[公开] 晶圆分选(Sort)数据分析：Die Map的价值挖掘

【摘要】大多数Fab把Die Map当成一张「哪些Die坏了」的图，实际上它是一份记录了整条工艺链信息的空间指纹。本文系统拆解Die Map的空间特征分类、良率模型分解、Bin关联分析、Inline缺陷叠加与设备Commonality方法，给出从图形识别到根因定位的完整分析框架与实测收益数据。

分类：良率工程 | 文章类型：P | 发布日期：2026-08-11

一、背景故事：一张被忽略的环状图

某功率器件产线的CP良率从93.4%缓慢滑落到90.1%，持续了大约六周。良率工程师按常规套路做了Bin分析：失效Bin主要集中在Bin5（漏电超标），占全部失效的68%。接着查工艺参数，与漏电相关的注入剂量、栅氧厚度、退火温度全部在控制限内，没有异常。

排查陷入僵局两周后，一位刚入职的工程师做了一件事：他把最近六周所有Wafer的Die Map按周叠加（Stacked Map），生成了六张热力图。图一出来，规律非常明显——失效Die集中分布在距离晶圆中心约60到75毫米的环形区域，形成清晰的圆环状特征，而且这个环的对比度随周次递增。

有了这个空间特征，排查方向立刻收窄。圆环状分布在半导体里有很强的指向性：它通常与旋转类工艺相关（涂胶、显影、CMP、单片清洗），因为这些工艺的物理量在径向上有梯度。团队顺着这条线查，最终定位到栅氧化前的单片清洗机（Single Wafer Cleaner）的喷淋臂运动轨迹在某个半径位置有停顿，导致该环带的清洗时间偏长、表面轻微过刻，进而影响了栅氧质量和漏电特性。

这个案例最值得反思的地方在于：Bin数据、工艺参数数据大家都查了，唯独空间分布信息被忽略了。而空间信息恰恰是最有指向性的——它把「哪个Die坏了」变成了「工艺的哪个物理机制出了问题」。

之后团队系统性地建设了Die Map分析能力。本文就把这套方法论完整分享：Die Map能提取哪些信息、怎么从图形特征反推工艺环节、如何与Inline数据关联、如何做设备Commonality分析。

二、技术原理：Die Map承载的四类信息

Die Map（也叫Wafer Map、Bin Map）记录了每颗Die在测试后的分类结果。表面上它是一张二维网格图，实际上它至少承载了四类可挖掘的信息，每类信息对应不同的分析方法。

第一类：失效模式信息（Bin分布）。每个失效Bin对应一种电性失效类型，典型分类包括：开路/短路、漏电超标、阈值电压偏移、驱动能力不足、速度不达标、功能失效。Bin的Pareto分布告诉你主要矛盾是什么。这是最基础也最常用的一层，但只用这一层等于浪费了Die Map 70%的信息量。

第二类：空间特征信息（Spatial Signature）。失效Die在晶圆上的空间分布形态，是Die Map最有价值的信息。常见的空间特征及其典型指向包括：中心聚集（Center）通常指向CMP、旋转涂布的中心效应或炉管中心温度；边缘环（Edge Ring）指向边缘夹持、边缘刻蚀速率差异、边缘珠去除（EBR）异常；同心圆环（Ring）指向旋转类工艺的径向梯度；划痕（Scratch）指向搬运、CMP或探针卡；块状聚集（Cluster）指向局部颗粒污染或光刻场（Shot）问题；重复性网格（Repeating）指向Reticle缺陷或曝光场内问题；随机分散（Random）指向本征缺陷密度。

第三类：良率模型信息。用统计模型把良率分解为系统性部分和随机部分。经典的负二项模型（Negative Binomial Yield Model）给出：Y等于Y0乘以(1加A乘D0除以α)的负α次方，其中Y0是系统性良率、A是Die面积、D0是缺陷密度、α是聚集因子。通过拟合可以分离出：这个产品的良率损失中有多少来自随机缺陷、多少来自系统性问题。这个分解对改善方向的选择至关重要——随机缺陷要靠洁净度和颗粒控制，系统性问题要靠工艺窗口和设备匹配。

第四类：关联信息。把Die Map与其他数据源在空间上对齐，可以挖出因果线索。三种典型关联：与Inline缺陷图（KLA等检测设备的Defect Map）叠加，看电性失效Die是否与某个工步的物理缺陷位置重合，这是Defect-Yield Correlation的核心方法；与量测点位数据关联，看失效区域是否与膜厚、CD的空间分布相关；与设备信息关联，做Commonality分析，看某类空间特征是否只出现在特定设备或腔体上。

