用于确定在晶片上生产的器件的特征的方法和器件与流程

1.本发明涉及将特征与晶片上生产的器件相关联。


背景技术：

2.目前，在晶片上生产的器件（诸如芯片）的最终测试中，每个器件在器件分离之前或之后单独被测量或测试。测量/测试旨在获得一个或多个器件特征，所述一个或多个器件特征包括关于功能性/错误的指示或用于确定一个或多个训练或校准参数的其他数据。校准参数例如用于设置校准位，这对于校准集成传感器而言特别常见。
3.即使在分离器件之后，也可以通过唯一的晶片id来标识器件，并且由此可以退回到晶片上的特定位置。利用该方法，可以通过在晶片图中的重建位置之上绘制测量/测试过程期间获得的器件特征来重建晶片图。
4.由于在晶片上制造器件期间的各种工艺步骤，因此可以在晶片图上观察到不同的图案。这些图案源自于由处理装备引发的工艺变化（诸如蚀刻损失、沟槽角度失配等）以及在晶片表面之上的固有变化。
5.同样，对于利用相同器件生产的不同晶片，即通过相同的掩模布局和处理步骤获得的晶片，器件将相对于它们的晶片图示出非常相似的器件特征图案。


技术实现要素：

6.根据本发明，提供了根据权利要求1的用于基于样本测量来确定在晶片上生产的器件的一个或多个器件特征的方法，以及根据另外的独立权利要求的器件。
7.另外的实施例由从属权利要求指示。
8.根据第一方面，提供了一种用于确定在晶片上生产的器件的器件特征的方法，包括以下步骤：-提供将晶片位置与器件特征相关联的晶片特征模型，所述晶片位置指示晶片上生产的器件的位置，其中晶片特征模型被配置为通过一个或多个晶片特征图来被训练，并且特别地被配置成高斯过程模型；-提供在样本晶片位置子集处的至少一个器件的样本器件特征；以及-取决于所提供的晶片特征模型，确定（相同）晶片的至少一个其他器件的器件特征。
9.根据上面的方法，提供了一种器件特征模型，其被训练成将晶片上生产的器件的晶片位置与一个或多个器件特征相关联。所述一个或多个器件特征可以包括关于功能性/错误的指示或者诸如一个或多个训练或校准参数之类的其他数据。
10.此外，晶片特征模型可以是非参数的，其可以使用样本数据来训练。此外，晶片特征模型可以为预测特征提供不确定性值。
11.此外，除了晶片位置之外，器件特征模型可以可选地将一个或多个另外的操作参数与一个或多个器件特征相关联。
12.借助于器件特征，可以针对晶片位置构建晶片特征图。使用这样的晶片特征图，可
以确定器件的样本晶片位置，所述样本晶片位置将用于对相应器件特征的测量/测试/探测。晶片位置子集可以包括一个或多个样本晶片位置。测试/测量晶片位置子集处的器件的结果用于确定在其他晶片位置处的器件的相应器件特征。
13.可以通过依据给定的要求违反而最小化预测不确定性来确定样本晶片位置。由此，仅少数器件可以被选择用于测试/测量，以获得对应的一个或多个器件特征，这允许为在相同晶片上生产的其他器件确定相应的器件特征。
14.通过使用器件特征模型，上面的方法允许只通过确定在样本晶片位置处的对应的一个或多个器件特征来获得相同的晶片或利用相同器件生产的其他晶片的所有器件的特征。因此，本发明利用一个或多个器件特征分布的相似图案以用于器件特征的预测，所述一个或多个器件特征分布的相似图案是用于晶片生产的共同处理步骤和处理参数的结果。
15.通过用对器件的预选子集的对应确定来替换对晶片的所有器件的所有器件特征的昂贵确定（包括物理测量和测试），可以显著减少测量/测试成本。取决于晶片特征模型的准确性和针对所确定特征的给定规格极限，仅需要测试/测量器件中的一小部分。
16.此外，器件特征可以包括以下各项之一：功能性的指示、错误的指示、器件是否满足给定规格的指示以及要写入/存储到特定器件中的校准参数。
17.可以规定，晶片特征模型附加地将环境和/或操作条件与器件特征相关联。
18.根据一实施例，可以通过提供包括相同器件的多个经处理的晶片来训练晶片特征模型，其中特别地，经处理的晶片包括一个或多个角批（corner lot）晶片。
19.可以规定，所述至少一个器件的样本器件特征是在晶片位置的所选离散子集处获得的，所述晶片位置的所选离散子集最大化晶片上所有样本在给定的规格极限内部的似然。
20.根据一实施例，通过根据下式最大化晶片上所有样本在给定的规格极限内部的似然，来选择晶片位置的所选离散子集其中并且是关于每个样本满足规格极限的最小概率的下界，其中是所有晶片位置的集合，是建模特征，并且是对于在特定位置i处的器件应满足的标称特征。
21.此外，极限违反v可以被指定为其中选择晶片位置子集以最小化在晶片的所有器件之上预期极限违反的概率。
