📚 课程目录第2章概率统计基础

2. 概率统计基础：随机变量、概率分布（正态分布、均匀分布）、均值与方差

在半导体工艺波动分析与蒙特卡洛仿真中，概率统计是描述器件参数不确定性的数学语言。本章将系统梳理随机变量、概率分布以及均值与方差的核心概念，为后续的SPICE蒙特卡洛分析奠定理论基础。

  核心认知：工艺波动本质上是随机现象，每个晶圆上的器件参数（如阈值电压Vth、栅氧厚度Tox）都是随机变量的具体实现。理解其分布规律，是量化良率与可靠性的前提。

随机变量是定义在样本空间上的实值函数，它将随机试验的结果映射为数值。在半导体工艺中，随机变量分为两类：

类型	定义	工艺实例	取值特征
离散随机变量	取值可数（有限或无限可列）	晶圆缺陷数量、掺杂原子个数	整数，如0, 1, 2, …
连续随机变量	取值充满某个区间（不可数）	阈值电压V_th、沟道长度L、栅氧厚度T_ox	实数，如1.2V ± 0.05V

在SPICE器件建模中，绝大多数工艺参数属于连续随机变量。例如，NMOS的阈值电压V_th在标称值0.5V附近波动，其波动范围通常由工艺代际决定（如±3σ）。

建模提示：在SPICE网表中，随机变量通常通过参数化语句定义，例如 .param vth_nom=0.5，然后在蒙特卡洛分析中通过 AGAUSS 或 AUNIF 函数引入波动。

_th / T_ox / L 器件性能 Y I_ds / g_m / f_T 映射函数：Y = f(X) SPICE模型将工艺随机变量 X 映射为电学性能 Y 蒙特卡洛分析通过多次采样 X 的分布，统计 Y 的分布

概率分布函数完整描述了随机变量取值的可能性。在工艺波动分析中，最常用的两种分布是正态分布和均匀分布。

正态分布是自然界中最常见的分布，也是半导体工艺波动的主要模型。其概率密度函数（PDF）为：

f(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))

其中：

在SPICE蒙特卡洛分析中，正态分布用于模拟由大量独立微小因素叠加引起的工艺波动，如掺杂浓度的随机涨落、栅氧厚度的均匀性偏差等。

工艺参数	典型均值 μ	典型标准差 σ	3σ 范围
阈值电压 V_th (NMOS)	0.50 V	15 mV	0.455 V ~ 0.545 V
栅氧厚度 T_ox	2.0 nm	0.05 nm	1.85 nm ~ 2.15 nm
沟道长度 L	28 nm	0.7 nm	25.9 nm ~ 30.1 nm

工程注意：正态分布假设波动是对称的，但实际工艺中可能存在偏斜（如刻蚀速率分布）。此时需考虑对数正态分布或使用Box-Cox变换。在SPICE中，AGAUSS 函数默认生成标准正态分布，需通过 μ + σ * AGAUSS(0,1) 转换为目标分布。

均匀分布表示在指定区间 [a, b] 内所有取值等可能。其概率密度函数为：

f(x) = 1 / (b - a),  a ≤ x ≤ b
f(x) = 0,           其他

在工艺波动分析中，均匀分布适用于：

均值和方差是描述随机变量分布的两个核心数字特征，它们分别刻画了分布的中心位置和离散程度。

均值是随机变量取值的加权平均，反映了分布的集中趋势。对于连续随机变量：

E[X] = μ = ∫ x · f(x) dx

在工艺波动中，均值对应参数的标称设计值。例如，若NMOS阈值电压的均值为0.5V，则设计电路时通常以此值为基准进行DC工作点设计。

方差衡量随机变量取值偏离均值的程度：

Var[X] = σ² = E[(X - μ)²] = ∫ (x - μ)² · f(x) dx

标准差 σ 是方差的平方根，与原始参数具有相同量纲，更便于工程理解。在工艺波动中，标准差直接反映了工艺控制的精度。

  工程经验：在先进工艺节点（如7nm以下），阈值电压的变异系数 CV 通常控制在 3%~8% 之间。若 CV > 10%，则电路设计需采用统计设计方法（如冗余设计、自适应偏置）来保证良率。

在实际工艺数据中，我们通常通过有限样本估计总体参数。给定 n 个样本 x₁, x₂, …, xₙ：

样本均值：x̄ = (1/n) * Σ xᵢ
样本方差：s² = (1/(n-1)) * Σ (xᵢ - x̄)²

注意样本方差使用 n-1 作为分母（贝塞尔校正），以保证无偏估计。在SPICE蒙特卡洛分析中，仿真次数 n 通常取 100~1000 次，以确保样本统计量稳定。