还有一个常被忽略的维度：时间演化。单张Die Map只是一个快照，把同一产品的Die Map按时间序列排开，看空间特征的对比度、位置、面积如何演化，能判断问题是突发的、渐进的还是周期性的。开头案例中环状特征对比度随周次递增，就是渐进型劣化的典型表现，指向耗材磨损或部件老化而非突发故障。

三、现状分析：Die Map分析的四个成熟度层级

层级一：看图说话。工程师肉眼看Wafer Map，凭经验判断有没有异常特征。这是绝大多数Fab的现状。优点是零成本、上手快；缺点是完全依赖个人经验、无法处理大批量数据、判断结果不可量化不可复现。一个工程师一天最多认真看几十张图，而一个产线一天产生上千张。

层级二：规则化特征提取。用预定义的规则量化空间特征：计算中心区/中环/边缘区的良率差、计算径向良率曲线、检测行列方向的连续失效（划痕）、计算失效Die的空间聚集度（如Moran I指数或最近邻距离统计）。这一层把主观判断变成了可比较的数字，能做趋势监控和自动报警。多数有一定基础的Fab处在这个层级。

层级三：自动分类与聚类。用机器学习方法对Wafer Map做自动分类。有监督方法需要标注数据集（业界公开的WM-811K数据集包含约81万张Wafer Map，其中约2.5万张有9类标注，是很好的起点）；无监督方法用聚类发现新出现的、未被定义的特征模式。实践中推荐混合使用：有监督处理已知的8到10类常见模式，无监督负责发现异常新模式。

层级四：闭环归因。自动分类的结果直接驱动归因分析：识别出Ring模式后，系统自动拉取该批次经过的所有旋转类工艺设备，做Commonality统计，输出嫌疑设备排序，并推送给对应的工艺工程师。这一层才真正实现了从数据到行动的闭环，目前只有少数领先Fab达到。

各层级的投入产出差异很大。从层级一到层级二，投入约1到2人月的脚本开发，收益立竿见影；从层级二到层级三，需要标注数据和模型训练，投入约4到6人月；从层级三到层级四，需要打通MES设备数据和归因逻辑，投入约6到12人月但收益最大。建议的路径是先把层级二做扎实，再考虑向上走——很多Fab跳过层级二直接上AI模型，结果因为基础特征都没算清楚，模型效果始终不理想。

四、瓶颈问题：五个实际障碍

障碍一：Die Map数据的可获取性。测试数据通常存在测试机或测试厂的系统里，格式各异（STDF、CSV、专有格式），Fab侧要拿到完整的Die级数据往往需要与测试部门或外部封测厂协调。有些Fab只能拿到汇总良率，拿不到Die级坐标数据，分析就无从谈起。这是首要障碍。

障碍二：坐标系不统一。晶圆有Notch或Flat作为方向基准，不同设备、不同系统对坐标原点和方向的定义可能不同。如果Die Map与Inline缺陷图的坐标系没有对齐，叠加分析会得出完全错误的结论。这个问题很隐蔽，因为图叠上去看起来是有模有样的，只是错了。

障碍三：稀疏性与统计功效不足。单张Wafer上失效Die的数量可能只有几十个，做空间统计时样本量不足，随机波动容易被误判为有意义的特征。解决办法是多片叠加（Stacked Map），但叠加又要求这些片确实经历了相同的条件，否则会把不同的问题混在一起。这个平衡需要经验。

障碍四：混合模式难以分解。真实的Wafer Map往往同时存在多种特征：边缘环加上随机分布加上一条划痕。人眼能看出来，但自动分类模型面对混合模式的准确率会明显下降。业界的做法是做多标签分类而非单标签，但标注成本更高。

障碍五：归因的多重共线性。一个批次会经过几百道工步、上百台设备，做Commonality分析时，很多设备的使用是高度相关的（比如某产品固定走某条Line），导致统计上无法区分究竟是哪台设备的问题。这需要引入更长时间跨度的数据和更严格的统计控制，或者干脆用实验设计（Split Lot）来验证。

