3. 良率数据来源：测试数据（CP/FT）、在线监测数据（SPC）、缺陷检测数据（KLA/明场/暗场）
做良率分析，第一步不是跑模型，也不是画图。
是搞清楚你的数据从哪来。
我见过不少新人，一上来就拿着CP map开始算良率，结果算了半天发现数据是错的——因为测试程序没调好，或者探针卡扎偏了。嗯，这种坑我踩过不止一次。
所以这一章，咱们把数据来源掰开揉碎讲清楚。说白了，良率数据就三大类：测试数据、在线监测数据、缺陷检测数据。每一类都有它的脾气。
3.1 测试数据：CP和FT
测试数据是良率分析的“主食”。没有它，你啥都干不了。
3.1.1 CP（Chip Probing，晶圆探针测试）
CP是在晶圆还没划片之前做的测试。探针卡扎到每个die的pad上，通电测功能。这时候测出来的良率，叫CP良率。
我个人习惯把CP良率叫做“裸芯片的体检报告”。它告诉你：这颗die在封装之前，到底是好是坏。
CP数据里最重要的几个字段：
- Bin Code：每个die的测试结果分类。比如Bin1是良品，Bin5是短路，Bin9是漏电流超标。
- 测试参数：比如Vmin、Iddq、频率等。这些参数能帮你定位失效模式。
- Map坐标：每个die在晶圆上的X/Y位置。有了这个，你才能画良率map。
3.1.2 FT（Final Test，最终测试）
FT是芯片封装之后做的测试。这时候芯片已经切下来、焊到基板上了。FT良率通常比CP低一点，因为封装过程会引入新的失效。
FT数据和CP数据长得差不多，但多了一个字段：封装批次号。这个字段很重要，因为你可以用它来追溯封装厂的问题。
| 数据项 | CP | FT |
|---|---|---|
| 测试阶段 | 晶圆级（未封装） | 封装后 |
| 主要失效模式 | 工艺缺陷、光刻问题 | 封装应力、焊接不良 |
| 数据粒度 | 每个die | 每个封装芯片 |
| 良率对比 | 通常较高 | 通常略低 |
你想想看，如果CP良率很高，但FT良率暴跌，那问题大概率出在封装环节。反过来，如果CP良率就低，那得从Fab工艺找原因。
3.2 在线监测数据：SPC
SPC（Statistical Process Control）数据，是你在Fab里每道工序测出来的。比如膜厚、线宽、套刻精度、电阻率等等。
这些数据不直接告诉你芯片好坏，但它们能预警——就像汽车的仪表盘，水温高了你不一定马上爆缸，但你知道该减速了。
SPC数据常见的几个监控项：
- 膜厚（Thickness）：氧化层、氮化硅层厚度。偏厚或偏薄都会影响器件性能。
- CD（Critical Dimension，关键尺寸）：比如栅极长度。CD偏大，芯片速度慢；CD偏小，漏电大。
- 套刻精度（Overlay）：光刻层与层之间的对准精度。套偏了，短路或断路。
我个人习惯是把SPC数据和CP数据做时间对齐。比如，晶圆A在光刻工序的SPC数据是上午8点测的，CP测试是下午2点做的。那这两个数据点之间差了6小时，中间可能还有别的工序在影响。所以对齐的时候要小心，别把因果搞反了。
3.3 缺陷检测数据：KLA/明场/暗场
缺陷检测数据，说白了就是“找茬”。用光学或电子束显微镜，把晶圆上的颗粒、划痕、桥接、空洞统统揪出来。
3.3.1 KLA缺陷检测
KLA是行业里最常用的缺陷检测设备。它用激光扫描晶圆表面，发现异常点就记录下来。KLA数据通常包含：
- 缺陷坐标：X/Y位置，精确到微米级。
- 缺陷大小：比如0.1μm、0.5μm。
- 缺陷类型：颗粒、划痕、桥接、空洞等。
KLA检测分两种模式：明场和暗场。
- 明场（Bright Field）：光源从正上方打下来，反射光被接收。适合检测平坦表面的缺陷，比如膜层上的颗粒。
- 暗场（Dark Field）：光源从侧面打，只有散射光被接收。适合检测边缘、沟槽里的缺陷，比如刻蚀残留。
为什么要有两种模式？你想想看，明场就像白天看东西，暗场就像用手电筒从侧面照。有些缺陷在明场下根本看不见，但暗场下一照就原形毕露。我在项目中遇到过，一个批次良率一直偏低，明场检测啥都没发现，换成暗场才发现是刻蚀残留导致的微短路。
3.3.2 缺陷数据怎么用
缺陷数据最经典的用法是缺陷-良率相关性分析。你把缺陷map和CP良率map叠在一起看，如果某个区域缺陷密度高、良率也低，那基本就锁定了。
举个例子：
# 伪代码：缺陷密度 vs 良率
for each die in wafer:
defect_count = count_defects_in_die(die)
if defect_count > threshold:
mark_die_as_bad()
else:
mark_die_as_good()
当然，实际分析没这么简单。因为不是所有缺陷都会导致失效。有些缺陷落在非关键区域，比如划片槽里，那就不影响良率。所以你需要做关键缺陷筛选——只关注那些落在有源区、栅极、金属连线上的缺陷。
3.4 三类数据的整合思路
做良率分析，你不能只看一类数据。你得把CP/FT、SPC、缺陷数据串起来看。
我个人习惯的流程是这样的：
- 先看CP/FT良率：确认问题有多大。是整体偏低，还是局部失效？
- 再看缺陷map：如果良率map上有明显的空间分布特征（比如边缘差、中心差），那大概率是缺陷问题。
- 最后查SPC：如果缺陷map看不出规律，那可能是工艺参数漂移了。查一下对应工序的SPC数据，看有没有异常。
举个例子：
- CP良率只有70%，map显示晶圆中心区域全是坏die。
- 缺陷map显示中心区域有大量颗粒。
- SPC数据显示光刻胶涂布工序的膜厚均匀性超标了。
那根因就清楚了：光刻胶涂布不均匀，导致中心区域膜厚偏薄，显影后留下残留物，最终导致短路。
好了，这一章就到这里。数据来源搞清楚了，下一章咱们聊聊怎么把这些数据整合到一起，建一个良率分析数据库。嗯，那才是真正开始干活的时候。