3. 良率模型与统计：泊松模型、负二项模型、良率预测方法、统计过程控制（SPC）基础

各位工程师朋友，今天我们聊聊良率模型。这玩意儿听起来有点数学，但说白了，它就是帮我们回答一个核心问题：这片晶圆上，到底能出多少颗好芯片？

我刚开始做良率提升那会儿，总觉得模型是理论派的东西。直到有一次，一个项目良率死活上不去，我用泊松模型一算，发现缺陷密度分布有问题。嗯，从那以后，我再也不敢小看这些模型了。

3.1 泊松模型：最经典的良率模型

泊松模型，是良率预测的基石。它假设缺陷在晶圆上是随机分布的，彼此独立。公式很简单：

Y = e^(-D * A)

其中：

• Y：良率
• D：缺陷密度（defects/cm²）
• A：芯片面积（cm²）

举个例子。假设缺陷密度是0.5 defects/cm²，芯片面积是1 cm²。那么良率就是 e^(-0.5) ≈ 0.6065，也就是60.65%。

我在项目中遇到过一种情况：用泊松模型预测的良率，总是比实际低。后来一查，发现是缺陷有聚集效应。这时候，泊松模型就不够用了。

3.2 负二项模型：处理缺陷聚集

负二项模型，是泊松模型的升级版。它引入了一个参数——聚集因子（α），用来描述缺陷的聚集程度。

公式稍微复杂一点：

Y = (1 + D * A / α)^(-α)

当α趋近于无穷大时，负二项模型就退化为泊松模型。当α较小时，说明缺陷聚集严重，良率会比泊松模型预测的更低。

α值	缺陷分布特征	适用场景
α → ∞	完全随机	成熟工艺、稳定产线
α = 1 ~ 5	轻度聚集	一般先进工艺
α < 1	严重聚集	新工艺、设备异常

3.3 良率预测方法：从模型到实战

良率预测，不是简单套个公式就完事了。你需要结合工艺数据、设计规则、历史良率来做综合判断。

我个人常用的方法有三步：

1. 数据清洗：剔除异常批次、设备故障数据。我曾经因为没剔除一个异常批次，导致预测偏差了15%。
2. 模型选择：根据缺陷分布特征，选择泊松或负二项模型。如果缺陷有空间相关性，可以考虑更复杂的混合模型。
3. 参数校准：用最近3-6个月的数据，重新拟合D和α。工艺在变，参数也得跟着变。

举个例子。某产品芯片面积0.5 cm²，最近缺陷密度0.3 defects/cm²，α=2。那么：

Y = (1 + 0.3 * 0.5 / 2)^(-2) = (1 + 0.075)^(-2) ≈ 0.865

预测良率86.5%。实际跑下来是87.2%，误差不到1%。嗯，这个精度够用了。

3.4 统计过程控制（SPC）基础

SPC，说白了就是给产线装个「体温计」。你想想看，如果产线参数漂移了，你还在按老参数生产，良率能不掉吗？

SPC的核心是控制图。我常用的有：

• X-bar图：监控过程均值。比如关键尺寸（CD）的均值。
• R图：监控过程变异。比如同一批晶圆内CD的极差。
• P图：监控缺陷率。比如每片晶圆的缺陷数。

控制图上有三条线：

线名	含义	计算公式
UCL	上控制限	均值 + 3σ
CL	中心线	过程均值
LCL	下控制限	均值 - 3σ

当数据点超出UCL或LCL，或者连续7个点都在中心线同一侧，就说明过程失控了。

3.5 良率模型与SPC的联动

良率模型和SPC，不是孤立的。它们应该联动起来。

我习惯的做法是：

1. 用SPC监控关键工艺参数（如CD、膜厚、掺杂浓度）。
2. 当SPC发出预警时，立即用良率模型重新预测良率。
3. 如果预测良率下降超过2%，就启动根因分析。

举个例子。有一次SPC显示光刻胶厚度均值漂移了5%。我用负二项模型重新算了一下，良率从85%降到了82%。赶紧查，发现是涂胶机喷嘴堵塞了。清理后，良率恢复。

3.6 常见误区与避坑

最后，分享几个我踩过的坑：

• 误区一：认为泊松模型万能。实际上，先进工艺节点下，缺陷聚集很常见。负二项模型更靠谱。
• 误区二：SPC只看均值，不看变异。我曾经遇到一个案例，均值正常，但变异越来越大。结果良率还是掉了。记住：变异是良率的隐形杀手。
• 误区三：预测良率时不考虑测试覆盖率。测试覆盖率低，漏测的坏片会被当成好片，导致实际良率虚高。我建议把测试覆盖率也纳入模型。

好了，这一章就到这里。良率模型和SPC，是良率提升的两大支柱。一个帮你「算」，一个帮你「控」。两者结合，才能把良率稳稳地提上去。

下一章，我们聊聊缺陷检测与分类。那又是另一片天地了。