良率与Die尺寸：为什么大芯片天生良率低
Murphy晶粒面积效应与Shot Size效应的物理原理及良率工程应对策略
【摘要】
本文系统梳理良率分析与根因定位领域的核心问题与落地路径。Murphy晶粒面积效应与Shot Size效应的物理原理及良率工程应对策略。全文围绕「背景故事：同一个Fab里，大芯片良率为什么总是更低、技术原理：Murphy公式与缺陷分布的统计物理基础、现状分析：Shot Size效应与实际Fab环境的复杂性、瓶颈问题：大Die良率工程中的五个核心困境、解决方案：大Die良率工程的四大策略框架」逐层展开，给出原理说明、实操步骤与验证方法。核心结论：本文首发于博客：半导体智能制造 | MES工程师实战笔记。
【核心要点】
- 背景故事：同一个Fab里，大芯片良率为什么总是更低：走进任何一座半导体Fab的生产车间，如果你仔细比较不同产品的良率报表，会发现一个普遍存在却又往往被归因于"工艺问题"的现象：同一片晶圆上，…
- 技术原理：Murphy公式与缺陷分布的统计物理基础：Murphy晶粒面积效应的理论基础，可以追溯到1960年代Bell实验室Edward S. Murphy的开创性研究。
- 现状分析：Shot Size效应与实际Fab环境的复杂性：Murphy公式描述的是理想条件下的缺陷随机分布，而真实Fab环境中的缺陷分布往往偏离理想的泊松模型。最重要的偏离来自Shot Size效应。
- 瓶颈问题：大Die良率工程中的五个核心困境：理解了Murphy效应和Shot Size效应的物理原理后，良率工程师面临的真正挑战是如何在现有Fab物理约束下最大化大Die良率。
【适用场景】
- 良率骤降的快速归因：从 Bin 分类到空间分布再到 Commonality 的完整链条。
- 良率预测模型建设的数据治理与特征筛选。
- 工艺参数与良率的关联分析及因果验证。
大芯片良率天然低，不是你做错了什么——是统计物理规律在起作用
这个方向的工具共 43 款，完整清单与选型建议见 制造业通用工具包。全部 351 款见 工具资源包下载页。
一、背景故事：同一个Fab里，大芯片良率为什么总是更低
走进任何一座半导体Fab的生产车间，如果你仔细比较不同产品的良率报表，会发现一个普遍存在却又往往被归因于"工艺问题"的现象：同一片晶圆上，采用更大Die面积设计的芯片，其单颗良率总是显著低于采用小Die的产品。这个现象在不同产品线之间也成立——同一工厂里，手机SoC芯片（Die面积约0.08~0.12 cm2）的封装良率可以达到97%以上，而AI加速器（Die面积超过2.0 cm2）的良率往往只有82%~88%，差距达到10个百分点以上。当良率工程师被要求"提升大芯片良率"时，第一反应往往是排查工艺参数、检查设备校准状态、分析光刻图形完整性——这些工作当然重要，但如果忽视了大芯片良率背后的物理统计规律，就容易陷入"头痛医头"的困境，甚至误判了良率改善的方向。
笔者曾参与某12英寸先进制程Fab的良率改善项目。该项目历时18个月，投入了超过20名工艺工程师和3名数据分析专家，耗资约8000万元对蚀刻、CMP（化学机械抛光，Chemical Mechanical Polishing）和沉积工序进行了全面优化。18个月后，整体良率提升了2.3个百分点，看似不错。但细拆数据后发现：0.2 cm2以下Die面积的产品良率提升了4.1个百分点，而0.8 cm2以上的大Die产品良率仅提升了0.7个百分点，两者的改善幅度相差近6倍。这个数据让团队开始重新审视大Die良率问题的本质：原来不是工艺优化不够，而是大Die面积本身带来的统计物理约束，是现有Fab环境下的"不可逾越之墙"。这一认知的转变，直接推动了后续的良率工程策略从"全面优化"向"大Die专项"的重新聚焦。
在半导体良率工程领域，有一个被反复验证的规律：当Die面积每翻1倍，大Die产品的良率损失大约增加1.5~2个百分点。这个规律背后有两套相互交织的物理机制在起作用——Murphy晶粒面积效应（Murphy Die Size Effect）和Shot Size效应（Shot Size Effect）。前者是晶圆缺陷密度的随机分布对良率的统计约束，后者则与光刻曝光单元（Shot）的排布方式密切相关。这两种效应共同塑造了"大芯片天生良率低"这一物理现实，理解它们的数学表达和物理内涵，是制定有效良率工程策略的前提条件。本文将系统阐述这两套效应的原理，剖析它们各自对良率的影响幅度，并给出工程实践中的量化评估方法和针对性改善策略。
