4、缺陷空间分布分析：晶圆图(Wafer Map)分析、缺陷聚类算法、空间相关性建模

各位工程师，大家好。今天我们聊一个非常“视觉化”的话题——缺陷空间分布分析。

说实话，干良率这行，你每天看得最多的图，可能就是晶圆图（Wafer Map）。一张图里，几百颗芯片，哪些好哪些坏，一目了然。但问题来了：这些坏掉的芯片，是随机分布的，还是扎堆出现的？

我个人的经验是，90%以上的良率问题，都跟“扎堆”有关。随机失效通常来自晶圆本身的本征缺陷，很难根除。但扎堆的失效，往往意味着某个工艺步骤出了问题——比如光刻机的焦点偏移、CMP的研磨不均、或者刻蚀机的气体流量波动。

所以，学会分析晶圆图，就是学会“看图说话”。

4.1 晶圆图（Wafer Map）基础分析

先说说晶圆图长什么样。简单讲，它就是一张二维平面图，每个格子代表一颗芯片（Die）。颜色通常代表测试结果：绿色是良品，红色是失效品，灰色是边缘的无效芯片。

我建议你拿到一张晶圆图后，先做三件事：

1. 看整体良率：红色多不多？分布均匀吗？
2. 看边缘效应：是不是边缘的芯片更容易坏？这通常跟刻蚀速率或CMP边缘效应有关。
3. 看中心效应：中心区域有没有明显的“红团”？这可能是光刻胶涂布不均或温度梯度造成的。

举个例子，我曾经遇到过一个项目，晶圆图显示良率只有65%，但所有失效芯片都集中在晶圆边缘一圈。当时很多人怀疑是光刻对准问题。我坚持让他们去查CMP的研磨头压力分布。结果呢？果然是CMP边缘压力偏大，导致边缘金属线被磨断了。换了个研磨头，良率直接跳到82%。

4.2 缺陷聚类算法

肉眼观察完了，接下来就要用算法来量化“扎堆”的程度。这就是缺陷聚类分析。

常用的聚类算法有几种，我挑两个最实用的讲讲：

4.2.1 DBSCAN（基于密度的空间聚类）

DBSCAN是我个人最常用的算法。为什么？因为它不需要你事先告诉它“有几个簇”。你想想看，在良率爬坡阶段，你根本不知道缺陷会形成几个团，DBSCAN正好能自动识别。

它的核心参数就两个：

• eps：两个点被认为是“邻居”的最大距离。在晶圆图上，我通常设为芯片间距的1.5倍。
• min_samples：形成一个簇所需的最小点数。我一般设为3或5，太少了容易把随机噪声也当成簇。

代码实现也很简单，我贴一段Python示例：

from sklearn.cluster import DBSCAN
import numpy as np

# 假设fail_coords是失效芯片的坐标列表，格式为[[x1,y1],[x2,y2],...]
fail_coords = np.array(fail_coords)

# 计算芯片间距（假设已知）
die_pitch = 10.0  # 单位mm

# 设置参数
eps = die_pitch * 1.5
min_samples = 3

# 执行聚类
clustering = DBSCAN(eps=eps, min_samples=min_samples).fit(fail_coords)

# 获取每个点的簇标签（-1表示噪声点）
labels = clustering.labels_

# 统计每个簇的大小
unique_labels, counts = np.unique(labels[labels != -1], return_counts=True)
print(f"发现 {len(unique_labels)} 个缺陷簇")
for label, count in zip(unique_labels, counts):
    print(f"簇 {label}: {count} 颗芯片")

4.2.2 基于网格的聚类

DBSCAN虽然好用，但遇到晶圆边缘的弧形区域时，效果不太好。这时候我推荐用基于网格的方法。

思路很简单：把晶圆图划分成若干个小网格（比如10x10），统计每个网格内的失效芯片数量。如果某个网格的失效数超过阈值，就标记为“热点区域”。

这种方法的好处是：速度快，且不受晶圆形状影响。坏处是：网格大小需要人工调整。

4.3 空间相关性建模

聚类算法告诉我们“哪里有问题”，但空间相关性建模要回答的是：“这个问题的严重程度，跟距离有什么关系？”

