障或热点的位置。

在一些实施例中，故障定位电路12可以获得晶圆100的所有管芯110(或所有坏管芯111之间)的系统故障或热点分布。在一些实施例中，可以为多个不同半导体晶圆100的管芯110生成系统故障或热点分布。例如，可以分析多个不同晶圆的管芯110以找到与指示系统故障或热点的一个或多个xl公共图案匹配的区域，并且因此，可以产生多个晶圆100的所有管芯110的系统故障或热点分布。

图6是示出用于多个管芯110的系统热点分布600的图。系统热点分布600可以通过堆叠多个管芯110并识别出现系统热点的所有堆叠管芯110中的位置来生成。在一些实施例中，系统热点分布600通过堆叠多个晶圆100的管芯110而生成。

系统热点分布600可以是三维分布，三维分布具有指示系统热点的定位或位置的x轴和y轴坐标，以及指示多个管芯110中的每个位置处的系统热点的出现频率或数量的z轴坐标。因此，表现出大量系统热点的管芯110的位置(例如，x轴和y轴位置坐标)具有在热点分布600的z轴上的值，这指示那些位置的大量系统热点。

在一些实施例中，系统热点分布600可用于识别管芯110的设计或制造工艺中的缺陷。例如，在一些实施例中，例如，通过执行坏管芯111的物理去层等来以查明系统热点的原因，可以进一步研究系统热点分布600中可指示的系统热点的位置。在其他实施例中，系统热点的位置可以用于修改管芯110的设计布局，使得半导体晶圆100上的下一批管芯可以被设计为避免被识别的系统热点。在一些实施例中，指示系统热点的xl公共图案可以用作对设计工艺的反馈，使得未来的设计可以避免存在这样的系统热点。

图7是示出系统故障定位方法700的流程图。在702处，该方法包括检测半导体晶圆100的多个管芯110的多个电气故障区域120。在一些实施例中，响应于可以由晶圆测试装置16施加的电测试矢量，检测电气故障区域120。

在704处，该方法包括生成与多个电气故障区域120相关联的分解的图形数据库系统(gds)跨层剪辑225。在一些实施例中，通过从gds数据库14访问与电气故障区域120相关联的gds剪辑来生成gds跨层剪辑225，并且每个gds剪辑可以表示电气故障区域120中的管芯110的特定层。在一些实施例中，通过合并与电气故障区域120相关联的gds剪辑来为电气故障区域120生成合并的gds剪辑。在一些实施例中，生成分解的gds跨层剪辑225包括将合并的gds剪辑分成多个单独的分解的gds跨层剪辑225。

在706处，该方法包括基于分解的gds跨层剪辑225识别多个跨层公共图案325。在一些实施例中，识别跨层公共图案325包括识别分解的gds跨层剪辑225中的匹配图案。在一些实施例中，可以将每个跨层公共图案325与所有跨层公共图案进行比较，并且可以基于该比较来计算第一归一化比率。第一归一化比率可以指示每个跨层公共图案之间相对于所有其他跨层公共图案之间的相似性。在一些实施例中，可以在每个管芯的全芯片区域上进一步比较每个跨层公共图案，并且可以基于该比较来计算第二归一化比率。在一些实施例中，通过从第一归一化比率减去第二归一化比率来确定每个跨层公共图案的归一化差分。该方法还可以包括基于所确定的归一化差分来识别每个管芯中的热点的位置。

图8是示出系统物理故障分析(pfa)方法800的流程图。在802处，该方法包括诊断晶圆100中的电气故障网。例如，802处的诊断电气故障网可以包括将电气测试矢量施加于晶圆100以诊断或检测晶圆100上的坏管芯111。例如，如上面参考图1和图2所示和所述，晶圆测试器16可用于将电测试矢量施加到晶圆100，并且可以基于所施加的电测试矢量来诊断晶圆100中的电气故障网(例如，可能存在于诊断的坏管芯111中)。

在804处，该方法包括识别晶圆100中的系统电气故障。例如，识别系统电气故障可以包括确定坏管芯111内的确定为存在缺陷(例如，诊断的电气故障网或故障网区域120)区或区域。例如，晶圆测试器16可以确定坏管111内的确定为存在缺陷的区或区域，并且可以通过指示一个或多个电气故障网的位置或故障网区域(例如，晶圆上的诊断为存在电气故障的区域)的坐标来确定该区或区域。