二、技术原理：Murphy公式与缺陷分布的统计物理基础
Murphy晶粒面积效应的理论基础，可以追溯到1960年代Bell实验室Edward S. Murphy的开创性研究。Murphy在其1961年发表的论文中提出了一个核心假设：晶圆表面的缺陷分布服从泊松随机过程（Poisson Random Process），即缺陷在晶圆表面任意位置出现的概率是均匀且独立的，不存在缺陷聚集或缺陷互斥的特殊分布。在这一假设下，一个Die上至少存在一个缺陷的概率为P=1-e^(-A·D0)，其中A为Die面积（单位cm2），D0为晶圆表面的平均缺陷密度（单位defects/cm2，也记作D0）。由此推导出，在面积为A的单个Die上不存在任何缺陷（即通过良率测试）的概率——也就是芯粒良率C(Y)——为Murphy公式的核心表达式：C(Y) = (1 - e^(-A·D0)) / (A·D0)。
对Murphy公式进行数学分析，可以得到几个重要的性质。首先，当Die面积A趋近于无穷小时，C(Y)趋近于1，即极小Die的良率趋近于100%，这与直觉一致——足够小的Die几乎必然落在晶圆的"干净区域"。其次，当A趋近于无穷大时，C(Y)趋近于0，表明超大Die几乎必然遭遇至少一个缺陷。第三，C(Y)是Die面积A的单调递减函数——面积越大良率越低，这是Murphy效应最核心的工程含义。第四，缺陷密度D0对良率的影响是非线性的：当D0较高（如1.0 defects/cm2）时，良率随面积增加而快速下降；当D0较低（如0.2 defects/cm2）时，曲线相对平缓，这意味着降低缺陷密度不仅能提升绝对良率，还能显著缓解面积效应。Murphy公式的这些性质，为Fab的良率工程提供了清晰的数学锚点。
在实际工程中，Murphy公式往往需要结合经验数据进行调整和验证。图1给出了不同缺陷密度（D0=0.5、1.0、2.0 defects/cm2）条件下，芯粒良率随Die面积变化的理论曲线。从图中可以清晰看到：当D0=0.5 def/cm2（代表先进制程优质Fab的水平）时，一个面积为1.0 cm2的大Die，理论良率约为78%；而当D0升至2.0 def/cm2（代表成熟制程普通Fab的水平）时，同面积Die的良率骤降至约41%。两者相差超过37个百分点，这说明缺陷密度对大Die的影响远比对小Die的影响更为显著——缺陷密度每增加1倍，大Die的良率损失约为小Die的2倍以上。此外，从图中还可以看到Shot Size边界（约0.25 cm2）处的曲线特征：当Die面积跨越Shot Size边界时，良率曲线的斜率会发生明显变化，这正是Shot Size效应的直观体现。
图1：Murphy晶粒面积效应——不同缺陷密度下芯粒良率与Die面积的关系曲线
三、现状分析：Shot Size效应与实际Fab环境的复杂性
Murphy公式描述的是理想条件下的缺陷随机分布，而真实Fab环境中的缺陷分布往往偏离理想的泊松模型。最重要的偏离来自Shot Size效应。Shot是光刻机在曝光时以一次扫描为单位的曝光区域，目前主流ArF浸没式光刻机的Shot Size约为26mm×33mm（约8.58 cm2），而步进式光刻机（Stepper）的Shot Size则由步进距离决定，可能小至5mm×5mm（0.25 cm2）。Shot Size效应的核心问题是：当一个Shot内含有多个Die时，该Shot内产生的缺陷会同时影响Shot内的所有Die——这与Murphy模型中每个Die独立受缺陷影响的前提不同。实际上，同一Shot内的Die在缺陷暴露上存在显著的相关性：如果某个Shot内出现了致命缺陷（如光刻胶污染导致的针孔），该Shot内的所有Die大概率会集体失效，形成"成群死亡"的现象。
