1. 良率模型概述

良率（Yield）是半导体制造中最核心的经济与技术指标，直接决定了晶圆厂（Fab）的盈利能力与工艺成熟度。良率模型则是将物理缺陷、工艺波动与最终电性测试结果进行数学关联的桥梁。本章从良率定义出发，系统梳理良率模型在半导体制造中的战略价值，并深入解析三种经典良率模型的数学结构与适用场景。

1.1 良率定义与核心指标

在半导体制造中，良率通常指晶圆上通过电性测试（CP测试）的合格芯片数占芯片总数的比例。根据统计阶段的不同，良率可分为以下关键层级：

1.2 良率模型在半导体制造中的重要性

良率模型不仅是良率预测工具，更是贯穿工艺研发、量产监控与缺陷根因分析的核心决策引擎。其重要性体现在以下四个维度：

• 工艺研发加速：通过模型参数校准，快速识别缺陷密度与工艺窗口的敏感度，缩短工艺开发周期（NPI）。
• 量产良率提升：实时监控模型预测值与实测值的偏差，触发工艺偏差修正（Process Bias Correction），将良率损失控制在最小范围。
• 成本与产能优化：基于良率模型进行晶圆投片量规划，避免因良率波动导致的产能浪费或交付延迟。
• 缺陷根因定位：将模型残差与缺陷空间分布关联，辅助工程师定位光刻热点、CMP碟形缺陷或等离子体损伤区域。

1.3 常见良率模型分类

根据缺陷空间分布假设与统计分布类型，良率模型主要分为三大经典类别：泊松模型、负二项模型与复合模型。下表从数学形式、缺陷假设与适用场景三个维度进行对比：

1.3.1 泊松模型（Poisson Model）

泊松模型是最基础的良率模型，假设缺陷在晶圆表面完全随机分布，每个芯片的缺陷数服从泊松分布。其良率公式为：

Y = exp(-λ)

其中：
λ = D₀ × A
D₀ = 平均缺陷密度（defects/cm²）
A  = 芯片面积（cm²）

模型特点：

• 数学形式简洁，仅需一个参数 λ。
• 适用于芯片面积较小、工艺成熟、缺陷密度低且均匀的场景。
• 实际应用中，泊松模型往往低估良率，因为真实缺陷存在聚集性。

1.3.2 负二项模型（Negative Binomial Model）

负二项模型引入聚类参数 α（也称聚集因子），描述缺陷在晶圆上的非均匀聚集现象。当 α → ∞ 时，负二项模型退化为泊松模型。其良率公式为：

Y = (1 + λ / α)^(-α)

其中：
λ = D₀ × A
α = 聚类参数（α > 0）
当 α → ∞ 时，Y → exp(-λ)  （泊松极限）

模型特点：

• α 越小，缺陷聚集性越强，良率越低。
• α 通常通过最大似然估计（MLE）或矩估计从实测良率数据中校准。
• 是大芯片、先进工艺（如GPU、AI芯片）良率建模的工业标准。

1.3.3 复合模型（Compound Model）

复合模型将缺陷密度 λ 视为随机变量，假设其服从某种先验分布（如Gamma分布、对数正态分布），然后对泊松模型进行积分平均。其通用形式为：

Y = ∫₀^∞ f(λ) · exp(-λ) dλ

其中：
f(λ) = 缺陷密度的概率密度函数
常见选择：λ ~ Gamma(α, β)  →  Y = (β / (β + 1))^α

模型特点：

• 能够捕捉晶圆内、晶圆间、批次间的多层级缺陷密度波动。
• 参数校准需要更多数据支撑，通常需要多层贝叶斯推断。
• 适用于异构集成、3D NAND、先进封装等复杂工艺场景。

1.4 模型选择与参数校准的工程意义

在实际工程中，良率模型的选择并非简单的数学偏好，而是需要结合工艺数据特征、计算资源与业务目标进行综合权衡。以下为模型选择的核心决策流程：

1. 数据探索阶段：收集晶圆缺陷空间分布图（Bitmap），计算缺陷密度均值与方差。若方差 ≈ 均值，倾向泊松模型；若方差 >> 均值，倾向负二项或复合模型。
2. 模型拟合阶段：使用最大似然估计（MLE）或贝叶斯推断进行参数校准，评估拟合优度（如AIC、BIC）。
3. 残差分析阶段：检查模型预测值与实测良率的残差分布，若存在系统性偏差（如晶圆边缘系统性偏低），则需引入工艺偏差修正项。
4. 模型部署阶段：将校准后的模型嵌入良率监控系统，实现实时预测与偏差告警。