D0缺陷密度良率模型计算器｜SPC实战工具
这个工具解决什么问题
良率与芯片面积不是线性关系，而是由缺陷密度 D0 决定的指数/幂律关系。工程上高频三问： 「同样 D0，die 面积翻倍良率掉多少？」「想把良率从 78% 提到 88%，D0 要降到多少？」 「目标良率对应的最大 die 面积是多少？」靠感觉估算容易差出几个百分点，而几个百分点就是几百万产值。 本工具内置 Poisson / Murphy / Seeds（负二项）三种主流模型，做正反双向精确求解。
输入数据格式
数据文件 d0_curve.csv，列顺序为：die_area_cm2、poisson_yield_pct、murphy_yield_pct、seeds_yield_pct。
示例首行：0.1,98.1343,98.1372,98.1401
d0_data.csv：product, die_area_cm2, yield_pct（放多个不同面积/不同产品的实测点，建议 ≥3 个）。
示例输出（真实运行结果节选）
============================================================================
D0 缺陷密度与良率模型分析报告
实测点：5 个 成簇参数 α=3.0 目标良率档位：95%、90%、85%、80%、75%、70%
============================================================================
【一、输入实测数据】
产品 die 面积(cm²) 实测良率
产品A_小信号器件 0.150 97.32%
产品B_模拟IC 0.500 91.06%
产品C_电源管理 1.000 82.40%
产品D_MCU主控 2.500 62.17%
产品E_SoC大芯片 5.000 38.76%
【二、三模型反解 D0 及一致性评估】
原理：同一条产线的同一个 D0，作用于不同面积的芯片应当同时解释所有实测点。
因此「用哪个模型反解出的 D0 彼此最接近，哪个模型就最贴合真实失效机理」。
模型 D0 均值 D0 标准差 变异系数
Poisson（随机缺陷） 0.1883 0.0041 2.2%
Murphy（芯片内均匀） 0.1945 0.0088 4.5%
Seeds 负二项（缺陷成簇, α=3） 0.2002 0.0140 7.0%
Poisson（随机缺陷） 逐点 D0：产品A=0.1811 产品B=0.1873 产品C=0.1936 产品D=0.1901 产品E=0.1896
Murphy（芯片内均匀） 逐点 D0：产品A=0.1815 产品B=0.1888 产品C=0.1968 产品D=0.1983 产品E=0.2
1. 输入实测数据表 2. 三模型反解 D0 及一致性评估：用变异系数(CV)判断哪个模型最贴合真实失效机理 3. 良率—面积曲线：Poisson / Murphy / Seeds 三模型对照表 4. 目标良率反解：95/90/85/80/75/70% 各自对应的最大可行 die 面积 5. D0 改善空间测算：良率提升 X 个百分点所需 D0 降幅 6. 使用建议：模型选择、CV 判据、D0 目标设定原则
· 判断模型是否可用的关键指标是变异系数 CV：同一条产线的同一个 D0， 应当同时解释所有面积的实测点，所以「反解出的 D0 彼此最接近」的模型就是最贴合机理的 · CV > 15% 说明模型与产线不匹配，应改用成簇模型或分产品族建模 · 三种模型在小 die（<0.5cm²）差异很小，大 die（>2cm²）可达 5~10 个百分点，选错会误判项目可行性
D0 缺陷密度与良率模型计算器
> 半导体良率工程 Python 实战工具 · 核心功能零第三方依赖
会生成哪些文件
· d0_yield_model.py：主程序（Python 3.8+，零第三方依赖） · d0_data.csv：示例实测点（5 个不同面积产品），无数据时自动生成 · d0_report.txt / d0_curve.csv：中文报告与良率-面积曲线数据（可直接绘图） · 附赠提示词.txt：同主题 AI 提示词 1 套
运行后除控制台输出外，还会生成：d0_data.csv、d0_report.txt、d0_curve.csv。
运行方法
python d0_yield_model.py python d0_yield_model.py 我的数据.csv
可调参数与计算口径
· SEEDS_ALPHA：负二项成簇参数 α（默认 3，越大越接近 Poisson） · TARGET_YIELDS：目标良率档位列表
脚本顶部集中了主要阈值与常量：DATA_CSV=os.path.join(BASE, "d0_data.csv")、REPORT_TXT=os.path.join(BASE, "d0_report.txt")、CURVE_CSV=os.path.join(BASE, "d0_curve.csv")、TARGET_YIELDS=[95.0, 90.0, 85.0, 80.0, 75.0, 70.0]、MODEL_CN={"poisson": "Poisson（随机缺陷）",。改完直接重跑即可，不必改动计算逻辑。
脚本里的主要处理步骤
d0_from_yield()：由面积与良率反解 D0（颗/cm²）area_from_yield()：由 D0 与目标良率反解最大可行 die 面积gen_demo()：按 Poisson D0≈0.19 生成 5 个不同面积的产品实测良率（面积跨度大，便于区分模型）。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- Poisson（随机缺陷）
- Murphy（芯片内均匀）
- Seeds 负二项（缺陷成簇, α=%.0f）
- 求 f(x)=target 的根（f 单调递减）
- 由面积与良率反解 D0（颗/cm²）
- 由 D0 与目标良率反解最大可行 die 面积
- 产品A_小信号器件
- 产品B_模拟IC
- 产品C_电源管理
- 产品D_MCU主控
- 产品E_SoC大芯片
- 未提供数据文件，已生成示例数据：%s（%d 个实测点）
- D0 缺陷密度与良率模型分析报告
- 实测点：%d 个 成簇参数 α=%.1f 目标良率档位：%s
- 【一、输入实测数据】
- die 面积(cm²)
- 实测良率
- 【二、三模型反解 D0 及一致性评估】
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：d0_yield_model.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 4 列：die_area_cm2、poisson_yield_pct、murphy_yield_pct、seeds_yield_pct。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
跑完最该关注哪几项？
报告按 一、输入实测数据、二、三模型反解 D0 及一致性评估、三、良率—面积曲线（基于 %s，D0=%.4f）、四、目标良率反解（%s）、五、D0 改善空间测算 等部分组织，其中判定结论与建议部分直接对应下一步动作。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
同分类的其它工具
分类归属：SPC与质量分析工具包；完整清单在 工具资源包下载页。