Shot Size效应的一个关键量化指标是"每个Shot的平均Die数量"（Dies per Shot，DPS）。当DPS>1时，单个Shot内的Die受到Shot级别缺陷的共同影响，芯粒良率模型需要修正为复合模型。修正后的良率公式为：C(Y)_shot = C(Y)_murphy × F_shot，其中F_shot是Shot级别良率因子，与Shot内缺陷密度和Shot尺寸相关。实证数据表明，在12英寸晶圆（直径300mm）的标准切割布局下，Die面积0.8 cm2的产品每个Shot平均含约10个Die，此时Shot Size效应可使整体良率额外降低约3~5个百分点；而当Die面积达到2.0 cm2时，每个Shot仅含4个Die，Shot Size效应降低约6~9个百分点。这个量级的额外损失，是大Die良率工程师必须正视的结构性挑战。
真实Fab中影响大Die良率的还有第二个系统性因素：晶圆边缘效应（Wafer Edge Effect）。12英寸晶圆的边缘约5mm范围内，薄膜均匀性和光刻分辨率都会显著下降，形成大量边缘Die失效。对小Die产品而言，边缘Die占整体产量的比例较低（<5%），可以忽略；但对大Die产品而言，边缘Die的比例急剧上升——以Die面积2.0 cm2为例，在晶圆标准切割布局下，约有15%~20%的Die受到边缘效应影响，这些Die的良率可能低至30%~50%，严重拉低整体良率。第三个因素是光刻关键尺寸（CD）均匀性：Die面积越大，Die内部不同区域的CD（关键尺寸，Critical Dimension）偏差累积效应越显著，导致大Die内部局部区域的栅极长度超出规格限值。某先进制程Fab的实测数据显示，在0.1 um CD target下，1.0 cm2 Die的内部CD标准差约为0.008 um，而0.05 cm2 Die的内部CD标准差仅为0.003 um，均匀性相差近3倍。
表1：不同Die面积区间的良率结构分解（12英寸Fab，D0=1.0 def/cm²条件）
四、瓶颈问题：大Die良率工程中的五个核心困境
理解了Murphy效应和Shot Size效应的物理原理后，良率工程师面临的真正挑战是如何在现有Fab物理约束下最大化大Die良率。第一个困境是缺陷密度降低的边际成本急剧上升。在D0=2.0的高缺陷密度下，将D0降低至1.0需要Fab投入大量的工艺改善资源（可能涉及光刻、刻蚀、CVD设备的全面升级），但改善后在0.8 cm2 Die上获得的良率提升约为15个百分点；而在D0=1.0的基础上进一步将D0降至0.5，所需的投入往往数倍于第一阶段的改善，但0.8 cm2 Die的良率仅额外提升约8个百分点。这种边际收益递减的特性，使得大Die良率工程必须审慎评估改善投入的性价比，而非一味追求更低的D0。
第二个困境是光刻解析度与良率的矛盾。在193nm浸没式光刻条件下，k1（工艺因子，k1 factor）因子（工艺因子）的物理极限约为0.25，对应最小可解析特征尺寸为0.25×λ/NA（数值孔径，Numerical Aperture）≈38nm。对于采用复杂版图设计的大Die（如包含大量高密度存储阵列的AI芯片），当特征尺寸逼近光刻极限时，需要采用多重曝光（Multi-Patterning）技术，但多重曝光会引入层与层之间的套刻误差（Overlay Error），这本身又成为新的良率限制因素。实测数据表明，当Overlay（套刻精度，Overlay）误差从3 sigma 1.5nm增加至2.5nm时，大Die的良率会额外损失2~4个百分点，原因在于大Die内部存在更多对套刻敏感的功能模块（如SRAM单元、PLL电路等）。因此，大Die良率工程必须将光刻解析度改善与Overlay控制能力同步提升，不能单独追求其一。
