1. 课程导论：Defect Density 与良率转换模型在半导体制造中的重要性
在半导体制造中，良率（Yield）直接决定了芯片的制造成本与利润。随着制程节点微缩至纳米级，晶圆表面的微小缺陷（Defect）成为良率损失的主要来源。本课程聚焦于两大核心指标：缺陷密度（Defect Density, DD）与良率转换模型（Yield Model），帮助工程师系统掌握从缺陷监控到良率预测的完整方法论。
1.1 为什么缺陷密度与良率模型至关重要？
晶圆制造过程中，每一道光刻、刻蚀、沉积步骤都可能引入缺陷。这些缺陷若落在芯片有源区，将导致电路短路、断路或性能退化。缺陷密度（单位面积上的缺陷数）是衡量工艺洁净度与稳定性的关键指标。而良率转换模型则建立了缺陷密度与最终良率之间的数学桥梁，使得工程师能够：
- 量化工艺健康度：通过缺陷密度趋势图，快速定位工艺异常。
- 预测产品良率：在流片早期，利用模型估算最终良率，减少试错成本。
- 优化缺陷容忍度：针对不同芯片尺寸与设计规则，设定合理的缺陷密度规格。
- 驱动工艺改进：将良率损失分解为缺陷相关损失与参数相关损失，指导改善方向。
关键认知： 缺陷密度是“过程指标”，良率是“结果指标”。良率转换模型是将过程指标转化为结果指标的数学工具，是半导体制造数据分析的核心技能之一。
1.2 课程目标
完成本课程后，学员将具备以下能力：
| 能力维度 | 具体目标 | 应用场景 |
|---|---|---|
| 概念理解 | 掌握缺陷密度、良率、关键面积（Critical Area）等核心定义 | 日常良率会议沟通 |
| 模型应用 | 熟练使用 Poisson、Murphy、Negative Binomial 等良率模型 | 良率预测与规格制定 |
| 数据分析 | 能够从缺陷检测数据中计算缺陷密度，并拟合良率模型 | 缺陷根因分析 |
| 工程决策 | 基于模型结果，提出工艺改进建议与缺陷容忍度调整方案 | 工艺转移与新产品导入 |
1.3 学习路径
本课程共分为 6 个模块，建议按顺序学习：
- 基础概念：缺陷分类、缺陷密度定义、良率定义。
- 缺陷检测与数据采集：光学检测、电子束检测、缺陷复检流程。
- 良率转换模型理论：Poisson 模型、Murphy 模型、负二项模型及其推导。
- 模型拟合与评估：最大似然估计、拟合优度检验、模型选择。
- 关键面积与芯片布局影响：关键面积提取、缺陷随机分布与聚类效应。
- 案例实战与良率提升：真实晶圆数据建模、缺陷 Pareto 分析、良率改善闭环。
学习建议： 每个模块都配有实际晶圆数据练习。建议学员在本地搭建 Python 环境（推荐使用 Jupyter Notebook），以便跟随课程进行数据建模实践。
1.4 缺陷密度与良率转换模型的关系框架
下图展示了从缺陷检测到良率预测的完整数据流与模型关系：
1.5 课程适用对象与预备知识
- 适用对象：半导体工艺工程师、良率工程师、数据分析师、设备工程师、质量管理人员。
- 预备知识：
- 基础半导体工艺知识（光刻、刻蚀、沉积等基本概念）。
- 基础统计学知识（均值、方差、概率分布）。
- 基础数据分析能力（能够使用 Excel 或 Python 进行简单计算）。
注意： 本课程不涉及器件物理或电路设计细节。如果学员对缺陷的物理成因（如颗粒、划伤、晶体缺陷）需要更深入了解，建议先修读《半导体工艺缺陷分析》基础课程。
1.6 本章小结
本章作为课程导论，明确了缺陷密度与良率转换模型在半导体制造中的核心地位。通过框架图，我们看到了从缺陷检测到良率预测再到工艺改善的完整数据闭环。接下来的章节将逐一深入每个环节，从缺陷检测原理开始，逐步建立良率模型的数学基础与工程实践能力。