3. 良率与敏感性分析核心指标

在Sentaurus TCAD的工艺波动与良率分析流程中，仿真本身只是手段，真正决定结论可信度的是指标体系。良率、失效判据、工艺窗口、Cpk/Ppk、敏感度系数、方差贡献率与蒙特卡洛收敛判据，共同构成一条从“单点仿真”到“统计结论”的完整证据链。理解它们各自的定义、计算方式与相互关系，才能避免出现“跑了几千次蒙特卡洛却说不清结论”的情况。

良率与失效判据：先定义“坏”，再统计“好”

良率（Yield）最直接的定义是：在给定工艺分布下，器件或电路满足全部规格要求的样本比例。若总样本数为N，失效样本数为F，则良率 Y = (N − F) / N。这个公式看似简单，真正的难点在于失效判据（Failure Criterion）的设定。

失效判据必须来自设计规格，而不是仿真结果本身。以MOSFET为例，常见判据包括：阈值电压Vth落在目标窗口内、饱和电流Ion不低于下限、关态电流Ioff不高于上限、亚阈值摆幅SS不超过限值、击穿电压BV满足要求。对于多指标器件，通常采用“任一指标越界即判失效”的逻辑，也可以按应用场景设置加权评分。需要强调的是，判据中的上下限应来自电路设计或产品规格，TCAD的作用是预测分布，而不是反过来用仿真分布去“凑”一个好看的良率。

在Sentaurus中，失效判据通常通过脚本对每次仿真结果进行后处理判断。例如，从Id-Vg曲线中提取Vth和SS，从Id-Vd曲线中提取Ion，再与规格表比较。判据一旦确定，就应在整个分析中保持一致，否则不同批次的良率数字不可比。

工艺窗口：良率对参数漂移的容忍边界

工艺窗口（Process Window）描述的是：在保证良率达标的前提下，关键工艺参数允许波动的范围。它回答的是“工艺控制到什么程度才够用”。例如，若栅氧厚度tox的目标值为1.2 nm，而良率分析显示tox在1.15～1.25 nm内良率仍高于99%，则这个区间就是tox的工艺窗口。

工艺窗口与失效判据的关系是：判据定义“器件是否合格”，工艺窗口定义“工艺参数能漂多远仍合格”。在实际分析中，常通过扫描单个参数（如tox、Lg、掺杂浓度）并观察良率曲线，找到良率开始快速下降的拐点，从而确定窗口边界。多参数情况下，工艺窗口是一个多维区域，需要结合敏感度分析来识别主导参数。

Cpk与Ppk：把良率翻译成工艺能力指数

良率是一个“结果指标”，而Cpk/Ppk是“能力指标”，它们把分布与规格的关系量化。设规格下限为LSL，上限为USL，样本均值为μ，标准差为σ，则：

Cp  = (USL − LSL) / (6σ)
Cpk = min[(USL − μ) / (3σ), (μ − LSL) / (3σ)]
Ppk = min[(USL − μ̄) / (3s), (μ̄ − LSL) / (3s)]

其中Cpk使用组内标准差（短期能力），Ppk使用整体标准差（长期表现）。在TCAD蒙特卡洛分析中，通常更关注Ppk，因为工艺波动本身包含长期漂移。Cpk/Ppk越大，说明分布中心越靠近规格中心、分布越窄，良率越高。经验上，Ppk≥1.33对应约99.99%的良率水平，Ppk≥1.67则更为稳健。需要注意的是，Cpk/Ppk假设分布近似正态；若仿真分布明显偏斜或双峰，应直接看良率与直方图，而不能只依赖指数。

敏感度系数与方差贡献率：找出“谁在捣乱”

敏感度系数（Sensitivity Coefficient）衡量的是：某个工艺参数变化一个单位时，目标指标变化多少。常用形式为归一化敏感度：

S_i = (ΔY / Y) / (ΔX_i / X_i)

它表示参数X_i相对变化1%时，目标Y相对变化百分之几。敏感度越大，说明该参数越关键。在Sentaurus中，可以通过单参数扫描或蒙特卡洛回归得到敏感度。

方差贡献率（Variance Contribution）则从统计角度回答“目标指标的波动中，有多少来自这个参数”。若各参数近似独立，贡献率可表示为：

Contribution_i = (S_i² · σ_i²) / σ_total²

其中σ_i是参数X_i的标准差，σ_total是目标指标的总标准差。方差贡献率之和接近100%，它能直接指导工艺控制优先级：贡献率高的参数应优先收紧控制或优化工艺。敏感度系数看“方向与强度”，方差贡献率看“波动份额”，两者结合才能形成完整的参数重要性排序。

蒙特卡洛收敛判据：什么时候可以停

蒙特卡洛分析的核心问题是：跑多少次才够？收敛判据通常从三个层面判断。第一，良率估计的统计误差。若良率为Y，样本数为N，则标准误差约为sqrt(Y(1−Y)/N)。例如Y=99%，N=1000时标准误差约0.31%，若要求误差小于0.5%，则N需足够大。第二，关键指标均值与标准差的稳定性。可以监控Vth均值随样本数的变化，当连续若干批样本的均值波动小于设定阈值（如0.5 mV）时，认为均值收敛。第三，敏感度与方差贡献率的稳定性。当主导参数的贡献率排序不再变化、数值波动小于几个百分点时，说明统计结论已稳定。

实际做法是：先跑200～500次粗看分布与主导参数，再逐步增加到2000～5000次，观察良率、Ppk和贡献率是否稳定。若良率极高（如99.9%以上），需要更多样本才能捕捉到失效样本，此时可结合重要性采样或尾部分布建模，而不是盲目增加次数。

指标之间的协同使用

这些指标不是孤立的。一个典型的分析闭环是：先根据产品规格确定失效判据，再用蒙特卡洛仿真得到指标分布，计算良率和Ppk；若良率不达标，通过敏感度系数和方差贡献率找出主导参数；然后针对主导参数收紧工艺窗口或调整设计；最后用收敛判据确认新的良率估计是否稳定。整个过程可以概括为“判据定边界、仿真出分布、良率看结果、能力指数看余量、敏感度找主因、收敛判稳定”。