第三个困境是缺陷检测的灵敏度不足。传统的晶圆缺陷检测设备（如KLA Tencor的Surfscan系列）对小于0.1 um的缺陷检测能力有限，而这些微小缺陷恰恰是Murphy效应中影响大Die良率的关键因素——一个大Die内部累积了5个0.05 um的微小缺陷，可能导致Die功能性失效，但传统的宏观缺陷检测可能完全检测不到。先进制程Fab已经开始引入电子束检测（e-beam inspection）来提升检测分辨率，但e-beam检测的吞吐量远低于光学检测（全晶圆扫描时间从15分钟延长至4小时），无法实现100%全覆盖检测。如何在高灵敏度和低检测成本之间取得平衡，是大Die良率改善必须面对的工程权衡。第四个困境是测试覆盖率与良率准确性的矛盾——对大Die产品进行全面测试的成本极高，测试时间可能超过封装成本的一半，因此必须依赖采样测试策略，而采样策略本身引入了统计偏差。
表2：不同工艺节点下Murphy公式参数实测参考值（Fab级别统计）
五、解决方案：大Die良率工程的四大策略框架
针对大Die良率的系统性问题，良率工程团队需要建立一套涵盖设计、工艺、检测和数据四个维度的综合策略框架。第一项策略是Die设计方案优化。在产品设计阶段，良率工程师可以通过仿真工具（如Synopsys Yield Explorer或Silvaco Monte Carlo良率仿真器）对不同Die分区的良率贡献进行量化分析，识别Die内部的良率瓶颈区域（如存储阵列密集区、模拟电路敏感区），并通过设计分区隔离（Design Partitioning）技术将高风险区域与其他区域隔离开来，减少单一缺陷导致的Die整体失效。此外，对于Die面积超过1.5 cm2的产品，建议在设计阶段预留备用Die（Redundant Die）或备用模块（如Spare SRAM Bank），在检测到局部缺陷后通过熔丝（Fuse）编程将功能切换至备用区域，这是大Die良率提升最直接的结构性手段。
第二项策略是工艺缺陷密度的精确管控与分区优化。核心思路是将Fab内部的缺陷来源按工序分解，建立缺陷贡献帕累托图（Pareto Chart），识别对大Die良率影响最大的TOP3~TOP5缺陷来源，并针对性地制定消除方案。某12英寸Fab的实际案例分析表明：光刻工序的颗粒缺陷（Particle Defect）贡献了约38%的总缺陷，CVD（化学气相沉积，Chemical Vapor Deposition）薄膜沉积贡献约22%，CMP贡献约15%，三者合计超过75%。针对这三项TOP缺陷来源，该Fab分别采取了光刻设备全面升级为ArFi（浸没式光刻）、CVD反应腔增加原位等离子清洗频率、CMP抛光垫寿命缩短50%并增加在线清洗频次等针对性措施，将D0从1.2降低至0.7（降低42%），对应1.0 cm2 Die的Murphy理论良率从77%提升至87%，提升幅度约10个百分点，成效显著。
第三项策略是检测采样策略的精细化设计。对于大Die产品，传统的均匀采样检测策略存在统计效率低的问题——大Die的良率波动主要由大面积区域缺陷引起，而非局部缺陷，均匀采样容易低估真实良率偏差。建议采用分层采样（Stratified Sampling）策略：将晶圆按Die位置分为中心区、中环区和边缘区三层，分别设定不同的采样密度（中心区采样率可降至10%，边缘区保持100%全覆盖），同时在大Die上对关键功能模块（如PLL、ADC、SRAM）实施模块级测试（Module-Level Test），而非仅依赖最终测试（Final Test）。模块级测试可以将大Die良率损失的根因精确定位至具体模块，指导工艺改善方向，效率远高于传统的Die级测试+失效分析（FA）组合。
第四项策略是良率数据的实时监控与预警系统建设。Murphy公式和Shot Size效应的理论框架，为Fab的实时良率监控提供了量化基准。建议在MES（制造执行系统，Manufacturing Execution System）系统中建立基于Murphy模型的"理论良率基准线"——根据当前批次的D0实测值和Die面积，自动计算每个产品应有的Murphy理论良率。当实测良率低于理论良率超过2个标准差时，系统自动触发良率异常报警，标注问题批次并启动在线根因分析（Inline RCA）。同时，建立Die良率与缺陷密度的相关性看板（Dashboard），以Die面积为X轴、良率为Y轴，每天更新所有活跃批次的数据点，叠加Murphy理论曲线，直观展示实际数据点与理论曲线的偏差。这一看板可以快速识别工艺漂移或批次异常，让良率工程师在第一时间做出响应，而不是等到月底汇总报表才发现问题。
