3、良率损失模型：泊松模型、负二项模型、复合模型在良率预测中的应用
在半导体制造中，良率预测是成本控制与产能规划的核心。由于晶圆上的缺陷分布具有随机性，统计模型成为量化良率损失的关键工具。本章深入解析三种经典良率模型——泊松模型、负二项模型与复合模型，阐明其数学原理、适用场景及实战应用方法。
核心要点： 泊松模型适用于缺陷完全随机分布的理想场景；负二项模型通过引入聚集因子处理缺陷成簇现象；复合模型则结合工艺分区与缺陷密度分布，实现更精准的良率预测。
3.1 泊松良率模型
泊松模型是最基础的良率预测模型，假设缺陷在晶圆上完全随机、独立分布，且每个缺陷都会导致芯片失效。其数学表达式为：
Y = exp(-D₀ × A)
其中：
Y —— 芯片良率
D₀ —— 平均缺陷密度（defects/cm²）
A —— 芯片面积（cm²）该模型适用于缺陷密度极低、工艺成熟且缺陷分布均匀的场景。然而，实际生产中缺陷往往呈现聚集性，导致泊松模型预测结果偏保守（预测良率偏低）。
| 特性 | 泊松模型 | 适用条件 |
|---|---|---|
| 缺陷分布假设 | 完全随机、独立 | 成熟工艺、低缺陷密度 |
| 良率公式 | Y = exp(-D₀A) | 芯片面积较小 |
| 预测偏差 | 偏保守（低估良率） | 缺陷聚集时偏差增大 |
| 计算复杂度 | 低 | 快速估算 |
实战提示： 在先进节点（如7nm以下）的早期研发阶段，缺陷密度较高且分布不均，直接使用泊松模型会导致良率预测严重偏低。建议先做缺陷空间分布检验（如Moran's I统计量），确认随机性后再使用。
3.2 负二项良率模型
负二项模型（又称大缺陷模型）引入聚集因子α，描述缺陷在晶圆上成簇分布的现象。当α → ∞时，退化为泊松模型；当α较小时，缺陷聚集性显著。其良率公式为：
Y = (1 + D₀ × A / α)^(-α)
其中：
α —— 聚集因子（clustering factor）
α → ∞ → 泊松模型
α → 0 → 缺陷高度聚集α值通常通过历史缺陷数据拟合得到。在逻辑芯片制造中，α值一般在0.5~5之间，值越小表示缺陷聚集越严重。
| α值范围 | 聚集程度 | 典型工艺阶段 | 良率预测偏差 |
|---|---|---|---|
| α > 5 | 弱聚集 | 成熟量产、低缺陷密度 | 接近泊松模型 |
| 1 < α ≤ 5 | 中等聚集 | 量产爬坡期 | 需修正泊松预测 |
| α ≤ 1 | 强聚集 | 研发初期、新工艺导入 | 泊松模型严重低估 |
注意： 负二项模型假设缺陷聚集程度在整个晶圆上一致。实际生产中，晶圆边缘与中心区域的缺陷密度往往不同，此时需要分区建模或使用复合模型。
3.3 复合良率模型
复合模型将晶圆划分为多个区域，每个区域使用独立的缺陷密度分布函数，再通过加权求和得到整体良率。该模型能够处理晶圆内缺陷密度非均匀分布的问题，是工业界最常用的高精度良率预测方法。
Y_total = Σ(wᵢ × Yᵢ)
其中：
wᵢ —— 第i个区域的面积权重
Yᵢ —— 第i个区域的局部良率（使用泊松或负二项模型计算）常见的复合模型包括：
- 分区泊松模型：将晶圆按径向或网格分区，每区独立计算泊松良率后加权
- 混合负二项模型：不同区域使用不同的α值，适应局部缺陷聚集特征
- 核密度估计模型：基于历史缺陷图，使用核密度函数拟合缺陷密度空间分布
| 复合模型类型 | 分区方式 | 局部模型 | 精度 | 计算开销 |
|---|---|---|---|---|
| 分区泊松 | 径向环/网格 | 泊松 | 中等 | 低 |
| 混合负二项 | 缺陷密度聚类 | 负二项 | 高 | 中 |
| 核密度估计 | 连续密度场 | 泊松/负二项 | 最高 | 高 |
实战案例： 某28nm逻辑芯片，晶圆直径300mm，芯片面积100mm²。使用分区泊松模型将晶圆分为中心区（r<60mm）、中间区（60≤r<120mm）和边缘区（r≥120mm），缺陷密度分别为0.05、0.12、0.25 defects/cm²。计算得到整体良率比单一泊松模型高8.3%，与实际量产良率偏差仅1.2%。
3.4 模型选择与实战应用流程
在实际良率预测中，模型选择需综合考虑工艺成熟度、缺陷数据质量和计算资源。以下为推荐的实战应用流程：
- 数据收集与清洗：获取至少10批次的晶圆缺陷扫描数据，剔除异常晶圆
- 缺陷分布检验：计算缺陷密度的均值与方差比（方差/均值），若比值接近1则使用泊松模型，若显著大于1则考虑负二项或复合模型
- 模型参数拟合：使用最大似然估计（MLE）拟合α值或分区密度参数
- 模型验证：用历史数据做交叉验证，计算预测良率与实际良率的均方根误差（RMSE）
- 良率预测与监控：将模型部署到产线，实时更新缺陷密度参数，动态预测良率
最佳实践： 建议同时维护三个模型（泊松、负二项、复合），在产线监控看板上并行显示预测结果。当复合模型与泊松模型预测偏差超过5%时，触发缺陷聚集告警，提示工艺工程师排查异常机台或工艺步骤。
3.5 模型精度对比与验证
下表展示了三种模型在某12英寸晶圆厂的实际验证结果（基于50批次量产数据）：
| 模型 | 平均预测良率 | 实际良率 | 偏差 | RMSE |
|---|---|---|---|---|
| 泊松模型 | 72.3% | 81.5% | -9.2% | 10.8% |
| 负二项模型（α=1.8） | 79.8% | 81.5% | -1.7% | 3.2% |
| 复合模型（3分区） | 81.1% | 81.5% | -0.4% | 1.5% |
从数据可以看出，复合模型在精度上具有明显优势，但需要更多的历史数据支撑分区参数拟合。在实际工程中，建议根据数据量和计算资源选择合适模型，并在产线运行中持续迭代优化。