2. 良率模型：泊松模型、负二项模型、复合模型及其适用场景
在芯片制造与测试领域，良率（Yield）是衡量工艺成熟度与产品质量的核心指标。良率模型通过数学统计方法，将缺陷密度、芯片面积与最终合格率关联起来，为BIST设计中的测试覆盖率目标设定提供理论依据。本章深入剖析三种主流良率模型：泊松模型、负二项模型与复合模型，并明确其适用场景。
核心概念：良率模型的核心在于描述缺陷在晶圆上的空间分布。泊松模型假设缺陷随机均匀分布；负二项模型引入缺陷聚集效应；复合模型则通过多参数拟合实际生产数据，适用于复杂工艺节点。
2.1 泊松模型（Poisson Model）
泊松模型是最基础、最经典的良率模型，由B. T. Murphy于1964年提出。其基本假设为：缺陷在晶圆上完全随机、独立且均匀分布，单位面积内的缺陷数服从泊松分布。
数学表达式：
Y = e^(-A × D₀)其中：
- Y：芯片良率（0~1）
- A：芯片面积（cm²）
- D₀：平均缺陷密度（defects/cm²）
适用场景：
- 小面积芯片（A < 0.1 cm²）
- 成熟、稳定的工艺节点（如90nm以上）
- 缺陷密度极低且分布均匀的晶圆
- 快速估算良率上限
局限性：泊松模型严重低估实际良率，因为真实制造中缺陷往往呈现聚集性（Clustering），而非完全随机。对于大面积芯片或先进工艺（如7nm/5nm），泊松模型误差可达10%~30%。
2.2 负二项模型（Negative Binomial Model）
负二项模型是目前业界应用最广泛的良率模型，由Stapper等人于1970年代提出。该模型引入聚集参数（Clustering Parameter）α，描述缺陷在晶圆上的聚集程度，克服了泊松模型过于理想的假设。
数学表达式：
Y = (1 + A × D₀ / α)^(-α)其中：
- α：聚集参数（α > 0）。α → ∞ 时退化为泊松模型；α → 0 时缺陷高度聚集。
- A：芯片面积（cm²）
- D₀：平均缺陷密度（defects/cm²）
适用场景：
- 中等至大面积芯片（A > 0.1 cm²）
- 先进工艺节点（65nm及以下）
- 存在明显缺陷聚集效应的晶圆
- BIST测试覆盖率目标设定中的良率基准
工程经验：在0.13μm~28nm工艺中，α值通常落在0.5~5之间。α越小，缺陷聚集越严重，良率越低。BIST设计时，需根据α值调整测试向量冗余度，确保覆盖聚集缺陷区域。
2.3 复合模型（Compound Model）
复合模型通过将多个基础模型加权组合，或引入更多工艺参数，实现对实际良率数据的精确拟合。常见的复合模型包括Murphy模型、Seeds模型以及通用负二项复合模型。
Murphy模型（1964）：
Y = [(1 - e^(-A × D₀)) / (A × D₀)]²该模型假设缺陷密度服从Gamma分布，适用于中等聚集程度。
Seeds模型（1967）：
Y = 1 / (1 + A × D₀)该模型形式简单，适用于缺陷高度聚集的场景。
通用复合模型框架：
Y = ∫₀^∞ e^(-A × D) × f(D) dD其中 f(D) 为缺陷密度的概率密度函数（如Gamma、Weibull、对数正态分布）。
适用场景：
- 先进工艺节点（7nm及以下），缺陷分布复杂
- 多工艺层混合缺陷（如FEOL+BEOL）
- 良率数据呈现多峰或长尾分布
- BIST设计需要高精度良率预测以优化测试成本
BIST设计关联：复合模型能够更准确地预测测试覆盖率缺口。例如，当缺陷聚集在特定区域（如SRAM阵列）时，BIST需针对该区域增加March算法深度，确保覆盖聚集缺陷。复合模型帮助DFT工程师量化“需要多少额外测试向量才能弥补良率损失”。
2.4 模型对比与BIST设计关联
| 模型 | 数学形式 | 关键参数 | 缺陷分布假设 | 适用工艺 | BIST设计影响 |
|---|---|---|---|---|---|
| 泊松模型 | Y = e^(-A·D₀) | D₀ | 完全随机 | 成熟工艺（≥90nm） | 测试覆盖率要求较低 |
| 负二项模型 | Y = (1 + A·D₀/α)^(-α) | D₀, α | 聚集分布 | 先进工艺（65nm~7nm） | 需针对聚集区域增加BIST深度 |
| 复合模型 | Y = ∫e^(-A·D)·f(D)dD | 多参数 | 复杂/多峰分布 | 尖端工艺（≤5nm） | 需动态调整BIST测试模式 |
BIST设计实践：在7nm工艺节点下，某SoC芯片（面积400mm²）采用负二项模型（α=1.5）预测良率为72%，而泊松模型仅预测58%。基于负二项模型，DFT团队将SRAM BIST的March算法从March C-升级为March LR，测试覆盖率从92%提升至98%，最终良率提升至70.5%，接近理论值。
2.5 模型选择流程
- 收集数据：获取晶圆测试（WAT）缺陷密度数据、芯片面积、良率历史记录。
- 初步筛选：若芯片面积 < 0.1 cm² 且工艺成熟，优先使用泊松模型。
- 聚集参数估计：通过最大似然估计（MLE）或矩估计法计算α值。
- 模型拟合：使用负二项模型拟合数据，计算拟合优度（R²）。
- 复杂场景：若R² < 0.95，或数据呈现多峰分布，升级为复合模型。
- BIST覆盖率映射：根据模型预测的缺陷分布，确定BIST测试向量冗余度与March算法深度。
常见误区：不要盲目使用泊松模型估算先进工艺良率。在7nm节点，泊松模型误差可达20%以上，导致BIST测试覆盖率设计不足，最终良率损失严重。始终优先使用负二项模型，并通过复合模型进行验证。
通过本章学习，DFT工程师应能够根据芯片面积、工艺节点与缺陷数据，选择最合适的良率模型，并将模型输出转化为BIST测试覆盖率的具体设计指标，实现测试成本与良率的最优平衡。