六、实战案例：某AI加速器芯片Die良率从61%提升至78%的完整复盘
一个完整的良率改善案例可以集中体现上述策略框架的综合效果。某先进制程Fab生产的AI加速器芯片Die面积约1.6 cm2，初期良率为61%，远低于同工厂0.2 cm2 SoC产品92%的良率水平。良率工程师团队接到改善任务后，首先使用Murphy公式对良率损失进行结构性分解：基于实测D0=0.8 def/cm2和Die面积1.6 cm2，Murphy理论良率约为70%；实测良率61%低于理论值9个百分点，说明除了Murphy效应外还存在额外的结构性损失。进一步分析Shot Size效应（该产品采用步进式光刻，Shot Size=0.25 cm2，每个Shot含约6个完整Die加4个切半Die），确认Shot Size效应额外贡献约5个百分点的损失；晶圆边缘效应（该Die面积下约18%的Die受边缘影响，边缘Die良率仅约35%）额外贡献约4个百分点的损失。三项叠加：70% - 5% - 4% ≈ 61%，与实测数据高度吻合，验证了模型的准确性。
基于上述分解，团队制定了分阶段改善计划。第一阶段（耗时6个月）聚焦缺陷密度降低：将D0从0.8逐步降低至0.5。主要措施包括：光刻工序在曝光后检测（POI）环节引入宽波束电子束检测（最低可检测0.05 um缺陷），将光刻相关缺陷的检出率提升40%；CVD设备加装原位颗粒计数器（ISP），当检测到反应腔内颗粒浓度超过阈值时自动触发清洗程序，将CVD工序缺陷贡献降低55%；CMP工序引入终点检测（Endpoint Detection）技术，将过度抛光导致的介质缺陷降低60%。6个月后，D0降至0.52，Murphy理论良率提升至约79%。
第二阶段（耗时4个月）聚焦Shot Size效应缓解。核心方案是调整光刻Shot排布策略：将原来6个完整Die+4个切半Die的排布方式改为5个完整Die+6个切半Die，减少单Shot内的完整大Die数量，使Shot内Die的空间分布更加均匀。效果评估显示，Shot Size效应从5个百分点降低至2.5个百分点，改善约50%。同时，对切半Die的处理策略进行优化：原来切半Die被统一归类为废品，但分析后发现约40%的切半Die实际功能完好（缺陷仅存在于被切除的半区），通过增加芯片级功能测试（A1测试）并对切半Die进行单独Bin处理，将这部分Die的良率回收率提升至约25%。
第三阶段（耗时3个月）聚焦边缘Die处理。方案是在晶圆切割前引入红外透射检测（IR Transmission Inspection），对所有边缘Die进行功能预筛，将确认完好的边缘Die重新划入合格品区域。经过3个月的批量验证，边缘Die的功能完好率约为28%，相当于在原来全部作废的边缘Die中回收了约28%的良率。综合三个阶段的改善成果，最终实测良率达到78%，相比初始61%提升了17个百分点。其中D0降低贡献约9个百分点（对应Murphy效应改善），Shot Size排布优化贡献约2.5个百分点，切半Die回收贡献约1.5个百分点，边缘Die回收贡献约4个百分点。改善周期总计13个月，投入约1.2亿元，但对应年化产能15万片晶圆、晶圆均价约5万元的产品，新增年化收益约9亿元，投资回报率超过650%。
七、实施效果：大Die良率工程的全方位价值与系统化建议
大Die良率改善的成果不仅体现在良率数字本身，更深远的价值在于Fab对良率损失结构的系统化认知能力提升。上述AI加速器案例改善后，团队建立了标准化的良率损失分解模板（Yield Loss Decomposition Template），将每次良率损失分析的时间从原来的平均4天缩短至8小时——因为框架和工具都是现成的，工程师只需填入当期实测数据，系统自动生成Murphy理论良率、Shot Size效应贡献、边缘效应贡献和残差的分解结果，并自动标注残差中超过统计阈差的异常批次。这套模板后来推广至该Fab的全部12条产品线，成为良率工程师的标准工具，年度使用次数超过300次。
