在复杂的半导体制造领域，数据可视化对于发现问题、分析规律和提升良率至关重要。晶圆图作为该行业最强大的可视化工具之一，能以直观形式呈现各测试阶段的数据。下面我将带您了解晶圆图的主要类型及其在半导体制造中的应用。
金型图：理解模具性能
晶粒图谱以分类方式可视化呈现晶圆上各晶粒的性能表现。在晶圆测试过程中，每个晶粒需经历数百至数千次测试，根据测试结果，晶粒被划分为不同类别：
- 合格晶圆（通常为Bin 1）：通过所有测试的晶圆
- 故障模具（除1号外的分类）：在特定测试中出现故障的模具，不同分类编号代表不同的失效机制
晶圆图通过颜色编码来表示这些类别——例如，合格晶粒用白色标记，不同失效机制则采用不同颜色。这种可视化呈现方式使工程师能够快速识别整个晶圆上晶粒性能的分布规律。
垃圾桶映射可通过附加功能进行增强：
- 帕累托箱分析：识别晶圆上故障率最高的箱体
- 区域分析：将晶圆划分为区域（圆形、象限、列）以计算各区域的良率
- 自定义区域：工程师可定义特定区域以追踪特定区域的性能表现
参数化地图：测试值可视化
虽然二进制图提供分类信息，但参数图则显示晶圆上连续的测试值。这些图通过色彩渐变展示特定电气参数在晶圆表面上的变化情况。
例如，参数化地图可能采用蓝到黄的渐变色来表示不同晶圆模块的电流值。这种可视化方式有助于识别空间分布模式——例如晶圆某一角的电流值较高而中心区域较低——这些模式可能暗示工艺问题。
这些模式对于识别影响晶圆特定区域的设备问题或工艺变化至关重要。
缺陷图：追踪制造缺陷
缺陷图显示了晶圆制造过程中检测到的物理缺陷位置。正如史蒂夫·扎梅克在演讲中所指出的，缺陷数据通常是晶圆厂产生的"在线数据"，对晶圆代工厂和IDM（集成设备制造商）具有特别重要的价值。
缺陷图的主要特征包括：
- 层特异性可视化：缺陷在不同制造层中被追踪
- 缺陷分类：不同的形状或颜色可代表各类缺陷类型
- 缺陷图像：对于具备可用显微镜图像的缺陷，这些图像可直接在地图上显示
- 缺陷源层分析：确定缺陷首次出现的制造层
一种特别有用的分析方法是“缺陷晶圆图”，它通过叠加所有晶圆来识别缺陷是否持续出现在晶圆的特定位置。正如演示文稿中所述，这有助于发现特定硅IP模块的问题，因为晶圆的不同区域通常对应不同的功能模块。
组合箱缺陷叠加图
或许最具说服力的分析方法是将缺陷数据叠加到二进制图上。这种结合使工程师能够将物理缺陷与电气测试失败相关联，从而可能识别出导致芯片失效的具体缺陷。
为何这种叠加分析尤为重要？正如演示中所阐述的，半导体制造过程从开始到结束大约需要三个月时间。在此期间，无法进行任何电气测试（PCM或分档数据），仅能获取缺陷检测数据。叠加分析有助于工程师理解其检测手段在捕捉最终导致电气故障的问题方面的有效性。
叠加地图可计算出有价值的统计数据：
- 合格模具（通过检验且无缺陷）
- 通过缺陷模具（存在缺陷仍通过）
- 无可见缺陷仍报废的模具
- 故障缺陷模具（存在缺陷时仍能工作）
这些统计数据有助于计算击杀率、捕获率和产量影响等指标，这些指标对于优化检查策略至关重要。
定制分析区域以实现精准分析
区域编辑器功能允许工程师在晶圆上创建自定义区域以进行专项分析。这可能涉及：
- 选择预定义区域模式（象限、圆形区域）
- 调整区域边界
- 创建完全自定义的区域定义
这些自定义区域可用于计算区域特定指标，并识别可能影响晶圆特定区域的问题。
超越空间模式
虽然空间分布模式通常是设备问题的明显指标，但半导体制造分析远不止于目视检查。正如问答环节所述，晶圆厂和代工厂通常采用全面的工艺控制方法，包括：
- 按类别或类别追踪缺陷
- 绘制按缺陷来源层显示缺陷的趋势图
- 跨产品、晶圆、工具和模块的数据聚合
- 设置超出设定阈值的自动警报
这些方法使制造商能够在没有明显空间模式的情况下检测问题。
结论
晶圆图为半导体工程师提供了强大的可视化工具，助力其理解复杂的制造与测试数据。通过运用分级图、参数图、缺陷图及对位分析，制造商能够更早发现问题、优化工艺流程，最终提升良品率。借助区域分析等技术实现可视化定制的功能，进一步增强了其在专项故障排查与工艺改进中的实用价值。
在大数据分析应用于半导体制造的时代，这些可视化技术仅是全面质量控制与良率提升策略中的一个组成部分。当晶圆图结合统计分析、自动化监测与专家知识时，便成为半导体制造工具箱中不可或缺的利器。