五、解决方案：五步分析框架

第一步：数据基础建设。统一Die级数据的存储格式与坐标系。建议以STDF为标准输入，解析后存成列式格式（Parquet），主键为「批次＋片号＋X坐标＋Y坐标」。坐标系统一为以Notch朝下、晶圆中心为原点的笛卡尔坐标，所有其他来源的数据（Inline缺陷图、量测点位）都转换到这个坐标系。这一步看似基础，但它决定了后续所有分析的可靠性。

第二步：特征工程。为每张Wafer Map计算一组标准特征向量，建议包含：整体良率、各Bin占比、径向分区良率（中心/中环/边缘三到五个环带）、径向良率梯度、角向均匀性、空间自相关指数（Moran I）、最大连通失效簇的大小与形状（长宽比用于识别划痕）、行列方向的连续失效长度、与Reticle Shot网格的对齐度。这组特征通常在30到50维，是后续所有分析的输入。

第三步：模式识别与监控。用特征向量做两件事：一是与历史基线比对，任何特征超出基线的统计控制限就报警（这一步不需要机器学习，用SPC思路就够）；二是训练分类模型识别已知模式。推荐从WM-811K这类公开数据集做预训练，再用本厂数据做迁移学习微调——这能显著减少本厂的标注量，实测用200到400张本厂标注图就能达到不错的效果。

第四步：良率分解。用负二项模型对每个产品拟合系统性良率Y0、缺陷密度D0和聚集因子α，按周更新。这三个参数的趋势各有含义：Y0下降指向系统性工艺问题；D0上升指向颗粒或缺陷源增加；α下降（聚集度增强）指向局部污染源或设备特定问题。用三个参数的趋势组合来判断问题性质，比单看良率数字信息量大得多。

第五步：归因分析。分三层做。第一层空间归因：根据识别出的空间模式，查表得到候选工艺环节（比如Ring指向旋转类工艺、Edge指向边缘相关工艺）。第二层设备归因：在候选工艺环节内做Commonality统计，比较经过某设备与未经过该设备的批次在该特征上的差异，用效应量和显著性双重判据。第三层验证：对高嫌疑设备安排Split Lot实验或监控片验证，用实验数据确认因果。三层逐级收窄，避免直接从相关性跳到结论。

配套建议：建立空间特征知识库。把每一次成功归因的案例记录下来，形成「空间特征－工艺环节－根因－处置」的对照表。这个库随时间积累会成为团队最有价值的资产，也是训练新人的最佳教材。我们的库在两年内积累了94条记录，覆盖了11类空间特征。

六、实战案例：Die Map分析体系落地十个月

团队的建设分四个阶段，总周期十个月，投入约1.5人力当量。

第一阶段（第1到2月）：数据打通。与测试部门协调拿到STDF原始文件的每日推送，写了STDF解析器（基于开源库改造，处理了三种测试机的格式差异），把数据解析后入Parquet。最麻烦的是坐标系对齐：三台测试机中有一台的Y轴方向与其他两台相反，这个问题是在把三台机器的数据叠加发现「边缘环变成了半环」时才察觉的，排查花了三天。修复后建立了坐标系校验规则，每批数据入库前自动检查。

第二阶段（第3到5月）：特征工程与监控。实现了42维特征的自动计算，单张Map计算耗时约35毫秒，日均处理1200张完全无压力。把这42维特征全部纳入SPC监控，用EWMA跟踪趋势。上线第二个月就抓到一次边缘良率的缓慢劣化：边缘环带良率从92.1%降到88.7%，而整体良率只降了0.6个百分点，常规监控完全看不出来。根因是边缘刻蚀的聚焦环（Focus Ring）磨损，更换后恢复。

第三阶段（第5到8月）：分类模型。用WM-811K做预训练，本厂标注了380张图做微调，最终在9类常见模式上达到了整体准确率89.4%（其中Center、Edge-Ring、Scratch三类超过93%，Random和Near-Full两类相对较低）。模型部署为每日批量推理，结果写回数据库供查询。混合模式的处理采用多标签输出，每类给出概率，超过0.4的都列出。

第四阶段（第8到10月）：归因闭环。建立了空间特征到工艺环节的映射表（初版38条规则，来自历史案例和领域知识），实现了自动的Commonality分析：给定一批具有相同空间特征的Wafer，系统自动查询这些批次的完整设备路径，对每台设备计算「经过组」与「未经过组」的特征差异，用Welch t检验和Cohen d双重筛选，输出嫌疑设备Top5。

