CN120011839B - 晶圆的芯片挑选方法、设备、可读存储介质和程序产品 - Google Patents

Abstract

本申请涉及一种晶圆的芯片挑选方法、设备、可读存储介质和程序产品。所述方法包括：获取晶圆地图以及选取的BIN；根据所述选取的BIN和所述晶圆地图进行基于密度的聚类处理，获得聚类簇集合；根据聚类簇筛选规则，从所述聚类簇集合中筛选出与所述聚类簇筛选规则相匹配的目标聚类簇子集；根据所述目标聚类簇子集进行重组地图处理，获得目标晶圆地图；基于所述目标晶圆地图进行芯片挑选。采用本方法能够提高芯片挑选效率。

Description

晶圆的芯片挑选方法、设备、可读存储介质和程序产品

技术领域

本申请涉及半导体技术领域，特别是涉及一种晶圆的芯片挑选方法、设备、可读存储介质和程序产品。

背景技术

晶圆是半导体制造的基础材料，晶圆尺寸越大，意味着相同工艺条件下，可产出芯片数量越多。常用晶圆尺寸有4寸、6寸、8寸、12寸，利用率越高，分摊到每颗芯片的成本就越低。晶圆上的单颗芯片，可以整张是相同款设计的量产款，也可以是多种设计的研发款，属于多项目晶圆MPW（MultiProject Wafer）。不管量产款，还是研发款，一张晶圆上的芯片颗粒数越多，或设计类型越多，结合工艺一致性的差异，都会使整张晶圆上的芯片呈现不同性能分布。在对每颗芯片进行测试后，综合多项数据指标进行分BIN，可以满足市场和项目的不同需求。传统的方式通过将芯片的物理地址与晶圆map上的BIN信息合并后生成新的带有物理坐标的地图后进行挑片处理，这种预扫描模式在一定程度上解决了精度要求高的情况，但当芯片颗粒数较多时，会占用很多的时长。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高芯片挑选效率的晶圆的芯片挑选方法、设备、可读存储介质和程序产品。

一种晶圆的芯片挑选方法，所述方法包括：

获取晶圆地图以及选取的BIN；

根据所述选取的BIN和所述晶圆地图进行基于密度的聚类处理，获得聚类簇集合；

根据聚类簇筛选规则，从所述聚类簇集合中筛选出与所述聚类簇筛选规则相匹配的目标聚类簇子集；

根据所述目标聚类簇子集进行重组地图处理，获得目标晶圆地图；

基于所述目标晶圆地图进行芯片挑选。

一种智能分选设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请各实施例中所述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请各实施例中所述的方法的步骤。

一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请各实施例中所述的方法的步骤。

上述晶圆的芯片挑选方法、设备、可读存储介质和程序产品，根据选取的BIN和晶圆地图进行基于密度的聚类处理，获得聚类簇集合，根据聚类簇筛选规则，从聚类簇集合中筛选出与聚类簇筛选规则相匹配的目标聚类簇子集，进一步进行重组地图处理获得目标晶圆地图，基于目标晶圆地图进行芯片挑选，即通过基于密度的聚类算法将在高密度区域的芯片集合在一起进行筛选，进行重组地图处理后形成目标晶圆地图，能够大大缩短挑片路径，提高芯片挑选的效率、准确率、可靠性和灵活性，提高整体产能。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对本申请实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为一个实施例中晶圆的芯片挑选方法的流程示意图；

图2为一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图；

图3为一个实施例中目标晶圆地图的示意图；

图4为另一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图；

图5为另一个实施例中目标晶圆地图的示意图；

图6为另一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图；

图7为一个实施例中按照芯片坐标生成的多边形轮廓示意图；

图8为又一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图；

图9为再一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图；

图10为一个实施例中各目标区域对应的目标晶圆地图示意图；

图11为一个实施例中图10对应的按照芯片坐标生成的多边形轮廓示意图；

图12为一个实施例中图9中的（c）图中各目标区域对应的目标晶圆示意图；

图13为一个实施例中图12对应的按照芯片坐标生成的多边形轮廓示意图；

图14为一个实施例中智能分选设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的晶圆的芯片挑选方法，可以应用于智能分选设备，用于进行芯片分选。分BIN，这个环节在芯片分选中是一个关键步骤，它是对晶圆上的芯片颗粒按不同等级进行分类。一张晶圆上芯片颗粒的总数量，会因单颗芯片尺寸的不同而使数量介于几百到几十万颗之间，数量极为庞大，结合设计种类的多样性或工艺一致性可能引入的差异，使整张晶圆上的芯片呈现不同程度的性能分布，从而划分出不同等级，这个过程即为分BIN，分BIN通常包含2种以上（良品和不良品，即两个BIN，若分选的精细度更高，那么良品中会包含更多等级,即为多分BIN）。在有多分BIN的情况下，先排好挑片顺序，智能分选设备的挑片路径设置是逐行扫描，走Z形路线，以缩短芯片拾取时间。如当前挑BIN4，那么移动至本行的BIN4进行挑片，当本行不再有BIN4时，移动至下一行进行挑片。智能分选设备还能进行位置实时自校正，软件在锁定到目标芯片时，会自动校正位置信息，以确保下一个步跳的步进距离精确，如果晶圆上芯片连续空缺数量过多，那就无法精准定位并实时校准位置，累积误差就会引起错行或错列，所以如果晶圆上连续空缺较多，就会有一定的误差积累，而增大错误率。

