数据中的离群值与合格率数据中的内群值(例如，正常合格率数据)的关键参数电测试(PET)参数，其中使用探针电测试发现合格率数据。
[0023]在某些实施例中，数据库202是用于在一组半导体晶片上执行的探针电测试(例如，箱排序合格率)的合格率值的数据库。可使用半导体过程生产半导体晶片。在某些实施例中，数据库204是用于在一组半导体晶片上执行的参数电测试的参数电测试(PET)属性值的数据库。可在与探针电测试相同的一组半导体晶片上执行PET测试。在一些实施例中，PET属性值的数据库包含至少一些缺失属性值。缺失属性值可为并非所有PET在所述组中的所有半导体晶片上被执行的结果。
[0024]在某些实施例中，学习模块206从数据库202及/或数据库204接收输入。学习模块206可(例如)从数据库202接收合格率值数据的输入且从数据库204接收PET属性值数据的输入。
[0025]在某些实施例中，学习模块206自动地确定(例如，自动地处理数据以确定)来自数据库202的合格率值数据输入中的内群值类别及离群值类别。因此，学习模块206可将合格率值数据分类为内群值类别及离群值类别。在某些实施例中，无监督分类算法将合格率值数据分类为内群值类别及离群值类别。
[0026]在某些实施例中，学习模块206(图2所展示)将所接收的合格率值数据排序为分布。举例来说，可依据合格率百分比排序合格率值数据的分布。图3描绘被展示为晶片的数目相对于合格率(就合格率百分比而说)的合格率值数据的曲线图的实施例。可对一组半导体晶片使用一或多个探针电测试产生用于曲线图300的数据点。
[0027]为了分类合格率值数据，学习模块206 (图2所展示)可在合格率值数据的分布(例如，由图3中的曲线图300展示的分布)中评估四分位数范围。评估四分位数范围可包含评估合格率值数据的内四分位数范围。在一些实施例中，由在线之间含有50%的数据点的最细线对来定义内四分位数范围。线对302(图3所展示)是在线之间含有曲线图300的50%的数据点的线对的实例。在某些实施例中，在定义内四分位数范围之后，评估(例如，由学习模块206评估)内四分位数范围中的数据点(例如，由线对302围封的数据点)的均值及标准差。在某些实施例中，使用数据点的高斯拟合(Gaussian fit)(例如，合格率值分布的头部的高斯拟合)来评估均值及标准差。
[0028]在评估均值及标准差之后，学习模块206可将离群值类别(合格率值数据分布的尾部)指派到合格率值数据(例如，曲线图300)。在某些实施例中，离群值类别经指派为低于(第一四分位数-选定值X内四分位数范围)或高于(第三四分位数+选定值X内四分位数范围)。在一些实施例中，基于针对合格率值数据的内四分位数范围所发现的均值及标准差确定用于离群值类别指派的选定值。在一些实施例中，合格率值数据(例如，曲线图300)中不存在离群值。然而，如果确实存在离群值，那么其将属于合格率值数据分布的尾部上。内群值类别(合格率值分布的头部)可经指派为未指派到离群值类别的数据值(例如，属于定义离群值类别的界限内的数据值)。
[0029]在合格率值数据的分类之后，学习模块206 (图2所展示)可使用合格率值数据的分类以评估(例如，确定)一或多个关键PET属性。在某些实施例中，基于所接收的合格率值数据的内群值类别及离群值类别以及所接收的PET属性值数据评估关键PET属性。在某些实施例中，关键PET属性是提供离群值类别及内群值类别的所要分离的PET测试属性(例如，关键PET属性为经选择以最佳地分离合格率值数据的离群值类别及内群值类别的PET属性)。
[0030]在某些实施例中，监督分类算法评估关键PET属性。监督分类算法可包含使用离群值类别及内群值类别的分类作为监督类别，及使用PET属性值数据作为监督类别的特征。随后，可用这些特征的子组产生关于分类能力的品质因数。
[0031]在一些实施例中，品质因数是基于相互信息统计的属性排名。图4描绘基于相互信息统计的属性排名以确定关键PET属性的实施例的表示。对于基于相互信息统计的属性排名，如图4所展示，在合格率值数据的分类之后，每一 PET属性(由球形表示)被给予头部(由球形402表示的内群值类别)或尾部(由球形404表示的离群值类别)指定。另外，基于针对PET属性所测试的晶片的探针电测试结果(例如，箱排序结果)将每一 PET属性指派到箱(例如，箱1或箱2)。对于PET属性，箱计数(频率)可由X表示，而合格率分类(例如，头部或尾部)可由Y表示。因此，I(X;Y)可为用于PET属性的介于X与Υ之间的相互信息统计。
[0032]对于每一 PET属性，可基于属性值排序表示PET属性的球形，如图5所展示。如图5所展示，可发现单一切割(例如，线500)，其将球形402与球形404最佳地分离成2个箱(例如，箱1及2)。在某些实施例中，最佳单一切割是最大化用于每一属性的相互信息统计额定值的切割。在用于每一 PET属性的最大化相互信息统计额定值的确定之后，可对应于PET属性的最大化相互信息统计额定值来排名PET属性。接着，可选择具有最高相互信息统计额定值的选定数目个PET属性作为关键PET属性。因此，基于PET属性对探针电测试合格率的关键性将大量PET属性缩减(例如，自动地削减)到小的最佳一组PET属性。
[0033]在一些实施例中，如上文所描述，PET属性值数据包含至少一些缺失属性值。然而，学习模块206 (图2所展示)仍可在给出缺失属性值的情况下评估关键PET属性。举例来说，在使用基于相互信息统计的排名的情况下，非缺失属性值的比例可用以排名PET属性。在给出不具有任何缺失值的2个PET属性仏及A 2的情况下，如果依照相互信息统计，
X 2对于给定Y合格率分类是所述2个PET属性的最佳2个箱分配，那么当且仅当I (X 1;Y)彡I (X2;Y)时A Α 2。对于具有任何缺失值的2个PET属性h及A 2，如果依照相互信息统计(其中不在分配中考虑缺失属性)，&及X 2对于给定Y合格率分类是所述2个PET属性的最佳2个箱分配，那么当且仅当ΡιΙ(Χ1;Υ) ^ ρ 2Ι (Χ2；Υ)时其中Pl是用于Ai的非缺失属性值的比例。
[0034]在一些实施例中，过程200将使用当前关键性识别方法(例如，手动工程方法)可能不被识别为关键PET属性的选定PET属性识别为关键。过程200可将(先前)非关键PET属性识别为关键，这是因为此PET属性具有高关键性排名(例如，基于高相互信息统计的排名)。举例来说，(现在)关键属性可提供内群值类别与离群值类别之间的完美或几乎完美的分类。
[0035]图7描绘最高排名PET属性值相对于用于(先前)非关键属性的探针电测试合格率的曲线图的实例。内群值类别(头部)属性被识别为数据700，而离群值类别(尾部)属性被识别为数据702。线704表示将属性值分离成2个箱的切割(例如，使用基于相互信息统计的属性排名发现的单一切割)。如图7所展示，(先前)非关键属性提供内群值类别数据700与离群值类别数据702之间的几乎完美的分类。
[0036]在评估关键PET属性之后，学习模块206可