说白了，就是量化“扎堆”的强度。

4.3.1 莫兰指数（Moran's I）

莫兰指数是空间统计学里的经典指标。它的取值范围是[-1, 1]：

• 接近1：强正相关，缺陷高度聚集。
• 接近0：随机分布。
• 接近-1：负相关，缺陷均匀分散（这种情况很少见）。

我一般在良率爬坡初期，每天计算一次莫兰指数。如果指数突然从0.3跳到0.7，那就要警惕了——说明某个工艺步骤正在产生系统性缺陷。

计算莫兰指数需要定义“空间权重矩阵”。我常用的方法是：如果两颗芯片的距离小于某个阈值（比如3倍芯片间距），就认为它们相邻。

import numpy as np
from scipy.spatial.distance import pdist, squareform

def morans_i(fail_coords, threshold=30.0):
    """
    计算莫兰指数
    fail_coords: 失效芯片坐标，shape=(n,2)
    threshold: 相邻距离阈值
    """
    n = len(fail_coords)
    if n < 2:
        return 0.0
    
    # 计算距离矩阵
    dist_matrix = squareform(pdist(fail_coords))
    
    # 构建空间权重矩阵（0-1矩阵）
    w = (dist_matrix < threshold).astype(float)
    np.fill_diagonal(w, 0)  # 自己不算邻居
    
    # 计算莫兰指数
    z = fail_coords[:, 0]  # 用x坐标作为属性值（也可以换成其他指标）
    z_mean = np.mean(z)
    z_dev = z - z_mean
    
    numerator = np.sum(w * np.outer(z_dev, z_dev))
    denominator = np.sum(z_dev ** 2)
    s0 = np.sum(w)
    
    if denominator == 0 or s0 == 0:
        return 0.0
    
    i = (n / s0) * (numerator / denominator)
    return i

# 使用示例
i_value = morans_i(fail_coords, threshold=30.0)
print(f"莫兰指数: {i_value:.3f}")

4.3.2 半变异函数（Semivariogram）

如果说莫兰指数是一个“总评分”，那半变异函数就是一张“距离-相关性”的关系图。

它的横轴是距离，纵轴是半变异值。半变异值越小，说明距离越近的芯片，失效模式越相似。我通常用它来判断“缺陷的影响范围有多大”。

举个例子，如果半变异函数在距离20mm处达到平稳，那就说明：距离超过20mm的两颗芯片，失效模式基本不相关。这个20mm，就是缺陷的“影响半径”。

在实际项目中，我经常用这个半径来指导工艺排查。比如，如果影响半径是10mm，那我会重点检查光刻机的扫描狭缝宽度；如果半径是50mm，那可能是CMP的研磨头尺寸问题。

4.4 实战建议：如何建立分析流程

好了，理论讲完了。我给大家总结一个我常用的分析流程：

1. 第一步：肉眼扫描。看晶圆图，记录明显的空间模式（边缘、中心、带状、随机）。
2. 第二步：DBSCAN聚类。自动识别缺陷簇，统计每个簇的大小和位置。
3. 第三步：计算莫兰指数。量化整体聚集程度，判断是否异常。
4. 第四步：拟合半变异函数。确定缺陷的影响半径。
5. 第五步：关联工艺参数。把影响半径跟设备参数对应起来，找到根因。

这个流程我用了好几年，在多个项目上都验证过。你刚开始用的时候可能会觉得麻烦，但习惯了之后，你会发现它比单纯看晶圆图要高效得多。

好了，今天就聊到这里。下一章我们会讲“良率预测与根因定位”，到时候会用到今天讲的空间分析结果。记得把代码跑一跑，有问题随时交流。