而在传统方式中，设备厂家有预扫描模式，将芯片的物理地址与地图的BIN信息合并后生成新的带有物理坐标的地图，这种预扫描模式在一定程度上解决了精度要求高的情况（比如：小尺寸芯片些微偏移量而引起的错漏行），但当芯片颗粒数较多（比如大于20k，甚至200k以上时）预扫描会占用很多时长，原理是要先对晶圆上所有芯片进行分区拍照，提取物理坐标，然后再与map的BIN信息合图，生成新晶圆map。预扫描必须单次完成，因为过程中，晶圆的稍微物理位置变化，就需要重新再做预扫描，以确保物理位置信息的精准。而有些设备厂家会用到连通域，连通域是图像处理中的一种常用技术，通常用于识别图像中的物体或区域。连通域算法是一种基于数据对象之间的距离或相似度来构建一个层次结构的树状图，然后根据不同的切割标准来划分不同层次的簇。目前连通域的应用范围有限，常用只有4连通或8连通这两项，限制了复杂场景的应用。因此提出了本申请实施例中的晶圆的芯片挑选方法，通过进行基于密度的聚类处理方式进行芯片筛选，提高芯片挑选的效率、灵活度和精准度。

在一个实施例中，如图1所示，为一个实施例中晶圆的芯片挑选方法的流程示意图，以该方法应用于智能分选设备为例进行说明，包括以下步骤：

步骤102，获取晶圆地图以及选取的BIN。

具体地，晶圆地图，即晶圆map，功能是一张晶圆上的芯片地图，包含每颗芯片的分BIN信息和芯片之间相互位置关系，智能分选设备依据此晶圆地图进行芯片分选。可以理解的是，晶圆map可以是一整张晶圆的地图，也可以是晶圆的一部分等，根据需求设置。晶圆地图中可以包含每颗芯片的相互位置关系即坐标信息、以及每颗芯片的分BIN情况，即良品（比如定义6）和不良品（比如定义2）；或者有多分BIN时，良品包含多个分类（比如定义3、5、8等数字或字母），同时选定此时挑片将要挑选的BIN（比如只挑选良品BIN6），或多分BIN时，先排好挑片顺序（比如先挑选BIN3、再挑BIN5、最后挑BIN8）。可以理解的是，该晶圆地图可以是预存在智能分选设备中的，也可以是经过一些处理后的晶圆地图，或者是扫描、分析等生成的晶圆地图。那么响应于对选定的BIN的触发操作，获取选取的BIN，该选取的BIN具体是单个BIN。

步骤104，根据选取的BIN和晶圆地图进行基于密度的聚类处理，获得聚类簇集合。

其中，基于密度的聚类处理不同于基于连通域的聚类处理，其算法核心是根据数据对象的密度来划分簇，即密度高的区域为一个簇，密度低的区域为簇之间的分界。其优点在于发现任意形状的空间聚类，不需要预先指定簇的数量。基于密度的聚类处理算法包括DBSCAN（Density Based Spatial Clustering of Application with Noise）、OPTICS（Ordering Points To Identify the Clustering Structure）、DENCLUE（DENsity basedCLUstEring）等。以DBSCAN算法为例，其是一种比较有代表性的基于密度的聚类算法。它能够识别出具有足够高密度的区域，并将其划分为簇。DBSCAN算法的核心在于密度的定义和聚类过程，它通过两个主要参数：ε（epsilon，邻域半径）和MinPts（最小点数阈值）来描述数据点的密度，通过连接密度可达的点来形成簇。DBSCAN其核心算法对参数ε和MinPts的选择非常敏感，不同的参数组合可能导致截然不同的聚类结果，epsilon和MinPts的调参相对复杂，需要找到合适的最佳参数组合。

具体地，智能分选设备根据选取的BIN提取晶圆地图中的对应的BIN信息，并通过基于密度的聚类算法对该BIN信息进行聚类处理，获得聚类簇集合，聚类簇集合中包括至少一个聚类簇。

步骤106，根据聚类簇筛选规则，从聚类簇集合中筛选出与聚类簇筛选规则相匹配的目标聚类簇子集。

其中，聚类簇筛选规则是依据实际使用场景所设置的程序规则。聚类簇筛选规则包括但不限于响应所选取的聚类簇、或者占比规则等。

具体地，当聚类簇集合中的聚类簇数量大于一个时，响应于所选取的聚类簇，筛选出聚类簇子集。或者，当聚类簇集合中的聚类簇数量大于一个时，响应于数量占比规则，数量占比规则即筛选出数量占比高的簇，从聚类簇集合中将数量占比小于预设占比的聚类簇删除，筛选出聚类簇子集。