这套闭环上线后处理的第一个真实案例是一批Cluster模式异常：系统在4分钟内输出了嫌疑设备排序，Top1是某台清洗设备的2号腔体（Cohen d为1.42，p值小于0.001）。工艺工程师去现场检查，发现该腔体的过滤器已超期使用47天，更换后特征消失。从发现异常到确认根因用了不到6小时，而类似问题在过去平均需要4到7天。

过程中最大的教训是不要过早追求模型精度。团队在第三阶段一度花了大量时间调模型，把准确率从86%提到89.4%，但实际业务价值提升有限；相比之下第二阶段的42维特征SPC监控（技术上非常简单）反而抓到了更多真实问题。这印证了一条经验：在Die Map分析上，扎实的特征工程加简单的统计监控，性价比远高于复杂模型。

七、实施效果：从看图说话到自动归因

效果一：异常发现能力。分区特征监控上线后，能够发现整体良率变化小于1个百分点但局部区域显著劣化的问题。十个月内共发现这类「隐性劣化」14次，其中11次经验证为真实问题，误报率21.4%，在可接受范围。这14次中有9次是常规整体良率监控完全无法发现的。

效果二：根因定位速度。具有明确空间特征的良率问题，平均定位时间从4.6天缩短到0.7天，缩短85%。定位速度提升的核心不是分析变快了，而是排查方向从一开始就收窄了——不需要把几百道工步都过一遍。

效果三：分类准确率与覆盖。9类常见空间模式的整体分类准确率89.4%，日均自动分类1200张Wafer Map，覆盖了产线100%的产出。人工只需复核模型标记为「低置信度」或「新模式」的图（日均约35张），工程师在Die Map上的时间投入下降了约七成。

效果四：良率提升。十个月内通过Die Map分析驱动的改善项目共11项，其中影响较大的三项分别贡献了0.8、0.6、0.5个百分点的良率提升。全产线综合良率从项目启动时的90.8%提升到93.2%，其中约1.9个百分点可归因于Die Map分析体系的贡献（其余为其他改善项目）。

效果五：知识沉淀。空间特征知识库积累了94条「特征－环节－根因－处置」记录，覆盖11类空间特征。新人培训时用这个库做案例教学，从入门到能独立判读Wafer Map的周期从原来的三个月缩短到六周。

效果六：向上游延伸。Die Map分析成熟后，团队进一步做了与Inline缺陷图的叠加分析（Defect-Yield Correlation），建立了「杀伤率」（Kill Ratio）模型——量化每类Inline缺陷导致电性失效的概率。这让Inline检查的资源配置有了量化依据：高杀伤率的缺陷类型加密检查，低杀伤率的降低频次，检查工时总量不变的情况下捕获的有效缺陷提升了约31%。

最后三条建议。第一，先解决数据可获取性和坐标系统一，这两件事不解决，后面所有分析都是空中楼阁，而且坐标系错误极其隐蔽。第二，把功夫下在特征工程上，30到50维的标准特征加上SPC监控，能解决八成的问题，复杂模型的边际收益远低于预期。第三，一定要做到归因闭环，只做识别不做归因的系统，工程师用两个月就会失去兴趣——工具的价值不在于告诉你「有异常」，而在于告诉你「去哪儿找」。

八、配图说明

图1：Die Map分析体系落地前后六项指标对比，定位时长缩短85%

图2：径向分区良率趋势，边缘区从92.1%劣化至88.7%而整体良率仅降0.6个百分点

九、附表：关键数据对照

附表1：空间特征等关键维度对照

附表2：分析成熟度层级等关键维度对照

十、配套资料与VIP资源

本文配套了完整的实战资料包。关注博客「VIP资源」区，可免费获取以下5项配套资料（持续更新MES/SPC/EAP/良率实战资料）：

Die Map空间特征42维特征工程Python脚本（含径向分区、Moran I、连通簇计算）

STDF解析与坐标系统一工具包（支持多测试机格式差异与Notch方向自动校验）

空间特征－工艺环节映射表（38条规则，11类特征的候选环节与排查顺序）

负二项良率模型拟合脚本（分解系统性良率Y0、缺陷密度D0与聚集因子α）

设备Commonality自动分析模板（Welch t检验＋Cohen d双判据，输出嫌疑设备Top5）

────────────────────────────────────────

本文首发于博客：半导体智能制造 | MES工程师实战笔记

你在实际工作中遇到过类似情况吗？欢迎在评论区分享你的实战经验，一起交流进步。

标签：良率工程 | 半导体 | 智能制造 | Fab实战 | 工程师笔记