在806处，该方法包括识别与系统电气故障相关联的系统连接的单元网。例如，可以通过检索存储在gds数据库14中的与识别的系统电气故障或故障网区域120相关联的gds文件或剪辑来识别系统连接的单元网。检索的gds文件或剪辑可以包括故障网区域120中的单元的布局信息以及与检测到的故障网区域120(包括例如扩散层、多晶硅层、金属层和/或层之间的互连件)相关联的任何其他信息。从gds数据库14检索的gds文件或剪辑可以包括用于同一故障网区域120的多个不同的、单独的gds文件或剪辑，其中每个单独的gds文件或剪辑表示特定的层、掩模层或掩模颜色层，它们用于形成多个不同的层、单元、互连件等。对于任何特定的故障网区域120，多个不同的层可以存在于管芯110上，包括具有不同单元、互连件等的层。因此，用于特定故障网区域120的多个检索到的gds文件或剪辑中的每个可以表示故障网区域120中的坏管芯111的特定层、掩模层或掩模颜色层。

在808处，该方法包括识别与诊断的电气故障网或检测到的故障网区域120相关联的系统层、掩模跨层或掩模颜色跨层。识别系统层或掩模跨层可包括生成gds跨层(xl)剪辑225，例如，如图3中所示并且参考图3所描述的。可以通过划分与故障网区域120相关联的合并的gds剪辑以形成如前所述的多个gds跨层(xl)剪辑225来生成gdsxl剪辑225。

在810处，该方法包括识别系统连接的跨层(xl)图案。识别系统连接的xl图案可以包括基于如前所述的分解的gdsxl剪辑225生成系统连接的xl图案(这里可以称为xl公共图案)。例如，xl公共图案可以是例如通过图案匹配被确定为在坏管芯111的故障网区域120中共用的gdsxl剪辑225或gdsxl剪辑225的部分。因此，xl公共图案可以表示xl图案，该xl图案与通常表现出热点或其他故障的坏管芯111的系统热点或位置、区域或图案相关联。在一些实施例中，在810处识别系统连接的xl图案可以包括针对每个xl公共图案执行归一化差分分析并且针对每个xl公共图案确定xl公共图案相对于电气故障区域的比率与xl公共图案相对于全芯片区域的比率之间的差异(例如，归一化差分503)。识别系统连接的xl图案还可以包括将所识别的系统连接的xl图案的归一化差分503与一个或多个阈值进行比较，以识别代表坏管芯111中的系统热点的xl公共图案。当特定xl公共图案被识别为表示系统故障或热点位置时，xl公共图案可以被分类为系统故障或热点xl公共图案，并且例如存储在xl公共图案数据库28中。

在812处，该方法包括识别晶圆100的坏管芯111中的系统热点。在812处识别系统热点可以包括扫描整个全芯片(例如，整个管芯110)以识别芯片的与一个或多个xl公共图案或系统故障或热点xl公共图案匹配的区域或子区域。因此，芯片的这种匹配区域或子区域可以被识别为包括系统故障或热点。

在814处，该方法包括系统故障定位，这可以包括识别系统故障或热点的位置。系统故障定位还可以包括为每个管芯110生成系统故障或热点分布，并且还可以包括执行管芯堆叠以获得晶圆100的所有坏管芯111中的系统故障或热点分布600。系统热点分布600可以是三维分布，并且展示出大量系统热点的管芯110的位置(例如，x轴和y轴位置坐标)具有热点分布600的z轴上的值，这表明那些位置的系统热点数量很多。在一些实施例中，系统热点分布600可用于确定物理去层的优先级以及进一步检查所识别的热点位置的物理位置。例如，具有大量系统热点的坏管芯111的位置可以被分配更高的物理去层优先级，使得在具有较少数量的系统热点的其他位置之前，将通过物理去层处理检查那些位置。在一些实施例中，系统热点的位置和/或系统热点分布600可以作为对设计工艺的直接反馈来提供，使得可以调整管芯100的电子设计(包括例如gds文件)以避免存在这样的系统热点。这可以被称为虚拟物理故障分析(pfa)，因为可以在没有物理样本去层处理的情况下执行故障分析，并且可以基于如本文所述获得的计算系统pfa故障定位来调整电子设计。