步骤108，根据目标聚类簇子集进行重组地图处理，获得目标晶圆地图。

具体地，智能分选设备提取或合并目标聚类簇子集中的芯片坐标，生成目标晶圆地图。目标晶圆地图用于表征需要挑选的芯片位置。该目标晶圆地图中含BIN信息，如BIN和空跳等。

步骤110，基于目标晶圆地图进行芯片挑选。

具体地，智能分选设备以Z形路径沿着目标晶圆地图进行芯片挑选。

本实施例中，根据选取的BIN和晶圆地图进行基于密度的聚类处理，获得聚类簇集合，根据聚类簇筛选规则，从聚类簇集合中筛选出与聚类簇筛选规则相匹配的目标聚类簇子集，进一步进行重组地图处理获得目标晶圆地图，基于目标晶圆地图进行芯片挑选，即通过基于密度的聚类算法将在高密度区域的芯片集合在一起进行筛选，进行重组地图处理后形成目标晶圆地图，能够大大缩短挑片路径，提高芯片挑选的效率、准确率、可靠性和灵活性，提高整体产能。

在一个实施例中，根据选取的BIN和晶圆地图进行基于密度的聚类处理，获得聚类簇集合，包括：

根据选取的BIN和晶圆地图，采用不同的聚类参数值进行基于密度的聚类处理，获得各聚类参数值下的聚类簇集合；

根据聚类簇筛选规则，从聚类簇集合中筛选出与聚类簇筛选规则相匹配的目标聚类簇子集，包括：

根据聚类簇筛选规则，从各聚类参数值下的聚类簇集合筛选出与聚类簇筛选规则相匹配的目标聚类簇子集。

其中，以基于密度的聚类算法为DBSCAN算法为例进行说明，它通过两个主要参数：ε（epsilon，邻域半径）和MinPts（最小点数阈值）来描述数据点的密度。邻域半径表示以某一点为中心、ε为半径的圆形区域范围，用于确定该点邻域内包含的其他数据点的集合。最小点数阈值表示邻域半径ε内需要包含的最少数据点数。那么，不同的聚类参数可以是某个设定范围内的聚类参数，也可以是预设的聚类参数。如邻域半径从0.05~0.2中每隔0.05取一个聚类参数进行聚类处理，获得各聚类参数对应的聚类簇集合；或者最小点数阈值取1、2等，也可以遍历参数值的组合，获得各聚类参数值组合所对应的聚类簇集合。

具体地，智能分选设备可根据芯片数量最多的筛选原则，从各聚类参数值下的聚类簇集合中，筛选出芯片数量最多的预设数量个聚类簇，获得各聚类参数值下的参考聚类簇子集；再从参考聚类簇子集中筛选出总芯片数量最多的参考聚类簇子集，获得目标聚类簇子集。或者，可根据密度筛选原则，从各聚类参数值下的聚类簇集合中筛选出密度最高的预设数量个聚类簇，获得各聚类参数值下参考聚类簇子集；再从参考聚类簇子集中筛选出总密度最高的参考聚类簇子集，获得目标聚类簇子集。

可选地，聚类簇筛选规则为选中规则，响应于触发的聚类簇集合选中操作，从各聚类参数值下的聚类簇集合筛选出选中的目标聚类簇子集。

示例性地，图2为一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图。图2是一张晶圆中的一部分，且选中的BIN均为BIN5，紫色点为簇1对应的芯片。以eps-ε参数取值为不同的聚类参数值为例进行说明。图2的（a）图中eps-ε的取值为0.08，（b）图中eps-ε的取值为0.1，（c）图中eps-ε的取值为0.15，且每个图的MinPts取值均为1。可以理解的是，图2中不同颜色表示不同的聚类簇。

注：表中的簇2表示数量占比排行第二的簇，不为图2中的cluster2，簇3同理。从表2可知，簇2和簇3的数量占比/密度极低，可以省略。因此以参考聚类簇子集中包含簇1为例，图2中的（a）图、图2中的（b）图和图2中的（c）图的簇1数量占比相差不大，且都大于90%；而图2中的（a）图中簇1节省的面积占比最高，因此目标聚类簇子集为ε=0.08、MinPts=1时的簇1。如果时间充足，且整张颗粒饱满，那在能确保准确率的情况下，可以接受大量空跳，不计时间成本，此时可选用图2中的（b）图或图2中的（c）图的分簇1作为目标聚类簇子集（占比在92.7%或94%都可以）。

如果以节省时间为主，或者已经先挑过一两个BIN，此时芯片颗粒空缺数量多，即准确率降低的时候，会选用图1的分簇1（集中度高，占比93.5%），即把绿色旁枝筛除，避免如图2中的（d）图所示黄色区域的空跳，或如果黄色区域此时是之前已挑过的其他BIN，已有很多空缺，会出现累计误差而影响准确率。

图2中的（e）图的分布地图就是调整后的，即图1只选中分簇1（即紫色），其他簇都删除，只留下了密集分布的区域，重新生成的地图就是图2中的（e）图仅保留紫色区域，少了零散分布。图3为一个实施例中目标晶圆地图的示意图。图3也是设备识别时所采用的TXT文本，蓝色虚线框为调整后的目标晶圆地图，相较于初始晶圆地图，减少了近50%的空跳。