22.可以规定晶片位置子集借助于如下获取函数来更新：其中为优化的晶片位置子集选择晶片位置s，针对晶片位置的所有可能组合评估获取函数，其中选择具有最低预期极限违反的晶片位置子集。
23.此外，可以基于使用处理装备的制造步骤的先验技术知识，使用对应图案的先验来提供器件特征模型。
24.根据另一方面，提供了一种用于晶片上的器件生产的计算机实现的方法，包括以下步骤：-控制一个或多个晶片上的器件生产；-借助于上面的方法对器件的器件特征的确定，其中取决于所确定的器件特征来控制器件生产。
25.此外，相应器件特征可以特别是作为相应的校准参数被写入器件的存储器中。附加地或可替代地，取决于相应器件特征对器件进行分类或拒绝器件。此外，可以规定，取决于器件的相应器件特征而停下器件生产。
26.根据另外的方面，提供了一种用于确定在晶片上生产的器件的器件特征的系统，其中所述系统被配置为执行以下步骤：-提供将晶片位置与器件特征相关联的晶片特征模型，所述晶片位置指示晶片上生产的器件的位置，其中晶片特征模型被配置为通过一个或多个晶片特征图来被训练，并且特别地被配置成高斯过程模型；-提供在样本晶片位置处的至少一个器件的样本器件特征；-取决于所提供的晶片特征模型，确定晶片的至少一个其他器件的器件特征。
27.根据另外的方面，提供了一种用于晶片上的器件生产的系统，其中所述系统被配置为执行以下步骤：-控制一个或多个晶片上的器件生产；-提供将晶片位置与器件特征相关联的晶片特征模型，所述晶片位置指示晶片上生产的器件的位置，其中晶片特征模型被配置为通过一个或多个晶片特征图来被训练，并且特别地被配置成高斯过程模型；-提供在样本晶片位置处的至少一个器件的样本器件特征；-取决于所提供的晶片特征模型，确定晶片的至少一个其他器件的器件特征。其中所述系统进一步被配置为取决于所确定的器件特征来控制器件生产。
附图说明
28.结合附图更详细地描述实施例，附图中：图1示出了晶片上器件的示例性布置；图2示出了加速度传感器示例的器件特征的示例性晶片图，其中器件特征是校准值；以及图3示出了图示用于使用器件特征模型确定器件特征的方法的流程图。
具体实施方式
29.使用加速度传感器的生产示例更详细地描述本发明，该加速度传感器生产在包括多个相同传感器器件的晶片上。图1示出了这样的器件2在晶片1上的示例性布置。
30.加速度传感器的生产要求在晶片级上应用处理参数的大量处理步骤，诸如光刻、蚀刻、退火处置等。由于这些处理步骤的特性以及由于工艺变化，在晶片之上显露器件特征
变化的不同图案。这样的器件特征可以包括功能性的指示、错误的指示、器件是否满足给定规格的指示以及要存储到特定器件中的校准参数。
31.对于多个晶片上的相同产品，甚至在正常的工艺参数变化下，那些图案也是相似的。
32.对于加速度传感器的给定示例，功能输出是根据以下公式确定的加速度值：其中以及分别是固有的恒定偏移和温度相关偏移，并且以及是对外部刺激（acc，其是施加的实际加速度）的固有响应和温度相关响应，该外部刺激诸如是传感器应当检测的加速度。此外，校准参数和必须被确定以写入每个器件的校准存储器中，使得传感器的功能输出基本上对应于加速度的真实物理值。在完成原始芯片的制造之后，测量过程的作用是要确定校准参数，使得传感器器件2的行为满足以下准则：。
33.在施加的实际加速度和给定的传感器规格极限的情况下。
34.一般而言，对于非校准参数（诸如测试结果）或作为器件特征的任何特性的准则可以定义为：其中对应于测量的特征值，并且对应于期望的器件特征值，并且对应于规格极限。
35.在图2中，描绘了作为示例性器件特征（即）的校准参数之一的晶片特征图的示例。
36.在下文中，结合图3的流程图详细描述了用于通过确定晶片器件的器件特征来控制晶片上的器件生产的方法。该方法可以在数据处理系统上执行，该数据处理系统具有对数据库的访问，该数据库存储有用于构造晶片特征模型的训练数据。
37.在步骤s1中，用于晶片特征模型生成的训练数据通过提供包括相同类型和变体的加速度传感器在内的多个经处理的晶片来生成。当晶片还可以包括一个或多个角批晶片时，使用标准处理步骤来生产晶片，所述一个或多个角批晶片是针对其有目的地稍微更改制造工艺以模拟更极端的工艺变化的晶片。
38.根据获得的器件特征构造晶片特征图。晶片特征图基本上将晶片上器件的位置与一个或多个器件特征相关联，在本示例中，所述一个或多个器件特征可以包括校准参数。特别地，对于每个器件特征，构造单独的晶片特征图。如图2中所示，示例性晶片特征图（每个