本发明的实施例提供若干优点。例如，在一些实施例中，系统热点或故障可以被识别为存在于特定的半导体器件图案中，半导体器件图案可以包括多个不同的层、单元、互连件等。通过利用全芯片区域的xl公共图案的跨层图案分解和归一化差分分析，可以高精度地识别系统热点，例如，可以在电气故障网区域的子区域内识别系统热点的具体位置。在一些实施例中，本发明有助于分析电气故障，通过该电气故障分析，分析第一区域(例如，晶圆或单个管芯)的区域并且可以确定系统热点在子区域内(例如，在匹配xl公共图案的子区域内)，该子区域比分析区域小5000倍的区域大。例如，分析区域可具有多于4000个单元或大于100000μm²的累积面积，并且所识别的系统热点位置区域可具有约4个单元或小于约20μm²的尺寸。这提供了优于传统技术的显著优点，在传统技术中，仅可识别电气故障网区域，并且在整个电气故障网区域上执行物理工艺以试图定位故障的精确位置。

本发明的实施例进一步促进了物理故障分析周期时间的显著改进，因为可以精确地定位系统故障或热点，从而减少或消除对大区域中的故障的复杂物理搜索。在传统的物理故障分析过程中，循环时间超过3或4天，而本发明的实施方案促进pfa循环时间，其至少快30％。此外，可以在后续管芯中减少系统故障或热点的数量，因为可以利用产生故障或热点的xl公共图案来更新现有的半导体管芯设计，并且可以进一步用于避免未来设计中的这种故障或热点。

在各个实施例中，本发明提供了利用计算gds辅助导航来加速物理故障分析以识别系统故障位置和图案的系统和方法。计算程序可以应用于从大的电诊断扫描区域(例如，整个晶圆区域)顺序漏斗或缩小以查明器件产量和系统功能故障子区域，可以包括集成两个诊断系统(例如，晶圆测试器或晶圆探针)和图形数据库系统(gds)或图形设计系统。这极大地加速了pfa循环时间并加速了产量学习，这可以指识别和消除电子设计中的故障源的过程，直到根据设计规范实现电子设计功能的合适数量的制造芯片。在一些实施例中，提供虚拟pfa，其中可以在电子设计中识别系统故障或热点，并且可以基于减少或消除所识别的系统故障或热点来调整电子设计，而无需物理样本去层制备工艺。

在一些实施例中，例如通过响应于电测试矢量的施加而分析半导体管芯来诊断电气故障网。通过将电诊断与本文所述的基于gds的技术集成，识别出存在系统电气故障的子区域(例如，低于电气故障网区域级别)。

根据一个实施例，一种方法包括检测半导体晶圆的多个管芯的多个电气故障区域。生成与多个电气故障区域相关联的分解的图形数据库系统(gds)跨层剪辑。该方法还包括基于分解的gds跨层剪辑识别多个跨层公共图案。

在上述方法中，其中，检测所述多个电气故障区域包括：通过晶圆测试装置将电测试矢量施加至所述半导体晶圆的所述多个管芯；以及响应于施加所述电测试矢量，检测所述多个电气故障区域。

在上述方法中，其中，生成所述分解的图形数据库系统跨层剪辑包括：从所述图形数据库系统数据库访问与电气故障区域相关联的图形数据库系统剪辑，每个所述图形数据库系统剪辑表示在相应的一个电气故障区域中的管芯的层；以及通过合并与相应电气故障区域相关联的所述图形数据库系统剪辑，为电气故障区域生成合并的图形数据库系统剪辑。

在上述方法中，其中，生成所述分解的图形数据库系统跨层剪辑包括：从所述图形数据库系统数据库访问与电气故障区域相关联的图形数据库系统剪辑，每个所述图形数据库系统剪辑表示在相应的一个电气故障区域中的管芯的层；以及通过合并与相应电气故障区域相关联的所述图形数据库系统剪辑，为电气故障区域生成合并的图形数据库系统剪辑，其中，生成所述分解的图形数据库系统跨层剪辑包括将每个所述合并的图形数据库系统剪辑分成多个分解的图形数据库系统跨层剪辑。

在上述方法中，还包括：通过根据所述多个管芯上的检测到的电气故障区域的位置堆叠检测到的电气故障区域，识别系统热点区域，其中，生成与所述多个电气故障区域相关联的所述分解的图形数据库系统跨层剪辑包括生成与所述系统热点区域相关联的所述分解的图形数据库系统跨层剪辑。