当时间充足的情况下，整张颗粒数饱满能确保准确率，那就直接挑选，不用局部拆分。这种情况在整张晶圆数量10-20k以内还可以，当数量大于20k就非常耗时，因为不同张晶圆分布的差异，有些可能会出现大量空跳。综上，基于不同的需求可以设置不同的聚类簇筛选规则，使得筛选出的聚类簇子集符合具体需求。

本实施例中，由于基于密度的聚类算法对聚类参数的选取较为敏感，因此需要根据选取的BIN和晶圆地图，采用不同的聚类参数值进行聚类，获得各聚类参数值下的聚类簇集合，并根据聚类簇筛选规则，从中筛选出匹配的聚类簇子集，能够大大缩短挑片路径，提高作业过程的准确率、可靠性、灵活性，提高整体产能。

在一个实施例中，根据聚类簇筛选规则，从各聚类参数值下的聚类簇集合筛选出与聚类簇筛选规则相匹配的目标聚类簇子集，包括：

从各聚类参数值下的聚类簇集合中，筛选出各聚类参数值下的芯片数量最多或者芯片密度最大的预设数量个聚类簇，获得各聚类参数值下的参考聚类簇子集；

根据参考聚类簇子集的特征数据对各聚类参数值下的参考聚类簇子集进行筛选，获得目标聚类簇子集。

其中，芯片数量最多可以以芯片数量作为标准，也可以以芯片数量占比作为标准。芯片数量最多可以是芯片总数量最多，也可以是芯片数量占比最高。其中，芯片数量占比是指该聚类簇中芯片数量与该BIN的芯片总量之比。芯片密度最大可以指芯片数量与芯片总面积之比最大，也可以是芯片数量与芯片总面积的平方之比最大。

具体地，聚类簇筛选规则包括筛选出芯片数量最多或者芯片密度最大的预设数量个聚类簇，还包括根据进一步的特征数据对参考聚类簇子集进行筛选。芯片数量占比是指该聚类簇中芯片数量与该BIN的芯片总量之比。芯片数量占比最高的预设数量个聚类簇是指获取每个聚类簇的占比，从高到低排序，取排序最前的预设数量个聚类簇；从而获得参考聚类簇子集。如聚类参数值A对应聚类簇1~50，需要取数量占比最高的5个聚类簇，聚类簇1~5数量占比最高，则取聚类簇参数值A对应的参考聚类簇子集1~5。聚类参数值B对应聚类簇1~60，需要取数量占比最高的5个聚类簇，聚类簇2~6数量占比最高，则取聚类簇2~6，聚类簇参数值B对应的参考聚类簇子集2~6。

参考聚类簇子集的特征数据是指用于表征参考聚类簇子集的芯片总量、面积和密度等，例如可以是芯片数量数据、芯片面积数据、芯片密度数据。芯片面积数据可以是芯片总面积，也可以是芯片面积占比。其中，芯片面积占比是该聚类簇的最大长度和最大宽度的面积占该BIN面积之比；或者不规则面积占比（如该聚类簇的每行最左边和最右边所占的面积占该BIN面积之比）。智能分选设备根据参考聚类簇子集的特征数据对各聚类参数值下的参考聚类簇子集进行筛选，筛选出特征数据符合规则的聚类簇，获得目标聚类簇子集。如进一步从聚类簇参数值A对应的参考聚类簇子集1~5，聚类簇参数值B对应的参考聚类簇子集2~6中，筛选出面积占比最低的目标聚类簇子集即聚类簇参数值B对应的参考聚类簇子集2~6。

示例性地，如图4所示，为另一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图。图4中是BIN1的晶圆map，紫色点为簇1对应的芯片。并且图4的特征数据为芯片面积占比。

智能分选设备可以提取图4中的（c）图中的聚类簇1，其它聚类簇均删除，即参考聚类簇子集中仅包含簇1。由表3中可以看出3个图中簇1的占比差不多，而面积占比是当ε=0.08时，聚类簇1的面积占比最小，那么最佳的特征数据为面积占比。根据目标聚类簇子集重组地图后，如图5所示，为另一个实施例中目标晶圆地图的示意图。图5也是设备识别时所采用的TXT文本，虚线框为调整后的目标晶圆地图，相较于单个BIN的初始晶圆地图，减少了近7%的空跳。

本实施例中，从各聚类参数值下的聚类簇集合中，筛选出各聚类参数值下的占比最高的预设数量个聚类簇，获得各聚类参数值下的参考聚类簇子集，根据参考聚类簇子集的特征数据对各聚类参数值下的参考聚类簇子集进行筛选，获得目标聚类簇子集，能够排除零散簇，减少设备的空跳，提高芯片挑选的效率。

