3、良率的数学定义：良率计算公式、缺陷密度与良率的关系
聊到良率的数学定义，我得先说说自己的一个习惯。刚入行那几年，我总觉得良率就是个百分比，算算合格数除以总数就完事了。后来被一位老前辈点醒——你连缺陷怎么分布的都不清楚，光算个数字有什么用？
嗯，今天我们就来把这块掰开揉碎了讲。
3.1 良率的基本计算公式
先看最基础的公式，这个大家应该都见过：
良率（Y）= 合格芯片数 / 总芯片数 × 100%举个例子：
一张晶圆上做了 500 颗芯片，测试下来有 460 颗是好的。那么：
Y = 460 / 500 = 0.92 = 92%这个数字看着挺漂亮，对吧？但我得提醒你——这只是表面数字。真正决定良率高低的是背后的缺陷密度。
核心概念：良率不是算出来的，是长出来的。它取决于工艺过程中引入的缺陷数量和分布方式。
3.2 缺陷密度与良率的关系
缺陷密度（Defect Density, D₀）指的是单位面积上的平均缺陷数。单位通常是 defects/cm²。
你想想看，芯片面积越大，碰到缺陷的概率就越高。所以良率跟芯片面积（A）和缺陷密度（D₀）直接挂钩。
这里有两个经典模型，我分别讲一下。
3.2.1 泊松模型
泊松模型是最简单的假设——缺陷完全随机分布，互不影响。
公式长这样：
Y = e^(-A × D₀)其中：
- Y：良率
- A：芯片面积（cm²）
- D₀：缺陷密度（defects/cm²）
举个例子：芯片面积 1 cm²，缺陷密度 0.1 defects/cm²：
Y = e^(-1 × 0.1) = e^(-0.1) ≈ 0.9048 = 90.48%这个模型简单好用，但有个问题——它假设缺陷完全随机。我在实际项目中遇到过，有些缺陷会扎堆出现，比如光刻机某个区域有颗粒污染，那一片的缺陷密度就明显偏高。这时候泊松模型算出来的良率就偏乐观了。
我的经验：泊松模型适合工艺成熟、缺陷分布均匀的阶段。新产品刚导入时，千万别迷信这个模型。
3.2.2 负二项模型
负二项模型引入了聚类参数 α，用来描述缺陷的聚集程度。
公式：
Y = (1 + A × D₀ / α)^(-α)α 的取值范围：
- α → ∞：退化为泊松模型（缺陷完全随机）
- α → 0：缺陷高度聚集
- 典型值：1 ~ 5
还是刚才的例子，A=1 cm²，D₀=0.1，假设 α=2：
Y = (1 + 1 × 0.1 / 2)^(-2) = (1 + 0.05)^(-2) = 1.05^(-2) ≈ 0.9070 = 90.70%跟泊松模型的 90.48% 比，差别不大？那是因为缺陷密度低。如果 D₀ 提高到 1.0：
- 泊松模型：Y = e^(-1) ≈ 36.79%
- 负二项模型（α=2）：Y = (1 + 0.5)^(-2) ≈ 44.44%
差别就出来了。缺陷越聚集，负二项模型算出的良率越高——因为缺陷都挤在一起了，其他地方反而干净。
避坑指南：我曾经在某个项目里直接用泊松模型估算良率，结果流片回来良率比预期低了 15%。后来一查，是某个工艺步骤有颗粒污染，缺陷高度聚集。换成负二项模型重新拟合，α 值只有 0.8，良率预测就准多了。
3.3 两种模型的对比
| 特性 | 泊松模型 | 负二项模型 |
|---|---|---|
| 假设条件 | 缺陷完全随机 | 缺陷存在聚集 |
| 参数数量 | 1个（D₀） | 2个（D₀, α） |
| 适用场景 | 成熟工艺、均匀分布 | 新工艺、有聚集现象 |
| 保守程度 | 偏乐观 | 更贴近实际 |
3.4 知识体系图
下面这张图把良率、缺陷密度和两个模型的关系串起来了：
3.5 实际应用中的选择
我个人习惯这样选：
- 工艺成熟、数据稳定 → 用泊松模型，简单快速
- 新工艺、有异常点 → 用负二项模型，更贴近实际
- 不知道选哪个 → 两个都算一遍，看差距大不大。差距小就无所谓，差距大就说明缺陷分布有问题，得先查工艺
一个小技巧：如果你手头有历史良率数据，可以反推 D₀ 和 α。比如某批次良率 85%，芯片面积 0.5 cm²，用泊松模型反推 D₀ ≈ 0.325。再用这个 D₀ 去预测下一批，如果实际良率偏低，就说明 α 值需要调整了。
好了，良率的数学定义就讲到这里。说白了，公式只是工具，真正重要的是理解缺陷是怎么分布的。你想想看，如果连缺陷的脾气都没摸透，算出来的良率能信吗？