器件特征有一个）形成用于生成对应的晶片特征模型作为训练数据集的输入基础。训练数据集将器件在晶片上的晶片位置（x和y坐标）和可选的环境条件（诸如温度、湿度等）以及操作条件（诸如加速度传感器的给定示例中的实际加速度）与要由晶片特征模型反映的器件特征相关联。
39.在下文中，关于单个器件特征进一步描述该方法。
40.在步骤s2中，生成由具有相应不确定性的典型晶片特征图训练的晶片特征模型，使得根据晶片特征模型，晶片位置以及环境和操作条件与相应器件特征相关联。此外，晶片特征模型是非参数的，并且应当进一步为预测特征提供不确定性值。优选的模型类型是高斯过程，其可以被训练成输出平滑函数、模型不确定性，并且允许例如经由参数均值函数而并入先验知识。例如通过最大化对数边际似然，高斯过程可以由步骤s1中提供的数据集来训练。
41.代替高斯过程模型的使用，可以使用多保真度高斯过程模型，其中可以直接使用最初测量的样本、而不是对它们进行使用的均值函数。
42.使用高斯过程的一个优点是，它自动输出建模器件特征预测的不确定性。
43.基本上，为了高效的晶片测试/测量，必须从晶片上所有器件的集合中选择相同晶片的器件子集（），该器件子集指示待被测试/测量以获得相应的实际器件特征的特定器件，而对于未测试/未测量的器件，要推断器件特征。对应于晶片位置和可选的环境及另外的条件（诸如，对于给定的示例，所施加的实际加速度acc和操作温度）的离散子集。子集应当根据下式最大化晶片上所有样本在规格极限内部的似然，其中并且是关于每个样本满足规格极限的最小概率的下界。
44.对应于本示例的相应特征。该特征是必须针对晶片上的每个器件标识的校准参数，并且其中它需要被评估是否遵守极限。。
45.那么违反可以被指定为。
46.由于对于不同的电响应，该违反将是不同的，因此可以针对所有预测值指定违反。由标示。
47.一般而言，通过根据下式最大化晶片上所有样本在给定规格极限内部的似然
来选择晶片位置的所选离散子集来选择晶片位置的所选离散子集其中并且是关于每个样本满足规格极限的最小概率的下界，其中是所有晶片位置的集合，是建模特征，并且是对于特定位置i处的器件应满足的标称特征。
48.此外，极限违反v可以被指定为其中选择晶片位置子集以最小化晶片的所有器件之上的预期极限违反的概率。
49.在下一步骤s3中，为了高效的晶片样本测试/测量，选择大小的子集。选择子集以最小化在晶片的所有器件之上的预期极限违反v。由此，根据贝叶斯优化算法在样本子集上指定一种获取函数a，当向高斯过程添加新的测量并且假设它们对应的值将根据高斯过程预测来分布时，在高斯过程后验的预期改进之后，该样本子集应当最小化极限违反v。
50.对于给定的环境和/或操作条件（在本示例中为加速度和温度），晶片器件特征的高斯过程预测是，其中是目前为止已经获取的实际子集。
51.高斯过程预测根据利用样本位置处的新测量进行更新。所使用的获取函数记为：为了选择优化的样本器件子集，必须针对样本器件（由其晶片位置指示）的所有可能组合来评估获取函数a，其中选择具有最低预期极限违反的子集。由于高斯过程可以预测未测试/未测量器件的特征，因此相对于用于晶片上所有器件的测试/测量时间，测试/测量时间可以显著减少。
52.在下一步骤s4中，针对子集的器件样本确定特征。更新晶片特征模型，并且可以再次评估跨晶片之上的预期极限违反。如果结果是适当的，则可以停止测试，否则可以将该子集的新测量的器件特征添加到现有的子集，并且该过程可以以步骤s3继续。
53.在步骤s5中，取决于器件特征，控制晶片1上的器件生产。在器件特征是校准参数的情况下，它可以存储在相应器件的校准设置存储器中。
54.此外，器件特征可以包括测试信息，诸如电参数。取决于测试信息，可以对与器件特征相关联的相应器件进行分类或拒绝所述相应器件。例如，可以定义拒绝阈值，其中当测试信息超过拒绝阈值时，器件被拒绝。
55.此外，控制生产可以包括取决于器件的相应器件特征而停下器件生产。器件特征可以包括测试信息。如果发现晶片1的器件2的聚集测试信息超过给定的中断阈值，则可以
停止生产。
56.进一步可能的是，基于使用处理装备的制造步骤的先验技术知识、诸如已知的沟槽角度的径向或角度相关性/蚀刻损失等，实现相应晶片特征图的器件特征图案的先验。这允许将先验知识包括到晶片特征模型的建立中。
57.附加地，使用主动学习允许标识样本部分可以放置在哪些晶片位置处，以通过将样本部分的数量保持在最小来获得低不确定性预测。为了实现这点，主动学习迭代地选择当前具有最高预测不确定性的样本，并且在对它进行测量之后更新模型。