在一个实施例中，根据参考聚类簇子集的特征数据对各聚类参数值下的参考聚类簇子集进行筛选，获得目标聚类簇子集，包括：

获取各聚类参数下参考聚类簇子集的芯片数量数据；

获取各聚类参数下参考聚类簇子集的芯片面积数据；

获取各聚类参数下参考聚类簇子集的芯片密度数据；

根据芯片数量数据、芯片面积数据和芯片密度数据，从各聚类参数值下的参考聚类簇子集中筛选出相匹配的目标聚类簇子集。

其中，参考聚类簇子集中包含占比最高的预设数量个聚类簇。芯片数量数据可以是芯片总数量，也可以是芯片数量占比。其中，芯片数量占比是指该聚类簇中芯片数量与该BIN的芯片总量之比。芯片面积数据可以是芯片总面积，也可以是芯片面积占比。其中，芯片面积占比是该聚类簇的最大长度和最大宽度的面积占该BIN面积之比；或者不规则面积占比（如该聚类簇的每行最左边和最右边所占的面积、或者通过蒙特卡洛算法等计算得到的多边形轮廓的面积占该BIN面积之比）。芯片密度数据是指芯片数量与芯片总面积之比，也可以是芯片数量与芯片总面积的平方之比。

特征数据包括M1、M2和M3，其中M1是指芯片数量占比，M2是指芯片面积占比，M3是指芯片密度。参数组合是指聚类参数的组合。基于不同的聚类参数值所获得的结果，自动列出数据对比。

①芯片数量占比M1：前N个簇的组合，N是前几个簇的数量占比总和>90%，根据占比大小依次显示分簇信息。簇N之后的零散簇，可忽略，或占比＜某个设定值可忽略。

②芯片面积占比M2：显示分簇后，各簇map的有效面积占比。比如map行列优化缩减后的面积占比，如果面积复杂，也可以用多边形蒙特卡洛近似估算相对面积。

③芯片密度M3：密度是芯片数量占比与所占面积占比的相对值，越高说明密度越大，单位时间拾取有效芯片的效率越高。

筛选条件：SUM=芯片数量占比*第一正权重+芯片数量占比*负权重+芯片密度*第二正权重。各权重的值结合实际情况来调整，满足不同侧重点的需求。

示例性地，以与图2中相同的实例进行分析。图6为另一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图。首先进行数据预处理，选择一张晶圆的一小部分（总量约60k），提取要选中的BIN，即BIN5，数量约14.6k。采用For循环，动态参数组合在一定范围内遍历，DBSCAN聚类执行，输出每个组合的结果。动态参数组合如eps-ε：0.05-0.2、step：0.01，MinPts：1、2等，参数范围是经验值。以占比最高的预设数量个聚类簇为1个，也即参考聚类簇子集中仅包含簇1为例进行说明。其中参数组合1对应图6中的（a）图，参数组合2对应图6中的（b）图，参数组合3对应图6中的（c）图，参数组合4对应图6中的（d）图。如表4为几组动态组合的输出结果。

从数据表格看，四组参数，前3个聚类参数组合的簇占比＞90%，芯片颗粒数相差不超过200pcs，都可以选用。然后，在地图面积优化，聚类提速上，第3组的map面积更小50%，从比值看，密度最高，因此第3组是最优组合，即目标聚类簇子集包括第3组聚类参数对应的聚类簇1。优化后的图如图2中的（e）图所示，优化后的map面积减少一半，并且路径也减少了一半。图7为一个实施例中按照芯片坐标生成的多边形轮廓示意图。图7中的（a）图为单个BIN初始的晶圆地图对应的多边形轮廓示意图，图7中的（b）图为第3组聚类参数对应的簇1的多边形轮廓。经过对比发现，该多边形轮廓缩短了一半，因此对应的芯片挑选路径也缩短一半。

示例性地，如图8所示，为又一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图。图8中紫色点为簇1对应的芯片。首先进行数据预处理，选择一张晶圆的一小部分（图8对应的整张晶圆总量约260k），提取要选中的BIN，其数量约64k。采用For循环，动态参数组合在一定范围内遍历，DBSCAN聚类执行，输出每个聚类参数组合的结果。动态聚类参数组合如 eps-ε：0.05-0.2、step：0.01，MinPts：1、2等，参数范围是经验值。以预设数量个聚类簇为3个，也即参考聚类簇子集中包含簇1~3（芯片数量最多的簇）为例进行说明。其中参数组合1对应图8中的（a）图，参数组合2对应图8中的（b）图，参数组合3对应图8中的（c）图，参数组合4对应图8中的（d）图。如表5~7为几组动态组合的输出结果：

注：表中的簇2表示数量占比排行第二的簇，不为图2中的cluster2，簇3同理。从数据看来，因为三个聚类簇的分布非常集中又分散，所以几个组合差异不大，簇1数量占比都在90%；从面积优化上，如图8中的（c）图和（d）图，第3、4组聚类参数更好，在密度比值上，差异也非常小；在前3簇的数量占比上，4个组的占比都差不多，所以第3、4组都可以选用。即目标聚类簇子集包括第3组聚类参数对应的聚类簇1~3或者第4组聚类参数对应的聚类簇1~3。

