2、良率损失模型：良率损失的根本原因分析、帕累托原则在良率分析中的应用、良率损失的分类

各位工程师同仁，大家好。今天我们聊聊良率损失模型。说实话，良率这东西，你盯着报表看是看不出来的。你得拆开它，一层层剥开，才能找到真正的问题。

我个人习惯，拿到一份良率数据，第一件事不是看数字高低，而是问三个问题：损失在哪？为什么损失？是系统性的还是偶然的？ 这三个问题搞清楚了，后面的改善动作才有方向。

2.1 良率损失的根本原因分析

根本原因分析，说白了就是「刨根问底」。我在项目中遇到过很多次，工程师看到良率掉了，第一反应是「设备参数漂移了」，结果调了半天，良率纹丝不动。为什么？因为没找到根因。

我常用的方法叫「5 Why 分析法」。举个例子：

• 问题：某批次晶圆良率从92%掉到85%。
• Why 1：为什么良率下降？—— 因为金属层短路缺陷增多。
• Why 2：为什么金属层短路？—— 因为光刻胶残留导致刻蚀不完全。
• Why 3：为什么光刻胶残留？—— 因为显影时间不足。
• Why 4：为什么显影时间不足？—— 因为设备显影泵的流量衰减了。
• Why 5：为什么流量衰减？—— 因为泵的滤芯堵塞，且没有定期更换。

你看，从「良率下降」追到「滤芯没换」，这才是根因。你光调参数，能解决问题吗？

2.2 帕累托原则在良率分析中的应用

帕累托原则，就是大家常说的「二八定律」。在良率分析里，这个原则特别管用。你想想看，一个工厂里可能有几十种缺陷模式，但真正吃掉良率的，往往只有那么两三种。

我建议的做法是：

1. 收集数据：把最近一个月所有失效芯片的缺陷类型统计出来。
2. 按损失量排序：从大到小排，算出每种缺陷的占比和累计占比。
3. 画帕累托图：柱状图显示每种缺陷的损失数量，折线图显示累计占比。
4. 锁定前20%的缺陷：累计占比达到80%的那几种缺陷，就是你的主攻方向。

举个例子，我去年处理过一个案例：

缺陷类型	损失芯片数	占比	累计占比
金属桥接	450	45%	45%
栅氧击穿	250	25%	70%
接触孔空洞	120	12%	82%
颗粒污染	80	8%	90%
其他	100	10%	100%

看到没？金属桥接和栅氧击穿加起来就占了70%。你只要把这两个问题搞定，良率就能拉回一大截。剩下的那些，可以慢慢优化。

2.3 良率损失的分类：系统性损失与随机性损失

良率损失，我习惯把它分成两类：系统性损失和随机性损失。这两类问题的处理方式完全不同。

2.3.1 系统性损失

系统性损失，说白了就是「有规律可循的损失」。它通常跟工艺参数、设备状态、设计规则有关。比如：

• 工艺窗口问题：某个工艺步骤的容忍度太窄，稍微波动就失效。
• 设备漂移：同一台设备，不同批次之间性能变化。
• 设计-工艺交互：某些版图结构在特定工艺下容易失效。

系统性损失的特点是：可预测、可复现、可改善。你只要找到根因，调整参数或优化设计，良率就能稳定提升。

我记得有一次，某个产品良率一直卡在88%上不去。我查了三个月的数据，发现所有失效芯片都集中在晶圆边缘区域。这就是典型的系统性损失——跟工艺均匀性有关。后来调整了刻蚀的射频功率分布，良率直接跳到93%。

2.3.2 随机性损失

随机性损失，就是「碰运气」的损失。它通常跟颗粒污染、材料缺陷、操作失误有关。比如：

• 空气颗粒：无尘室里的颗粒掉到晶圆上，造成短路或断路。
• 材料缺陷：硅片本身的位错或杂质。
• 人为失误：操作员不小心碰了一下晶圆。

随机性损失的特点是：不可预测、分布随机、难以根除。你只能通过加强管控来降低概率，但很难完全消除。

2.4 知识体系框架

下面这张图，是我自己总结的良率损失分析框架。你可以把它当成一个检查清单，每次遇到良率问题，按这个流程走一遍，基本不会漏掉关键点。

这张图的核心逻辑是：先分类，再分析，最后行动。系统性损失用根因分析，随机性损失用统计控制。两条路走对了，良率提升就是水到渠成的事。

好了，这一章的内容就到这里。良率损失模型，说白了就是帮你把模糊的问题变清晰。你只要掌握了分类方法和分析工具，剩下的就是耐心和细心了。

---

公众号:蓝海资料掘金营，微信deep3321