WAT/CP测试数据分析：从海量数据中挖掘良率密码
先说清楚：WAT和CP到底测的是什么
经常有人把WAT和CP搞混，觉得都是”测晶圆”。其实它们测的东西、测的时机、回答的问题完全不一样。
WAT（Wafer Acceptance Test），中文叫晶圆可接受性测试，也有叫PCM（Process Control Monitor）的。它测的不是你的产品die，而是wafer上专门留出来的测试结构——scribe line上的TEG（Test Element Group）。时间点是在前道工艺全部跑完、切割之前。说白了，WAT回答的问题是：“这批wafer的工艺做得怎么样？”
CP（Circuit Probe），也叫wafer sort或者EWS（Electrical Wafer Sort），是在WAT之后，用探针卡直接扎到每颗die上去测。它回答的问题是：“这颗die能不能用？” 测完之后每颗die会被分到不同的bin里——bin 1是好的，其他bin对应不同的失效模式。
打个不太严谨的比方：WAT像是体检报告，看你各项指标正不正常；CP像是上岗考试，直接决定你能不能上班。体检过了不代表考试能过，但体检指标要是飘了，考试大概率要出问题。
WAT到底测哪些参数
WAT测的都是器件级的电学参数，具体测哪些取决于你的工艺平台。拿一个典型的BCD工艺来说，我经手过的一个平台，WAT参数有87项，这还不算多的。主要包括：
MOSFET相关的：阈值电压Vth（NMOS和PMOS都要测，不同沟道长度可能各测几个）、饱和漏电流Idsat、亚阈值摆幅SS、漏致势垒降低DIBL。这几项直接反映栅氧质量和沟道掺杂水平。我见过一次Vth偏了30mV，最后查出来是离子注入的剂量漂了2%。
电阻相关的：多晶硅方块电阻Rsp、金属层方块电阻Rs、接触孔电阻Rc、通孔电阻Rvia。这些参数对数字电路的时序影响很大，对模拟电路就更不用说了。Rc偏高通常指向接触孔刻蚀不干净或者barrier层沉积的问题。
结特性：PN结击穿电压BV、漏电流leakage。功率器件尤其关注BV，因为这直接决定了你的耐压等级能不能达标。有一次我们一个40V的LDMOS，BV从42V掉到了38V，整个lot直接报废，后来追到是STI填充出了void。
电容和可靠性结构：栅氧电容Cox、TDDB测试结构、电迁移测试条。这些跟长期可靠性直接挂钩。
每片wafer上一般有9到17个test site，分布在wafer的中心、边缘和中间区域。一个标准的25片lot，就是225到425组WAT数据。每组87个参数，一个lot下来就是将近两万个数据点。
CP测的又是什么
CP是真正面对每一颗die的。300mm wafer上，根据die size不同，可能有几百到上万颗die。一颗die上的测试项可能从几十项到几千项不等，取决于产品复杂度。
CP测试大致分两类：
参数测试：实际去量每个pin的静态电流IDD、输出驱动能力、基准电压精度、ADC的INL/DNL这些。这类测试结果是连续值，可以做分布分析。
功能测试：给die灌pattern，看输出对不对。数字逻辑部分主要靠这种方式，结果是pass或fail，比较”硬”。
测完之后每颗die会被打上bin code。一般bin 1是全部pass的好die，bin 2可能是降级品（比如速度没达到最高等级但还能用），bin 3往后就是各种不同原因的fail。一个成熟产品的CP yield能做到95%以上，但新产品刚开始跑的时候，60%-70%都是常态，良率爬坡就是从这个阶段开始的。
数据量到底有多大
我算过一笔账。假设一片300mm wafer上有600颗die，CP测试项200项，一个lot 25片wafer。那单纯CP数据就是600 x 200 x 25 = 300万个数据点。一条产线一天跑10个lot，一个月就是9亿个CP数据点。再加上WAT数据、测试时间戳、bin code、wafer map坐标，一个月的原始数据量轻松到几十GB。
这还只是一个产品、一条线的量。一个Fab里同时跑十几个产品，数据量再翻一个数量级。
传统分析方法：能用，但越来越不够用
做WAT/CP分析，传统上大家用的方法其实很成熟：
看均值和标准差，算Cpk，判断工艺能力够不够。Cpk大于1.33是基本要求，大于1.67才算舒服。画trend chart，看参数有没有随时间漂移。画wafer map，看fail die的空间分布——是边缘效应、还是某个区域集中失效、还是随机分布。
这些方法我现在也在用，基本功不能丢。但问题出在哪？