示例性地，如图9所示，为再一个实施例中采用不同的聚类参数进行基于密度的聚类处理后的聚类簇分布示意图。图9中紫色点为簇1对应的芯片。首先进行数据预处理，选择一张晶圆的一小部分（总量约60k），提取要选中的BIN，即BIN5，数量约14.6k。采用For循环，动态参数组合在一定范围内遍历，DBSCAN聚类执行，输出每个组合的结果。动态参数组合如eps-ε：0.05-0.2、step：0.01，MinPts：1、2等，参数范围是经验值。以芯片数量最多的预设数量个聚类簇为2个，也即参考聚类簇子集中仅包含簇1~2（占比最高的簇）为例进行说明。如表8为几组动态组合的输出结果：

可以看出当eps-ε等于0.15、0.1、0.08和0.05时，如图9中的（a）图，均只有1个簇，占比均为百分百，此时的聚类没有意义，因此聚类无效。而当eps-ε为0.03，Minpts为1和2时，如图9中的（b）图，面积占比还是100%，因此该聚类也没有意义。仅有聚类参数组合7在面积优化上有效果，当eps-ε为0.02、Minpts为1时，如图9中的（c）图，一共有1415个簇，而前2个芯片数量最多的簇（参考聚类簇子集）占比超过90%，因此可以作为目标聚类簇子集。图9中的（d）图则为eps-ε为0.02且Minpts为1的簇1（紫色）和簇2（红色）的晶圆芯片分布示意图。

本实施例中，芯片数量数据表征当前能挑选的芯片的数量，芯片面积数据和芯片密度数据用于表征当前能挑选的芯片的集中度，均为芯片挑选的重要技术特征，通过芯片数量数据、芯片面积数据和芯片密度数据，从各聚类参数值下的参考聚类簇子集中筛选出相匹配的目标聚类簇子集，能够筛选出集中度更高的聚类簇，提高芯片挑选效率。

在一个实施例中，根据芯片数量数据、芯片面积数据和芯片密度数据，从各聚类参数值下的参考聚类簇子集中筛选出相匹配的目标聚类簇子集，包括：

根据芯片数量数据与第一正权重之积、芯片面积数据与负权重之积、以及芯片密度数据与第二正权重之积，确定各聚类参数值对应的筛选指标值；

将筛选指标值最大的参考聚类簇子集作为目标聚类簇子集。

其中，第一正权重ω₁和第二正权重ω₂的数值可以一样，也可以不一样。负权重是指权重为负数，如-ω。第一正权重、负权重和第二正权重根据经验值配置。并且该经验值可以预先配置在智能分选设备。

具体地，在芯片挑选过程中，对于单个聚类簇，芯片总量占比越高越好、芯片面积占比越小越好、芯片密度越高越好，因此，芯片数量数据M1对应第一正权重ω₁，芯片面积数据M2对应负权重-ω，芯片密度数据M3对应第二正权重ω₂。根据芯片数量数据与第一正权重之积，芯片面积数据与负权重之积，以及密度数据与第二正权重之积，确定各聚类参数值对应的筛选指标值M：

M= M1*ω₁+ M2*（-ω）+ M3*ω₂

智能分选设备将筛选指标值最大对应的参考聚类簇子集作为相匹配的目标聚类簇子集。

本实施例中，根据芯片数量数据与第一正权重之积，芯片面积数据与负权重之积，以及密度数据与第二正权重之积，确定各聚类参数值对应的筛选指标值，将筛选指标值最大的参考聚类簇子集作为相匹配的目标聚类簇子集，能够筛选出芯片数量多、占用面积小且密度大的聚类簇生成目标晶圆地图，大大提高芯片挑选效率。

在一个实施例中，对目标聚类簇子集进行重组地图处理，获得目标晶圆地图，包括：

获取目标聚类簇子集中的目标聚类簇所对应的芯片密度；芯片密度是所占据区域的芯片密度；

确定芯片密度达到密度条件的目标区域；

提取目标区域中的芯片位置，生成目标晶圆地图。

其中，目标聚类簇的芯片密度可以是指目标聚类簇的边缘芯片所围成的区域中的芯片密度。目标聚类簇所对应的芯片密度可以是单个聚类簇的芯片密度，也可以是多个目标聚类簇共同计算得到的芯片密度。芯片密度可以根据区域中芯片总量与区域面积之比，或者区域中芯片总量与区域面积的平方之比确定。

具体地，响应于选中的区域，智能分选设备可以获取区域中各目标聚类簇所对应的芯片密度；当该区域中目标聚类簇的芯片密度达到密度条件时，则可以提取该区域中目标聚类簇的芯片位置，生成目标晶圆地图。

