1. Yield Explorer概述
1.1 软件定位
Yield Explorer 是面向半导体制造全流程的良率分析与参数可视化平台，定位为“从晶圆测试数据到根因定位”的中枢工具。它不直接控制设备，也不替代统计过程控制（SPC）系统，而是聚焦于多源数据融合、交互式探索、模式识别与报告生成，帮助良率工程师在数分钟内完成从“发现良率异常”到“锁定嫌疑参数”的闭环。
核心定位：Yield Explorer 是连接“测试数据”与“工艺决策”的桥梁，填补了传统 EDA（工程数据分析）工具在交互式可视化与自动化根因分析之间的空白。
1.2 在半导体良率管理中的核心价值
半导体良率管理涉及晶圆制造、封装测试、最终测试等多个环节，数据量级从 GB 到 TB 不等。Yield Explorer 在以下四个维度提供不可替代的价值：
| 价值维度 | 具体说明 | 典型指标 |
|---|---|---|
| 数据融合 | 整合 CP 测试、FT 测试、WAT 参数、缺陷检测、设备状态等多源异构数据 | 数据接入种类 ≥ 10 种 |
| 交互探索 | 支持晶圆图（Wafer Map）、箱线图、散点矩阵、参数分布等 20+ 种可视化组件 | 单图渲染 < 2 秒（百万级点） |
| 根因定位 | 通过相关性分析、决策树、空间模式匹配等方法自动推荐嫌疑参数 | 根因定位准确率 ≥ 85% |
| 报告自动化 | 一键生成良率日报、周报、异常事件分析报告，支持 PDF/HTML 导出 | 报告生成时间 < 30 秒 |
1.3 典型应用场景
Yield Explorer 覆盖从研发到量产的多个阶段，以下为三个最典型的应用场景：
- 场景一：量产良率监控与异常预警
每日自动拉取 CP/FT 测试数据，通过晶圆图热力图实时监控良率分布。当某批次良率低于阈值（如 92%）时，系统自动触发预警并推送嫌疑参数列表。 - 场景二：低良率批次根因分析
针对良率骤降的批次，使用“参数对比”功能将正常批次与异常批次的 WAT 参数分布进行叠加对比，结合决策树模型自动识别关键分界点（如 Vt 偏移 > 50mV）。 - 场景三：新工艺研发阶段的参数窗口探索
在工艺开发初期，通过散点矩阵和 3D 参数空间图，探索多个工艺参数（如注入剂量、退火温度、栅氧厚度）与良率的非线性关系，辅助定义工艺窗口。
实战提示：在量产环境中，建议将 Yield Explorer 与 MES（制造执行系统）和 EAP（设备自动化平台）进行 API 对接，实现数据流的全自动触发，避免人工导入导出的延迟。
1.4 Yield Explorer 软件架构总览
为了帮助理解 Yield Explorer 的数据流转与模块关系，下图展示了其核心软件架构：
1.5 关键能力对比：Yield Explorer vs 传统工具
为了更直观地理解 Yield Explorer 的差异化优势，下表将其与传统 EDA 工具和通用 BI 工具进行对比：
| 能力维度 | Yield Explorer | 传统 EDA 工具 | 通用 BI 工具 |
|---|---|---|---|
| 晶圆图原生支持 | ✅ 内置 20+ 种晶圆图模板，支持 bin 图、参数图、缺陷叠加图 | ⚠️ 需手动编写脚本绘制 | ❌ 不支持 |
| 根因分析自动化 | ✅ 内置决策树、随机森林、相关性矩阵自动推荐 | ⚠️ 仅提供基础统计函数 | ❌ 需外挂 Python/R |
| 大数据量交互 | ✅ 百万级点秒级渲染，支持 WebGL 加速 | ⚠️ 万级点以上卡顿 | ✅ 依赖后端聚合 |
| 报告自动化 | ✅ 一键生成，支持模板自定义 | ❌ 手动截图拼报告 | ⚠️ 需配置复杂仪表板 |
| 半导体领域知识库 | ✅ 内置良率公式、CP/FT 标准字段映射、常见失效模式库 | ❌ 无领域知识 | ❌ 无领域知识 |
选型注意：虽然 Yield Explorer 在半导体良率分析领域功能强大，但它并非万能。对于设备实时控制、SPC 在线监控等场景，仍需配合专用的设备自动化系统（如 EAP）和统计过程控制软件使用。Yield Explorer 更擅长“事后分析”与“根因定位”。