第一，维度太多。87项WAT参数，你一项一项看trend chart，看完一个lot得半天。200项CP参数就更别提了。人的精力是有限的，实际操作中大家往往只盯几个”关键参数”，其他的出了问题才回头去翻。但有时候问题恰恰出在你没盯的那个参数上。
第二，参数之间的关联性看不到。比如Vth轻微偏移了15mV，Cpk还是达标的，单看这一项你不会报警。但如果同时Idsat也偏了3%、Ron也偏了5%，三个参数一起动，大概率说明某道工艺的窗口已经在边缘了。人脑很难同时处理这种多参数联动的信号。
第三，WAT和CP之间的桥接分析做不动。WAT参数是test site级别的，CP数据是die级别的，两者的空间分辨率不一样，要做关联分析需要空间插值和对齐，手动做这个工作量很大。
AI方法：不是替代工程师，是帮工程师看到看不到的东西
我们在几个实际项目中逐步引入了数据驱动的分析方法，踩了不少坑，也确实看到了效果。说几个实际在做的方向：
多参数关联分析与异常检测
把WAT的所有参数放在一起做主成分分析（PCA），把87维的数据降到几个主成分上。正常情况下，数据点会聚集在一个比较紧凑的区域。一旦某个lot的数据点跑出了这个区域，马上就能发现异常——哪怕每个单项参数看起来都还”在spec内”。
我们有一次就靠PCA抓到了一个隐性问题：某个lot的WAT数据，所有参数都在spec以内，Cpk也还行，但PCA分数明显偏离了历史分布。最后查下来是光刻对准偏了0.02um，单个参数的影响都很小，但累积效应导致CP良率掉了3个百分点。如果只看传统SPC chart，这个信号很容易被漏掉。
WAT漂移追溯前道工艺
WAT参数是前道工艺结果的”指纹”。当WAT参数出现系统性漂移的时候，问题一定出在前面的某道或某几道工艺上。传统做法是靠工程师的经验去判断——Vth漂了可能是注入的问题，Rc高了可能是接触孔的问题。但这种经验对新工艺、新产品不一定适用。
我们现在的做法是把WAT数据和前道的设备数据（比如每道刻蚀的功率、每次沉积的温度和速率、注入的束流和剂量）做关联建模。用随机森林或者梯度提升树来找，哪些上游工艺参数对WAT结果的影响最大。模型训练好之后，WAT一旦漂移，直接把最近一段时间的设备数据喂进去，模型能给出top 3可疑的工艺步骤和设备腔体。
实际用下来，准确率没办法做到100%，但能把排查范围从”整条产线几十道工艺”缩小到”3-5道工艺”，工程师的排查效率提升很明显。有一次模型把根因指向了一台PVD设备的靶材寿命，这个我们一开始完全没想到——靶材用了3500个wafer之后，膜厚均匀性开始恶化，但膜厚监控还没报警，WAT的Rs先感觉到了。
CP的空间模式识别
CP wafer map上的fail die分布模式，对定位问题根因非常有价值。边缘ring状分布通常指向涂胶或刻蚀的边缘效应，扇形分布可能和离子注入的角度有关，某个固定位置反复出现fail可能是探针卡的问题而不是wafer的问题。
用卷积神经网络（CNN）对wafer map做模式分类，把常见的十几种空间模式自动识别出来，然后和已知的根因数据库做匹配。这在量产阶段特别有用，因为很多问题是反复出现的，第一次花了两周排查出来，第二次出现的时候模型几秒钟就能识别出来，直接告诉你上次是什么原因。
与虚拟量测（VM）的闭环
最后说说WAT/CP数据和虚拟量测（Virtual Metrology）的关系，因为这两件事本质上是一个闭环。
虚拟量测是用设备端的实时传感器数据（FDC数据）来预测wafer出来之后的量测结果，好处是不用等实际量测，每片wafer都能有”预测值”。但VM模型的精度需要持续校准，校准的基准是什么？就是WAT实测数据。
我们现在做的方案是：VM模型先给出每片wafer的WAT预测值，等实际WAT数据出来之后，和预测值做比对。如果偏差在可接受范围内，说明模型还是准的；如果偏差突然变大，要么是工艺发生了变化（模型需要重新训练），要么是量测本身有问题。这个反馈回路让VM模型能够自适应地跟踪工艺漂移，而不是训练一次就放在那不管了。
往下游延伸，CP良率也可以用WAT数据来预估。如果WAT参数已经出现了偏移的趋势，在CP测试之前就可以做预判，提前安排工程资源去分析和处理，而不是等CP测完发现良率掉了再去亡羊补牢。这个提前量在实际生产中非常有价值，因为从前道工艺完成到CP测试中间可能隔了好几天，早发现一天就能少损失一天的产能。
让WAT/CP数据真正驱动良率提升
集芯科技NeuroBox E3200产线AI平台，集成了多参数关联分析、空间模式识别和虚拟量测闭环校准能力，帮助Fab从海量测试数据中快速定位良率损失根因。如果您正在面对良率爬坡或产线数据分析的挑战，欢迎了解我们的方案。