可选地，智能分选设备可以遍历目标聚类簇子集中的目标聚类簇，形成组合，确定每个目标聚类簇的组合所对应的芯片密度。例如目标聚类簇子集中有5个目标聚类簇，分别为目标聚类簇1~5，那么遍历组合后得到的是，1、2、3、4、5、1+2、1+3、1+4、1+5、2+3、2+4、2+5、3+4、3+5、4+5、1+2+3、1+2+4、1+2+5、1+3+4、1+3+5、1+4+5、2+3+4、2+3+5、2+4+5、3+4+5、1+2+3+4、2+3+4+5、1+2+3+4+5，可计算得到各自对应的芯片密度；确定芯片密度达到密度条件的聚类簇组合，提取该组合中的芯片位置，生成目标晶圆地图。当芯片密度达到密度条件的区域的数量多于一个时，则对多于一个的区域进行拆分处理，获得各区域对应的目标晶圆地图。当芯片密度达到密度条件的区域中有重复的目标聚类簇，那么选择芯片数量多的区域生成目标晶圆地图。如1+2达到芯片密度，1+2+3也达到了芯片密度，则选择1+2+3中的芯片位置生成目标晶圆地图。

本实施例中，获取目标聚类簇子集中的目标聚类簇所对应的芯片密度，提取密度达到条件的目标区域中的芯片位置，生成目标晶圆地图，有效提取出高密度区域，减少设备空跳，提高芯片挑选效率。

在一个实施例中，提取区域密度达到密度条件的目标聚类簇子集，生成目标晶圆地图，包括：

当有至少两个区域的区域密度达到密度条件时，对至少两个区域进行拆分处理，生成至少两个目标晶圆地图。

具体地，当存在至少两个目标区域的芯片密度达到密度条件时，智能分选设备对至少两个区域进行拆分处理，生成各目标区域对应的目标晶圆地图。

示例性地，图10为一个实施例中各目标区域对应的目标晶圆地图示意图。图10中的（a）图是图8中的（c）图聚类参数值eps-ε为0.08，Minpts为1对应的聚类簇集合，从中筛选出数量占比最高的3个聚类簇（参考聚类簇子集），即为图10中的（b）图中紫色、绿色和红色的目标聚类簇，对应的目标晶圆地图如图10中的（c）图中的三个虚线框。显然，晶圆地图的面积减少了超过一半，能够大大减少设备空跳的耗时。图11为一个实施例中图10对应的按照芯片坐标生成的多边形轮廓示意图。图11中的（a）图是单个BIN时即图10中的（a）图的晶圆地图的多边形轮廓示意图。图11中的（b）~（d）图是第三组聚类参数对应的拆分后的多边形轮廓，分别为簇1的多边形轮廓、簇2的多边形轮廓和簇3的多边形轮廓；分别对应了3个目标晶圆地图。芯片挑选按照Z形进行挑选，当某行没有下一个需要挑选的芯片则跳行。可以看出按照目标区域将晶圆地图进行拆分后，芯片挑选面积减小，挑选路径大大缩短，从而大大缩短了芯片挑选的时间。

示例性地，图12为一个实施例中图9中的（c）图中各目标区域对应的目标晶圆示意图。图12中的（a）图即图9中的（c）图从分布来看，呈圆环型，如果按照常规地图，默认走Z型路径，那么会有大量空跳出现，很耗时。当时间充足的情况下，整张颗粒数饱满能确保准确率，那就直接挑选，不用局部拆分。这种情况在整张晶圆数量10-20k以内还可以，当数量大于20k就非常耗时，因为不同张晶圆分布的差异，有些可能会出现大量空跳。当需要考虑节省时间时，可以粗略拆分成两部分。如图12中的（b）图，同一个BIN，根据分布情况，调整eps参数，可分成两个簇，紫色和红色，将这两个簇拆分成新地图，节省空跳的耗时。在有空闲时间时，对图12中的（c）图再慢慢挑选。

图13为一个实施例中图12对应的按照芯片坐标生成的多边形轮廓示意图。图13中的（a）图为簇1对应的目标区域的多边形轮廓；图13中的（b）图为簇2对应的目标区域的多边形轮廓；图 13中的（c）图为簇3对应的目标区域的多边形轮廓。那么，智能分选设备基于图13中（a）图中的芯片坐标进行挑片处理、基于图13中（b）图的芯片坐标进行挑片处理、基于图13中（c）图的芯片坐标进行挑片处理，三个地图的顺序不限。显然图13拆分后的挑选路径相对于图12中的（a）图对应的挑选路径大大缩短。