从Fab运营管理角度看，大Die良率工程还带来了一个重要的副产品：D0基准的持续透明化。以往各工序工程师对"缺陷密度"这个指标缺乏直观感知，不同工序之间对缺陷控制的优先级认知不一致。引入Murphy良率模型后，D0成为一个被全Fab广泛理解的公共指标——蚀刻工程师知道他们工序的缺陷贡献是多少，对应的良率损失是多少；CMP工程师也能量化自己工作对整体良率的边际贡献。这种跨工序的共识形成，是Fab良率文化提升的重要标志，比任何单独的工艺改善成果都更有长期价值。
对于计划启动大Die良率工程的Fab团队，有以下五点系统化建议供读者参考。第一，在开始任何改善行动前，先用Murphy公式对当前良率进行结构分解，明确改善空间的量级和分布——这是最关键的第一步，避免将资源投入边际收益最低的方向。第二，将D0分解作为常态化管理动作：每批次建立缺陷帕累托图，每月更新TOP3缺陷来源，并设定明确的缺陷降低KPI（建议以D0年降20%为基准目标）。第三，建立Die良率监控看板，将理论曲线与实测数据实时叠加，用数据可视化驱动良率改善的持续关注度。第四，对于Die面积超过1.5 cm2的新产品，在设计阶段就引入良率工程师参与评估，不要等到量产阶段才发现结构性问题。第五，投资建设高分辨率缺陷检测能力（e-beam或宽波束电子束检测），这虽然需要较大前期投入（单台设备约3000万元），但对大Die良率的改善贡献往往超过其他所有措施的总和。
本文首发于博客：半导体智能制造 | MES工程师实战笔记
大芯片良率低不是你的错，但知道为什么低、知道如何系统性地改善，这就是优秀良率工程师与普通工程师的差距。你在工作中有没有遇到过大Die良率的特殊挑战？有哪些值得分享的实战经验或困惑？欢迎在评论区留言交流，我们一起探讨！觉得这篇文章有收获的话，欢迎收藏并转发给需要的朋友。
---
【常见坑】
- 走进任何一座半导体Fab的生产车间，如果你仔细比较不同产品的良率报表，会发现一个普遍存在却又往往被归因于"工艺问题"的现象：同一片晶圆上，采用更大Die面积设计的芯片，其单颗良率总是显著低于采用小Die的产品。
- Shot Size效应的一个关键量化指标是"每个Shot的平均Die数量"（Dies per Shot，DPS）。当DPS>1时，单个Shot内的Die受到Shot级别缺陷的共同影响，芯粒良率模型需要修正为复合模型。
- 理解了Murphy效应和Shot Size效应的物理原理后，良率工程师面临的真正挑战是如何在现有Fab物理约束下最大化大Die良率。第一个困境是缺陷密度降低的边际成本急剧上升。
- 针对大Die良率的系统性问题，良率工程团队需要建立一套涵盖设计、工艺、检测和数据四个维度的综合策略框架。第一项策略是Die设计方案优化。在产品设计阶段，良率工程师可以通过仿真工具（如Synopsys Yield Explorer或Silvaco Monte Carlo良率仿真器）对不同Die分区的良…
- 第三项策略是检测采样策略的精细化设计。对于大Die产品，传统的均匀采样检测策略存在统计效率低的问题——大Die的良率波动主要由大面积区域缺陷引起，而非局部缺陷，均匀采样容易低估真实良率偏差。
常见问题（FAQ）
Q：良率下降时应该按什么顺序排查？
A：推荐四步：先把损失按 Bin 分类并做 Pareto，明确主要矛盾；再看空间分布形态缩小工序范围；然后用 Commonality 在设备与批次维度做交叉比对锁定嫌疑；最后做验证实验确认因果并实施纠正。顺序颠倒会让排查变成无头绪的普查。
Q：机器学习在良率分析里的作用被夸大了吗？
A：如果期望模型直接给出工艺调整量，那确实被夸大了。模型的可靠价值在于从上百个参数中快速排出嫌疑顺序，把工程师的精力集中在少数几个变量上。最终的物理结论仍必须由工艺验证来确认。
【总结】
良率分析与根因定位的难点往往不在单点技术，而在于把原理、数据与现场验证串成闭环。本文首发于博客：半导体智能制造 | MES工程师实战笔记。建议先用小范围试点验证有效性，再逐步扩大适用范围，并保留完整的数据与判断记录以便复盘。
相关阅读
📚 同栏目延伸阅读：光刻套刻精度(Overlay)：补偿模型的实战、先进封装测试：从晶圆级到系统级的演进、刻蚀负载效应：图形密度对速率的影响、计数型SPC：p图u图选错，分析结论全错
