D0 缺陷密度与良率的关系：Poisson、Murphy、Seeds 三个模型怎么选
📚 同栏目延伸阅读（自动内链）：Cpk 和 Ppk 有什么区别？四个过程能力指标的算法、判据与选用、OEE 怎么算？可用率、性能、良率三因子拆解与六个常见算错点、SPC 控制图的 8 条判异规则：Nelson 规则逐条对照与误报权衡、FDC 和 SPC 有什么区别？一个看设备、一个看产品，采样频率差三个数量级
D0（D-zero）是单位面积上的致命缺陷密度，单位 defects/cm²。它和良率的关系不是一条固定公式，而是取决于你假设缺陷怎么分布。
三个常用模型
| 模型 | 公式 | 适用假设 |
|---|---|---|
| Poisson | Y = e−A·D0 | 缺陷完全随机、独立分布 |
| Murphy | Y = [(1 − e−A·D0) / (A·D0)]² | 缺陷密度在片间有三角形分布 |
| Seeds | Y = 1 / (1 + A·D0) | 缺陷密度近似指数分布 |
| 负二项 | Y = (1 + A·D0 / α)−α | 有聚集效应，α 是聚集因子 |
其中 A 是每颗芯片的临界面积（cm²），不是整片晶圆面积。同一个 D0，A 越大良率越低——这也是为什么大芯片天生良率差。
怎么选
- 工艺稳定、缺陷随机：用 Poisson。它最简单，也是最乐观的——同样的 D0，Poisson 算出的良率最高。
- 有明显的缺陷聚集（比如同一区域反复出问题）：用负二项，α 越小聚集越严重，良率越低。
- 成熟产线的经验口径：很多厂用 Murphy 或 Seeds，因为它们给出的曲线更接近实测。
三个模型的排序是固定的：Poisson 最乐观，Murphy 居中，Seeds 最保守。选错模型，良率预测会系统性偏高或偏低。
两个实操提醒
- D0 不是所有缺陷，是致命缺陷。统计时只算落在临界面积上的、会导致失效的那部分。用总量算会低估良率。
- D0 会随层数累加。一颗芯片要过几百道工序，每层的 D0 都会贡献，所以整体良率是各层良率的连乘，不是简单相加。
延伸阅读：缺陷密度 D0 与良率的关系