本实施例中，当有至少两个区域的区域密度达到密度条件时，对至少两个区域进行拆分处理，生成至少两个目标晶圆地图，能够大大减少挑片过程中的空跳，提高挑片效率。

在一个实施例中，一种晶圆的芯片挑选方法，包括：

步骤（a1），获取晶圆地图以及选取的BIN。

步骤（a2），根据选取的BIN和晶圆地图，采用不同的聚类参数值进行基于密度的聚类处理，获得各聚类参数值下的聚类簇集合。

步骤（a3），从各聚类参数值下的聚类簇集合中，筛选出各聚类参数值下的占比最高或者密度最大的预设数量个聚类簇，获得各聚类参数值下的参考聚类簇子集。

步骤（a4），获取各聚类参数下参考聚类簇子集的芯片数量数据。

步骤（a5），获取各聚类参数下参考聚类簇子集的芯片面积数据。

步骤（a6），获取各聚类参数下参考聚类簇子集的芯片密度数据。

步骤（a7），根据芯片数量数据与第一正权重之积、芯片面积数据与负权重之积、以及芯片密度数据与第二正权重之积，确定各聚类参数值对应的筛选指标值。

步骤（a8），将筛选指标值最大的参考聚类簇子集作为目标聚类簇子集。

步骤（a9），获取目标聚类簇子集中的目标聚类簇所对应的芯片密度。芯片密度是所占据区域的芯片密度。

步骤（a10），确定芯片密度达到密度条件的目标区域。

步骤（a11），提取目标区域中的芯片位置，生成目标晶圆地图。

步骤（a12），当存在至少两个目标区域时，对至少两个目标区域进行拆分处理，生成各目标区域对应的目标晶圆地图。

步骤（a13），基于目标晶圆地图进行芯片挑选。

本实施例中，根据选取的BIN和晶圆地图进行基于密度的聚类处理，获得聚类簇集合，根据聚类簇筛选规则，从聚类簇集合中筛选出与聚类簇筛选规则相匹配的聚类簇子集，获得目标晶圆地图，基于目标晶圆地图进行芯片挑选，即通过基于密度的聚类算法将在高密度区域的芯片集合在一起进行筛选，进行重组地图处理后形成目标晶圆地图，能够大大缩短挑片路径，提高芯片挑选的效率、准确率、可靠性和灵活性，提高整体产能。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的晶圆的芯片挑选方法的晶圆的芯片挑选装置。一种晶圆的芯片挑选装置，用于实现本申请各实施例中晶圆的芯片挑选方法的步骤。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故具体限定可以参见上文中对于晶圆的芯片挑选方法的限定，在此不再赘述。

上述晶圆的芯片挑选装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个示例性的实施例中，提供了一种智能分选设备，该智能分选设备可以是终端，其内部结构图可以如图14所示。该智能分选设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该智能分选设备的处理器用于提供计算和控制能力。该智能分选设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能分选设备的输入/输出接口用于处理器与外部设备之间交换信息。该智能分选设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、近场通信（Near FieldCommunication，NFC）或其他技术实现。该计算机程序被处理器执行时以实现一种晶圆的芯片挑选方法。该智能分选设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该智能分选设备的输入装置可以是显示屏上覆盖的触摸层，也可以是智能分选设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现本申请各实施例的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请各实施例的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性存储器和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（Resistive Random Access Memory，ReRAM）、磁变存储器（Magnetoresistive RandomAccess Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器、人工智能（Artificial Intelligence，AI）处理器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (8)

1.一种晶圆的芯片挑选方法，其特征在于，所述方法包括：

获取晶圆地图以及选取的BIN；

根据所述选取的BIN和所述晶圆地图，采用不同的聚类参数值进行基于密度的聚类处理，获得各聚类参数值下的聚类簇集合；

从各聚类参数值下的聚类簇集合中，筛选出各聚类参数值下的芯片数量最多或者芯片密度最大的预设数量个聚类簇，获得各聚类参数值下的参考聚类簇子集；

根据所述参考聚类簇子集的特征数据对各聚类参数值下的参考聚类簇子集进行筛选，获得目标聚类簇子集；

根据所述目标聚类簇子集进行重组地图处理，获得目标晶圆地图；

基于所述目标晶圆地图进行芯片挑选。

2.根据权利要求1所述的方法，其特征在于，所述根据所述参考聚类簇子集的特征数据对各聚类参数值下的参考聚类簇子集进行筛选，获得目标聚类簇子集，包括：

获取各聚类参数下所述参考聚类簇子集的芯片数量数据；

获取各聚类参数下所述参考聚类簇子集的芯片面积数据；

获取各聚类参数下所述参考聚类簇子集的芯片密度数据；

根据所述芯片数量数据、所述芯片面积数据和所述芯片密度数据，从各聚类参数值下的参考聚类簇子集中筛选出相匹配的目标聚类簇子集。

3.根据权利要求2所述的方法，其特征在于，所述根据所述芯片数量数据、所述芯片面积数据和所述芯片密度数据，从各聚类参数值下的参考聚类簇子集中筛选出相匹配的目标聚类簇子集，包括：

根据所述芯片数量数据与第一正权重之积、所述芯片面积数据与负权重之积、以及所述芯片密度数据与第二正权重之积，确定各聚类参数值对应的筛选指标值；

将所述筛选指标值最大的参考聚类簇子集作为目标聚类簇子集。

4.根据权利要求1所述的方法，其特征在于，所述根据所述目标聚类簇子集进行重组地图处理，获得目标晶圆地图，包括：

获取所述目标聚类簇子集中的目标聚类簇所对应的芯片密度；所述芯片密度是所占据区域的芯片密度；

确定芯片密度达到密度条件的目标区域；

提取所述目标区域中的芯片位置，生成目标晶圆地图。

5.根据权利要求4所述的方法，其特征在于，所述提取所述目标区域中的芯片位置，生成目标晶圆地图，包括：

当存在至少两个所述目标区域时，对至少两个所述目标区域进行拆分处理，生成各所述目标区域对应的目标晶圆地图。

6.一种智能分选设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

8.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。