在上述方法中，其中，识别跨层公共图案包括通过识别所述分解的图形数据库系统跨层剪辑中的匹配图案来识别所述跨层公共图案。

在上述方法中，其中，所述多个跨层公共图案包括与所述多个电气故障区域相关联的第一跨层公共图案以及第二跨层公共图案，所述方法还包括：将每个所述第一跨层公共图案与所述第一跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个所述第一跨层公共图案与每个管芯的全芯片区域上的所有所述第二跨层公共图案进行比较，并且基于比较计算第二归一化比率。

在上述方法中，其中，所述多个跨层公共图案包括与所述多个电气故障区域相关联的第一跨层公共图案以及第二跨层公共图案，所述方法还包括：将每个所述第一跨层公共图案与所述第一跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个所述第一跨层公共图案与每个管芯的全芯片区域上的所有所述第二跨层公共图案进行比较，并且基于比较计算第二归一化比率，通过从所述第一归一化比率减去所述第二归一化比率来确定每个所述第一跨层公共图案的归一化差分。

在上述方法中，其中，所述多个跨层公共图案包括与所述多个电气故障区域相关联的第一跨层公共图案以及第二跨层公共图案，所述方法还包括：将每个所述第一跨层公共图案与所述第一跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个所述第一跨层公共图案与每个管芯的全芯片区域上的所有所述第二跨层公共图案进行比较，并且基于比较计算第二归一化比率，通过从所述第一归一化比率减去所述第二归一化比率来确定每个所述第一跨层公共图案的归一化差分，基于确定的归一化差异来识别每个管芯中的热点的位置。

在上述方法中，其中，所述多个跨层公共图案包括与所述多个电气故障区域相关联的第一跨层公共图案以及第二跨层公共图案，所述方法还包括：将每个所述第一跨层公共图案与所述第一跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个所述第一跨层公共图案与每个管芯的全芯片区域上的所有所述第二跨层公共图案进行比较，并且基于比较计算第二归一化比率，通过从所述第一归一化比率减去所述第二归一化比率来确定每个所述第一跨层公共图案的归一化差分，将所述归一化差分与阈值进行比较；和响应于跨层公共图案的所述归一化差分超过所述阈值，将跨层公共图案分类为系统跨层公共图案；以及基于所述系统跨层公共图案识别每个管芯中的热点的位置。

在上述方法中，其中，所述多个跨层公共图案包括与所述多个电气故障区域相关联的第一跨层公共图案以及第二跨层公共图案，所述方法还包括：将每个所述第一跨层公共图案与所述第一跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个所述第一跨层公共图案与每个管芯的全芯片区域上的所有所述第二跨层公共图案进行比较，并且基于比较计算第二归一化比率，通过从所述第一归一化比率减去所述第二归一化比率来确定每个所述第一跨层公共图案的归一化差分，将所述归一化差分与阈值进行比较；和响应于跨层公共图案的所述归一化差分超过所述阈值，将跨层公共图案分类为系统跨层公共图案；以及基于所述系统跨层公共图案识别每个管芯中的热点的位置，其中，识别每个管芯中的热点的位置包括识别具有与所述系统跨层图案匹配的图案的每个管芯的位置。

在上述方法中，其中，所述多个跨层公共图案包括与所述多个电气故障区域相关联的第一跨层公共图案以及第二跨层公共图案，所述方法还包括：将每个所述第一跨层公共图案与所述第一跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个所述第一跨层公共图案与每个管芯的全芯片区域上的所有所述第二跨层公共图案进行比较，并且基于比较计算第二归一化比率，通过从所述第一归一化比率减去所述第二归一化比率来确定每个所述第一跨层公共图案的归一化差分，将所述归一化差分与阈值进行比较；和响应于跨层公共图案的所述归一化差分超过所述阈值，将跨层公共图案分类为系统跨层公共图案；以及基于所述系统跨层公共图案识别每个管芯中的热点的位置，其中，识别每个管芯中的热点的位置包括识别具有与所述系统跨层图案匹配的图案的每个管芯的位置，还包括：生成所述多个管芯的系统热点分布，并且确定每个识别位置处的热点的相应累积。

在另一个实施例中，系统故障定位系统包括故障定位电路，该故障定位电路在使用中接收指示半导体晶圆的多个管芯的多个电气故障区域的位置信息。图形数据库系统(gds)数据库包括在系统中并且存储与多个管芯相关联的gds剪辑。图形数据库系统(gds)分解电路通信地耦合到故障定位电路和gds数据库。在使用中，gds分解电路：从gds数据库访问与每个电气故障区域相关联的gds剪辑，并且每个gds剪辑表示在相应的一个电气故障区域中的管芯的层；通过合并与每个相应电气故障区域相关联的gds剪辑，为每个电气故障区域生成合并的gds跨层剪辑；以及通过将合并的gds剪辑分成多个分解的gds跨层剪辑，生成与多个电气故障区域相关联的分解的gds跨层剪辑。

在上述系统故障定位系统中，还包括：系统跨层图案电路，所述系统跨层图案电路在使用中基于所述分解的图形数据库系统跨层剪辑识别多个跨层公共图案。

在上述系统故障定位系统中，还包括：系统跨层图案电路，所述系统跨层图案电路在使用中基于所述分解的图形数据库系统跨层剪辑识别多个跨层公共图案，其中，所述系统跨层图案电路在使用中通过识别所述分解的图形数据库系统跨层剪辑中的匹配图案来识别所述多个跨层公共图案。

在上述系统故障定位系统中，还包括：系统跨层图案电路，所述系统跨层图案电路在使用中基于所述分解的图形数据库系统跨层剪辑识别多个跨层公共图案，其中，所述系统跨层图案电路在使用中：将每个跨层公共图案与跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个跨层公共图案与所述多个管芯中的所有多个区域进行比较，并且基于比较计算第二归一化比率；以及通过从所述第一归一化比率减去所述第二归一化比率，确定每个跨层公共图案的归一化差分。

在上述系统故障定位系统中，还包括：系统跨层图案电路，所述系统跨层图案电路在使用中基于所述分解的图形数据库系统跨层剪辑识别多个跨层公共图案，其中，所述系统跨层图案电路在使用中：将每个跨层公共图案与跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个跨层公共图案与所述多个管芯中的所有多个区域进行比较，并且基于比较计算第二归一化比率；以及通过从所述第一归一化比率减去所述第二归一化比率，确定每个跨层公共图案的归一化差分，其中，所述故障定位电路在使用中基于确定的归一化差分识别每个管芯中的热点的位置。

在又一个实施例中，一种方法包括由晶圆测试装置将电测试矢量施加到半导体晶圆的多个管芯。该方法还包括响应于施加电测试矢量，通过故障定位电路检测多个电气故障区域。通过图形数据库系统(gds)分解电路检索与每个检测到的电气故障区域相关联的gds剪辑，其中每个gds剪辑表示在相应的一个电气故障区域中的管芯的层。通过合并与每个相应电气故障区域相关联的gds剪辑，gds分解电路为每个电气故障区域生成合并的gds跨层剪辑。该方法还包括通过将合并的gds剪辑分成多个分解的gds跨层剪辑，通过gds分解电路生成与多个电气故障区域相关联的分解的gds跨层剪辑。

在上述方法中，还包括：通过匹配所述分解的图形数据库系统跨层剪辑的图案来识别多个跨层公共图案。

在上述方法中，还包括：通过匹配所述分解的图形数据库系统跨层剪辑的图案来识别多个跨层公共图案，将每个跨层公共图案与跨层公共图案中的所有其他跨层公共图案进行比较，并且基于比较计算第一归一化比率；将每个跨层公共图案与所述多个管芯中的所有多个区域进行比较，并且基于比较计算第二归一化比率；以及通过从所述第一归一化比率减去所述第二归一化比率来确定每个跨层公共图案的归一化差分。

上面概述了若干实施例的特征，使得本领域人员可以更好地理解本发明的方面。本领域人员应该理解，它们可以容易地使用本发明作为基底来设计或修改用于实施与本文所介绍实施例相同的目的和/或实现相同优势的其它工艺和结构。本领域技术人员也应该意识到，这种等同构造并且不背离本发明的精神和范围，并且在不背离本发明的精神和范围的情况下，本文中它们可以做出多种变化、替换以及改变。

可以组合上述各个实施例以提供进一步的实施例。根据以上详细描述，可以对实施例进行这些和其他改变。通常，在以下权利要求中，所使用的术语不应被解释为将权利要求限制于说明书和权利要求中公开的特定实施例，而是应该被解释为包括所有可能的实施例以及要求这样的权利的等同物的全部范围。因此，权利要求不受本发明的限制。